CN111912611B - 基于改进神经网络的故障状态预测的方法及装置 - Google Patents
基于改进神经网络的故障状态预测的方法及装置 Download PDFInfo
- Publication number
- CN111912611B CN111912611B CN202010666567.8A CN202010666567A CN111912611B CN 111912611 B CN111912611 B CN 111912611B CN 202010666567 A CN202010666567 A CN 202010666567A CN 111912611 B CN111912611 B CN 111912611B
- Authority
- CN
- China
- Prior art keywords
- neural network
- fault
- index
- scg
- wbp
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000003062 neural network model Methods 0.000 claims abstract description 109
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims description 96
- 230000008569 process Effects 0.000 claims description 35
- 238000006073 displacement reaction Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims 4
- 230000006870 function Effects 0.000 description 52
- 230000000694 effects Effects 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 9
- 238000005299 abrasion Methods 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 5
- 230000000903 blocking effect Effects 0.000 description 4
- 230000004807 localization Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000002945 steepest descent method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 235000009413 Ratibida columnifera Nutrition 0.000 description 1
- 241000510442 Ratibida peduncularis Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于改进神经网络的故障状态预测的方法及装置，本申请的方法包括获取液压系统的故障特征数据，所述故障特征数据为用于预测故障状态的特征数据；将所述故障特征数据输入到SCG‑WBP神经网络模型中进行预测，得到对应的故障状态，所述SCG‑WBP神经网络模型为利用小波函数和成比例的共轭梯度算法对BP神经网路进行改进得到的基于故障特征数据预测故障状态的模型。本申请是为了提供一种基于改进神经网络的故障状态预测的方法及装置，以快速且准确的对液压系统的故障状态进行预测。
Description
技术领域
本申请涉及机械设备检测技术领域，具体而言，涉及一种基于改进神经网络的故障状态预测的方法及装置。
背景技术
机械结构中存在缺陷或产生了损伤，并引起机械从正常状态向故障状态演变时，会出现各种外观症状。如液压系统达不到预定的工作压力或压力分布、效率下降、异常的振动与噪声、发热、漏油等等。可以通过故障特征提取进而预测系统所处的不同状态，即通过故障特征数据进行故障状态的预测。
随着人工智能的发展，目前对于故障状态的预测方式也采用了人工智能算法模型。目前机械故障领域常用的预测算法包括传统的BP神经网络、基于小波分析改进的神经网络。对于传统的BP神经网络：BP神经网络采用误差传播算法，避免了复杂的数学推导，使其具有广泛的应用背景，然而它也存在着一定的局限性，其中包括：不具有全局搜索能力，常常会出现很多局部极小值；存在一定的盲目性等。对于基于小波分析改进的神经网络：虽然比传统的BP神经网络收敛速度有所提高，但是还是不能满足实际更高收敛速度的要求。另外，发明人在应用现有常用的预测算法对液压系统故障预测的过程中，还发现预测结果的准确度也不太高。
发明内容
本申请的主要目的在于提供一种基于改进神经网络的故障状态预测的方法及装置，以快速且准确的对液压系统的故障状态进行预测。
为了实现上述目的，根据本申请的第一方面，提供了一种基于改进神经网络的故障状态预测的方法。所述方法包括：获取液压系统的故障特征数据，所述故障特征数据为用于预测故障状态的特征数据；将所述故障特征数据输入到SCG-WBP神经网络模型中进行预测，得到对应的故障状态，所述SCG-WBP神经网络模型为利用小波函数和成比例的共轭梯度算法对BP神经网路进行改进得到的基于故障特征数据预测故障状态的模型。
可选的，所述液压系统包括液压起竖系统，所述获取液压系统故障特征数据包括：采集液压缸起竖过程中位移、速度、加速度以及压力的信号数据；根据信号数据计算与其对应的时域无量纲参数指标，得到故障特征数据。
可选的，所述故障特征数据包括：液压缸起竖位移对应的脉冲指标I1、波形指标S1、裕度指标L1；以及，液压缸起竖速度对应的峰值指标C1、脉冲指标I2、波形指标S2；以及，液压缸起竖加速度对应的脉冲指标I3、裕度指标L2、峭度指标K；以及，液压缸起竖压力对应的峰值指标C2、脉冲指标I4、裕度指标L3。
为了实现上述目的，根据本申请的第二方面，提供了一种神经网络模型训练的方法。所述模型为SCG-WBP神经网络模型，所述方法包括：
获取训练样本，所述训练样本包括液压系统故障特征数据和故障状态；基于小波函数、成比例的共轭梯度算法构建SCG-WBP神经网络结构；利用所述训练样本对SCG-WBP神经网络结构进行训练得到SCG-WBP神经网络模型，所述SCG-WBP神经网络模型为用于对液压系统故障状态进行预测的模型。
