一种水射流装备在线故障预警方法与流程

本发明涉及一种水射流装备在线故障预警方法，属于工业自动化领域。
背景技术：
：水射流装备作为当前世界唯一一种冷态高能束加工方式，是近年来迅速发展起来的新型切割技术，具有加工速度快、加工柔性强、被加工材料无热损伤、安全、环保、材料利用率高、可轻易实现对传统意义上的难加工材料进行加工、可整体去除材料从而大幅提升构件成型效率等优势，因此，水射流装备加工已成为一种得到广泛应用的新型绿色无损高能束加工技术。随着科学技术的快速发展，制造业从以机器为特征向智能化、信息化、系统化迈进，水射流设备的故障预警功能越来越引起各大厂商的重视，因此，快速准确的获取水射流设备的故障信息是当前亟待解决的问题。由于水射流装备的复杂性，想获得整个水射流装备故障机理的数学模型是很困难的，传统的水射流装备故障信息主要通过人工专用仪器读数获取，人工读数获取的故障信息具有严重滞后性，无法提前预警。为了提高水射流装备故障预警的实时性与高效性，目前也有使用bp神经网络分析，bp神经网络具有很强的自学习和联想功能、非线性拟合能力，可映射任意复杂的非线性关系，具有一定预警功能，但bp神经网络不能处理和描述模糊信息，不能很好利用水射流设备己有经验知识，无法对水射流装备历史数据与在线数据进一步挖掘，水射流装备故障信息无法全部统计，有时造成预警误判的后果。技术实现要素：针对现有技术存在的缺陷，本发明的目的是提供一种水射流装备在线故障预警方法，将神经模糊算法与逐次静态数据比较算法相结合，通过神经模糊算法基于历史数据对神经模糊模型训练，训练后的神经模糊模型可依据当前数据得到下一时刻数据预测，提前诊断故障点，再通过逐次静态数据比较算法基于在线数据与历史正常数据进行比对，判断故障信息。本方法充分挖掘历史数据与在线数据，无需建立系统的精确数学模型，具有很强的自学能力，很好的实现了水射流装备在线预警。为达上述目的，本发明的技术方案如下：一种水射流装备在线故障预警方法，基于神经模糊算法与逐次静态数据比较算法相结合，具体步骤如下：(1)确定神经模糊模型输入与预测输出；(2)确定神经模糊系统拓扑结构；(3)通过聚类求取模糊规则数及前件参数；(4)通过最小二乘算法求取后件参数；(5)基于当前数据得到下一时刻数据预测，提前诊断故障点。所述步骤(1)的神经模糊模型输入与预测输出，具体为：以输出数据的前t-4时刻的数据作为一个向量进行输入，即xt＝[x(t)，x(t-1)，x(t-2)，x(t-3)，x(t-4)]t，以输出数据的t+1时刻为预测输出，即yt＝x(t+1)。所述步骤(2)的神经模糊系统拓扑结构包括五层，具体为：输入层、模糊化层、模糊条件层、模糊决策层、输出层；第一层：输入层，以输出数据的前t-4时刻的数据作为一个向量进行输入，该层的各节点与输入向量各分量xi连接，该层节点将输入信号xt＝[x(t)，x(t-1)，x(t-2)，x(t-3)，x(t-4)]t传递给下一层，该层节点数n1＝5；第二层：模糊化层，计算各输入分量属于各语言变量值模糊集合的隶属函数隶属函数采用高斯函数表示的铃型函数，表示为：式中i＝1，2…，n；j＝1，2…，mi，n是输入变量数，且n＝5；mi是xi模型分割数cij和σij分别表示隶属度函数的中心与宽度，该层总节点数第三层：模糊条件层，该层每个节点代表一条模糊规则，第l个神经元与第二层中第l组中的所有神经元相连接，它的作用是用来匹配模糊规则的前件，计算出每条规则的适用度，采用的模糊算子为连乘算子，表示为：式中j＝1，2，…m，第四层：模糊决策层，实现归一化计算，该层有两个神经元组成，其中一个神经元与第三层中的所有的神经元通过单位权值连接，而另一个神经元则通过权值h与第三层中所有的神经元连接，每个神经元分别表示为：神经元1：神经元2：第五层：输出层，该层由一个神经元构成，该神经元与第四层的两个神经元通过单位权值连接，用于实现清晰化计算，该神经元表示：式中，中心cij，宽度σj为前件参数，hl为后件参数。