一种基于小波神经网络的异常能耗定位方法技术

本发明专利技术提供一种基于小波神经网络的异常能耗定位方法，包括以下步骤：S1：采集异常能耗数据；S2：对异常能耗数据进行小波包分解与重构，并提取其能量特征值，得到训练样本；S3：构建小波神经网络模型；S4：将训练样本输入小波神经网络模型，并结合遗传算法对小波神经网络模型进行优化训练，得到最优小波神经网络模型；通过最优小波神经网络模型进行异常能耗定位诊断，得到诊断结果，从而实现精确定位造成异常能耗的机器部件。本发明专利技术提供一种基于小波神经网络的异常能耗定位方法，提高了异常能耗定位的精确度和稳定性，解决了目前由于异常能耗定位技术的精确度不够高，导致难以精确定位造成异常能耗的机器部件的问题。

【技术实现步骤摘要】
一种基于小波神经网络的异常能耗定位方法
本专利技术涉及设备检测
，更具体的，涉及一种基于小波神经网络的异常能耗定位方法。
技术介绍
液压机是一种通用制造设备，广泛应用于机械制造领域中的各种成型工艺。它具有精度高、刚度高、负载能力大等优点。然而，它也存在能耗高、能量转换效率低的缺点。中国金属成形液压机的数量约为200万台，它们每年消耗的电能超过2800亿kWh，这相当于3.3亿吨碳排放量。液压机的生产条件复杂，并且它们长时间满负荷运行。因此，异常能耗的概率很高，当机器能耗异常时，会导致大量的能量损失，降低机械能效，甚至造成停机和不可估量的安全事故，从而影响整条生产线的正常生产过程。但是目前由于异常能耗定位技术的精确度不够高，导致难以精确定位造成异常能耗的机器部件。现有技术中，如2019年5月3日公开的中国专利，基于小波模糊识别和图像分析理论的机械故障分析方法，公开号为CN109708877A，采用小波模糊识别快速地对旋转机械故障进行诊断，并利用图像分析理论判断机械故障的具体位置，但并没有结合神经网络进行判断，检测精确度不够高本文档来自技高网...

【技术保护点】
1.一种基于小波神经网络的异常能耗定位方法，其特征在于，包括以下步骤：/nS1：采集异常能耗数据；/nS2：对异常能耗数据进行小波包分解与重构，并提取其能量特征值，得到训练样本；/nS3：构建小波神经网络模型；/nS4：将训练样本输入小波神经网络模型，并结合遗传算法对小波神经网络模型进行优化训练，得到最优小波神经网络模型；通过最优小波神经网络模型进行异常能耗定位诊断，得到诊断结果，从而实现精确定位造成异常能耗的机器部件。/n

【技术特征摘要】
1.一种基于小波神经网络的异常能耗定位方法，其特征在于，包括以下步骤：
S1：采集异常能耗数据；
S2：对异常能耗数据进行小波包分解与重构，并提取其能量特征值，得到训练样本；
S3：构建小波神经网络模型；
S4：将训练样本输入小波神经网络模型，并结合遗传算法对小波神经网络模型进行优化训练，得到最优小波神经网络模型；通过最优小波神经网络模型进行异常能耗定位诊断，得到诊断结果，从而实现精确定位造成异常能耗的机器部件。


2.根据权利要求1所述的一种基于小波神经网络的异常能耗定位方法，其特征在于，步骤S2具体包括以下步骤：
S2.1：对异常能耗数据进行小波包多尺度分解处理，得到分解数据；
S2.2：采用小波包系数重构算法对分解数据进行重构，得到重构数据；
S2.3：计算重构数据的能量值，从而提取得到能量特征值；
S2.4：对能量特征值进行降维处理，得到降维的能量特征值；
S2.5：对降维的能量特征值进行归一化处理，得到训练样本。


3.根据权利要求2所述的一种基于小波神经网络的异常能耗定位方法，其特征在于，在步骤S2.2中，重构数据的数据长度与异常能耗数据分解前的数据长度一致。


4.根据权利要求2所述的一种基于小波神经网络的异常能耗定位方法，其特征在于，在步骤S2.4中，采用主成分分析降维技术对能量特征值进行降维处理；具体为：
假定能量特征值的初始向量X包含n个样本和m个特征，即
X＝(x1,x2,...,xn)T；
则初始向量X的协方差矩阵为：



基于K–L变换，主成分的累计贡献率C(q)为：



采用特征向量矩阵U＝(U1,U2,...,Um)T将初始向量X映射到新的特征子空间中，得到特征向量矩阵Y，映射公式为：
Y＝UTX；
其中，协方差矩阵S是n×n维矩阵，且其特征值满足λ1>λ2…>λm；x1,x2,...,xn均为初始向量X中的样本，Xi为初始向量X第i个分量；λi为矩阵S的第i个特征值，q为矩阵S的主成分，s为贡献率标准值。


5.根据权利要求4所述的一种基于小波神经网络的异常能耗定位方法，其特征在于，在步骤S2.5中，归一化公式为：



其中，y为标准化区间，ymax、ymin分别为标准化区间的最大值和最小值，x为特征向量矩阵Y中要归一化的数据，xmax、xmin分别为特征向量矩阵Y中每行数据中的最大值和最小值。


6.根据权利要求1所述的一种基于小波神经网络的异常能耗定位方法，其特征在于，在步骤S3中，小波神经网络模型的输入层节点数m根据能量特征值确定，输出层节点数n根据输出结果确定，隐含层节点数h根据以下公式确定：



其中，α为适应度系数。


7.根据权利要求6所述的一种基于小波神经网络的异常能耗定位方法，其特征在于，步骤S4具体包括以下步骤：
步骤S4.1：将训练样本输入小波神经网络模型；
步骤S4.2：随机生成小波神经网络模型的权值和阈值，并设定学习速率η、激励函数、期望输出值和误差预设值；其中，权值包括各输入层与各隐含层间连接权值ωij、各隐含层与各输出层连接权值ωjk，阈值包括各隐含层阈值aj、各输出层阈值bk；
步骤S4.3：采用遗传算法优化权值和阈值；
步骤S...

【专利技术属性】
技术研发人员：杨海东，印四华，徐康康，朱成就，胡罗克，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44