一种基于RBF网络的提升机制动系统故障诊断方法与流程

本发明涉及故障诊断技术领域，特别是涉及一种基于RBF网络的提升机制动系统故障诊断方法。

背景技术：

提升机是矿井生产、运输的主要设备，它担负着提升煤炭、矸石、下放材料和升降人员的任务，素有“矿井咽喉”之称，制动系统则是提升机的重要组成部分，执行着正常停车和在各种故障下紧急制动安全停车的重要任务，关系到提升机运行的安全性和可靠性，对于提升机制动系统的故障诊断问题，目前，国内外学者提出了多种故障诊断方法。主要采用粗糙集理论、支持向量机、贝叶斯分类法、模糊逻辑、神经网络等方法对提升机制动系统进行故障诊断。粗糙集理论在处理模糊和不确定信息上具有较大的优越性，但其决策规则很不稳定，精确性较差，而且是基于完备的信息系统，处理数据时，常会遇到数据丢失现象。支持向量机在解决小样本、非线性及高维模式识别问题中具有优势，但识别能力易受自身参数影响。贝叶斯分类法需要已知确切的分别概率，而实际上并不能给出确切的分别概率。模糊逻辑需要一定的先验知识，对参数选择具有较强的依赖性。神经网络具有简单的结构和很强的问题求解能力，且可较好地处理噪声数据，但算法存在局部最优问题，收敛性较差，可靠性有限。

由此可见，在现有技术中，提升机制动系统故障诊断方法存在精度低、可靠性差、诊断结果存在较大偏差等问题。

技术实现要素：

有鉴于此，本发明的主要目的在于提供一种高精度、可靠性好、诊断结果准确的提升机制动系统故障诊断方法。

为了达到上述目的，本发明提出的技术方案为：

一种基于RBF网络的提升机制动系统故障诊断方法，所述提升机制动系统故障诊断方法包括如下步骤：

步骤1、采用2JTP-1.2型提升机试验模拟提升机在不同速度、不同负荷工况下的制动系统故障，分析提升机制动系统故障发生的机理和影响因素，得到贴闸油压、制动力矩、液压系统残压、松闸油压、液压站油压、闸瓦贴合开关量、磨损超限判定油压、闸瓦平均间隙和制动盘偏九个初始输入变量X；

步骤2、将所述初始输入变量X进行数据的预处理，得到初始输入特征向量T；

步骤3、将所述初始输入特征向量T作为训练样本的输入，制动系统的故障类型作为输出，建立初始的提升机制动系统RBF网络故障诊断模型；

步骤4、采用所述初始输入特征向量T对RBF网络进行训练，并采用MIV算法对初始输入变量X进行筛选，得到筛选后的最终输入变量X′；

步骤5、将所述最终输入变量X′进行数据的预处理，得到最终输入特征向量T′；

步骤6、将所述最终输入特征向量T′作为训练样本的输入，制动系统的故障类型作为输出，建立GSO-RBF网络；

步骤7、采用GSO算法对RBF网络隐含层神经元中心和阈值进行优化；

步骤8、判别满足终止条件是否成立；如果成立，则执行步骤9；如果不成立，则执行步骤7；

步骤9、得到基于萤火虫算法优化的提升机制动系统RBF网络故障诊断模型，对提升机制动系统的故障类型进行判断，并输出诊断结果。

综上所述，本发明所述基于RBF网络的提升机制动系统故障方法将获取的初始输入变量进行数据的预处理后，得到所述的初始输入特征向量，将初始输入特征向量作为训练样本的输入，提升机制动系统的故障类型作为输出，建立初始的提升机制动系统RBF网络故障诊断模型，采用MIV算法对初始输入变量进行筛选，得到最终输入变量，将获得的最终输入变量进行数据的预处理后，得到最终输入特征向量，将最终输入特征向量作为训练样本的输入，提升机制动系统的故障类型作为输出，建立GSO-RBF网络，采用GSO算法对RBF网络隐含层神经元中心和阈值进行优化，得到基于萤火虫算法优化的提升机制动系统RBF网络故障诊断模型，判断提升机制动系统的故障类型，输出诊断结果，从而提高了提升机制动系统故障诊断的精度、准确性和可靠性。

附图说明

图1是本发明所述一种基于RBF网络的提升机制动系统故障诊断方法的流程图。

图2是本发明所述RBF网络拓扑结构示意图。

图3是本发明所述系统误差随着训练次数的变化趋势图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明作进一步地详细描述。