所述步骤(3)的通过聚类求取模糊规则数及前件参数，具体为：1)给定相似性参数s0，令s0＝0.95，将训练数据对x(1)＝[xt(1)，xt-1(1)，xt-2(1)，xt-3(1)，xt-4(1)]t作为第一个聚类，并设聚类中心c1＝x(1),此时聚类个数n＝1，属于第一个聚类的数据对数目n1＝1；2)对于第k组训练数据x(k)，按照相似性判据计算第k组训练数据与每一个聚类中心cl，(1，2…，n)的相似性，并找到具有最大相似性的聚类l，即找到x(k)属于的聚类；定义相似性判据如下：3)根据下述准则来决定是否要增加一个新类：如果sl＜s0，表明第k组训练数据不属于已有的聚类，则要建立一个新聚类，令cn+1＝x(k)，并令n＝n+1，nn＝1，其中nn表示属于第n个聚类的训练数据对数目；如果sl≥s0，表明第k组训练数据属于第l个聚类，则按下式调节第l个聚类的参数：cl＝cl+μ(x(k)-cl)nl＝nl+1其中μ表示学习率，nl表示属于聚类l的数据对数目；4)令k＝k+1，重复执行步骤2)至4)直到所有的训练数据对都被分配到相应的聚类中为止，从而得到聚类个数为n，隶属度函数的宽度计算如下：其中ρ是交迭参数，通常取1≤ρ≤2。所述步骤(4)的通过最小二乘算法求取后件参数，具体为：后件参数的参数辨识，求解h(h1，h2，…hn)的具体求取规则如下：令则h的最小二乘估计为：所述步骤(5)的具体步骤如下：将测试数据按向量形式[x(t)′，x(t-1)′，x(t-2)′，x(t-3)′，x(t-4)′]依次输入神经模糊系统中，得出神经模糊模型的预测输出值x(t+1)′，计算测试数据实际输出与预测输出的绝对误差δe＝|x(t+1)-x(t+1)′|，求取正常工作时的历史数据前l个数据的平均值逐次计算测试数据实际输出与静态正常训练数据的绝对误差与现有技术相比，本发明的有益效果是：通过历史数据对神经模糊模型训练与测试，并通过在线数据与历史正常数据比对再次加强系统预警精度，解决了由于水射流装备终端信息很难用精确的模型去描述，导致无法对水射流装备进行在线故障预警的问题；实验结果表明该神经模糊算法与逐次静态数据比较算法相结合的水射流装备在线故障预警方法，提高了水射流装备故障预警的准确性与全面性，对环境差异具有很好的适应性。附图说明图1为本发明的水射流装备神经模糊系统在线预警拓扑结构。图2为本发明的学习算法流程图。图3为本发明的高压泵射流压力在线预警模型训练结果。图4为本发明的训练样本输出与神经模糊模型训练输出误差。图5为本发明的高压泵射流压力在线预警模型测试结果。图6为本发明的测试数据实际输出与神经模糊模型预测输出误差。具体实施方式下面结合附图，对本发明的具体实施例做进一步的说明。如图2所示，以水射流装备的高压泵压力信号为例，所述高压泵压力信号通过压力变送器测得，压力变送器输出与压力成正比关系的电压信号，取高压泵正常工作时的一组数据前500个作为训练数据(如表一)，后200个作为测试数据(如表二)基于压力变送器输出的电压信号在线预警方法具体步骤如下：(1)确定高压泵神经模糊模型输入与预测输出：高压泵数据输入为压力变送器输出数据前t-4时刻的数据作为一个向量进行输入，即xt＝[x(t)，x(t-1)，x(t-2)，x(t-3)，x(t-4)]t，以压力变送器输出t+1时刻为预测输出，即yt＝x(t+1)。(2)确定高压泵压力信号神经模糊系统拓扑结构：所述高压泵压力信息神经模糊系统拓扑结构包括五层，分别为输入层、模糊化层、模糊条件层、模糊决策层、输出层，如图1所示。第一层：输入层，以电压信号前t-4时刻的数据作为一个向量进行输入，该层的各节点与输入向量各分量xi连接，该层节点将输入信号xt＝[y(t)，y(t-1)，y(t-2)，y(t-3)，y(t-4)]t传递给下一层，该层节点数n1＝5。第二层：模糊化层，它的作用是计算各输入分量属于各语言变量值模糊集合的隶属函数本实施例的隶属函数采用高斯函数表示的铃型函数，表示为：式中i＝1，2…，n；j＝1，2…mi，n是输入变量数且n＝5，mi是xi模型分割数cij和σij分别表示隶属度函数的中心与宽度，该层总节点数第三层：模糊条件层，该层每个节点代表一条模糊规则，第l个神经元与第二层中第l组中的所有神经元相连接，它的作用是用来匹配模糊规则的前件，计算出每条规则的适用度，采用的模糊算子为连乘算子，表示为：式中j＝1，2，…m，第四层：模糊决策层，它所实现的是归一化计算，该层有两个神经元组成，其中一个神经元与第三层中的所有的神经元通过单位权值连接，而另一个神经元则通过权值h与第三层中所有的神经元连接，每个神经元分别表示为：神经元1：神经元2：第五层：输出层，该层由一个神经元构成，该神经元与第四层的两个神经元通过单位权值连接，用于实现清晰化计算，该神经元表示：式中，中心cij，宽度σj为前件参数，hl为后件参数。