一种基于多层网络的复杂机电装备的故障诊断方法技术

本发明专利技术公开了一种多层网络的复杂机电装备故障诊断方法，包括：利用故障树分析法对复杂机电装备故障进行分析，构建故障知识库，建立复杂机电装备故障树；将复杂机电装备故障树转化为贝叶斯网络，建立贝叶斯网络故障诊断模型，实现复杂机电装备故障部件的定位；采集旋转机械部分各部件典型故障状态下的振动加速度信号；并提取出能够反映复杂机电装备状态的故障特征量，构建故障数据样本，并划分为训练集和测试集；建立基于ELM的复杂机电装备故障诊断模型；采用IPFA算法优化基于ELM的复杂机电装备故障诊断模型，得到基于IPFA

【技术实现步骤摘要】
一种基于多层网络的复杂机电装备的故障诊断方法


[0001]本专利技术涉及船舶装备故障诊断技术，特别涉及一种基于多层网络的复杂机电装备的故障诊断方法。

技术介绍

[0002]在船舶制造过程中，复杂机电装备往往会因不同的因素(离心力、离心力矩等)产生故障，缩短使用寿命，严重的还可能引起装备损坏，危机人生安全。因此，为有效地控制和消除上述的有害因素，对复杂机电装备开展故障诊断是十分有意义的。
[0003]目前，单一的智能算法只能实现对故障模式的判断，无法实现对故障部件的定位。贝叶斯网络(Bayesian network)是一种概率图型模型，通常用有向无环图的形式进行表达。在故障诊断中，通过分析当前的故障现象，从而实现对故障原因的推理。ELM是一种简单易用、有效的单隐层前馈神经网络学习算法，与其他算法(BP算法等)相比，ELM只需要设置网络的隐含层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解，因此具有学习速度快且泛化性能好的优点，在解决回归、二分类以及多分类问题中应用广泛。ELM、深度ELM等均可实现故障类型的判断。但当复杂机电装备旋转机械部分发生故障时，其振动信号幅值变化明显，ELM结构简单，运算速度更快，因此，更适合复杂机电装备旋转机械部分故障类型的判断。探路者算法(Pathfinder algorithm，PFA)是2019年提出的一种新的优化算法。该算法的灵感来源于群体动物的集体活动行为，模仿种群的领导者带领种群寻找最佳食物区域或觅食。算法将整个种群个体划分为探路者和追随者，假定当前最优个体为探路者，其他个体为追随者，通过不断动态调整种群角色，协同探寻全局最优解。但PFA算法同样也存在容易陷入局部最优的缺点。因此，需要对探路者算法进行改进。

