一种航空制造设备大数据故障诊断方法技术

一种航空制造设备大数据故障诊断方法，步骤包括：对航空航天产品制造数据如振动、温度、噪声、位姿、电磁等状态信号，针对此类航空设备检测数据量大、价值密度低的特点，应用熵权法对数据进行客观的选择；应用BP神经网络进行训练从而实现故障诊断；本发明专利技术可以更好地发挥BP神经网络的优势，同时又弥补其缺陷，在诊断数据的处理上应用熵权法对数据进行客观的选择，用ABC算法搜寻最优权值和阈值，优化BP神经网络；本发明专利技术对人工蜂群算法的位置搜索方法和跟随蜂选择蜜源方法进行了改进，提高了寻优速度和效果。和效果。和效果。

【技术实现步骤摘要】
一种航空制造设备大数据故障诊断方法


[0001]本专利技术涉及航空航天产品制造设备故障诊断
，尤其涉及基于ABC
‑
BP神经网络的一种航空制造设备大数据故障诊断方法。

技术介绍

[0002]科学技术的逐渐发展，对于航空航天产品的需求量越来越大，产品技术越来越先进，与此同时，对于航空航天生产设备的效率和可靠性要求也越来越高，在自动化和智能化程度较高的生产系统中，对于生产设备实现故障的自动判别和预测十分重要，在故障诊断领域，国内已经有了多种较为成熟的方案，广泛运用于机械设备诊断中，但航空生产设备诊断存在知识获取困难、设备复杂、数据质量密度低等问题，使得国内在航空设备故障诊断领域仍不够成熟，将现有的故障诊断技术应用到该领域，对实现航空生产设备更高的自动化和智能化集成意义重大。
[0003]故障诊断是查找设备或系统故障的过程，了解掌握机器的运行状态，早期发现故障并进行趋势预测。基于专家系统的故障诊断方法是目前比较成熟的一类方法，从领域专家的经验知识为基准去构建知识系统，这也正是其有天然不足的原因，知识的收集很难囊括所有问题，诊断过程易陷入困境；基于支持向量机的故障诊断方法，可以将非线性问题进行线性变换，由于SVM是借助二次规划来求解支持向量，在航空设备这类大样本的情况下，该方法难以实现，效率低下；模糊故障诊断方法主要运用模糊理论对数据信息进行模糊建模、模糊聚类处理等，不需要建立精确的数学模型，但其缺陷在于很大程度依赖人的经验，不具备学习能力；基于人工网络的故障诊断方法不需要人为总结消化领域专家知识，而是用领域专家解决问题的实例或范例来训练，其通用性高，具有大规模并行处理能力、自学习能力和自适应能力，在故障诊断中发挥出其特定的优势作用。
[0004]作为人工神经网络中应用广泛和技术成熟的BP神经网络，在许多领域都有不错的应用效果，BP神经网络是一种多层前馈神经网络，在模型的训练中将误差反向传播，在不清楚输入输出之间的映射关系下，经过自身的训练可以得到接近期望的输出，具备优秀的模式分类和多维函数映射能力。BP神经网络有三层结构，输入层与输出层各一层，中间的隐含层可以有若干层，运算中可以改变输入输出之间的关系。在寻找最优解的过程中，它采用了梯度下降法，此种方法可以使模型的实际输出值与期望输出值的误差均方差最小，但此种方法在应对复杂的多维网格空间时，容易在局部极值处停摆，无法在全局模型下训练出真正的最优解。针对这个问题，可以将一些针对全局优化的方法应用到BP神经网络中，比如粒子群优化算法、遗传算法和人工蜂群算法等。
[0005]人工蜂群算法是从蜂群采蜜的行为研究总结而来，突出展现了集群智能思想，在解决全局优化问题上有着独特优势，在寻优前该算法不用知道具体问题信息，寻优时只对问题的好坏作出评判，在进行局部寻优中不断更新最优解和淘汰蜜源，最终在全局中突出全局最优解，这个过程的收敛速度较其它同类算法更迅速。算法的实现，会有三种蜜蜂进行不同的任务分配，引领蜂与蜜源是一一对应关系，它会不断寻找新的解并记忆和更新寻找
过程中的最优解，将解的信息传递给其它蜜蜂；跟随蜂在接收到引领蜂的信息后去寻找蜜源，起到团队合作的作用，有效提高收敛速度；侦察蜂的作用在于寻找蜜源陷入局部最优的困境时，跳出当前循环，去蜂巢附近搜索新的蜜源，大大提高了寻找到全局最优解的概率。ABC算法采用上述原理方法，有着操作简单、调参简便、寻优效果好和鲁棒性好的特点，在寻找全局最优解上能力强，收敛速度快，正好可以弥补BP神经网络易陷入局部极值的缺陷。
[0006]ABC算法与BP神经网络结合用于故障诊断可以弥补BP网络的缺陷，如专利号CN201910525924.6名称为一种用于航空发动机气路故障诊断的深度计算模型，但是，他们依旧存在技术缺陷：对于训练样本的选择，不经过筛选会导致数据维数过高，人为筛选难免存在主观性，同时ABC算法本身存在着一定不足，在搜索时从蜜源的邻域进行，局限了对新蜜源的寻找能力，在选择蜜源时采用了简单的轮盘赌方式，若选中高适应度值的较优解，搜索就停滞了，因此如何针对这两方面的问题提出相应的改进方案，一直是本领域技术人员在探索的故障诊断新思路。