(3)通过聚类求取模糊规则数及前件参数：从一般意义讲，聚类意味着把一个数据集合分割成不相交的子集或组，一组中的数据应具有某些能将它们同其它组数据区分开来的性质；系统采用这种学习算法得到模糊规则和隶属度函数，该算法最大特点是能根据输入数据的分布灵活地划分模糊集合，减少了模糊规则数；在此算法中，首先把第一个数据作为第一组的聚类中心；接下来，如果一个数据距该聚类中心的距离小于某个预测值，就把这个数据放在此组中，即该组的聚类中心应是和这个数据最接近的；否则，把该数据设为新一组的聚类中心，具体求取规则如下：1)给定相似性参数s0，本实施例令s0＝0.95，将训练数据对x(1)＝[yt(1)，yt-1(1)，yt-2(1)，yt-3(1)，yt-4(1)]t作为第一个聚类，并设聚类中心c1＝x(1),此时聚类个数n＝1，属于第一个聚类的数据对数目n1＝1。2)对于第k组训练数据x(k)，按照相似性判据计算第k组训练数据与每一个聚类中心cl，(1，2…，n)的相似性，并找到具有最大相似性的聚类l，即找到x(k)属于的聚类(模糊规则)。定义相似性判据如下:3)根据下述准则来决定是否要增加一个新类：如果sl＜s0，表明第k组训练数据不属于已有的聚类，则要建立一个新聚类，令cn+1＝x(k)，并令n＝n+1，nn＝1(nn表示属于第n个聚类的训练数据对数目)如果sl≥s0，表明第k组训练数据属于第l个聚类，则按下式调节第l个聚类的参数cl＝cl+μ(x(k)-cl)nl＝nl+1其中μ表示学习率，nl表示属于聚类l的数据对数目。4)令k＝k+1，重复执行步骤2)至4)直到所有的训练数据对都被分配到相应的聚类中为止。从而得到聚类个数(模糊规则)为n，隶属度函数的宽度计算如下：其中ρ是交迭参数，通常取1≤ρ≤2。(4)通过最小二乘算法求取后件参数：后件参数的参数辨识，求解h(h1，h2，…hn)的传统方法有最小二乘法，具体求取规则如下：令则h的最小二乘估计为：高压泵射流压力在线预警模型训练结果如图3所示，其中x轴为训练样本数，y轴为压力变送器输出电压值，实线为训练样本输出，虚线为神经模糊模型训练输出；训练样本输出与神经模糊模型训练输出的误差如图4所示，其中x轴为训练样本数，y轴为训练误差。(5)高压泵射流压力信号预测：将压力变送器输出电压测试数据如表二按向量形式[x(t)′，x(t-1)′，x(t-2)′，x(t-3)′，x(t-4)′]依次输入神经模糊系统中，得出神经模糊模型的预测输出值x(t+1)′，计算测试数据实际输出与预测输出的绝对误差δe＝|x(t+1)-x(t+1)′|。取高压泵正常工作时的前l个数据的平均值计算测试数据与静态正常训练数据的绝对误差只有保证测试数据δe和δe′都在允许误差范围内，则证明预测数据有效。根据系统的预测输出值验证系统的可靠性；测试结果如图5所示，其中x轴为测试样本数，y轴为压力变送器输出电压值，实线为实际输出，虚线为神经模糊模型预测输出，测试数据实际输出与神经模糊模型预测输出的误差如图6所示，其中x轴为测试样本数，y轴为测试误差，预测输出与实际输出基本吻合，实验表明基于神经模糊技术的水射流装备在线预警方法可靠。表一：训练原始数据。1.2891.2931.2791.2981.2981.2791.2891.3181.3281.3081.2981.2791.2841.2841.3031.2641.3131.3331.3231.3031.2891.2931.2791.2981.2891.2691.3081.3331.3081.2891.2891.2741.2791.2931.2741.3031.3371.3181.3081.2841.2931.2891.2931.2891.251.3131.3331.3081.2931.2931.2791.2931.2891.2891.2931.3371.3281.3031.2981.2791.2791.2841.3031.2741.3031.3181.3281.3081.2931.2891.2791.2931.2981.2641.3131.3281