可选的，所述液压系统包括液压起竖系统，所述获取训练样本包括：对液压缸起竖过程中在不同故障状态下的信号数据的时域无量纲参数指标进行分析，确定故障特征数据；获取不同故障状态下的所有的故障特征数据的数值；将不同的故障状态及其对应的故障特征数据的数值按比例进行划分，得到训练样本和验证样本。
可选的，所述基于小波函数、成比例的共轭梯度算法构建SCG-WBP神经网络结构包括：将小波函数设置为激活函数；将求解的最速下降算法设置为共轭梯度算法；根据训练样本以及模型的精度需求进行输入层、输出层、隐含层的设置。
可选的，所述对液压缸起竖过程中在不同故障状态下的信号数据的时域无量纲参数指标进行分析，确定故障特征数据，包括：对信号数据的时域无量纲参数指标进行归一化处理；依据归一化处理结果绘制分布图；对分布图进行分析，选择满足预设条件的时域无量纲参数指标确定为故障特征数据。
为了实现上述目的，根据本申请的第三方面，提供了一种神经网络模型训练的装置。根据本申请的神经网络模型训练的装置包括：样本获取单元，用于获取训练样本，所述训练样本包括液压系统故障特征数据和故障状态；构建单元，用于基于小波函数、成比例的共轭梯度算法构建SCG-WBP神经网络结构；训练单元，用于利用所述训练样本对SCG-WBP神经网络结构进行训练得到SCG-WBP神经网络模型，所述SCG-WBP神经网络模型为用于对液压系统故障状态进行预测的模型。
为了实现上述目的，根据本申请的第四方面，提供了一种基于改进神经网络的故障状态预测的装置。
根据本申请的基于改进神经网络的故障状态预测的装置包括：获取单元，用于获取液压系统的故障特征数据，所述故障特征数据为用于预测故障状态的特征数据；预测单元，用于将所述故障特征数据输入到SCG-WBP神经网络模型中进行预测，得到对应的故障状态，所述SCG-WBP神经网络模型为利用小波函数和成比例的共轭梯度算法对BP神经网路进行改进得到的基于故障特征数据预测故障状态的模型。
为了实现上述目的，根据本申请的第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述第一方面中任意一项所述的基于改进神经网络的故障状态预测的方法。
为了实现上述目的，根据本申请的第四方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述第一方面中任意一项所述的基于改进神经网络的故障状态预测的方法。
在本申请实施例中，基于改进神经网络的故障状态预测的方法及装置中，获取液压系统的故障特征数据，所述故障特征数据为用于预测故障状态的特征数据；将所述故障特征数据输入到SCG-WBP神经网络模型中进行预测，得到对应的故障状态，所述SCG-WBP神经网络模型为利用小波函数和成比例的共轭梯度算法对BP神经网路进行改进得到的基于故障特征数据预测故障状态的模型。可以看出，本申请中是基于SCG-WBP神经网络模型进行液压系统的故障状态的预测，SCG-WBP神经网络模型是将小波函数、成比例的共轭梯度算法以及BP神经网络进行结合的改进的神经网络模型，充分运用了小波变换时频局部化的性质和神经网络的自学习能力，另外SCG算法能够在提高状态预测精度的同时节省了网络训练时间，增进了收敛速度，因此基于SCG-WBP神经网络模型能够使得神经网络的收敛速度更快并且精度更高，将其应用在液压系统的故障状态预测中大大的提高了预测的准确性和速度。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的一种神经网络模型训练的方法流程图；
图2是根据本申请实施例提供的一种各个参数指标在不同故障状态中的分布情况绘制成的分布图；
图3是一种松散型的WBP神经网络结构示意图；
图4是一种紧致型的WBP神经网络结构示意图；
图5-10是根据本申请实施例提供的三种神经网络训练曲线图；
图11是根据本申请实施例提供的各种神经网络模型预测识别结果的ME值；
图12是根据本申请实施例提供的各神经网络模型的预测标准差SEP值；
图13是根据本申请实施例提供的各神经网络模型的预测识别结果的RC值；
图14是根据本申请实施例提供的一种基于改进神经网络的故障状态预测的方法流程图；
图15是根据本申请实施例提供的一种神经网络模型训练的装置的组成框图；
图16是根据本申请实施例提供的一种基于改进神经网络的故障状态预测的装置的组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本申请实施例，提供了一种神经网络模型训练的方法，如图1所示，该方法包括如下的步骤：
S101.获取训练样本，训练样本包括液压系统故障特征数据和故障状态。
具体的，获取训练样本包括：
首先，对液压缸起竖过程中在不同故障状态下的信号数据的时域无量纲参数指标进行分析，确定故障特征数据；
具体的，故障状态的信号，如液压缸的起竖速度信号是随着时间快速变化的，不同时刻的信号值差异可能较大，因此不适合直接将测量值作为故障特征参数。时域分析中的无纲量参数对信号的幅值和频率变化不敏感，只依赖于信号的分布密度，是一种较好的状态监测指标，适合作为液压系统的故障特征参数。常用的时域无量纲参数指标有峰值指标C、脉冲指标I、波形指标S、裕度指标L和峭度指标K。设一组离散的测试信号为[x1,x2,x3,…,xn]，各指标定义如下：
但是，不同的时域无量纲参数指标对系统状态数据的敏感性不同。选取敏感性强的时域无量纲参数指标来表征系统状态特征(即故障特征数据)，不但可以准确判定系统故障状态，还能够有效减小数据计算量，提高状态预测的效率。因此对时域无量纲参数指标按照预设条件进行选择，确定进行预测所需的故障特征数据，实际应用中预设条件为特征明显、区分度大、具有代表性的参数指标。下面给出具体的实现过程：
1)针对某液压起竖系统进行故障仿真，设定采集步长为0.1s，采集时间为50s，分别采集起竖过程中不同故障状态下的状态信号仿真数据。然后，分别计算出液压缸起竖位移、速度、加速度和液压缸起竖压力故障状态信号的时域无量纲参数指标，并绘制表格。
表1液压缸起竖位移信号的参数指标
表2液压缸起竖速度信号的参数指标
表3液压缸起竖加速度信号的参数指标
表4液压缸起竖压力信号的参数指标
由上述表格中的数据可以看到不同状态下的同一个时域无量纲参数指标相差较小，而不同的参数指标之间数量级有差异，不容易对比和分析，故将其进行归一化处理，归一化公式为：
其中，X为归一化处理后的值，xi为任一时域无量纲参数指标的值；xmin为所有时域无量纲参数指标的最大值；xmax为时域无量纲参数指标的最小值。
根据归一化公式，将已计算出的液压缸起竖位移、速度、加速度和液压缸起竖压力的故障特征信号的时域无量纲参数指标进行处理，并将各个参数指标在不同故障状态中的分布情况绘制成分布图，如图2所示。其中图2-1为液压缸起竖位移信号的参数指标分布；图2-2为液压缸起竖速度信号的参数指标分布；图2-3为液压缸起竖加速度信号的参数指标分布；图2-4为液压缸起竖压力信号的参数指标分布。
