一种基于RBF网络的提升机制动系统故障诊断方法与流程

技术特征：

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：

$t\left(i\right)=\frac{x_{act}\left(i\right)-x_{min}\left(i\right)}{x_{\max }\left(i\right)-x_{min}\left(i\right)}$

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。

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，...，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

$u_i=\exp (-\frac{1}{2{\mathrm{\σ}}_i^2}||t_k-c_i|{|}^2)$

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

$y_k=\underset{i=1}{\overset{q}{\Σ}}{\mathrm{Wu}}_i-{\mathrm{\θ}}_k$

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。

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：

${\mathrm{\σ}}_i=\frac{c_{\max }}{\sqrt{2h}}$

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：

$\mathrm{\ω}=\exp \left(\frac{h}{c_{\max }^2}\right||t_k-c_i|{|}^2$

步骤45、对初始输入特征向量T进行变换，具体变换式如下，

$T=\left[\begin{array}{cccc}{t}_{11}& \mathrm{...}& t_{1i}(1\±100\%)& \mathrm{...}{t}_{17}\\ t_{21}& \mathrm{...}& t_{2i}(1\±100\%)& \mathrm{...}{t}_{27}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ t_{m1}& \mathrm{...}& t_{mi}(1\±100\%)& \mathrm{...}{t}_{m7}\end{array}\right]$

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：

$\begin{array}{cc}{y}_k^1={\[y_{1k}^1{y}_{2k}^1\mathrm{...}{y}_{mk}^1\]}^T,y_k^2={\[y_{1k}^2{y}_{2k}^2\mathrm{...}{y}_{mk}^2\]}^T& (i=1,2,...,9)\end{array}$

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：

${\mathrm{IV}}_k=y_k^1-y_k^2$

${\mathrm{MIV}}_i=\underset{j=1}{\overset{m}{\Σ}}{\mathrm{IV}}_k\left(j\right)/m$

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：

$t^{\′}\left(i\right)=\frac{x_{act}^{\′}\left(i\right)-x_{min}^{\′}\left(i\right)\×0.9}{x_{max}^{\′}\left(i\right)-x_{min}^{\′}\left(i\right)\×0.9}$

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，...，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

$u_i=\exp (-\frac{1}{2{\mathrm{\σ}}_i^2}||t_k-c_i|{|}^2)$

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

$y_k=\underset{i=1}{\overset{q}{\Σ}}{\mathrm{Wu}}_i-{\mathrm{\θ}}_k$

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]。

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：

$f=\frac{1}{N}\underset{k=1}{\overset{Z}{\Σ}}{(o_k-y_k)}^2$

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，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：

$P_{ij}=\frac{l_Q\left(g\right)-l_u\left(g\right)}{\underset{P\∈M_u\left(s\right)}{\Σ}{l}_P\left(g\right)-l_u\left(g\right)}$

$x_u(g+1)=x_u\left(g\right)+s\left(\frac{x_j\left(g\right)-x_u\left(g\right)}{\left|\right|x_j\left(g\right)-x_u\left(g\right)\left|\right|}\right)$

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。

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。