CN110727256A - 一种基于混合小波神经网络的工业设备故障诊断方法 - Google Patents
一种基于混合小波神经网络的工业设备故障诊断方法 Download PDFInfo
- Publication number
- CN110727256A CN110727256A CN201910261241.4A CN201910261241A CN110727256A CN 110727256 A CN110727256 A CN 110727256A CN 201910261241 A CN201910261241 A CN 201910261241A CN 110727256 A CN110727256 A CN 110727256A
- Authority
- CN
- China
- Prior art keywords
- neural network
- wavelet
- mixed
- model
- fault diagnosis
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提出了一种基于混合小波神经网络的工业设备故障诊断方法,以音频信号作为故障信息的载体输入到Mixed‑BPWNN模型,得到音频信号中的中所包含的故障信息。其核心方法包括两个方面:一方面对采集的音频信号进行小波分析,另一方面将传统网络模型中隐含层的激活函数用小波函数替代。该方法充分继承了小波变换良好的时频局部化性质及神经网络的自学习功能的特点,保留了全局最优解和局部细节最优解的优势,大大提高了网络模型对音频数据的处理能力和对故障诊断的精确度。
Description
技术领域
本发明涉及工业设备故障识别领域,具体涉及到一种基于混合小波神经网络的工业设备故障诊断方法。
背景技术
基于混合小波神经网络的工业设备故障诊断方法,将采集到的音频信号进行小波分析,得到适合模型的输入;以传统的BP神经网络拓扑结构为基础,将隐含层的激活函数用小波函数替代,得到Mixed-BPWNN模型。能够最大限度地提高模型对音频信号的处理能力和故障诊断的精确度。
最接近本发明的技术有:
(1)、基于小波分析的多REF神经网络轧制力设定模型:由于轧制力信号影响因素多,关联复杂,难以建立精确的机理模型。
(2)、基于多分辨率分析的小波神经网络:在多维输入的情况下,随着网络的输入维数增加,网络所训练的样本呈指数增长,网络结构也随之变得庞大。
由于音频信号的复杂性和多样性,神经网络对音频信号的处理仍然存在很多问题,主要表现为处理方式不灵活、训练收敛速度慢、精确度不高等方面。
发明内容
为解决现有技术中的缺点和不足,本发明提出了基于混合小波神经网络的工业设备故障诊断方法,经过小波分析和神经网络两次结合,大大提高了模型对音频信号的分析能力和故障诊断的精确度。
本发明的技术方案为:
一种基于混合小波神经网络的工业设备故障诊断方法,以音频信号作为故障信息的载体输入到Mixed-BPWNN模型,得到音频信号中的中所包含的故障信息,包括以下步骤:
步骤(1)、将采集的音频信号用db系列的小波进行小波分解;
步骤(2)、重构每层的细节分量并计算每层细节信号的能量值;
步骤(3)、以传统的BP神经网络拓扑结构为基础,将隐含层的激活函数用小波函数替代,得到Mixed-BPWNN模型;
步骤(4)、根据设备不同运转状态下的高频细节信号能量分布,将能量组成特征向量,该特征向量对应设备运转的故障模式,归一化输入到Mixed-BPWNN模型。
本发明的有益效果:
(1)将音频信号进行小波分析,把处理后的数据作为Mixed-BPWNN模型的输入,即为“松散型”的结合方式,这样的处理方式会让模型对音频信号的处理更加精确,加快模型训练的收敛速度;
(2)用小波函数代替神经网络隐含层的众多激活函数,即为“紧致型”的结合方式,不仅有全局最优解,还保持局部细节最优解,学习能力更强;
(3)可以根据音频信号的不同特征选取不同的小波函数,使得网络模型更加灵活。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于混合小波神经网络的工业设备故障诊断方法流程图:
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明的基于混合小波神经网络的工业设备故障诊断方法的核心包括两个方面:一方面对采集的音频信号进行小波分析,另一方面将传统网络模型中隐含层的激活函数用小波函数替代。
下面结合图,对基于混合小波神经网络的工业设备故障诊断方法的具体流程进行详细说明:
步骤(1)、将采集的音频信号用db系列的小波进行小波分解;
步骤(2)、重构每层的细节分量并计算每层细节信号的能量值;
步骤(3)、以传统的BP神经网络拓扑结构为基础,将隐含层的激活函数用小波函数替代,得到Mixed-BPWNN模型;
步骤(4)、根据设备不同运转状态下的高频细节信号能量分布,将能量组成特征向量,该特征向量对应设备运转的故障模式,归一化输入到Mixed-BPWNN模型。
本发明的基于混合小波神经网络的工业设备故障诊断方法,充分继承小波变换良好的时频局部化性质及神经网络的自学习功能的特点,保留全局最优解和局部细节最优解的优势,大大提高了网络模型对音频数据的处理能力和对故障诊断的精确度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于混合小波神经网络的工业设备故障诊断方法,其特征在于,将小波分析和BP神经网络进行“松散型”和“紧致型”的混合融合,提出Mixed-BPWNN(混合-BP小波神经网络)模型,结合小波分析对音频信号特征提取的能力和神经网络的自学习能力,对音频数据进行故障诊断,包括以下步骤:
步骤(1)、将采集的音频信号用db系列的小波进行小波分解;
步骤(2)、重构每层的细节分量并计算每层细节信号的能量值;
步骤(3)、以传统的BP神经网络拓扑结构为基础,将隐含层的激活函数用小波函数替代,得到Mixed-BPWNN模型;
步骤(4)、根据设备不同运转状态下的高频细节信号能量分布,将能量组成特征向量,该特征向量对应设备运转的故障模式,归一化输入到Mixed-BPWNN模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910261241.4A CN110727256A (zh) | 2019-04-01 | 2019-04-01 | 一种基于混合小波神经网络的工业设备故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910261241.4A CN110727256A (zh) | 2019-04-01 | 2019-04-01 | 一种基于混合小波神经网络的工业设备故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110727256A true CN110727256A (zh) | 2020-01-24 |