每个参数指标分布小图表示了信号在不同故障状态下的该参数指标分布。例如图2-1中液压缸起竖位移信号的C值分布小图，其中第1到第5个数据点分别表示起竖位移信号在正常状态、液压缸内泄漏、减压阀堵塞、换向阀磨损、同步阀卡滞5种状态下的C值。
根据各个特征信号的时域无量纲参数指标在不同故障状态中的分布情况，每个特征信号分别选取3(在实际应用中可以根据实际数据适应性的调整)个特征明显、区分度大、具有代表性的参数指标作为故障特征参数。选取结果如表5所示。
表5故障特征数据
其次，获取不同故障状态下的所有的故障特征数据的数值；
具体的，先针对液压系统起竖过程，分别设定正常状态、液压缸泄漏状态一、液压缸泄漏状态二、减压阀堵塞状态一、减压阀堵塞状态二、换向阀磨损状态一、换向阀磨损状态二、同步阀卡滞状态一和同步阀卡滞状态二共9个故障状态。进行不同故障参数下的故障状态仿真，获得故障仿真状态数据。
在已得到的故障仿真状态数据中，以0.1s为步长，分别采集起竖仿真过程中0-50s的液压缸起竖位移、速度、加速度和起竖压力数据。每个故障状态下随机采集预设组(比如6组)故障状态仿真数据作为故障特征提取的原始数据。对原始数据进行处理，基于已选取的12个时域无量纲参数指标计算出故障特征数据集对应的数值(故障特征值)。
然后对故障特征值进行归一化处理，比如使数据值范围在0-1之间，并保留4位小数。这样就得到了状态预测的故障特征数据。
最后将故障状态特征数据进行训练样本(校正集)和验证样本(验证集)按比例进行划分。为每个故障状态各得到6组故障状态特征数据，假设比例训练样本：训练样本＝2：1，选择各自的前4组作为训练样本，即校正集；后2组作为验证样本，即验证集。最终得到故障状态特征数据如表6-1和6-2所示。
表6-1故障状态特征数据
表6-2故障状态特征数据
需要说明的是，在实际应用中步长、采集时间段、预设组数、训练样本和验证样本的划分比例、归一化处理方式、保留几位小数等都可以适应性的调整。
S102.基于小波函数、成比例的共轭梯度算法构建SCG-WBP神经网络结构。
首先对选择构建SCG-WBP神经网络结构进行理论分析：
(1)BP神经网络的局限性
BP神经网络采用误差传播算法，避免了复杂的数学推导，使其具有广泛的应用背景，然而它也存在着一定的局限性，其中包括：BP网络训练利用的是逆向误差传播算法。该算法由输出层经中间层再到输入层，按照误差函数梯度下降的准则，逐层进行神经网络的权值和阀值的修正。该算法不具有全局搜索能力，常常会出现很多局部极小值。
BP神经网络的误差函数是以S型函数为自变量的非线性函数，使得由误差目标函数E构成的空间不只有一个极小曲面，而是存在多个局部极小点。
BP神经网络对初始值比较敏感。网络训练开始时的结构参数是随机给定的，若初始值离极小点较近则收敛速度快，若初始值离极小点较远则收敛速度很慢，因此存在一定的盲目性。
(2)基于小波分析改进神经网络
将小波分析理论与神经网络相结合，能够使小波神经元具有良好的局部放大特性和多分辨率学习能力，这就是小波神经网络(Wavelet Neural Networks)。
从结构上看，小波神经网的隐含层节点的传递函数为小波函数。从可调参数的数目来看，对于同样的网络结构，当神经元数目确定之后，小波神经网络的可调参数只是权系数，而BP网络则需要调整输入、输出权值和阀值。可见利用小波方法改进神经网络，有利于缩短网络的训练时间。从训练算法上来看，小波神经网络的权系数与网络输出成线性关系，可通过线性优化方法获得，而BP网络的其可调参数和网络输出是非线性关系，必须进行非线性优化，收敛速度慢、学习时间长，容易陷入局部极小。因此，小波神经网络比BP神经网络有更快的收敛速度、更强的自适应能力和更高的精度。
(3)基于SCG算法改进BP神经网络
BP神经网络的最速下降算法，虽然能沿着误差函数梯度下降方向修正权值，理论上误差减小速度最快，但是收敛速度不一定最快，因而产生了共轭梯度算法(ConjugateGradient Back Propagation Algorithm，CGBPA)。共轭梯度算法沿着误差函数梯度变化方向搜索，收敛速度远大于最速下降算法的收敛速度。LM(Levenberg Marquardt)算法是通常最快的搜索方法。SCG(Scaled Conjugate Gradient)算法将二者结合，使得神经网络的收敛速度更快并且精度更高。本文利用小波方法和SCG算法对BP神经网络进行改进，建立SCG-WBP神经网络模型，并将其应用到液压系统状态预测中。
具体的，基于小波函数、成比例的共轭梯度算法构建SCG-WBP神经网络结构包括：将小波函数设置为激活函数；将求解的最速下降算法设置为共轭梯度算法；根据训练样本以及模型的精度需求进行输入层节点、输出层节点、隐含层节点的设置。下面进行详细的说明：
SCG-WBP神经网络模型是以BP神经网络为基础，通过改进激活函数为小波函数，改进最速下降算法为SCG算法形成的，它具有WBP神经网络结构和SCG神经网络算法。
WBP神经网络是将小波分析与BP神经网络结合形成的新型网络。目前主要有两种结合方式。一种是松散型，如图3示，主要思想将小波分析用于信号的预处理，然后作为BP神经网络的输入进行训练。
另一种是紧致型，如图4，主要思想是用小波函数将BP神经网络隐含层中神经元的激发函数替代，充分运用了小波变换时频局部化的性质和神经网络的自学习能力，在信号处理、故障诊断与预测中运用越来越广泛。本文正是利用了紧致型WBP神经网络的改进方法。
紧致型WBP神经网络的激发函数是小波函数。小波函数的选择具有灵活性，应针对数据信号特点选择适当的小波分解基。常用的小波基函数有：Morlet小波基和Mexican hat小波基。两者都没有尺度函数，都是非正交小波基。优点在于函数对称、表达式简单清楚。Daubechies是一种具有紧致基的正交小波，N值越大，dbN小波系的时域支撑长度增大，特征正则性增加，幅频特性也越理想。
由于本文中WBP神经网络是用于状态预测，因而采用通常用于信号分类的小波基Morlet函数作为激发函数。定义为：h(t)＝cos(1.75t)exp(-t2/2)
式中t是函数输入。当t＝0时，函数值为1，达到最大值；当t值较大时，函数值迅速衰减为0。
对于紧致型WBP神经网络，假设输入向量为X＝[x1,x2,…,xm]T，m为输入向量的维数；输出向量为Y＝[y1,y2,…,yN]T，N为输出向量的维数；隐含节点数为n，xk为第k个输入样本，yk为第k个输出值，wjk为连接第k个输入节点和第j个隐含节点的权值，wij为连接第i个输出节点和第j个隐含节点的权值，wj0为第j个输入节点的阀值，wi0为第i个输出节点的阀值，aj为第j个隐含节点的伸缩因子，bj为第j个隐含节点的平移因子，则WBP神经网络的模型表示为：
