一种基于组合神经网络的柴油机故障预测方法与流程

[0001]
本发明涉及设备管理技术领域，更特别地，涉及一种基于组合神经网络的柴油机故障预测方法和系统。


背景技术：

[0002]
核电站应急柴油发电机组属于核电站1e级安全设备，是整个核电站一道关键的安全保障。当核岛正常电源和后备电源失效时，快速启动为安全机设备供电，确保反应堆的积极安全停堆，尤其是预防堆芯融化事故的发生，对核电站的安全保障至关重要。
[0003]
利用大数据分析技术方法，可在海量电力系统数据中找出故障发展预测的潜在规律和模态，给决策人员提供支撑。相较于传统逻辑推理研究，大数据研究是对海量数据进行统计性的搜索、比较、分类等处理，所以延续了统计科学的某些特点，如统计学关注的数据关联性或是相关性(相关性即指两个及其以上变量的取值间存在一定规律性)；做相关性分析主要是为了找出数据集里潜在的关系网，通常用可信度、支持度等参数进行反映。


技术实现要素：

[0004]
本发明的主要目的在于提供一种基于组合神经网络的柴油机故障预测方法和系统。
[0005]
为实现上述目的，本发明提供一种基于组合神经网络的柴油机故障预测方法，包括以下步骤：
[0006]
根据业务应用场景，确定样本数据；
[0007]
对所述样本数据进行预处理，确定训练数据；
[0008]
采用组合神经网络算法，利用所述训练数据建立数据模型；以及
[0009]
根据所述数据模型，对柴油机运行状态进行预测。
[0010]
在本发明提供的基于组合神经网络的柴油机故障预测方法中，所述样本数据为柴油机振动信号。
[0011]
在本发明提供的基于组合神经网络的柴油机故障预测方法中，对所述样本数据进行预处理，确定训练数据的所述步骤包括：
[0012]
在相空间中对所述振动信号进行重构，提取所述振动信号中的特征信息。
[0013]
在本发明提供的基于组合神经网络的柴油机故障预测方法中，采用组合神经网络算法，利用所述训练数据建立数据模型的所述步骤包括：
[0014]
采用两个平行的神经网络，应用模糊反向传播算法对所述特征信息进行训练；
[0015]
将训练结果进行组合后再输出，并应用线性规划算法对输出结果进行训练，得到所述数据模型。
[0016]
根据本发明的另一方面，提供一种基于组合神经网络的柴油机故障预测系统，包括：
[0017]
样本数据确定单元，用于根据业务应用场景，确定样本数据；
[0018]
训练数据获取单元，用于对所述样本数据进行预处理，确定训练数据；
[0019]
模型建立单元，用于采用组合神经网络算法，利用所述训练数据建立数据模型；以及
[0020]
预测单元，用于根据所述数据模型，对柴油机运行状态进行预测。
[0021]
在本发明提供的基于组合神经网络的柴油机故障预测系统中，所述样本数据为柴油机振动信号。
[0022]
在本发明提供的基于组合神经网络的柴油机故障预测系统中，所述训练数据获取单元在相空间中对所述振动信号进行重构，提取所述振动信号中的特征信息。
[0023]
在本发明提供的基于组合神经网络的柴油机故障预测系统中，所述模型建立单元包括第一训练单元和第二训练单元，
[0024]
所述第一训练单元采用两个平行的神经网络，应用模糊反向传播算法对所述特征信息进行训练；
[0025]
所述第二训练单元将训练结果进行组合后再输出，并应用线性规划算法对输出结果进行训练，得到所述数据模型。
[0026]
本发明的基于组合神经网络的柴油机故障预测方法和系统，具有以下有益效果：本发明提供的基于组合神经网络的柴油机故障预测方法，以数据预处理、业务场景，选择样本数据(以振动数据为主)；经特征识别、选择和分析，确定训练数据，采用组合神经网络算法，建立数据模型，经测试数据的校准验证和迭代优化，最终发布模型的流程，建立标准化数据建模方法体系。针对柴油机典型业务场景，建立智能化数据模型，实现故障预测，提升柴油机可靠性；应用组合神经网络模型，采用二级预报机制，应用足够的样本进行训练，能够实现对柴油机表明非平稳振动信号的精准分析。该方法可以预测柴油机振动信号的突变，从而利用柴油机表面的振动信号对其运行状态进行有效的监测和故障预测管理。
附图说明
[0027]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图：
[0028]
图1所示为本发明提供的基于组合神经网络的柴油机故障预测方法的流程图；
[0029]
图2所示为本发明提供的基于组合神经网络的柴油机故障预测系统的原理图。
具体实施方式
[0030]
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的典型实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
[0031]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
[0032]
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上
述技术方案进行详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
[0033]
图1所示为本发明提供的基于组合神经网络的柴油机故障预测方法的流程图。如图1所示，本发明提提供的基于组合神经网络的柴油机故障预测方法包括以下步骤：
[0034]
步骤s1、根据业务应用场景，确定样本数据；
[0035]