技术实现思路

[0007]为解决航空航天制造过程中对制造设备大数据的故障诊断问题，本专利技术的目的在于提供一种航空制造设备大数据故障诊断方法，将ABC算法和BP神经网络结合用于故障诊断，可以更好地发挥BP神经网络的优势，同时又弥补其缺陷，在诊断数据的处理上应用熵权法对数据进行客观的选择，用ABC算法搜寻最优权值和阈值，最后进行模型训练，在保证训练效果的同时可以提高训练速度。
[0008]为了实现上述目的，本专利技术有如下的技术方案：
[0009]一种航空制造设备大数据故障诊断方法，步骤如下：
[0010]步骤一、对航空航天产品制造数据，包括振动、温度、噪声、位姿、电磁状态信号，进行搜集获取之后预处理与特征提取；对提取到的数据进行重要性比较，得出直接用于模型训练的输入数据；采用熵权法对固定指标进行权值分配，通过权重值对特征向量进行综合性评价，选择排名靠前的特征向量参与后续的网络训练模型。
[0011]所述的采用熵权法对固定指标进行权值分配，通过权重值对特征向量进行综合性评价，具体包括：
[0012](1.1)防止输入矩阵存在负数，对原始特征向量进行归一化处理得到X＝(x
′
ij
)
m
×
n
，公式为：
[0013][0014](1.2)计算每个指标的信息熵e
j
：
[0015][0016]其中，K为常数，
[0017](1.3)计算每个特征向量的权重w
j
：
[0018][0019]通过权重值对特征向量进行综合性评价，选择排名靠前的特征向量参与后续的网络训练；
[0020]步骤二、利用人工蜂群ABC算法确定出网络训练模型中需要的权重矩阵w与偏置矩阵b参数，用以初始化神经网络，具体实现步骤包括：
[0021](2.1)初始化参数，设定参数，包括种群数、最大迭代次数、控制参数，设定蜜源，每一个蜜源的位置对应着BP网络的一组权值和阈值；
[0022](2.2)对初始蜜源质量进行适应度评估；
[0023](2.3)设定好循环条件之后，种群内进入到循环阶段，开始循环；
[0024](2.4)引领蜂对蜜源进行邻域搜索产生新蜜源，并计算新蜜源的适应度，根据贪婪原则在新旧蜜源间进行选择；
[0025](2.5)计算每个蜜源被选择的概率，跟随蜂依据概率选定蜜源后，搜索产生新的蜜源，计算新蜜源的适应度，根据贪婪原则在新旧蜜源间进行选择；
[0026](2.6)判断是否有需要放弃的蜜源，由侦察蜂处理进化失败的蜜源产生新蜜源；
[0027](2.7)直到达到最大循环次数，即满足了循环终止条件，结束循环，最优蜜源即被找到。
[0028]步骤(2.4)中，引领蜂与跟随蜂在对蜜源本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种航空制造设备大数据故障诊断方法，其特征在于，步骤如下：步骤一、对航空航天产品制造数据，包括振动、温度、噪声、位姿、电磁状态信号，进行搜集获取之后预处理与特征提取；对提取到的数据进行重要性比较，得出直接用于模型训练的输入数据；采用熵权法对固定指标进行权值分配，通过权重值对特征向量进行综合性评价，选择排名靠前的特征向量参与后续的网络训练模型；步骤二、利用人工蜂群ABC算法确定出网络训练模型中需要的权重矩阵w与偏置矩阵b参数，用以初始化神经网络，步骤三、将ABC算法找到的最优蜜源作为BP神经网络的初始化权重矩阵w与偏置矩阵b参数，进行BP神经网络训练。2.根据权利要求1所述的一种航空制造设备大数据故障诊断方法，其特征在于，所述的采用熵权法对固定指标进行权值分配，通过权重值对特征向量进行综合性评价，具体包括：(1.1)防止输入矩阵存在负数，对原始特征向量进行归一化处理得到X＝(x
′
ij
)
m
×
n
，公式为：(1.2)计算每个指标的信息熵e
j
：其中，K为常数，(1.3)计算每个特征向量的权重w
j
：通过权重值对特征向量进行综合性评价，选择排名靠前的特征向量参与后续的网络训练。3.根据权利要求1所述的一种航空制造设备大数据故障诊断方法，其特征在于，步骤二具体实现步骤包括：(2.1)初始化参数，设定参数，包括种群数、最大迭代次数、控制参数，设定蜜源，每一个蜜源的位置对应着BP网络的一组权值和阈值；(2.2)对初始蜜源质量进行适应度评估；(2.3)设定好循环条件之后，种群内进入到循环阶段，开始循环；(2.4)引领蜂对蜜源进行邻域搜索产生新蜜源，并计算新蜜源的适应度，根据贪婪原则在新旧蜜源间进行选择；(2.5)计算每个蜜源被选择的概率，跟随蜂依据概率选定蜜源后，搜索产生新...

【专利技术属性】
技术研发人员：张政，邹澳，白伟，王雪松，刘登峰，杨林，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：