式中，
再设
则：
ψa,b(netj)＝ψ((netj-bj)/aj)；
给定样本集{(Xi,Yi)}，i＝1,2,…,N，通过调整网络权值使下面的误差目标函数值最小：
式中，di为网络输出向量；W为网络权值构成的向量，W∈Rt。
SCG神经网络算法：
WBP神经网络采用最速下降法来求解，其权值的调整分两个阶段：第一阶段从输入层开始向前计算，根据输入样本计算出输出层的值，是前向传播过程；第二阶段从网络的输出层向后计算与修正，是反向传播过程。以上两个过程反复作用，直到误差目标函数达到最小值，网络收敛。
为了提高收敛速度和精度，SCG-WBP神经网络将WBP神经网络的算法改进为SCG算法。SCG算法，又称成比例的共轭梯度算法，最早是由Moller提出的。基本原理是将共轭梯度BP算法(CGBPA)与LM算法(Levenberg-Marquardt)相结合，既消除了梯度幅值的不利影响，又忽略了行搜索，提高状态预测精度的同时节省了网络训练时间，增进了收敛速度。
CGBPA算法是修正了最速下降法的寻优方法，其迭代公式为：xk+1＝xk+λkpk
式中，xk+1为第k+1次搜索优化点，xk为第k次搜索优化点，λk为第k次迭代步长，pk为共轭搜索方向，计算公式为：
式中，
为xk的共轭梯度，βk是共轭系数，由下式确定：
式中，
为xk+1的共轭梯度转置。
可解得最优的迭代步长为：
SCG算法是用LM算法来进行CGBPA算法中的二阶导数计算，计算公式为：
式中，0＜σk≤1，dk为缩放因子，其值由Δk的值来确定：
这样可解得最优迭代步长为：
神经网络结构设计：
SCG-WBP神经网络在结构上与BP神经网络相同，是前馈型神经网络。根据1989年Robet的证明：对于任意闭区间的一个连续函数都可以用一个隐含层的BP神经网络来逼近。因此，具有1个输入层、1个隐含层和1个输出层的3层结构神经网络可以用来逼近任意连续函数。
再根据某液压系统故障状态与故障特征数据的函数关系，本文选取了3层神经网络结构，其信息是由输入单元传播到隐含单元，再传播到输出单元，最终实现多元函数的非线性映射。
输入层与输出层设置：
前文已经进行了某液压系统在正常状态、液压缸泄漏状态一、液压缸泄漏状态二、减压阀堵塞状态一、减压阀堵塞状态二、换向阀磨损状态一、换向阀磨损状态二、同步阀卡滞状态一和同步阀卡滞状态二下共9个故障状态的故障仿真，并从状态仿真数据中基于时域无量纲参数提取出故障状态特征数据。故障状态特征数据构成了故障特征向量。根据故障特征向量的维数和故障状态的划分，设定输入层节点数为12，代表了故障特征向量的维数；设定输出层节点数为4，代表了故障状态维数，具体设置见表7。
表7故障状态设置
再根据训练样本集和验证集的选取，确定：神经网络的输入向量为X12×4，表示4组12维故障特征向量。神经网络的输出向量为Y9×4，表示9种4维故障状态。
隐含层的节点数的设置：
隐含层的节点数对神经网络的性能有一定影响。但是隐含层节点数的选择是一个十分复杂的问题，无法用解析式来准确计算。隐含层节点数与求解问题的要求、输入输出单元的数目都有直接关系。隐含层节点数过少可能导致网络不收敛，容错性差，或网络不强壮，不能识别未经学习的样本；隐含层节点数太多会延长学习时间，降低泛化能力，误差也不一定最小。一般需要根据经验和多次试验来找到最佳的隐含层节点数。
根据经验可以按照下列公式进行设计：
式中，l为设计隐含层节点数，n为输入层节点数，m为输出层节点数，a为1～10的调节数。通过改变l值进行训练，从中找出网络误差最小的隐含层节点数。
l＝log2 n式中，l为设计隐含层节点数，n为输入层节点数。
本文按上述第一个公式
寻找隐含层节点数。前文设计输入层节点数为12，输出层节点数为4，在满足经验公式的基础上，不断更改隐含层节点数，找到使训练次数最少、网络误差最小、网络性能最好的隐含层节点数。设置最大训练步数为1000，对同一组随机抽取的故障状态特征数据样本进行不同隐含层节点数条件下的神经网络训练，得到表8。
表8隐含层节点数的选择
| 隐含层节点数 | 5 | 6 | 7 | 8 | 9 |
| 网络误差 | 9.2259*10-6 | 7.3077*10-6 | 6.6435*10-6 | 7.3469*10-6 | 9.4594*10-6 |
| 收敛步数 | 310 | 45 | 19 | 64 | 86 |
| 隐含节层点数 | 10 | 11 | 12 | 13 | 14 |
| 网络误差 | 8.0708*10-6 | 9.5122*10-6 | 1.2171*10-6 | 9.6835*10-7 | 1.0811*10-6 |
| 收敛步数 | 61 | 55 | 13 | 8 | 12 |
由表8可知，隐含层节点数为13时，训练步数最少、网络误差最小，因此取隐含层节点数为13。
S103.利用训练样本对SCG-WBP神经网络结构进行训练得到SCG-WBP神经网络模型，SCG-WBP神经网络模型为用于对液压系统故障状态进行预测的模型。
具体的：SCG-WBP神经网络的训练
创建3层SCG-WBP神经网络结构，输入层节点数为12个，隐含层节数点为13个，输出层节点数为4个。设置隐含层神经元的传递函数为小波函数Morlet。将上文获得的9种故障状态的共36组样本集(见表6)输入网络，采用SCG算法进行网络训练。最终得到SCG-WBP神经网络模型。
进一步的，为对比分析改进效果，创建相同结构的BP神经网络和WBP神经网络，也将上文获得的样本集输入网络，采用最速梯度下降算法进行网络训练。
对同一批数据分别进行2组BP神经网络、2组WBP神经网络和2组SCG-WBP神经网络的训练，得到了神经网络训练曲线如图5-10所示。图5为BP神经网络训练曲线一、图6为BP神经网络训练曲线二；图7为WBP神经网络训练曲线一、图8为WBP神经网络训练曲线二；图9为SCG-WBP神经网络训练曲线一、图10为SCG-WBP神经网络训练曲线二。
由图5、图6可以看出，基于最速下降算法的BP神经网络预测模型的训练中收敛速度较慢，在分别进行了3000步、5000步的迭代后收敛到数量级为10-1的误差之内，未达到目标误差，训练结果不理想，不利用作为预测模型而对液压系统进行快速状态预测。
由图7、图8可以看出，基于最速下降算法的WBP神经网络预测模型的训练中收敛速度比BP神经网络快，在经过了3000步、5000步的迭代后收敛到了数量级为10-4的误差之内，未达到目标误差，训练效果有一定的提升，但是还不够理想。
