基于改进BP-HMM混合模型的轮胎硫化机液压系统故障诊断方法技术方案

本发明专利技术提供一种基于改进BP

【技术实现步骤摘要】
基于改进BP
‑
HMM混合模型的轮胎硫化机液压系统故障诊断方法


[0001]本专利技术涉及轮胎硫化机液压系统故障诊断
，具体涉及一种基于改进BP
‑
HMM混合模型的轮胎硫化机液压系统故障诊断方法、系统、存储介质和电子设备。

技术介绍

[0002]随着汽车工业和轮胎工业的不断发展，对轮胎的均匀性提出了越来越高的要求，也对硫化机的工作精度提出了越来越高的要求，因此现在世界上主要轮胎公司已逐步采用液压式硫化机来代替传统的机械式硫化机。其中，如何实现轮胎硫化机液压系统的故障诊断成了人们重点关注的问题。
[0003]当今已提出如下研究：利用Adaboost
‑
BP神经网络的故障诊断方法，涉及构造多分类算法；或者利用基于隐马尔科夫模型(HMM)改进支持向量机(SVM)的改进液压系统故障诊断模型，有利于少量样本的条件下得到更加精确的故障诊断结果，基于串联HMM
‑
SVM模型以及基于并联HMM
‑
SVM模型在液压系统故障诊断中的准确率比都要比单独运用HMM模型或SVM模型对液压系统故障诊断率要高。
[0004]然而，由于轮胎硫化机液压系统包括众多液压元件(例如液压泵、阀门、蓄能器、冷却器等)，上述技术方案均无法同时准确定位故障类型原因及其故障状态，影响诊断准确度。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了涉及一种基于改进BP
‑
>HMM混合模型的轮胎硫化机液压系统故障诊断方法、系统、存储介质和电子设备，解决了诊断准确度有待提高的技术问题。
[0007](二)技术方案
[0008]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0009]一种基于改进BP
‑
HMM混合模型的轮胎硫化机液压系统故障诊断方法，所述改进BP
‑
HMM混合模型包括BP
‑
AdaBoost子模型和TC
‑
HMM子模型，该方法包括：
[0010]S1、收集并预处理轮胎硫化机液压系统的历史数据，并形成包括若干训练样本的数据集；
[0011]S2、根据所述数据集，构建所述BP
‑
AdaBoost子模型，获取各液压元件的故障状态；
[0012]S3、将不同故障类型原因作为隐藏状态，生成隐藏状态序列，将所述故障状态作为观测状态，生成观测状态序列，采用遗传算法构建所述TC
‑
HMM子模型；
[0013]S4、将轮胎硫化机液压系统的实时参数指标输入训练好的改进BP
‑
HMM混合模型中，获取轮胎硫化机液压系统当前的故障诊断结果。
[0014]优选的，所述S1中的历史数据包括历史参数指标数据和历史故障状态数据；所述
历史参数指标数据至少包括压力数据、电机功率数据、体积流量数据、温度数据、振动信号数据、效率因子数据、虚拟冷却效率数据、虚拟冷却功率。
[0015]优选的，所述S2具体包括：
[0016]S21、数据选择和网络初始化，
[0017]从数据集中随机选择N组训练数据，初始化所选择的训练数据的分布权重D
m
(i)＝1/N；根据样本输入输出维度确定BP神经网络结构权值和阈值；
[0018]S22、弱分类器预测，
[0019]训练第m个弱分类器时，采用训练数据训练BP神经网络并且预测训练数据输出，获取第m个弱分类器预测序列的预测误差和e
m
，
[0020][0021]其中，G
m
(x
i
)表示第m个弱分类器的预测分类结果，y
i
表示第m个弱分类器的期望分类结果；
[0022]I(G
m
(x
i
)≠y
i
)：当G
m
(x
i
)与y
i
相等时，函数取值为0；当G
m
(x
i
)与y
i
不相等时，取值为1；
[0023]S23、计算第m个弱分类器预测序列的权重
∝
m
，
[0024][0025]S24、根据权重
∝
m
调整下一轮训练样本的权重D
m+1
(i)，
[0026][0027][0028]其中，Z
m
表示归一化因子；
[0029]S25、若e
m
小于设定阈值，或者达到最大的迭代次数，循环结束；
[0030]S26、经过M轮迭代运算后，得到M个弱分类器函数G
m
(x)，按照相应的组合构建最终的强分类器G(x)，并获取相应液压元件的故障状态，
[0031][0032]其中，sign表示sign函数。