.3031.2931.2791.2891.2841.2891.2741.2791.3131.3181.3081.2981.2791.2841.2931.2891.2641.3081.3181.3081.2981.2841.2891.2931.2891.2841.2691.3131.3281.3181.2841.2841.2791.2791.2891.2691.2981.3181.3181.3031.2891.2891.2841.2891.2841.2591.3081.3231.3281.3031.2841.2891.2791.2981.2791.2891.3281.3281.2981.2891.2791.2891.2981.3031.2691.2931.3331.3181.3081.2841.2891.2891.2981.3031.2641.3231.3331.3231.2931.2891.2891.2841.2981.2891.2841.3181.3231.3031.2981.2791.2891.2841.3031.2591.3131.3331.3231.2981.2931.2891.2841.3031.2891.2741.3131.3331.3031.2981.2791.2741.2791.2891.2791.2891.3331.3231.2981.2841.2791.2791.2981.2981.2641.3081.3371.3231.2981.2931.2741.2891.2841.2981.2791.3281.3181.3181.2891.2891.2931.2841.2981.2691.3031.3181.3281.2931.2931.2791.2841.2841.2931.2591.3181.3181.3081.3031.2931.2891.2841.2981.2791.2791.3181.3371.3031.2931.2791.2741.2931.2931.2641.3081.3331.3131.3081.2841.2891.2791.2931.2981.2591.3181.3371.3081.2981.2931.2741.2891.2891.2841.2841.3281.3181.3031.2981.2791.2791.2891.2981.2691.3131.3281.3281.2981.2931.2791.2841.2981.2891.2741.3231.3181.3081.3031.2791.2841.2891.3031.2741.2841.3231.3181.3181.2931.2791.2741.2981.2891.2591.3031.3231.3181.2931.2931.2891.2891.2981.2981.2691.3131.3331.3181.2931.2791.2741.2841.2891.2741.3031.3281.3181.3131.2931.2841.2931.2981.2981.2541.3131.3181.3181.2931.2931.2841.2891.2931.2891.2841.3131.3231.3131.2981.2791.2891.2891.2981.2841.2891.3231.3131.3131.2841.2891.2741.2981.2931.2691.3031.3231.3281.3031.2841.2791.2931.2891.2931.2791.3281.3181.3131.2931.2891.2741.2841.2931.2841.3031.3231.3331.2981.2931.2791.2841.2891.3031.2691.3181.3371.3181.3031.2931.2841.2841.2981.2841.2791.3131.3181.3181.2931.2791.2791.2931.2891.2641.2931.3281.3181.3131.2931.2791.2741.2931.2981.2541.3031.3231.3231.3031.2791.2791.2931.2981.2841.2841.3231.3231.3181.2981.2791.2891.2931.2981.2