由图9、图10可以看出，基于SCG算法的WBP神经网络预测模型的训练中收敛速度比较快，在经过了数十步的迭代之后就收敛到了数量级为10-5的目标误差之内，训练效果非常理想。与BP神经网络和WBP神经网络预测模型相比，SCG-WBP神经网络预测模型收敛速度快、训练误差小，更适合作为预测模型而对液压系统进行状态预测。
进一步的，为检验网络的预测性能，将获得的9种故障状态特征数据的18组验证集输入到上文已经训练好的SCG-WBP神经网络模型中进行预测验证。作为对照，同时利用BP神经网络和WBP神经网络模型中进行预测验证，结果如表9所示。
表9神经网络模型预测结果
由表9可知：利用SCG-WBP神经网络模型不但能够较准确的预测出不同种类的故障状态，还能够对同一故障的不同程度状态进行预测。如果在实际液压系统中能利用实测数据修正预测模型，建立详细的故障状态分类库，就能预测系统所处的准确故障状态。
进一步的，对SCG-WBP神经网络模型评价：
本实施例将SCG-WBP神经网络模型预测准确率(AR)、平均误差(ME)、预测标准差(SEP)和相关系数(RC)作为衡量故障预测模型的评价参数，通过对BP神经网络模型、WBP神经网络模型和SCG-WBP神经网络模型的预测识别结果进行评价参数计算、综合对比分析，从而评价出神经网络故障预测模型的优劣。
(1)AR评价
表9中已经计算出故障预测准确率AR。从表中可以清楚的看到，对于同一批验证集，SCG-WBP预测模型的AR要明显高于BP模型。BP神经网络模型的预测准确率很低，均不足50％，WBP神经网络模型的预测准确率稍高一些，约为70％，而SCG-WBP神经网络模型的预测准确率均超过80％，训练步数为33的模型预测准确率接近90％，表现出了较高的预测精度。因此，从状态预测的准确率上分析，SCG-WBP神经网络模型优于BP神经网络模型。
(2)ME评价
计算预测识别结果的ME值，如图11所示。从图中可知，整体上SCG-WBP神经网络模型的平均误差ME值要小于BP神经网络模型和WBP神经网络模型的ME值，显示了良好的预测效果。
WBP神经网络模型在第12个、第14个、第17个验证样本处的ME值偏大，而在其他验证样本处的ME均小于BP神经网络模型，表明其预测效果较好。总的说来，WBP神经网络模型的预测ME值小于BP神经网络模型，模型的预测效果有一定程度的改进。
SCG-WBP神经网络模型ME值整体上小于BP神经网络模型。训练40步的SCG-WBP神经网络模型除了在第12个、第17个验证样本处的ME值稍稍偏大以外，其余ME值均比BP神经网络模型小。训练33步的SCG-WBP神经网络模型在所有验证样本的ME值均比BP神经网络模型小，预测性能是模型中最好的。与WBP神经网络模型相比，SCG-WBP神经网络模型的改进效果更好。
(3)SEP评价
计算预测预测结果的SEP值，如图12所示。从图12中可知，WBP神经网络模型的预测标准差SEP值均小于BP神经网络，而SCG-WBP神经网络模型的SEP值均小于WBP神经网络，还不到BP神经网络SEP值的一半，表明SCG-WBP神经网络模型的预测效果有较大的提升。训练33步的SCG-WBP神经网络模型的SEP值最小，则说明此模型的预测精度是最高的。
(4)RC评价
计算预测识别结果的RC值，如图13所示。从图13中可知，神经网络模型的RC值均超过了0.95，表现出了很高的相关性，说明了神经网络预测方法的正确性。WBP神经网络模型的RC值高于BP神经网络模型，显示出改进后模型的良好预测效果。SCG-WBP神经网络模型的RC值更高，表明SCG-WBP神经网络模型的预测效果更好。而训练33步的SCG-WBP模型RC值最大，接近为1，表明该模型的预测结果与预测目标的相关性最强，最适合用来进行目标故障的状态预测。
综合以上的评价，可得出结论：在模型预测准确率(AR)、平均误差(ME)、预测标准偏差(SEP)和相关系数(RC)的参数评价下，SCG-WBP神经网络模型的预测性能优于WBP神经网络和BP神经网络，其预测精度高、改进效果良好，适合用于某液压系统的状态预测。
从以上的描述中，可以看出，本申请实施例中神经网络模型训练的方法得到的SCG-WBP神经网络模型能够较准确的预测出不同种类的故障状态，还能够对同一故障的不同程度状态进行预测。
根据本申请实施例，提供了一种基于改进神经网络的故障状态预测的方法，如图14所示，该方法包括如下的步骤：
S201.获取液压系统的故障特征数据，故障特征数据为用于预测故障状态的特征数据。
具体的，液压系统包括液压起竖系统，基于上述训练的SCG-WBP神经网络模型，获取液压系统故障特征数据包括：
采集液压缸起竖过程中位移、速度、加速度以及压力的信号数据；根据信号数据计算与其对应的时域无量纲参数指标，得到故障特征数据。具体的，故障特征数据包括：液压缸起竖位移对应的脉冲指标I1、波形指标S1、裕度指标L1；液压缸起竖速度对应的峰值指标C1、脉冲指标I2、波形指标S2；液压缸起竖加速度对应的脉冲指标I3、裕度指标L2、峭度指标K；液压缸起竖压力对应的峰值指标C2、脉冲指标I4、裕度指标L3。
本步骤中时域无量纲参数指标的获取流程可以参数图1实施例中的相关描述，此处不再赘述。
S202.将故障特征数据输入到SCG-WBP神经网络模型中进行预测，得到对应的故障状态。
其中，SCG-WBP神经网络模型为利用小波函数和成比例的共轭梯度算法对BP神经网路进行改进得到的基于故障特征数据预测故障状态的模型。即上述实施例1中训练得到的SCG-WBP神经网络模型。
SCG-WBP神经网络模型的输入为由上述步骤S201中得到的12个指标构成的特征向量，然后经过SCG-WBP神经网络模型预测得到故障状态对应的特征向量，根据故障状态对应的特征向量可以确定最终的故障状态。实现根据故障状态特征数据较准确快速的预测故障状态。
另外，还需要说明的是，液压系统除起竖系统外，还包括调平系统与锁定系统。对于调平系统与锁定系统也可以应用SCG-WBP神经网络模型进行预测。与起竖系统不同的是，样本数据不同，对应的得到的SCG-WBP神经网络模型的输入和输出数据不同，但是构建SCG-WBP神经网络结构的原理是相同的。
从以上的描述中，可以看出，基于改进神经网络的故障状态预测的方法中，是基于SCG-WBP神经网络模型进行液压系统的故障状态的预测，SCG-WBP神经网络模型是将小波函数、成比例的共轭梯度算法以及BP神经网络进行结合的改进的神经网络模型，充分运用了小波变换时频局部化的性质和神经网络的自学习能力，另外SCG算法能够在提高状态预测精度的同时节省了网络训练时间，增进了收敛速度，因此基于SCG-WBP神经网络模型能够使得神经网络的收敛速度更快并且精度更高，将其应用在液压系统的故障状态预测中大大的提高了预测的准确性和速度。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例，还提供了一种用于实施上述图1方法的神经网络模型训练的装置，如图15所示，该装置包括：
