基于小波神经网络的回转窑故障诊断方法、故障诊断GUI及系统与流程

本发明涉及故障诊断技术领域，尤其涉及基于小波神经网络的回转窑故障诊断方法、故障诊断gui及系统。

背景技术：

回转窑是指旋转煅烧窑，属于建材设备类。回转窑按处理物料不同可分为水泥窑、冶金化工窑和石灰窑。回转窑广泛应用在建材、冶金、化工、环保等许多生产行业中。

回转窑是水泥熟料煅烧不可缺少的热工设备，水泥回转窑主要完成少量最终分解及熟料矿物形成。其功能是提供燃料燃烧和气料进行热交换的空间，给予物料一定的停留时间完成化学反应；提供燃料燃烧的停留时间；完成物料从窑尾到窑头的输送。

就回转窑而言，运行环境恶劣、时变因素多，难以建立精确的数学模型。回转窑故障的产生增加运行代价，降低生产效率，造成事故。因此对回转窑故障诊断的重要性和迫切性日益加剧。

概率神经网络的全称是probabilisticneuralnetwork，它主要用于模式分类，是基于贝叶斯策略前馈神经网络。概率神经网络实质上是在贝叶斯最小风险准则的基础上应运而生的一种并行算法，它的计算过程不同于bp神经网络的反向误差传播，其计算过程是完全前向的。

使用特征向量训练神经网络识别故障种类，采用概率神经网络进行故障诊断的训练，完成了对回转窑电流故障类型的分类，能够有效对回转窑的运行进行监控。

技术实现要素：

本发明提供了基于小波神经网络的回转窑故障诊断系统及方法，其配置合理，实现了回转窑运行的有效监控，有效提高了生产效率，降低了综合运行成本，避免了事故的发生。

本发明的技术方案

为解决上述技术问题，本发明提供的基于小波神经网络的回转窑故障诊断方法，其具体包括以下步骤：

s1，获取回转窑在不同故障下对应的电流信号波形；

s2，对步骤s1中获取的电流信号波形进行消噪处理；

s3，对消噪处理的电流信号波形进行小波包特征向量提取；

s4，将提取的多组特征向量输入神经网络进行训练，通过不同故障的特征向量识别不同故障对应的能量在不同频带的特征，进而区分故障种类；

s5，利用训练的概率神经网络进行故障诊断，并输出故障类型。

进一步地，所述小波包特征向量提取的步骤包括：

s3-1，选取需要进行处理的回转窑电流信号波形；

s3-2，使用db小波包进行三层小波分解，得到八个频带的信号波形；

s3-3，绘制小波包树结构的图形；

s3-4，对分解后的第三层的各节点系数进行重构，绘制节点重构后的波形；

s3-5，计算故障信号各重构系数的方差，生成特征向量。

进一步地，所述故障诊断的步骤包括：

s5-1，将若干组特征向量输入神经网络，形成训练样本；

s5-2，给训练样本中的每个数加注标签，并进行归一化处理；

s5-3，使用newpnn构建概率神经网络并优化拓展常数spread的数值；

s5-4，输入测试样本并进行归一化处理，测试神经网络；

s5-5，将测试结果输入概率神经网络模型并进行预测；

s5-6，将向量形式的分类结果转换为标量输出，与已知结果进行比较，并输出诊断结果。

进一步地，所述电流信号波形的消噪处理的函数为ddencmp和wpdencmp，ddencmp函数自动生成小波消噪或压缩的阈值，wpdencmp函数使用小波包变换进行信号的压缩或去噪。

进一步地，所述回转窑故障时的电流信号波形包括窑电流缓慢上升、窑电流逐渐上升、窑电流逐渐下降、窑电流突然上升然后突然下降、窑电流突然升高很多然后缓慢下降、窑电流缓慢升高且有波动、窑转一圈电流差逐渐变大、窑转一圈电流差逐渐变小。