691.3081.3331.3181.3131.2931.2891.2741.2891.2891.2591.3081.3231.3231.2981.2741.2691.2841.2891.2981.2791.3281.3231.3181.2981.2891.2791.2981.2981.2741.2931.3371.3231.3031.2931.2841.2841.2891.3031.2591.3181.3231.3081.2981.2841.2791.2931.2981.2891.2931.3131.3331.3031.2981.2841.2741.2931.2891.2741.2981.323表二：测试原始数据。1.3181.3031.2981.2931.2931.2931.3031.2541.3131.3231.3231.2981.2891.2741.2931.2981.2841.2891.3331.3331.3081.2981.2741.2841.2891.2891.2591.3031.3231.3281.3031.2841.2791.2741.2981.2931.2691.3081.3331.3081.3031.2931.2791.2891.2981.2891.2841.3331.3131.3031.2891.2891.2891.2891.2931.2741.3131.3281.3181.3131.2981.2791.2931.2981.2931.2741.3031.3371.3081.2981.2891.2741.2841.2981.2741.2841.3231.3231.2981.2891.2841.2791.2981.2931.2691.2981.3231.3131.3081.2931.2741.2891.2841.3031.2741.3231.3331.3231.2981.2841.2791.2841.2981.2841.2931.3181.3281.3081.2981.2841.2841.2841.2891.2541.3081.3371.3331.3031.2791.2931.2791.2981.2891.2641.3231.3231.3031.2891.2891.2741.2931.2891.2841.2931.3181.3281.3131.2841.2931.2931.2891.3031.2541.3131.3231.3331.3031.2791.2741.2741.2931.2931.2791.3131.3231.3131.3031.2791.2791.2891.2891.2841.3031.3231.3281.3181.2841.2841.2741.2981.2931.2641.3181.3281.3181.3081.2791.2841.2931.2891.2891.2791.3281.3181.3181.2931.2891.2741.2841.2891.2931.2841.3331.3181.2981.2981.2791.2891.2981.2931.2641.3031.3331.3081.3031.2791.2891.2891.2931.2841.2931.3181.3231.3231.2891.2891.2791.2791.2981.2741.2931.3181.3331.3081.2931.2741.2891.2891.2981.2541.3081.3231.3081.3081.2791.2931.2841.3031.2841.2841.3231.3181.3081.2841.2891.2791.2891.2981.2791.2981.3281.3131.2981.2891.2791.2931.2981.2981.2641.3031.3131.3181.2891.2891.2841.2891.2891.2841.2791.3231.3371.3031.2981.2931.2791.2931.3031.2841.2891.3131.3231.3081.2791.2741.2791.2931.2891.2591.3081.3181.3081.2981.2791.2741.2981.2931.2931.2741.3281.323当前第1页12