样本获取单元31，用于获取训练样本，训练样本包括液压系统故障特征数据和故障状态；
构建单元32，用于基于小波函数、成比例的共轭梯度算法构建SCG-WBP神经网络结构；
训练单元33，用于利用训练样本对SCG-WBP神经网络结构进行训练得到SCG-WBP神经网络模型，SCG-WBP神经网络模型为用于对液压系统故障状态进行预测的模型。
具体的，本申请实施例的装置中各单元、模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。
从以上的描述中，可以看出，本申请实施例中神经网络模型训练的装置得到的SCG-WBP神经网络模型能够较准确的预测出不同种类的故障状态，还能够对同一故障的不同程度状态进行预测。
根据本申请实施例，还提供了一种用于实施上述图14方法的基于改进神经网络的故障状态预测的装置，如图16所示，该装置包括：
获取单元41，用于获取液压系统的故障特征数据，故障特征数据为用于预测故障状态的特征数据；
预测单元42，用于将故障特征数据输入到SCG-WBP神经网络模型中进行预测，得到对应的故障状态，SCG-WBP神经网络模型为利用小波函数和成比例的共轭梯度算法对BP神经网路进行改进得到的基于故障特征数据预测故障状态的模型。
具体的，本申请实施例的装置中各单元、模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。
从以上的描述中，可以看出，本申请实施例的基于改进神经网络的故障状态预测的装置中，是基于SCG-WBP神经网络模型进行液压系统的故障状态的预测，SCG-WBP神经网络模型是将小波函数、成比例的共轭梯度算法以及BP神经网络进行结合的改进的神经网络模型，充分运用了小波变换时频局部化的性质和神经网络的自学习能力，另外SCG算法能够在提高状态预测精度的同时节省了网络训练时间，增进了收敛速度，因此基于SCG-WBP神经网络模型能够使得神经网络的收敛速度更快并且精度更高，将其应用在液压系统的故障状态预测中大大的提高了预测的准确性和速度。
具体的，本申请实施例的装置中各单元、模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。
根据本申请实施例，还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述方法实施例中的基于改进神经网络的故障状态预测的方法。
根据本申请实施例，还提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述方法实施例中的基于改进神经网络的故障状态预测的方法。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (9)
1.一种基于改进神经网络的故障状态预测的方法，其特征在于，所述方法包括：
获取液压系统的故障特征数据，所述故障特征数据为用于预测故障状态的特征数据；
所述故障特征数据是在液压缸起竖过程中对不同故障状态信号的时域无量纲参数指标按照预设条件进行选择得到的；
所述预设条件为特征明显、区分度大、具有代表性的参数指标；
所述故障状态信号包括液压缸起竖位移、速度、加速度和液压缸起竖压力；
所述故障特征数据包括：液压缸起竖位移对应的脉冲指标I1、波形指标S1、裕度指标L1；以及，液压缸起竖速度对应的峰值指标C1、脉冲指标I2、波形指标S2；以及，液压缸起竖加速度对应的脉冲指标I3、裕度指标L2、峭度指标K；以及，液压缸起竖压力对应的峰值指标C2、脉冲指标I4、裕度指标L3；
将所述故障特征数据输入到SCG-WBP神经网络模型中进行预测，得到对应的故障状态，所述SCG-WBP神经网络模型为利用小波函数和成比例的共轭梯度算法对BP神经网路进行改进得到的基于故障特征数据预测故障状态的模型；
SCG-WBP神经网络结构包括：
以BP神经网络为基础，采用SCG神经网络算法进行网络训练，权值的调整分两个阶段：第一阶段从输入层开始向前计算，根据输入样本计算出输出层的值，是前向传播过程；第二阶段从网络的输出层向后计算与修正，是反向传播过程；
创建3层SCG-WBP神经网络结构，输入层节点数为12个，隐含层节数点为13个，输出层节点数为4个；
根据故障特征向量的维数和故障状态的划分，设定输入层节点数以及输出层节点数。
2.根据权利要求1所述的基于改进神经网络的故障状态预测的方法，其特征在于，所述液压系统包括液压起竖系统，所述获取液压系统故障特征数据包括：
采集液压缸起竖过程中位移、速度、加速度以及压力的信号数据；
根据信号数据计算与其对应的时域无量纲参数指标，得到故障特征数据。
3.一种神经网络模型训练的方法，其特征在于，所述模型为SCG-WBP神经网络模型，所述方法包括：
获取训练样本，所述训练样本包括液压系统故障特征数据和故障状态，所述故障特征数据为用于预测故障状态的特征数据；
所述故障特征数据是在液压缸起竖过程中对不同故障状态信号的时域无量纲参数指标按照预设条件进行选择得到的；
所述预设条件为特征明显、区分度大、具有代表性的参数指标；
所述故障状态信号包括液压缸起竖位移、速度、加速度和液压缸起竖压力；
所述故障特征数据包括：液压缸起竖位移对应的脉冲指标I1、波形指标S1、裕度指标L1；以及，液压缸起竖速度对应的峰值指标C1、脉冲指标I2、波形指标S2；以及，液压缸起竖加速度对应的脉冲指标I3、裕度指标L2、峭度指标K；以及，液压缸起竖压力对应的峰值指标C2、脉冲指标I4、裕度指标L3；
基于小波函数、成比例的共轭梯度算法构建SCG-WBP神经网络结构；其中，SCG-WBP神经网络结构包括：
以BP神经网络为基础，采用SCG神经网络算法进行网络训练，权值的调整分两个阶段：第一阶段从输入层开始向前计算，根据输入样本计算出输出层的值，是前向传播过程；第二阶段从网络的输出层向后计算与修正，是反向传播过程；
创建3层SCG-WBP神经网络结构，输入层节点数为12个，隐含层节数点为13个，输出层节点数为4个；
根据故障特征向量的维数和故障状态的划分，设定输入层节点数以及输出层节点数；
利用所述训练样本对SCG-WBP神经网络结构进行训练得到SCG-WBP神经网络模型，所述SCG-WBP神经网络模型为用于对液压系统故障状态进行预测的模型。
4.根据权利要求3述的神经网络模型训练的方法，其特征在于，所述液压系统包括液压起竖系统，所述获取训练样本包括：
对液压缸起竖过程中在不同故障状态下的信号数据的时域无量纲参数指标进行分析，确定故障特征数据；