Family
ID=69217666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910261241.4A Pending CN110727256A (zh) | 2019-04-01 | 2019-04-01 | 一种基于混合小波神经网络的工业设备故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110727256A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112684778A (zh) * | 2020-12-24 | 2021-04-20 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 基于多源信息强化学习蒸汽发生器给水系统诊断方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122133A (zh) * | 2011-01-21 | 2011-07-13 | 北京工业大学 | 自适应小波神经网络异常检测故障诊断分类系统及方法 |
CN106596123A (zh) * | 2016-11-22 | 2017-04-26 | 东软集团股份有限公司 | 设备故障诊断的方法、装置及系统 |
-
2019
- 2019-04-01 CN CN201910261241.4A patent/CN110727256A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122133A (zh) * | 2011-01-21 | 2011-07-13 | 北京工业大学 | 自适应小波神经网络异常检测故障诊断分类系统及方法 |
CN106596123A (zh) * | 2016-11-22 | 2017-04-26 | 东软集团股份有限公司 | 设备故障诊断的方法、装置及系统 |
Non-Patent Citations (1)
Title |
---|
李伟等: "《基于小波神经网络的FRP复合材料损伤声发射信号识别》", 《化工机械》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112684778A (zh) * | 2020-12-24 | 2021-04-20 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 基于多源信息强化学习蒸汽发生器给水系统诊断方法 |
CN112684778B (zh) * | 2020-12-24 | 2022-03-29 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 基于多源信息强化学习蒸汽发生器给水系统诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728360B (zh) | 一种基于bp神经网络的微能源器件能量识别方法 | |
CN112418014B (zh) | 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法 | |
CN111089720B (zh) | 一种适用于变转速下齿轮故障诊断的正则化稀疏滤波方法 | |
CN110598677B (zh) | 一种用于自动调制识别的时空多通道深度学习系统 | |
CN110610717B (zh) | 复杂频谱环境混合信号的分离方法 | |
CN112818891B (zh) | 通信干扰信号类型智能识别方法 | |
CN113285899B (zh) | 一种基于深度学习的时变信道估计方法及系统 | |
CN108922513A (zh) | 语音区分方法、装置、计算机设备及存储介质 | |
CN110991295A (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
CN110647830A (zh) | 基于卷积神经网络和高斯混合模型的轴承故障诊断方法 | |
CN104980187B (zh) | 一种信号去噪处理的方法及装置 | |
CN111884976A (zh) | 基于神经网络的信道插值方法 | |
CN111612130B (zh) | 一种频移键控通信信号调制方式识别方法 | |
CN112014108A (zh) | 基于lmd及改进pso优化bp神经网络的轴承故障诊断方法 | |
Yang et al. | One-dimensional deep attention convolution network (ODACN) for signals classification | |
CN110727256A (zh) | 一种基于混合小波神经网络的工业设备故障诊断方法 | |
CN113259283B (zh) | 一种基于循环神经网络的单通道时频混叠信号盲分离方法 | |
CN113259289B (zh) | 基于残差神经网络的单通道混叠信号调制模式识别方法 | |
CN117171544B (zh) | 基于多通道融合卷积神经网络的电机振动故障诊断方法 | |
CN108108666A (zh) | 一种基于小波分析和时频单源检测的混合矩阵估计方法 | |
CN112689288A (zh) | 一种基于wann的射频指纹提取和识别方法 | |
CN116026590A (zh) | 自监督的轴承故障诊断方法 | |
CN110160778A (zh) | 基于序贯假设检验的齿轮箱故障状态识别方法 | |
CN113242201A (zh) | 基于生成分类网络的无线信号增强解调方法及系统 | |
CN104378176B (zh) | 一种鲁棒通信信号调制识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Zhang Weishan Inventor after: Zhang Ruicong Inventor after: Fang Kai Inventor before: Zhang Ruicong Inventor before: Zhang Weishan Inventor before: Fang Kai |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200124 |