图1是本发明所述一种基于RBF网络的提升机制动系统故障诊断方法的流程图。如图1所示，本发明所述提升机制动系统故障诊断方法，包括如下步骤：

步骤1、采用2JTP-1.2型提升机试验模拟提升机在不同速度、不同负荷工况下的制动系统故障，分析提升机制动系统故障发生的机理和影响因素，得到贴闸油压、制动力矩、液压系统残压、松闸油压、液压站油压、闸瓦贴合开关量、磨损超限判定油压、闸瓦平均间隙和制动盘偏九个初始输入变量X；

步骤2、将所述初始输入变量X进行数据的预处理，得到初始输入特征向量T；

步骤3、将所述初始输入特征向量T作为训练样本的输入，制动系统的故障类型作为输出，建立初始的提升机制动系统RBF网络故障诊断模型；

步骤4、采用所述初始输入特征向量T对RBF网络进行训练，并采用MIV算法对初始输入变量X进行筛选，得到筛选后的最终输入变量X′；

步骤5、将所述最终输入变量X′进行数据的预处理，得到最终输入特征向量T′；

步骤6、将所述最终输入特征向量T′作为训练样本的输入，制动系统的故障类型作为输出，建立GSO-RBF网络；

步骤7、采用GSO算法对RBF网络隐含层神经元中心和阈值进行优化；

步骤8、判别满足终止条件是否成立；如果成立，则执行步骤9；如果不成立，则执行步骤7；

步骤9、得到基于萤火虫算法优化的提升机制动系统RBF网络故障诊断模型，对提升机制动系统的故障类型进行判断，并输出诊断结果。

总之，本发明所述基于RBF网络的提升机制动系统故障诊断方法将获取的初始输入向量进行数据的预处理后，得到所述的初始输入特征向量，将初始输入特征向量作为训练样本的输入，提升机制动系统的故障类型作为输出，建立初始的RBF网络提升机制动系统故障诊断模型，采用MIV算法对初始输入变量进行筛选，得到最终输入变量，将获得的最终输入变量进行数据的预处理后，得到最终输入特征向量，将最终输入特征向量作为训练样本的输入，提升机制动系统的故障类型作为输出，建立GSO-RBF网络，采用GSO算法对RBF网络隐含层神经元中心和阈值进行优化，得到基于萤火虫算法优化的RBF网络提升机制动系统故障诊断模型，对提升机制动系统的故障类型进行判断，输出诊断结果，从而提高了提升机制动系统故障诊断的精度、准确性和可靠性。

本发明步骤2中，所述数据预处理的计算式如下：

其中，t(i)是第i个初始输入变量的样本值，x_act(i)是第i个初始输入变量的实际值，x_min(i)是第i个初始输入变量的最小值，x_max(i)是第i个初始输入变量的最大值。

本发明方法中，所述步骤3具体为：采用初始输入特征向量T作为RBF网络输入层的神经元，初始输入特征向量T＝(t₁，t₂，...，t₉)^T，制动系统的故障类型作为输出，输出层有6个神经元，输出向量为Y＝(y₁，y₂，...，y₆)^T，隐含层到输出层的权值向量为W＝(w₁，w₂，...，w_m)^T，隐含层输出依靠初始输入特征向量与径向基函数中心的距离，基函数选用高斯函数，距离用欧式范数表示。当RBF网络输入为t_k时，隐含层输出的具体计算式如下

其中，u_i是第i个隐含层节点的输出，c_i是第i个隐含层节点高斯函数的中心向量，σ_i是第i个隐含层节点的标准化常数；

输出层输出的具体计算式如下

其中，u_i是第i个隐含层节点的输出，y_k是输出层第k个节点的输出，w是隐含层到输出层的加权系数，θ_k是隐含层的阈值，q是隐含层节点数。

本发明方法中，所述步骤4包括如下步骤：

步骤41、随机选取h个训练样本作为聚类中心c_i，利用最近邻规则对训练样本进行分组，按照t_k与中心c_i之间的欧式距离将t_k分配到训练样本的各个聚类集合v_p中。

步骤42、对每个聚类集合v_p中的训练样本求平均值，构成新的聚类中心c′_i，如果新的聚类中心c′_i不再发生变化，则所得到的c′_i即为RBF网络最终的基函数中心，如果新的聚类中心c′_i发生变化，则返回步骤41。

步骤43、选取高斯函数作为RBF网络的基函数，方差σ_i的具体计算式如下：

其中，c_max是选取中心之间的最大距离。

步骤44、运用最小二乘法计算隐含层到输出层之间神经元的连接权值，计算公式如下：

步骤45、对初始输入特征向量T进行变换，具体变换式如下，

步骤46、将变换后的初始输入特征向量T作为RBF网络的输入，计算RBF网络的输出值和具体计算式如下：

步骤47、计算RBF网络的输出值之差IV_i，得到平均影响值MIV，具体计算式如下：

步骤48、根据计算得到的MIV的绝对值进行排序，删除对输出影响较小的初始输入变量，得到最终输入变量X′为贴闸油压、制动力矩、液压系统残压、松闸油压、液压站油压、闸瓦贴合开关量和磨损超限判定油压。

本发明步骤5中，所述数据预处理的计算式如下：

其中，t′(i)是第i个最终输入变量的样本值，x′_act(i)是第i个最终输入变量的实际值，x′_min(i)是第i个最终输入变量的实际值，x′_max(i)是第i个最终输入变量的最大值。

本发明方法中，所述步骤6包括如下步骤：

步骤61、将所述最终输入特征向量T′作为GSO-RBF网络输入层的神经元，最终输入特征向量T′＝(t′₁，t′₂，...，t′₇)^T，制动系统的故障类型作为输出，输出层有6个神经元，输出向量为Y＝(y₁，y₂，...，y₆)^T，隐含层到输出层的权值向量为W＝(w₁，w₂，...，w_m)^T，隐含层输出依靠输入向量与径向基函数中心的距离，基函数选用高斯函数，距离用欧式范数表示，当RBF网络输入为t_k时，隐含层输出的具体计算式如下

其中，u_i是第i个隐含层节点的输出，c_i是第i个隐含层节点高斯函数的中心向量，σ_i是第i个隐含层节点的标准化常数；

输出层输出的具体计算式如下

其中，u_i是第i个隐含层节点的输出，y_k是输出层第k个节点的输出，w是隐含层到输出层的加权系数，θ_k是隐含层的阈值，q是隐含层节点数。

步骤62、将GSO-RBF网络的隐含层神经元中心和阈值采用实数矢量形式编码，构成萤火虫初始种群，初始化萤火虫种群的个数N，吸引力系数β₀，光吸收系数γ和随机性系数α₀，其中，吸引力系数β₀＝1，光吸收系数γ为[0，1]分布的随机数，随机性系数α₀∈[0，1]。

本发明方法中，所述步骤7包括如下步骤：

步骤71、计算萤火虫个体适应度函数值，具体计算式如下：

其中，f为萤火虫个体适应度值，Z为训练样本的个数，y_k为实际的输出值，o_k为期望的输出值。

步骤72、计算荧光素值l_u(g)，荧光素值l_u(g)和当前位置x_u(g)代表着每个萤火虫个体u，荧光素值l_u(g)的具体计算式如下：

l_u(g+1)＝(1-δ₁)×l_u(g)+ξ₁×J(x_u(g+1))

其中，u为萤火虫个体，x_u(g)为萤火虫个体的当前位置，l_u(g)为萤火虫个体在第g次迭代时荧光素值的大小，l_u(g+1)为萤火虫个体在第g+1次迭代时荧光素值的大小，J(x_u(g+1))为目标函数值，δ₁为荧光素值挥发系数，ξ₁为增强系数。

步骤73、计算大于自身的萤火虫数量，计算式如下：

M_u(g)＝{Q：d_uQ(g)＜r_u；l_u(g)＜l_Q(g)}

其中，M_u(g)为感知范围内所有荧光素值大于自身的萤火虫个数，d_uQ为个体u和Q之间的距离，r_u为感知半径。

步骤74、获得荧光最强个体，更新萤火虫所在位置，具体计算公式如下：

其中，P_ij为最强荧光个体，P为感知范围内所有荧光素值大于自身的萤火虫个体，l_p(g)为P在第g次迭代时荧光素值的大小。

本发明步骤8中，终止条件具体为训练误差小于0.001或迭代次数达到2000。

本发明步骤9具体为：得到基于萤火虫算法优化的RBF网络提升机制动系统故障诊断模型，将所述最终输入特征向量T′作为预测模型的输入，提升机制动系统的故障类型作为输出，对提升机制动系统的故障类型进行判断，输出诊断结果。

实施例

将最终输入特征向量作为输入，提升机制动系统的故障类型作为输出，基于萤火虫算法优化的RBF网络提升机制动系统故障诊断模型部分训练数据如表1所示。提升机制动系统故障的诊断结果如表2所示。

表1部分训练样本

表2诊断结果

由表2数据可知，采用基于萤火虫算法优化的RBF网络对提升机制动系统进行故障诊断，诊断结果与实际故障类型一致。从RBF网络的诊断结果来看，采用萤火虫算法优化的RBF网络故障诊断模型可以准确地提升机制动系统故障的类型，准确性高。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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。