获取不同故障状态下的所有的故障特征数据的数值；
将不同的故障状态及其对应的故障特征数据的数值按比例进行划分，得到训练样本和验证样本。
5.根据权利要求3所述的神经网络模型训练的方法，其特征在于，所述基于小波函数、成比例的共轭梯度算法构建SCG-WBP神经网络结构包括：
将小波函数设置为激活函数；
将求解的最速下降算法设置为共轭梯度算法；
根据训练样本以及模型的精度需求进行输入层、输出层、隐含层的设置。
6.根据权利要求3所述的神经网络模型训练的方法，其特征在于，所述对液压缸起竖过程中在不同故障状态下的信号数据的时域无量纲参数指标进行分析，确定故障特征数据，包括：
对信号数据的时域无量纲参数指标进行归一化处理；
依据归一化处理结果绘制分布图；
对分布图进行分析，选择满足预设条件的时域无量纲参数指标确定为故障特征数据。
7.一种基于改进神经网络的故障状态预测的装置，其特征在于，所述装置包括：
获取单元，用于获取液压系统的故障特征数据，所述故障特征数据为用于预测故障状态的特征数据；
所述故障特征数据是在液压缸起竖过程中对不同故障状态信号的时域无量纲参数指标按照预设条件进行选择得到的；
所述预设条件为特征明显、区分度大、具有代表性的参数指标；
所述故障状态信号包括液压缸起竖位移、速度、加速度和液压缸起竖压力；
所述故障特征数据包括：液压缸起竖位移对应的脉冲指标I1、波形指标S1、裕度指标L1；以及，液压缸起竖速度对应的峰值指标C1、脉冲指标I2、波形指标S2；以及，液压缸起竖加速度对应的脉冲指标I3、裕度指标L2、峭度指标K；以及，液压缸起竖压力对应的峰值指标C2、脉冲指标I4、裕度指标L3；
预测单元，用于将所述故障特征数据输入到SCG-WBP神经网络模型中进行预测，得到对应的故障状态，所述SCG-WBP神经网络模型为利用小波函数和成比例的共轭梯度算法对BP神经网路进行改进得到的基于故障特征数据预测故障状态的模型；
SCG-WBP神经网络结构包括：
以BP神经网络为基础，采用SCG神经网络算法进行网络训练，权值的调整分两个阶段：第一阶段从输入层开始向前计算，根据输入样本计算出输出层的值，是前向传播过程；第二阶段从网络的输出层向后计算与修正，是反向传播过程；
创建3层SCG-WBP神经网络结构，输入层节点数为12个，隐含层节数点为13个，输出层节点数为4个；
根据故障特征向量的维数和故障状态的划分，设定输入层节点数以及输出层节点数。
8.一种神经网络模型训练的装置，其特征在于，所述模型为SCG-WBP神经网络模型，所述装置包括：
样本获取单元，用于获取训练样本，所述训练样本包括液压系统故障特征数据和故障状态，所述故障特征数据为用于预测故障状态的特征数据；
所述故障特征数据是在液压缸起竖过程中对不同故障状态信号的时域无量纲参数指标按照预设条件进行选择得到的；
所述预设条件为特征明显、区分度大、具有代表性的参数指标；
所述故障状态信号包括液压缸起竖位移、速度、加速度和液压缸起竖压力；
所述故障特征数据包括：液压缸起竖位移对应的脉冲指标I1、波形指标S1、裕度指标L1；以及，液压缸起竖速度对应的峰值指标C1、脉冲指标I2、波形指标S2；以及，液压缸起竖加速度对应的脉冲指标I3、裕度指标L2、峭度指标K；以及，液压缸起竖压力对应的峰值指标C2、脉冲指标I4、裕度指标L3；
构建单元，用于基于小波函数、成比例的共轭梯度算法构建SCG-WBP神经网络结构；其中，SCG-WBP神经网络结构包括：
以BP神经网络为基础，采用SCG神经网络算法进行网络训练，权值的调整分两个阶段：第一阶段从输入层开始向前计算，根据输入样本计算出输出层的值，是前向传播过程；第二阶段从网络的输出层向后计算与修正，是反向传播过程；
创建3层SCG-WBP神经网络结构，输入层节点数为12个，隐含层节数点为13个，输出层节点数为4个；
根据故障特征向量的维数和故障状态的划分，设定输入层节点数以及输出层节点数；
训练单元，用于利用所述训练样本对SCG-WBP神经网络结构进行训练得到SCG-WBP神经网络模型，所述SCG-WBP神经网络模型为用于对液压系统故障状态进行预测的模型。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-2任意一项所述的基于改进神经网络的故障状态预测的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010666567.8A CN111912611B (zh) | 2020-07-10 | 2020-07-10 | 基于改进神经网络的故障状态预测的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010666567.8A CN111912611B (zh) | 2020-07-10 | 2020-07-10 | 基于改进神经网络的故障状态预测的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111912611A CN111912611A (zh) | 2020-11-10 |
| CN111912611B true CN111912611B (zh) | 2023-05-05 |
Family
ID=73226649
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010666567.8A Active CN111912611B (zh) | 2020-07-10 | 2020-07-10 | 基于改进神经网络的故障状态预测的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111912611B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111667120A (zh) * | 2020-06-11 | 2020-09-15 | 国网山东省电力公司电力科学研究院 | 一种调相机绝缘故障预测方法及系统 |
| CN112747011B (zh) * | 2020-12-29 | 2023-07-07 | 广东精铟海洋工程股份有限公司 | 基于抱桩器液压系统的故障预测方法及抱桩器液压系统 |
| CN112733450A (zh) * | 2021-01-12 | 2021-04-30 | 云南电网有限责任公司电力科学研究院 | 一种电力网络中节点故障的分析方法及装置 |
| CN113219912B (zh) * | 2021-03-31 | 2022-03-15 | 成都飞机工业（集团）有限责任公司 | 一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法 |
| CN113284600A (zh) * | 2021-05-08 | 2021-08-20 | 武汉联影医疗科技有限公司 | 故障预测方法、装置、计算机设备和存储介质 |
| CN113551927A (zh) * | 2021-07-07 | 2021-10-26 | 广州赛意信息科技股份有限公司 | 一种基于振动信号的机械设备故障预警方法和系统 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103331310A (zh) * | 2013-07-13 | 2013-10-02 | 吉林大学 | 镁合金板材轧制参数监测与故障诊断系统及方法 |
| CN106482938B (zh) * | 2016-10-14 | 2018-08-03 | 温州大学 | 基于ga-bp网络的液压制动系统多源融合故障预示方法 |
| CN107480715A (zh) * | 2017-08-10 | 2017-12-15 | 合肥工业大学 | 液压成形装备的传动装置故障预测模型的建立方法及系统 |
| KR101957514B1 (ko) * | 2017-12-05 | 2019-03-12 | 현대오트론 주식회사 | Sr 모터 제어 회로 및 고장 진단 방법 |
| CN108153987A (zh) * | 2018-01-08 | 2018-06-12 | 太原理工大学 | 一种基于超限学习机的液压泵多故障诊断方法 |
| US10849531B2 (en) * | 2018-04-17 | 2020-12-01 | Samsung Electronics Co., Ltd. | Systematic apparatus for motion sensor and optical sensor based cardiac arrhythmia triage |
| CN108847279B (zh) * | 2018-04-27 | 2022-04-01 | 吉林大学 | 一种基于脉搏波数据的睡眠呼吸状态自动判别方法及系统 |
| CN109002847A (zh) * | 2018-07-04 | 2018-12-14 | 温州大学 | 一种基于指标的深度信念网络的轴向柱塞泵多故障诊断方法 |
| CN109657789A (zh) * | 2018-12-06 | 2019-04-19 | 重庆大学 | 基于小波神经网络的风机齿轮箱故障趋势预测方法 |
| CN110469561B (zh) * | 2019-09-16 | 2024-07-19 | 深圳江行联加智能科技有限公司 | 一种液压系统状态监测的装置、方法与系统 |
-
2020
- 2020-07-10 CN CN202010666567.8A patent/CN111912611B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111912611A (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111912611B (zh) | 基于改进神经网络的故障状态预测的方法及装置 | |
| CN108038300B (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN111539132B (zh) | 一种基于卷积神经网络的动载荷时域识别方法 | |
| CN107977710A (zh) | 用电异常数据检测方法和装置 | |
| CN106372278A (zh) | 一种联合考虑输入参数不确定性和代理模型不确定性的灵敏度分析方法 | |
| CN112445131A (zh) | 一种线性系统自适应最优跟踪控制方法 | |
| CN105572572B (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
| CN115062668B (zh) | 基于RAdam优化宽度学习的谐波参数检测方法和系统 | |
| CN113919221A (zh) | 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质 | |
| CN112580588A (zh) | 一种基于经验模态分解的颤振信号智能识别方法 | |
| Benmahdjoub et al. | Forecasting of rainfall using time delay neural network in Tizi-Ouzou (Algeria) | |
| CN105005197B (zh) | 基于切比雪夫多项式展开的时变神经动力学系统辨识方法 | |
| CN115793456A (zh) | 基于轻量型灵敏度的配电网边缘侧多模态自适应控制方法 | |
| CN117407675A (zh) | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 | |
| CN109903181B (zh) | 基于压缩感知的缺失数据集下的线损预测方法 | |
| CN109217844B (zh) | 基于预训练随机傅里叶特征核lms的超参数优化方法 | |
| Yurasova et al. | Approaches in a sensor model of error correction in dynamic measurements | |
| Lavaei et al. | Dynamic analysis of structures using neural networks | |
| CN108446506B (zh) | 一种基于区间反馈神经网络的不确定系统建模方法 | |
| CN116680969A (zh) | 一种pso-bp算法的充填体评估参数预测方法及装置 | |
| CN115526308A (zh) | 基于宽度剪枝回声状态网络的时间序列预测方法 | |
| CN114492199A (zh) | 一种电压互感器性能的分析方法、系统、电子设备及介质 | |
| CN113255887A (zh) | 基于遗传算法优化bp神经网络的雷达误差补偿方法及系统 | |
| CN108960406B (zh) | 一种基于bfo小波神经网络的mems陀螺随机误差预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |