CN105095963B - 一种精确诊断与预测风洞设备故障的方法 - Google Patents
一种精确诊断与预测风洞设备故障的方法 Download PDFInfo
- Publication number
- CN105095963B CN105095963B CN201510504073.9A CN201510504073A CN105095963B CN 105095963 B CN105095963 B CN 105095963B CN 201510504073 A CN201510504073 A CN 201510504073A CN 105095963 B CN105095963 B CN 105095963B
- Authority
- CN
- China
- Prior art keywords
- equipment
- data
- failure
- wind
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明公开了一种精确诊断与预测风洞设备故障的方法,该方法首先需要收集风洞试验时各设备其状态监测点的正常工况数据、历史故障数据,建立风洞设备状态数据库。然后,利用神经网络原理结合已有状态数据库分别搭建风洞设备故障神经网络诊断模型与预测模型。解决了传统的人工无法对设备即将出现的故障进行预测、人工分析判断时工作量大、耗时较长、故障诊断准确率受人员能力、经验的影响而无法保证、设备隐蔽故障难以被及时发现,从而导致设备带故障运行,容易引起试验数据报废,情况严重的话甚至可能会导致风洞试验失控,给国家财产和人身安全带来伤害的一系列问题。
Description
技术领域
本发明属航空航天工业空气动力学风洞试验技术领域,尤其涉及一种风洞试验中精确诊断与预测风洞设备故障种类及原因的方法。
背景技术
风洞试验通过模拟飞行器在特定条件下的飞行状态,以获取该状态下飞行器的性能参数,为飞行器的空气动力设计提供所需的重要原始参数。风洞试验时,确保风洞相关设备处于正常的工作状态是保证风洞试验安全、高质、有效进行的首要前提,同时也是确保试验数据真实、可靠、精确的重要基础。随着我国飞行器研制任务的不断深入,风洞试验任务日益加重,设备的使用频率逐渐增大、设备的连续运行时间也在递增,设备故障的出现已成为不可避免的问题。常规的风洞设备故障诊断方法主要通过人工经验对设备运行状态进行逐项分析判断来完成,但风洞设备故障存在不可预知性及不规律性等特点,且人工判断容易受人员分析能力及工作经验的制约,这就给故障的及时诊断和维修带来了困难。
发明内容
本发明的目的是提供一种风洞试验中精确诊断与预测风洞设备故障种类与原因的方法。该方法首先需要收集风洞试验时各设备其状态监测点的正常工况数据、历史故障数据,建立风洞设备状态数据库。然后,利用神经网络原理结合已有状态数据库分别搭建风洞设备故障神经网络诊断模型与预测模型。在风洞试验时,将采集到的待诊断设备的状态监测值作为模型的输入,利用已建立的神经网络诊断模型及预测模型以程序自动判别的方式来诊断设备是否已发生故障或预测是否即将出现故障并确定其故障种类及原因。
为实现上述目的,本发明采用如下技术方案,一种精确诊断与预测风洞设备故障的方法,包括以下步骤:
步骤一:针对不同设备选择能表征其工作状态的一项或多项已知的特征参数,诸如:压力,电压,流速,温度等;
步骤二:统计风洞待诊断设备的具有表征意义的i个特征参数的正常工况数据:Nor=(Nor1j,Nor2j,……,Norij)(Norij代表设备第i个特征参数的第j组正常运行数据)、历史故障数据:Flt=(Flt1j,Flt2j,……,Fltij)(Fltij代表第i个特征参数的第j组历史故障数据),根据已知数据,对设备状态进行分类,得到设备状态分类结果y(y是离散量,代表设备运行状态的分类,其值为0,1,……,k,代表运行正常或者设备处于哪一种故障状态),建立设备相应数据对应的状态数据库;
步骤三:以正常工况数据Nor、历史故障数据Flt,作为概率神经网络的训练输入,以数据库内相应的设备状态分类结果y作为网络训练输出,搭建并训练概率神经网络设备故障诊断分类模型;
步骤四:搭建及训练基于BP神经网络的风洞设备特征参数预测模型。从状态数据库内的正常工况数据Nor、历史故障数据Flt中取出待预测设备在n个时刻的特征参数的数据:x(1),x(2),…,x(n)作为BP神经网络的训练样本数据。利用BP神经网络对预测模型进行训练,把x(1),x(2),…,x(n)分成K组,每组有m+1个值,前m个值作为神经网输入节点的输入,最后一个值作为神经网络输出的目标值(如表1示),训练并建立基于BP神经网络的表征数据预测模型。
步骤五:判断设备在t=n时刻的状态,采集其i个表征参数监测值在此时刻的实时数据:x(n)=(x1(n),x2(n),…,xi(n))(xi(n)代表在t=n时刻设备第i个表征参数的数据);将当前数据x(n)作为概率网络故障诊断分类模型的输入元,则网络的输出y(n)即为此时刻设备故障的诊断结果。
步骤六:系统根据诊断结果作出设备状态提示或报警。
在上述步骤五中,若经诊断t=n时设备正常,为预测t=n+1时刻设备的工作状态,则需要先通过特征参数预测模型来预测设备特征参数在第n+1时刻的预测输出x^(n+1)。将x(n-m+1),x(n-m+2),…,x(n)作为特征参数预测模型的输入,网络的输出则是预测值x^(n+1)。然后将x^(n+1)作为概率神经网络故障诊断分类模型的输入,则网络的输出y^(n+1)即为n+1时刻设备故障的预测诊断结果。