具体地，在本发明一实施例中，样本数据为柴油机振动信号。柴油机振动信号中涵盖了丰富的运行状态信息，振动信号的突变点含有丰富的故障信息，它反映了故障引起的撞击、振荡、转速改变，结构变形，间隙增大和断裂等。因此，对柴油机振动信号进行拟合和预测，实质是对柴油机故障的预测，可以实现对柴油机健康状况的预测。
[0036]
步骤s2、对所述样本数据进行预处理，确定训练数据；
[0037]
具体地，在本发明一实施例中，在相空间中对所述振动信号进行重构，提取所述振动信号中的特征信息。
[0038]
步骤s3、采用组合神经网络算法，利用所述训练数据建立数据模型；
[0039]
具体地，在本发明一实施例中，通过对柴油机振动信号的详细分析可知，柴油机的振动特征复杂。在其部位测得的振动信号，包含了其很多部件的技术状态信息，造成信号本身很复杂，很难有典型的特征频率，加之柴油机振动信号与故障之间对应关系的复杂性，一些经典的模式识别用于柴油机故障预测分析会产生较大误差。而神经网络具有良好的自适应性、容错性和非线性等优点，应用其来提取振动信号是优选的方法。神经网络具有很强的输入信息到输出信息的映射功能，通过对各种标准信号处理和标准样本的学习，可以把处理过程在权值和阈值集中存储和记忆，并通过网络的联想能力来实现信号处理。在本发明中，应用两级预报机制对振动信号进行预报：第一级采用两个平行的神经网络，应用模糊反向传播算法进行训练；第二级将第一级预报的结果进行组合再输出，并应用kamarkar’s的线性规划算法进行训练。
[0040]
步骤s4、根据所述数据模型，对柴油机运行状态进行预测。
[0041]
具体地，在本发明一实施例中，神经网络系统由于本身具有自组织、自学习和自适应的特点，从某种意义上说，神经网络的自学习就是实现信号特征提取。因此，若待预测的信号具有一定的差异性，网络就可以通过自适应聚类学习，提取预测信号的特征。然后在根据核电应急柴油发电机组存量数据，全面收集、分析、消化、吸收国内外应急柴油发电机组故障事件的基础上得出的振动信号特征与故障事件之间的关系，预测柴油发电机发生的故障。
[0042]
本发明提供的基于组合神经网络的柴油机故障预测方法，以数据预处理、业务场景，选择样本数据(以振动数据为主)；经特征识别、选择和分析，确定训练数据，采用组合神经网络算法，建立数据模型，经测试数据的校准验证和迭代优化，最终发布模型的流程，建立标准化数据建模方法体系。针对柴油机典型业务场景，建立智能化数据模型，实现故障预测，提升柴油机可靠性。
[0043]
图2所示为本发明提供的基于组合神经网络的柴油机故障预测系统的原理图。如图2所示，本发明提提供的基于组合神经网络的柴油机故障预测系统包括：
[0044]
样本数据确定单元210，用于根据业务应用场景，确定样本数据；
[0045]
具体地，在本发明一实施例中，样本数据为柴油机振动信号。柴油机振动信号中涵盖了丰富的运行状态信息，振动信号的突变点含有丰富的故障信息，它反映了故障引起的撞击、振荡、转速改变，结构变形，间隙增大和断裂等。因此，对柴油机振动信号进行拟合和预测，实质是对柴油机故障的预测，可以实现对柴油机健康状况的预测。
[0046]
训练数据获取单元220，用于对所述样本数据进行预处理，确定训练数据；
[0047]
具体地，在本发明一实施例中，在相空间中对所述振动信号进行重构，提取所述振动信号中的特征信息。
[0048]
模型建立单元230，用于采用组合神经网络算法，利用所述训练数据建立数据模型；
[0049]
具体地，在本发明一实施例中，通过对柴油机振动信号的详细分析可知，柴油机的振动特征复杂。在其部位测得的振动信号，包含了其很多部件的技术状态信息，造成信号本身很复杂，很难有典型的特征频率，加之柴油机振动信号与故障之间对应关系的复杂性，一些经典的模式识别用于柴油机故障预测分析会产生较大误差。而神经网络具有良好的自适应性、容错性和非线性等优点，应用其来提取振动信号是优选的方法。神经网络具有很强的输入信息到输出信息的映射功能，通过对各种标准信号处理和标准样本的学习，可以把处理过程在权值和阈值集中存储和记忆，并通过网络的联想能力来实现信号处理。在本发明中，应用两级预报机制对振动信号进行预报：模型建立单元包括第一训练单元和第二训练单元，第一级采用两个平行的神经网络，应用模糊反向传播算法进行训练；第二级将第一级预报的结果进行组合再输出，并应用kamarkar’s的线性规划算法进行训练。
[0050]
预测单元240，用于根据所述数据模型，对柴油机运行状态进行预测。
[0051]
具体地，在本发明一实施例中，神经网络系统由于本身具有自组织、自学习和自适应的特点，从某种意义上说，神经网络的自学习就是实现信号特征提取。因此，若待预测的信号具有一定的差异性，预测单元就可以通过自适应聚类学习，提取预测信号的特征。然后在根据核电应急柴油发电机组存量数据，全面收集、分析、消化、吸收国内外应急柴油发电机组故障事件的基础上得出的振动信号特征与故障事件之间的关系，预测柴油发电机发生的故障。
[0052]
本发明应用组合神经网络模型，采用二级预报机制，应用足够的样本进行训练，能够实现对柴油机表明非平稳振动信号的精准分析。该方法可以预测柴油机振动信号的突变，从而利用柴油机表面的振动信号对其运行状态进行有效的监测和故障预测管理。
[0053]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0054]
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0055]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。