技术实现思路

[0004]专利技术目的：本专利技术的目的是提供一种基于多层网络的复杂机电装备的故障诊断方法。
[0005]技术方案：本专利技术的一种基于多层网络的复杂机电装备的故障诊断方法，包括以下步骤：
[0006]S1、利用故障树分析法对复杂机电装备故障进行分析，构建故障知识库，根据故障知识库建立复杂机电装备故障树；
[0007]S2、将复杂机电装备故障树转化为贝叶斯网络，根据维修记录以及专家经验，得出贝叶斯网络的根节点先验概率以及中间节点的条件概率，完成贝叶斯网络故障诊断模型的建立，第一层网络构建完成；当复杂机电装备发生故障时，将故障现象作为故障证据输入至贝叶斯网络故障诊断模型，实现复杂机电装备故障部件的定位；
[0008]S3、对于复杂机电装备的旋转机械部分，开展复杂机电装备故障振动测试实验，采集典型故障状态下的振动加速度信号；
[0009]S4、对振动加速度信号进行处理，提取出能够反映复杂机电装备状态的故障特征量，构建故障数据样本，并划分为训练集和测试集；
[0010]S5、以训练集故障特征量为输入，故障状态标签为输出，建立基于ELM的复杂机电装备故障诊断模型；
[0011]S6、建立改进的探路者算法(IPFA)，采用IPFA算法对基于ELM的复杂机电装备故障诊断模型进行优化，得到基于IPFA
‑
ELM的复杂机电装备故障诊断模型，第二层网络构建完成；
[0012]S7、将测试集故障特征量输入到基于IPFA
‑
ELM的复杂机电装备故障诊断模型，进行复杂机电装备部件故障类型的诊断，输出诊断结果。
[0013]进一步的，步骤S1具体为：
[0014]S11、对复杂机电装备结构进行分析，对常见故障及其概率进行总结，构建故障知识库，确定复杂机电装备故障为故障树的顶事件，记为U；
[0015]S12、分析顶事件的原因，确定中间事件为旋转机械部分故障现象、非旋转机械部分故障现象；
[0016]S13、分析中间事件的原因，确定底事件为电源故障、熔断器故障、滚轮故障、万向联轴器故障、轴承损坏、齿轮损坏；
[0017]S14、确定每层事件的逻辑关系为与、或、非门进行连接。
[0018]进一步的，步骤S4具体为：
[0019]设X
i
＝{x
i，1
，x
i，2
，
…
，x
i，L
}为采集到的复杂机电装备故障信号，其中，i＝1，2，
…
，M，M表示采样点数，x
i，L
为第i种故障中的第L段信号，提取故障信号中的特征量，包括最大值t1，最小值t2，平均值t3，方根幅值t4，峰
‑
峰值t5，方差t6，标准差t7，峭度t8，偏斜度t9，均方根t
10
，波形因子t
11
，峰值因子t
12
，脉冲因子t
13
，裕度因子t
14
，重心频率t
15
，均方频率t
16
，频率方差t
17
，峰值频率t
18
，均值频率t
19
，频率标准差t
20
；则故障信号的初始特征量T表示为：
[0020]T＝[t1，t2，
…
，t
20
][0021]利用下式对初始特征量进行归一化：
[0022][0023]式中，t
′
i
是第i个初始特征量t
i
归一化后的数据，t
i
是初始特征量T中的第i个初始特征量，i＝1，2，
…
，20，t
max
是初始特征量T中的最大值，t
min
是初始特征量T中的最小值；
[0024]可得归一化后的故障特征量T
′
为：
[0025]T
′
＝[t
′1，t
′2，
…
，t
′
20
][0026]构建故障数据样本集{(T
′1，y1)，(T
′2，y2)，...，(T
′
d
，y
d
)}，T
′1，T
′2，
…
，T
′
d
表示归一化后的故障特征量，y1，y2，
…
，y
d
表示故障状态标签，d表示样本数；
[0027]将故障数据样本集划分为训练集和测试集。
[0028]进一步的，步骤S5具体为：
[0029]以训练集故障特征量x为输入，故障状态标签为输出，构建基于ELM的复杂机电装备故障诊断模型，模型表达式为：Y＝F(w，b，β，x)，其中，Y为输出的故障状态标签，w为输入
权重，b为偏置量，β为输出权重，x为训练集故障特征量，即e表示训练集样本数。
[0030]进一步的，步骤S6具体为：
[0031]S601、参数设置：以EL本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多层网络的复杂机电装备的故障诊断方法，其特征在于，包括以下步骤：S1、利用故障树分析法对复杂机电装备故障进行分析，构建故障知识库，根据故障知识库建立复杂机电装备故障树；S2、将复杂机电装备故障树转化为贝叶斯网络，根据维修记录以及专家经验，得出贝叶斯网络的根节点先验概率以及中间节点的条件概率，完成贝叶斯网络故障诊断模型的建立，第一层网络构建完成；当复杂机电装备发生故障时，将故障现象作为故障证据输入至贝叶斯网络故障诊断模型，实现复杂机电装备故障部件的定位；S3、对于复杂机电装备的旋转机械部分，开展复杂机电装备故障振动测试实验，采集典型故障状态下的振动加速度信号；S4、对振动加速度信号进行处理，提取出能够反映复杂机电装备状态的故障特征量，构建故障数据样本，并划分为训练集和测试集；S5、以训练集故障特征量为输入，故障状态标签为输出，建立基于ELM的复杂机电装备故障诊断模型；S6、建立改进的探路者算法IPFA，采用IPFA算法对基于ELM的复杂机电装备故障诊断模型进行优化，得到基于IPFA
‑
ELM的复杂机电装备故障诊断模型，第二层网络构建完成；S7、将测试集故障特征量输入到基于IPFA
‑
ELM的复杂机电装备故障诊断模型，进行复杂机电装备部件故障类型的诊断，输出诊断结果。2.根据权利要求1所述的一种基于多层网络的复杂机电装备的故障诊断方法，其特征在于，步骤S1具体为：S11、对复杂机电装备结构进行分析，对常见故障及其概率进行总结，构建故障知识库，确定复杂机电装备故障为故障树的顶事件，记为U；S12、分析顶事件的原因，确定中间事件为旋转机械部分故障现象、非旋转机械部分故障现象；S13、分析中间事件的原因，确定底事件为电源故障、熔断器故障、滚轮故障、万向联轴器故障、轴承损坏、齿轮损坏；S14、确定每层事件的逻辑关系为与、或、非门进行连接。3.根据权利要求1所述的一种基于多层网络的复杂机电装备的故障诊断方法，其特征在于，步骤S4具体为：设X
i
＝{x
i，1
，x
i，2
，
…
，x
i，L
}为采集到的复杂机电装备故障信号，其中，i＝1，2，
…
，M，M表示采样点数，x
i，L
为第i种故障中的第L段信号，提取故障信号中的特征量，包括最大值t1，最小值t2，平均值t3，方根幅值t4，峰
‑
峰值t5，方差t6，标准差t7，峭度t8，偏斜度t9，均方根t
10
，波形因子t
11
，峰值因子t
12
，脉冲因子t
13
，裕度因子t
14
，重心频率t
15
，均方频率t
16
，频率方差t
17
，峰值频率t
18
，均值频率t
19
，频率标准差t
20
；则故障信号的初始特征量T表示为：T＝[t1，t2，
…
，t
20
]利用下式对初始特征量进行归一化：式中，t
′
i
是第i个初始特征量t
i
归一化后的数据，t
i
是初始特征量T中的第i个初始特征量，i＝1，2，
…
，20，t
max
是初始特征量T中的最大值，t
min
是初始特征量T中的最小值；
可得归一化后的故障特征量T
′
为：T
′
＝[t
′1，t
′2…
，t
′
20
]构建故障数据样本集{(T
′1，y1)，(T
′2，y2)，
…
，(T
′
d
，y
d
)}，T
′1，T
′2，
…
，T
′
d
表示归一化后的故障特征量，y1，y2，
…
，y
d
表示故障状态标签，d表示样本数；将故障数据样本集划分为训练集和测试集。4.根据权利要求1所述的一种基于多层网络的复杂机电装备的故障诊断方法，其特征在于，步骤S5具体为：以训练集故障特征量x为输入，故障状态标签为输出，构建基于ELM的复杂机电装备故障诊断模型，模型表达式为：Y＝F(w，b，β，x)，其中，Y为输出的故障...

【专利技术属性】
技术研发人员：李磊，刘凯，周宏根，王磊，胡秋实，李纯金，何强，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：