一种基于FOA优化的GRNN旋转机械故障预测方法与流程

技术领域：
：本发明涉及一种基于foa优化的grnn旋转机械故障预测方法，属于旋转机械故障预测方法
技术领域：
。
背景技术：
：：旋转机械在机械设备行业应用较为广泛，其运行安全直接关系到整个生产流程，如若发生意外就会导致整个生产线崩断，进而给企业带来严重的经济损失，甚至危及周围工作人员生命安全。因此，对机械设备运行状态进行有效监测，已成为保证企业安全生产和提高经济效益的关键措施。故障预测是根据目标设备当前的使用状态，结合其结构特性、运行环境及历史数据，采用合理的模型算法对将来可能发生的故障做出判断，预测故障的类别和发生时间。技术实现要素：：针对上述问题，本发明要解决的技术问题是提供一种基于foa优化的grnn旋转机械故障预测方法，通过将广义回归神经网络grnn中的光滑因子作为果蝇算法的味道浓度进行迭代寻优，建立最佳grnn故障预测模型，从而进行故障预测。本发明的一种基于foa优化的grnn旋转机械故障预测方法，它包括如下步骤：(1)、采用辛辛那提滚动轴承实验数据，在33天的实验数据中等距选取1100个点；(2)、将步骤(1)采集信号的离散数据分为训练数据和预测数据两部分，将训练数据带入foa优化grnn进行预测模型训练，寻优过程如下：首先随机初始化果蝇群体位置，然后赋予果蝇个体利用嗅觉搜寻食物之随机方向与距离：xi＝x+rv(1)yi＝y+rv(2)式中xi，yi——第i个果蝇个体的飞行方向与距离；x,y——之前迭代寻找到的最佳味道浓度对应的果蝇坐标；rv——随机值；其中此先估计与原点之距离(d)，再计算味道浓度判定值(s)，此值为距离之倒数：s＝1/d(4)味道浓度判定值(s)代入味道浓度判定函数，以求出该果蝇个体位置的味道浓度；找出此果蝇群体的中味道浓度最高的果蝇，保留最佳味道浓度值与x、y坐标，此时果蝇群体利用视觉往该位置飞去：进行迭代寻优，重复以上步骤，判断味道是否优于上一次迭代寻优的味道浓度，若是则该味道浓度为最佳味道浓度，即grnn所需的最佳光滑因子；(3)、用步骤(2)训练好的预测模型对预测数据进行故障预测，计算其均方根误差(rmse)和预测时间，得出仿真预测曲线与实际曲线的对比图；(4)、通过步骤(3)中得出结果确定故障产生时间及故障类型。本发明具有如下有益效果：1、本发明用foa对grnn光滑因子进行寻优从而建立foa优化的grnn故障预测模型，替代了传统的经验选取光滑因子的做法，缩短了grnn最佳模型的建立时间，有效的减少了人为因素对预测结果的影响。2、本发明将foa优化的grnn预测模型应用于旋转机械故障预测方面，可以有效的预测旋转机械产生的故障类型和故障发生时间，提高了故障预测的精度和效率，满足工程实际的应用。附图说明：为了易于说明，本发明由下述的具体实施及附图作以详细描述。图1为本发明的流程框图；图2为果蝇算法迭代寻优流程图；图3为本发明方法中的foa优化grnn故障预测模型的仿真数据拟合曲线图；图4为本发明方法中的foa优化grnn故障预测模型的实际数据拟合曲线图。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明了，下面通过附图中示出的具体实施例来描述本发明。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。如图1至图4所示，本具体实施方式采用以下技术方案：它的实施步骤如下：(1)采用辛辛那提滚动轴承实验数据，在33天的实验数据中等距选取1100个点。(2)将步骤(1)采集信号的离散数据分为训练数据和预测数据两部分，其中前1000个点为训练数据样本，后100个点为预测数据样本。运用matlab平台，将训练数据带入foa优化grnn进行预测模型训练。将grnn的光滑因子设定为果蝇算法的最佳浓度位置，对其进行迭代寻优，寻优过程如图2所示：首先设置最大迭代次数m＝20，种群规模size＝20，初始化果蝇群体区间为[-10,10]，迭代的果蝇搜寻食物的随机飞行方向与距离区间为[-1,1]，设置终止条件为最佳味道浓度小于0.001。随机初始化果蝇群体位置，然后赋予果蝇个体利用嗅觉搜寻食物之随机方向与距离：xi＝x+rv(1)yi＝y+rv(2)式中xi，yi——第i个果蝇个体的飞行方向与距离；x，y——之前迭代寻找到的最佳味道浓度对应的果蝇坐标；rv——随机值。由于无法得知食物位置，因此先估计与原点之距离(d)，再计算味道浓度判定值(s)，此值为距离之倒数：s＝1/d(4)味道浓度判定值(s)代入味道浓度判定函数，以求出该果蝇个体位置的味道浓度；找出此果蝇群体的中味道浓度最高的果蝇，保留最佳味道浓度值与x、y坐标，此时果蝇群体利用视觉往该位置飞去：进行迭代寻优，重复以上步骤，判断味道是否优于上一次迭代寻优的味道浓度，若是则该味道浓度为最佳味道浓度，即grnn所需的最佳光滑因子；(3)将步骤(2)中获得的最佳光滑因子带入并建立grnn故障预测模型。用训练好的预测模型对预测数据进行故障预测，计算其均方根误差(rmse)和预测时间，得出仿真预测曲线与实际曲线的对比图，如图2和图3所示。(4)通过步骤(3)中得出结果确定故障产生时间及故障类型。(5)为了验证本发明方法获得的模型与现有技术相比所具有的优势，下面通过将本发明预测方法中所建立的模型与其他预测模型展开对比研究，从而得出本发明预测方法的特点。即将本发明中所建立的foa-grnn模型的性能，将其与grnn、pso—grnn预测方法进行对比。其中grnn中的光滑因子人为选取0.01，pso—grnn中的最大迭代次数为20，种群规模为20，学习因子c1＝c2＝1.49445，惯性权重值w＝1。三种预测模型的预测时间t和均方根误差值rmse如表1所示:表1预测模型grnnpso—grnnfoa—grnnrmse0.16020.02830.0014time0.661s18.189s1.752s由表1可以看出foa—grnn故障预测模型的均方根误差最低，预测时间相对于grnn略有增长，但是比pso—grnn预测模型有着明显的缩短。由此可知，foa—grnn故障预测模型相比于另外两种故障预测模型其稳定性较好，预测精度较高，其预测时间较短，效率更高。对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。当前第1页12