综上所述,由于采用了上述技术方案,本发明的有益效果是:本方案利用神经网络原理结合已有状态数据库分别搭建风洞设备故障神经网络诊断模型与预测模型。在风洞试验时,将采集到的待诊断设备的状态监测值作为模型的输入,利用已建立的神经网络诊断模型及预测模型以程序自动判别的方式来诊断设备是否已发生故障或预测是否即将出现故障并确定其故障种类及原因。解决了传统的人工无法对设备即将出现的故障进行预测、人工分析判断时工作量大、耗时较长、故障诊断准确率受人员能力、经验的影响而无法保证、设备隐蔽故障难以被及时发现,从而导致设备带故障运行,容易引起试验数据报废,情况严重的话甚至可能会导致风洞试验失控,给国家财产和人身安全带来伤害的一系列问题。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明实施的流程图;
图2是PNN神经网络的基本结构示意图。
具体实施方式
本发明提出的这种针对风洞设备的故障诊断方法,利用了机器学习中的人工神经网络技术。人工神经网络是一种模仿动物神经网络行为特征,基于统计学进行并行信息处理的算法数学模型。人工神经网络能够通过外部输入自适应的改变自身结构,是一种监督学习模型。基于该理论,我们通过收集设备正常运行状态下和故障状态下的传感器采集数据,建立历史数据库,然后通过历史数据训练神经网络模型,实现神经网络对设备运行情况的预测。
如图1所示为本发明方法的一个较佳实施例的处理流程图,该流程包括以下几个步骤:
步骤一:从数据库中读取训练样本,并存储在内存里。数据在数据库中按照条目的方式存储。每条数据的格式为:(date time,device,x1,x2,x3,……,xn,y)其中date time为数据采集时间,device指示该条数据所对应的风洞设备,x1,x2,x3,……,xn是当前时刻传感器测量值,y是离散量,代表设备运行状态的分类,其值为0,1,……,m,代表运行正常或者设备处于哪一种故障状态。
步骤二:建立概率神经网络故障诊断模型。概率神经网络(PNN)是一种具有输入层、模式层、累加层和输出层的四层结构的神经网络,常用于模式分类,其基本网络结构如图2所示。其中输入层的神经元个数等于特征向量的维数(本方法中,输入层神经元的个数即为待诊断设备的特征参数个数),模式层神经元个数等于训练样本数,模式层激励函数选择累加层和输出层神经元个数等于故障类别个数。
步骤三:训练概率神经网络。PNN的训练方法如下:首先将模式层的每个神经元的权值w依次设为训练样本中的一个特征向量,然后将训练样本按照类别依次连接到累加层的对应类别的神经元上。
步骤四:建立Bp神经网络模型。Bp(back propagation)神经网络是一种多层前馈网络,是目前应用最广泛的神经网络模型之一。其学习采用最速下降方法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。常用的Bp神经网络一般是三层结构,即输入层,隐含层和输出层。本方法中选择隐含层为10个神经元,激励函数为sigmoid函数(f(x)=1/exp(-z))的网络结构。
步骤五:训练Bp神经网络。Bp神经网络不同于概率神经网络,一般需要大量的时间进行训练。Bp神经网络的输入神经元个数为n*x个(x为用来预测第m+1组特征数据的输入特征组数),输出神经元个数为n个,对应一组特征数据的n维。对BP神经网络进行训练前先将训练样本按照7:3的比例分割为训练集和验证集,这么做的目的是防止神经网络网络模型过拟合。然后将训练样本输入到神经网络中进行训练,当训练误差或者验证误差小于给定阈值时停止训练,此时即完成了BP神经网络的训练。
步骤六:采集当前时刻现场设备上所安装的传感器数据。对数据进行滤波等前期处理。
步骤七:将采集到的数据输入到PNN神经网络中进行分类,计算其属于每一类的概率。得到输出y(y=0,1,……,m)。如果结果为0,则跳转到步骤八,如果结果不为0,则跳转到步骤十一。
步骤八:将连续采集到的x组数据输入到Bp神经网络中进行计算。得到对x+1时刻传感器返回数据的一组预测值。
步骤九:将预测值输入到PNN神经网络中进行分类,计算其属于每一类的概率。得到输出y(y=0,1,……,m)。如果结果为0,则跳转到步骤310,如果结果不为0,则跳转到步骤十一。
步骤十:一次故障诊断及预测过程正常结束。
步骤十一:设备工作异常,输出报警信息。
表1神经网络预测学习样本
m点输入 | 目标输出值 |
x(1),x(2),…,x(m) | x(m+1) |
x(2),x(3),…,x(m+1) | x(m+2) |
… | … |
x(k),x(k+1),…,x(k+m-1) | X(m+k) |
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (2)
1.一种精确诊断与预测风洞设备故障的方法,其特征在于包括以下步骤:
步骤一:选择能表征风洞设备工作状态的一项或多项已知的特征参数;
步骤二:统计风洞待诊断设备的具有表征意义的若干个特征参数的正常工况数据和历史故障数据,根据已知数据,对设备状态进行分类,得到设备状态分类结果,并建立设备相应数据对应的状态数据库;
步骤三:以正常工况数据、历史故障数据作为概率神经网络的训练输入,以状态数据库内相应的设备状态分类结果作为网络训练输出,搭建并训练概率神经网络设备故障诊断分类模型;
步骤四:从状态数据库内的正常工况数据、历史故障数据中取出待预测设备在若干个时刻的特征参数的数据作为BP神经网络的训练样本数据;利用BP神经网络对预测模型进行训练,把特征参数数据分成若干组,每组的最后一个值作为神经网络输出的目标值,其他的值作为神经网络的样本输入,训练并建立基于BP神经网络的特征参数预测模型;
步骤五:判断设备在某时刻的状态,采集其若干个表征参数监测值在此时刻的实时数据;将当前数据作为概率网络故障诊断分类模型的输入元,则网络的输出即为此时刻设备故障的诊断结果;