进一步地，所述拓展常数spread的取值范围为0.1-0.2。

本发明还提供了基于小波神经网络的回转窑故障诊断系统，其包括概率神经网络模型、训练样本及检测样本。

回转窑故障诊断系统执行以下流程进行故障诊断：获取回转窑在不同故障下对应的电流信号波形；对获取的电流信号波形进行消噪处理；对消噪处理的电流信号波形进行小波包特征向量提取；将提取的多组特征向量输入概率神经网络进行训练，通过不同故障的特征向量识别不同故障对应的能量在不同频带的特征，进而区分故障种类；利用训练的概率神经网络进行故障诊断，并输出故障类型。

本发明还提供了基于小波神经网络的回转窑故障诊断gui，故障诊断gui与故障诊断系统建立联系，并执行以下操作程序：

s1，根据故障数据绘制故障波形；

具体地，根据可编辑文本框中输入的样本数字，调取样本信号并绘制故障波形；

s2，根据故障波形进行特征向量提取；

具体地，由输入的样本数字调取对应的样本信号，经过消噪处理、小波包的分解与重构、取方差、归一化后得到特征向量并显示；

s3，利用训练的概率神经网络进行故障诊断，并显示故障诊断结果；

具体地，将样本信号作为测试样本输入概率神经网络进行故障诊断，诊断结构在可编辑文本中显示；

s4，根据故障诊断系统的对策表，显示故障的原因及解决方案；

具体地，根据输出的诊断结构显示对应的故障诊断原因及解决方案。

本发明有益效果：

本发明提供的小波神经网络的回转窑故障诊断方法、故障诊断gui及系统，其配置合理，使用特征向量训练神经网络识别故障种类，采用概率神经网络进行故障诊断的训练，完成了对回转窑电流故障类型的分类，实现了回转窑运行的有效监控，有效提高了生产效率，降低了综合运行成本，避免了事故的发生。

附图说明

通过结合以下附图所作的详细描述，本发明的上述优点将变得更清楚和更容易理解，这些附图只是示意性的，并不限制本发明，其中：

图1是本发明所述基于小波神经网络的回转窑故障诊断方法的流程图；

图2是采用默认阈值对信号进行消噪处理的波形图；

图3是调整阈值后对信号进行消噪处理的波形图；

图4是小波包特征向量提取的步骤示意图；

图5是小波包经过分解重构后的重构系数波形图；

图6是基于概率神经网络故障诊断的步骤示意图；

图7是本发明的训练效果图；

图8是本发明的误差图；

图9是本发明的预测效果图；

图10是基于小波神经网络的回转窑故障诊断gui的程序模块示意图；

图11是本发明实施例之matlabgui界面布局图；

图12是本发明实施例之故障诊断结果示意图。

具体实施方式

下面结合具体实施例和附图，对本发明所述基于小波神经网络的回转窑故障诊断方法、故障诊断gui及系统进行详细说明。

在此记载的实施例为本发明的特定的具体实施方式，用于说明本发明的构思，均是解释性和示例性的，不应解释为对本发明实施方式及本发明范围的限制。除在此记载的实施例外，本领域技术人员还能够基于本申请权利要求书和说明书所公开的内容采用显而易见的其它技术方案，这些技术方案包括采用对在此记载的实施例的做出任何显而易见的替换和修改的技术方案。