[0033]优选的，所述S3具体包括：
[0034]S31、将不同故障类型原因作为隐藏状态，生成隐藏状态序列，所述隐状态序列S表示为：
[0035]S＝(s1，
…
，s
r
，
…
，s
R
)
[0036]其中，s
r
表示隐藏状态，r＝1，
…
，R；R表示隐藏序列长度；
[0037]将所述故障状态作为观测状态，生成观测状态序列，所述观测状态序列O表示为：
[0038]O＝(o1，
…
，o
r
，
…
，o
R
)
[0039]其中，o
r
表示观测状态；
[0040]S32、初始化模型参数λ＝(A，B，Π)，
[0041]其中，A表示隐藏状态转移矩阵，A＝(a
ij
)，a
ij
表示从隐藏状态q
i
转移到隐藏状态q
j
的概率；
[0042]B表示观测状态概率矩阵，B＝(b
j
(o
r
))，a
ij
表示隐藏状态为q
j
且观测状态为概率o
r
的概率；
[0043]Π＝(π
i
)，π
i
表示初始隐藏状态为q
i
的初始概率分布；
[0044]S33、采用鲍姆
‑
韦尔奇算法进行EM迭代，直到TC
‑
HMM子模型参数A、B和Π收敛为止；
[0045]在E步，首先计算联合分布P(O,S|λ)，
[0046]P(O，S|λ)＝π
i1
b
i1
(o
i1
)π
i2
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进BP
‑
HMM混合模型的轮胎硫化机液压系统故障诊断方法，其特征在于，所述改进BP
‑
HMM混合模型包括BP
‑
AdaBoost子模型和TC
‑
HMM子模型，该方法包括：S1、收集并预处理轮胎硫化机液压系统的历史数据，并形成包括若干训练样本的数据集；S2、根据所述数据集，构建所述BP
‑
AdaBoost子模型，获取各液压元件的故障状态；S3、将不同故障类型原因作为隐藏状态，生成隐藏状态序列，将所述故障状态作为观测状态，生成观测状态序列，采用遗传算法构建所述TC
‑
HMM子模型；S4、将轮胎硫化机液压系统的实时参数指标输入训练好的改进BP
‑
HMM混合模型中，获取轮胎硫化机液压系统当前的故障诊断结果。2.如权利要求1所述的轮胎硫化机液压系统故障诊断方法，其特征在于，所述S1中的历史数据包括历史参数指标数据和历史故障状态数据；所述历史参数指标数据至少包括压力数据、电机功率数据、体积流量数据、温度数据、振动信号数据、效率因子数据、虚拟冷却效率数据、虚拟冷却功率。3.如权利要求1所述的轮胎硫化机液压系统故障诊断方法，其特征在于，所述S2具体包括：S21、数据选择和网络初始化，从数据集中随机选择N组训练数据，初始化所选择的训练数据的分布权重D
m
(i)＝1/N；根据样本输入输出维度确定BP神经网络结构权值和阈值；S22、弱分类器预测，训练第m个弱分类器时，采用训练数据训练BP神经网络并且预测训练数据输出，获取第m个弱分类器预测序列的预测误差和e
m
，其中，G
m
(x
i
)表示第m个弱分类器的预测分类结果，y
i
表示第m个弱分类器的期望分类结果；I(G
m
(x
i
)≠y
i
)：当G
m
(x
i
)与y
i
相等时，函数取值为0；当G
m
(x
i
)与y
i
不相等时，取值为1；S23、计算第m个弱分类器预测序列的权重
∝
m
，S24、根据权重
∝
m
调整下一轮训练样本的权重D
m+1
(i)，(i)，其中，Z
m
表示归一化因子；S25、若e
m
小于设定阈值，或者达到最大的迭代次数，循环结束；S26、经过M轮迭代运算后，得到M个弱分类器函数G
m
(x)，按照相应的组合构建最终的强
分类器G(x)，并获取相应液压元件的故障状态，其中，sign表示sign函数。4.如权利要求3所述的轮胎硫化机液压系统故障诊断方法，其特征在于，所述S3具体包括：S31、将不同故障类型原因作为隐藏状态，生成隐藏状态序列，所述隐状态序列S表示为：S＝(s1,
…
,s
r
,
…
,s
R
)其中，s
r
表示隐藏状态，r＝1,
…
,R；R表示隐藏序列长度；将所述故障状态作为观测状态，生成观测状态序列，所述观测状态序列O表示为：O＝(o1,
…
,o
...

【专利技术属性】
技术研发人员：胡小建，王韵玥，尹文龙，王之海，王跃，赵跃东，宋旭东，
申请(专利权)人：安徽维德工业自动化有限公司，
类型：发明
国别省市：