步骤六:系统根据诊断结果作出设备状态提示或报警。
2.根据权利要求1所述的一种精确诊断与预测风洞设备故障的方法,其特征在于:上步骤五中,若经诊断在某时刻设备正常,为预测在下一时刻设备的工作状态,将该时刻采集的监测数据作为特征参数预测模型的输入,网络的输出则是预测值;然后将预测值作为概率神经网络故障诊断分类模型的输入,则网络的输出即为下一时刻设备故障的预测诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510504073.9A CN105095963B (zh) | 2015-08-17 | 2015-08-17 | 一种精确诊断与预测风洞设备故障的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510504073.9A CN105095963B (zh) | 2015-08-17 | 2015-08-17 | 一种精确诊断与预测风洞设备故障的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105095963A CN105095963A (zh) | 2015-11-25 |
CN105095963B true CN105095963B (zh) | 2017-10-13 |
Family
ID=54576337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510504073.9A Active CN105095963B (zh) | 2015-08-17 | 2015-08-17 | 一种精确诊断与预测风洞设备故障的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105095963B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106598791B (zh) * | 2016-09-12 | 2020-08-21 | 湖南微软创新中心有限公司 | 一种基于机器学习的工业设备故障预防性识别方法 |
CN106708016B (zh) * | 2016-12-22 | 2019-12-10 | 中国石油天然气股份有限公司 | 故障监控方法和装置 |
CN107679649A (zh) * | 2017-09-13 | 2018-02-09 | 珠海格力电器股份有限公司 | 一种电器的故障预测方法、装置、存储介质及电器 |
CN107622308B (zh) * | 2017-09-18 | 2020-07-10 | 华中科技大学 | 一种基于dbn网络的发电设备参数预警方法 |
CN107643712A (zh) * | 2017-09-25 | 2018-01-30 | 中国航空工业集团公司西安飞机设计研究所 | 一种多传感器智能监测装置 |
CN108090606A (zh) * | 2017-12-12 | 2018-05-29 | 上海应用技术大学 | 设备故障发现方法及系统 |
CN108020395B (zh) * | 2017-12-29 | 2019-08-20 | 北京航天测控技术有限公司 | 一种适用于风洞健康管理的传感器信号诊断装置和系统 |
CN108613790B (zh) * | 2018-04-28 | 2020-05-12 | 北京航天长征飞行器研究所 | 一种基于分布式架构的风洞运行故障诊断系统 |
CN108810526B (zh) * | 2018-06-12 | 2020-04-10 | 广东惠禾科技发展有限公司 | 摄像头故障智能预测方法、装置和摄像头管理服务器 |
CN108609202B (zh) * | 2018-06-15 | 2021-08-31 | 广州博进信息技术有限公司 | 飞行颠簸预测方法及系统 |
CN109040742A (zh) * | 2018-07-04 | 2018-12-18 | 广东惠禾科技发展有限公司 | 摄像头故障智能寻因方法、装置和摄像头 |
CN109110608A (zh) * | 2018-10-25 | 2019-01-01 | 歌拉瑞电梯股份有限公司 | 一种基于大数据学习的电梯故障预测方法 |
CN110262417B (zh) * | 2019-06-10 | 2020-09-01 | 中云开源数据技术(上海)有限公司 | 一种生产设备故障预测诊断方法 |
CN110764065B (zh) * | 2019-10-16 | 2021-10-08 | 清华大学 | 基于时序重构的雷达故障诊断方法 |
JP2021111159A (ja) * | 2020-01-10 | 2021-08-02 | ユニ・チャーム株式会社 | 吸収性物品の製造に関する収集装置、収集方法、およびプログラム |
CN112988843B (zh) * | 2021-03-26 | 2022-05-24 | 桂林电子科技大学 | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 |
CN113386976B (zh) * | 2021-07-01 | 2022-11-15 | 中国航空工业集团公司西安飞机设计研究所 | 一种大型飞机燃油系统全模试验方法 |
CN117216491B (zh) * | 2023-11-09 | 2024-02-09 | 中国航空工业集团公司哈尔滨空气动力研究所 | 一种基于神经网络的低速风洞支架干扰量预测方法及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441128A (zh) * | 2009-01-07 | 2009-05-27 | 中南大学 | 恶劣风环境安全行车方法及其系统 |