基于小波神经网络的回转窑故障诊断方法，图1是回转窑故障诊断方法的流程图，包括以下步骤：

s1，获取回转窑在不同故障下对应的电流信号波形；

回转窑的电流是指回转窑主电机的电流，将其作为故障种类的判断依据。

回转窑主电机是带动回转窑转动工作的重要器件，在发生故障的时候，回转窑电流的故障波形主要有以下八种：窑电流缓慢上升、窑电流逐渐上升、窑电流逐渐下降、窑电流突然上升然后突然下降、窑电流突然升高很多然后缓慢下降、窑电流缓慢升高且有波动、窑转一圈电流差逐渐变大、窑转一圈电流差逐渐变小。

s2，对步骤s1中获取的电流信号波形进行消噪处理；

在该步骤中，所述电流信号波形的消噪处理的函数为ddencmp和wpdencmp，ddencmp函数自动生成小波消噪或压缩的阈值，wpdencmp函数使用小波包变换进行信号的压缩或去噪。

ddencmp函数形式为[thr,sorh,keepapp,crit]＝ddencmp(in1,in2,x)，其中x为输入的信号向量或矩阵。

in1可供选择信号有消噪、压缩，当in1＝den时是信号消噪，当in1＝cmp时是信号压缩；in2可供选择有小波分解及小波包分解，当in2＝wv时使用小波分解，当in2＝wp时使用小波包分解；thr为函数选择的阈值，sorh可以选择阈值的软硬，s是软阈值，h是硬阈值，keepapp则决定是否对近似分量进行阈值处理，可选择0或1；crit是用小波包进行分解时所选择的熵函数类型。

采用默认阈值对信号进行消噪处理时，处理的回转窑电流波形，如图2所示。采用默认阈值处理的波形不能很好地将信号波形中的无效成分略去而保留有效成分，这样的波形无法满足后续分析的需要。这就需要对阈值进行调整，从而达到更好的消噪效果，调整阈值后处理的波形，如图3所示。调整阈值后处理的波形消噪结果有了很大的改善，很多瑕疵波形都被处理掉了，保留下的图形中最基本的特征走势，达到了提取信号有效部分的目的。

s3，对消噪处理的电流信号波形进行小波包特征向量提取；

在该步骤中，所述小波包特征向量提取的步骤示意图，如图4所示，其包括：

s3-1，选取需要进行处理的回转窑电流信号波形；

s3-2，使用db小波包进行三层小波分解，得到八个频带的信号波形；

s3-3，绘制小波包树结构的图形；

s3-4，对分解后的第三层的各节点系数进行重构，绘制节点重构后的波形；

s3-5，计算故障信号各重构系数的方差，生成特征向量。

取一组窑电流突然升高又突然下降的故障波形为例，其小波包经过分解重构后的重构系数波形如图5所示。由图5可以看出，原信号的能量主要集中在在35～90个数据之间，从第一行第三幅图到第二行最后一幅图依次是从低频到高频不同频带的能量信号，分析得出以下结论：越是高频的能量信号越集中在第50个数据附近，说明此处的波形变化比较剧烈；而越是趋近于0和100的地方，高频能量越少，说明开始和终止的地方波形相对平缓。这就对应于窑电流的故障波形，在第35个数左右窑电流的波形突然上升，到50个数左右的地方达到最大值，而后又突然下降，直到90左右才变得相对平缓，这就符合了原波形的故障特征。

对重构信号计算方差得到特征向量。由于得到的特征向量的八个数之间可能数值的倍数关系差距比较大，有的数特别大而有的则非常小，因此就需要对数据进行归一化处理，将其根据权重变化为[-1,1]之间的数据，在该实施例中，采用mapminmax函数对特征向量进行归一化的处理。

这样就可以避免因为数据差距过大而造成的较小值中间比较重要的影响因素被忽略的问题。

s4，将提取的多组特征向量输入神经网络进行训练，通过不同故障的特征向量识别不同故障对应的能量在不同频带的特征，进而区分故障种类；

s5，利用训练的概率神经网络进行故障诊断，并输出故障类型。

在该步骤中，所述故障诊断的步骤示意图，如图6所示，其具体包括：

s5-1，将若干组特征向量输入神经网络，形成训练样本；

s5-2，给训练样本中的每个数加注标签，并进行归一化处理；

s5-3，使用newpnn构建概率神经网络并优化拓展常数spread的数值；

在该步骤中，创建概率神经网络的程序为：

tic

spread＝0.2；

net＝newpnn(trainx,ind2vec(trlab),spread)；

toc

所述拓展常数spread的取值范围为0.1-0.2。在设置扩展常数spread的时候，应注意使spread的值趋向于0，而不是∞，因为spread的缺省值为0.1，而当它的数值趋近于0的时候，网络偏向于近邻分类器，这种分类器会记录每一个训练数据所对应的类型，当输入测试数据后，如果测试数据的属性完全与训练对象的属性匹配，那么就可以对其进行分类，获得这组数据的故障类别；而当spread的数据设置的特别大，趋向于∞的时候，网络就会偏向于线性分类器。这时的网络可以解决一些线性可分析的问题，生成的模型往往是一个线性函数，但是对于线性所不能分析的问题是没法很好解决的。因此这里选择的扩展常数是一个趋近于0的数值，可以使得故障诊断结果更加精确。

在该例中，spread的取值为0.2。

s5-4，输入测试样本并进行归一化处理，测试神经网络；

s5-5，将测试结果输入概率神经网络模型并进行预测；

s5-6，将向量形式的分类结果转换为标量输出，与已知结果进行比较，并输出诊断结果。

对已经输入训练样本的概率神经网络预测效果进行测试。方法是将原训练样本数据通过sim函数仿真，作为测试样本输入网络，绘制误差图判断训练效果。训练后的效果图如图7所示。横坐标是样本编号，共48组，纵坐标是48组样本输入概率神经网络仿真得到的预测的故障类型。

从训练效果图7可以看出，被输入网络测试的原训练样本所对应的故障类型，都能够被很好的诊断将仿真得到的故障类型值与目标的故障类型值作差，绘制出的误差图如图8所示。图8中横坐标代表样本编号，一共有48组样本数据，纵坐标代表仿真后的故障类型与实际故障类型的数值差，通过图8可以看出，48组样本数据输入网络进行预测的结果与目标结果完全一致，所有样本的预测误差都为0。

对网络效果检测良好之后，将测试样本输入网络进行故障诊断。选取了八组故障样本，分别来源于八种不同类型的故障。经过概率神经网络的实时检测以后，得到预测结果。预测结果图如图9所示。从图9中可以清楚地看到，八组测试样本的预测结果出来，48组样本预测结果全部与目标输出重合，全部命中，说明概率神经网络的训练效果非常好。

本测试结果全部与已知的故障类型吻合，说明构建的概率神经网络具有良好的故障诊断效果。

概率神经网络能够很好的区分出样本的故障类别，预测结果与已知的样本的故障类型完全吻合，并且可以直观的看到每一种异常电流对应的原因分析。特征向量提取与概率神经网络结合进行故障诊断，效果比较好。

同时，本发明还公开了基于小波神经网络的回转窑故障诊断系统，其包括概率神经网络模型、训练样本及检测样本。回转窑故障诊断系统执行以下流程进行故障诊断：

获取回转窑在不同故障下对应的电流信号波形；

对获取的电流信号波形进行消噪处理；

对消噪处理的电流信号波形进行小波包特征向量提取；

将提取的多组特征向量输入概率神经网络进行训练，通过不同故障的特征向量识别不同故障对应的能量在不同频带的特征，进而区分故障种类；

利用训练的概率神经网络进行故障诊断，并输出故障类型。

本发明还提供了基于小波神经网络的回转窑故障诊断gui，故障诊断gui与故障诊断系统建立联系，其示意图，如图10所示。并执行以下操作程序：

s1，根据故障数据绘制故障波形；

具体地，根据可编辑文本框中输入的样本数字，调取样本信号并绘制故障波形；

s2，根据故障波形进行特征向量提取；

具体地，由输入的样本数字调取对应的样本信号，经过消噪处理、小波包的分解与重构、取方差、归一化后得到特征向量并显示；

s3，利用训练的概率神经网络进行故障诊断，并显示故障诊断结果；

具体地，将样本信号作为测试样本输入概率神经网络进行故障诊断，诊断结构在可编辑文本中显示；

s4，根据故障诊断系统的对策表，显示故障的原因及解决方案；

具体地，根据输出的诊断结构显示对应的故障诊断原因及解决方案。

根据本申请所述的基于小波神经网络的回转窑故障诊断系统及方法，操作人员可以在matlab软件中创建回转窑故障诊断界面。在故障诊断界面中显示工艺流程及参数范围并绘制波形，进行特征向量提取，显示诊断结果和故障原因及解决方案。

主界面：起一个操作引导的作用，界面上有很多功能模块的按键，点击按键可以跳转到所需的功能模块上进行操作。设置主界面可以使得回转窑监测诊断系统更加有条理、更加清晰直观，方便操作者进行选择操作。

特征向量提取及故障诊断界面：用于对选择的样本进行小波包分析，对信号波形进行处理，得到含有故障能量信息的特征向量，并在界面上显示。通过选择的样本数据绘制样本信号的波形图，并显示在界面上。点击“故障诊断”按钮可实现将特征向量提取界面得到的特征向量输入已经训练好的神经网络进行故障类别的预测，得到故障类别以后，将故障类别的信息显示在界面上，点击“处理意见”的按钮，可以在屏幕上看到针对此种故障给出的专家意见，为后面的故障处理提供了便利。

工艺流程介绍界面：点击“工艺介绍”按钮可以在界面上显示干法水泥工艺各阶段的介绍，包含原料的粉碎均化处理，生料的预热及分解，熟料煅烧及冷却等，点击“参考范围”可以看到重点监测参数在设备正常运行情况下的数值范围。

将神经网络的训练结果与matlabgui界面相结合，搭建了一个回转窑故障诊断平台，使操作者在界面上通过点击按钮轻松实现故障诊断，得到可供参考的解决方案。在本实施例中，实现故障诊断及解决方案的依据，如下表所示。

matlabgui界面布局，如图11所示。现以数据编号为4的数据为例进行说明，这组数据对应的窑电流突然上升然后又突然下降。

点击“绘制波形图”的按钮可以在界面中看到窑电流的故障波形图；

点击“提取特征向量”按钮，提取到的窑电流突然上升又突然下降的归一化后的特征向量就会显示在控制面板“提取的特征向量”的可编辑文本框中；

点击“故障诊断”按钮，就会将对应的一组用来测试的窑电流突然上升又突然下降的数据输入训练好的神经网络中进行测试，并将得到的故障类型结果显示在控制面板“诊断结果”的可编辑文本框中。

对“故障诊断”按钮编写的回调函数如下所示：

set(gcf,'visible','off')；％关闭当前界面

h＝figure(page1)；

page1('visible','on')；％打开所调用的界面，其中page1是文件名称

用set指令将当前界面设置为不可视，并打开调用的“故障诊断”界面page1，设其为可视界面，这样就完成了从主界面到故障诊断界面的切换。其他按钮的回调函数也是按照这种方法进行编写。

最后需要根据将得到的故障类型获取发生故障的原因和解决方案，点击“解决方案”就可以实现将原因和处理方法显示在控制面板“原因及解决方案”的可编辑文本框里。如图12所示为本实施例的故障诊断结构示意图。

完成故障诊断后，如需进行其他操作，可点击“返回”按钮返回主界面。

本发明提供的基于小波神经网络的回转窑故障诊断方法、故障诊断gui及系统，其配置合理，使用特征向量训练神经网络识别故障种类，采用概率神经网络进行故障诊断的训练，完成了对回转窑电流故障类型的分类，实现了回转窑运行的有效监控，有效提高了生产效率，降低了综合运行成本，避免了事故的发生。

本发明不局限于上述实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是具有与本申请相同或相近似的技术方案，均落在本发明的保护范围之内。