1.一种基于RBF网络的提升机制动系统故障诊断方法,其特征在于,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。
2.根据权利要求1所述的提升机制动系统故障诊断方法,其特征在于,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,xact(i)是第i个初始输入变量的实际值,xmin(i)是第i个初始输入变量的最小值,xmax(i)是第i个初始输入变量的最大值。
3.根据权利要求1所述的提升机制动系统故障诊断方法,其特征在于,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,...,wm)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tk时,隐含层输出的具体计算式如下
其中,ui是第i个隐含层节点的输出,ci是第i个隐含层节点高斯函数的中心向量,σi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,ui是第i个隐含层节点的输出,yk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,θk是隐含层的阈值,q是隐含层节点数。
4.根据权利要求1所述的提升机制动系统故障诊断方法,其特征在于,所述步骤4包括以下具体步骤:
步骤41、随机选取h个训练样本作为聚类中心ci,利用最近邻规则对训练样本进行分组,按照tk与中心ci之间的欧式距离将tk分配到训练样本的各个聚类集合vp中;
步骤42、对每个聚类集合vp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σi的具体计算式如下:
其中,cmax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IVi,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。
5.根据权利要求1所述的提升机制动系统故障诊断方法,其特征在于,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。
6.根据权利要求1所述的提升机制动系统故障诊断方法,其特征在于,所述步骤6包括以下具体步骤:
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,...,wm)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tk时,隐含层输出的具体计算式如下
其中,ui是第i个隐含层节点的输出,ci是第i个隐含层节点高斯函数的中心向量,σi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,ui是第i个隐含层节点的输出,yk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,θk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]。
7.根据权利要求1所述的提升机制动系统故障诊断方法,其特征在于,所述步骤7包括以下具体步骤:
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,yk为实际的输出值,ok为期望的输出值;
步骤72、计算荧光素值lu(g),荧光素值lu(g)和当前位置xu(g)代表着每个萤火虫个体u,荧光素值lu(g)的具体计算式如下:
lu(g+1)=(1-δ1)×lu(g)+ξ1×J(xu(g+1))
其中,u为萤火虫个体,xu(g)为萤火虫个体的当前位置,lu(g)为萤火虫个体在第g次迭代时荧光素值的大小,lu(g+1)为萤火虫个体在第g+1次迭代时荧光素值的大小,J(xu(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:
Mu(g)={Q:duQ(g)<ru;lu(g)<lQ(g)}
其中,Mu(g)为感知范围内所有荧光素值大于自身的萤火虫个数,duQ为个体u和Q之间的距离,ru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,Pij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,lp(g)为P在第g次迭代时荧光素值的大小。
8.根据权利要求1所述的提升机制动系统故障诊断方法,其特征在于,步骤8中,所述终止条件为训练误差小于0.001或迭代次数达到2000。
9.根据权利要求1所述的提升机制动系统故障诊断方法,其特征在于,所述步骤9具体为:得到基于萤火虫算法优化的提升机制动系统神经网络故障诊断模型,将所述最终输入特征向量T′作为故障诊断模型的输入,提升机制动系统的故障类型作为输出,对提升机制动系统故障类型进行判断,输出诊断结果。