CN101871844A (zh) * | 2010-06-13 | 2010-10-27 | 清华大学 | 风力机性能分析与故障模拟实验系统 |
CN103761569A (zh) * | 2013-12-20 | 2014-04-30 | 上海电机学院 | 一种风力发电机故障诊断方法及装置 |
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN104111157A (zh) * | 2014-07-14 | 2014-10-22 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种检查风洞测量设备初读数的方法 |
-
2015
- 2015-08-17 CN CN201510504073.9A patent/CN105095963B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101441128A (zh) * | 2009-01-07 | 2009-05-27 | 中南大学 | 恶劣风环境安全行车方法及其系统 |
CN101871844A (zh) * | 2010-06-13 | 2010-10-27 | 清华大学 | 风力机性能分析与故障模拟实验系统 |
CN103761569A (zh) * | 2013-12-20 | 2014-04-30 | 上海电机学院 | 一种风力发电机故障诊断方法及装置 |
CN103914735A (zh) * | 2014-04-17 | 2014-07-09 | 北京泰乐德信息技术有限公司 | 一种基于神经网络自学习的故障识别方法及系统 |
CN104111157A (zh) * | 2014-07-14 | 2014-10-22 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种检查风洞测量设备初读数的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105095963A (zh) | 2015-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105095963B (zh) | 一种精确诊断与预测风洞设备故障的方法 | |
US20190391574A1 (en) | Early anomaly prediction on multi-variate time series data | |
CN106408687B (zh) | 一种基于机器学习方法的汽车发动机故障预警方法 | |
CN103810328B (zh) | 一种基于混合模型的变压器维修决策方法 | |
CN106779151B (zh) | 一种高速铁路沿线风速多点多层耦合预测方法 | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN102707256B (zh) | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 | |
CN108089099A (zh) | 基于深度置信网络的配电网故障的诊断方法 | |
CN107066759A (zh) | 一种汽轮机转子振动故障诊断方法及装置 | |
CN106555788A (zh) | 基于模糊处理的深度学习在液压装备故障诊断中的应用 | |
CN110455537A (zh) | 一种轴承故障诊断方法及系统 | |
CN108584592A (zh) | 一种基于时间序列预测模型的电梯轿厢振动异常预警方法 | |
CN106682781A (zh) | 一种电力设备多指标预测方法 | |
CN107274011A (zh) | 综合马尔科夫模型和概率网络的设备状态识别方法 | |
CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
CN104536970B (zh) | 遥信数据设备故障判断与分类系统及方法 | |
CN104318485A (zh) | 一种基于神经网络和模糊逻辑的输电线路故障判别方法 | |
CN111767657B (zh) | 一种核动力系统故障诊断方法和系统 | |
CN103674538A (zh) | 一种直升机自动倾斜器多故障模式识别方法及装置 | |
Shang et al. | Fault diagnosis method of rolling bearing based on deep belief network | |
Zhou et al. | Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process | |
CN109583794A (zh) | 一种确定电梯报废时间的方法 | |
CN106292631A (zh) | 一种基于神经网络的pwm整流器故障诊断系统 | |
Pan et al. | Rolling bearing performance degradation assessment based on deep belief network and improved support vector data description | |
CN109255201A (zh) | 一种基于som-mqe的滚珠丝杠副健康评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |