本发明属于故障预测,特别是一种基于bp神经网络的安全监控系统故障预测方法。
背景技术:
1、lng船安全监控系统的设备在运行过程中,由于长时间超负荷运转,或在偏离其额定工况下运转,或人为操作不当及疲劳运转等,都会不可避免的造成设备故障。故障会造成大量的经济损失,甚至造成重大事故。传统的方法是在故障发生之后,通过专家经验等确定故障的位置及类型,进一步完成故障处理和维修。但是,如果在故障已经发生的情况下再去诊断和处理,就会无法避免的造成很多经济损失甚至造成事故。因此,故障预测逐渐成为了解决上述问题的新思路。故障预测可以防患于未然,将风险因素降至最低,最大程度的减少经济损失及事故发生的可能性,因此研究一种基于bp神经网络的安全监控系统故障预测方法具有重要意义。
技术实现思路
1、本发明的目的在于提供一种基于bp神经网络的安全监控系统故障预测方法,从大规模的数据中学习和识别出故障模式,提高故障预测的准确性和效率。
2、实现本发明目的的技术解决方案为:一种基于bp神经网络的安全监控系统故障预测方法,包括步骤:
3、采集数据,并通过二级组合滤波算法对数据进行滤波处理,作为训练集;
4、构建基于bp神经网络的故障预测模型,通过训练集对故障预测模型进行训练,直至获取满足要求的故障预测模型;
5、通过故障预测模型进行实时故障预测。
6、进一步地,通过二级组合滤波算法对数据进行滤波处理具体包括:
7、采用限幅滤波算法将数据中幅值突变较大的异常点滤除;
8、通过加权递推平均滤波得到平滑的数据。
9、进一步地,所述采用限幅滤波算法将数据中幅值突变较大的异常点滤除具体为:
10、根据监测目标的特点和实际经验确定最大偏差值,然后计算两个连续采样值之间的差值;
11、如果两个采样值之间的差值小于设置的最大偏差值,则当前采样数据被视为有效采样值,反之,则丢弃当前采样值,并使用上一个采样值作为有效采样值。
12、进一步地,通过加权递推平均滤波得到平滑的数据具体包括:
13、创建一个限幅滤波算法滤波处理后的n个数据的队列;
14、对每一次采样数据,将最新的采样值放入队列的队尾并丢弃队首的数据;
15、对队列中不同时刻的数据设置不同的权重,并将其求和作为有效的采样数据。
16、进一步地,所述基于bp神经网络的故障预测模型包括输入层、隐藏层、模糊规则层、归一化处理层和故障识别输出层,其中,所述输入层由3个神经元组成,即x=[x1,x2,x3]t,所述隐藏层用于计算输入分量属于语言变量值的模糊集的隶属函数,所述模糊规则层用于确定每条规则的适用度,所述归一化处理层用于对每条规则的适用度做归一化处理,所述故障识别输出层输出故障预测结果。
17、进一步地,所述隐藏层的隶属函数为:其中σij和cij分别表示隶属函数的宽度和中心,xi为输入信号。
18、进一步地,所述宽度σij和中心cij通过梯度法进行寻优,具体为:
19、
20、
21、其中:β>0为学习效率,为误差代价函数,vdi表示期望输出;vi表示实际输出。
22、进一步地,所述每条规则的适用度为:i1∈{1,2…m1},i2∈{1,2…m2},i3∈{1,2…m3},其中:m为节点总数,即总规则数,mi为输入变量的模糊分割数。
23、进一步地,所述故障预测结果为:
24、
25、
26、其中,v是各规则后件的加权和,pij为连接权,i=0,1,2,…,n;j=1,2,…,mi。
27、进一步地,所述连接权pij的迭代优化计算为:
28、
29、
30、其中:i=0,1,2…,n;j=1,2…,m;k=1,2,…,r;β>0为学习效率。
31、与现有技术相比,本发明的有益效果是:(1)本发明基于bp神经网络的故障预测技术能够利用深度神经网络模型的优势,从大规模的数据中学习和识别出故障模式,提高故障预测的准确性和效率,将风险因素降至最低,最大程度的减少经济损失及事故发生的可能性,从而保证lng船各系统和设备的安全运行;(2)本发明基于bp神经网络的方法利用了深度神经网络模型的强大特征提取和模式识别能力,能够对复杂的大规模数据进行有效处理,提高了故障检测和预测的准确性和效率;(3)本发明设计了二级组合滤波算法对数据进行滤波处理,提高信号的采集准确度。
1.一种基于bp神经网络的安全监控系统故障预测方法,其特征在于,包括步骤:
2.根据权利要求1所述的基于bp神经网络的安全监控系统故障预测方法,其特征在于,通过二级组合滤波算法对数据进行滤波处理具体包括:
3.根据权利要求2所述的基于bp神经网络的安全监控系统故障预测方法,其特征在于,所述采用限幅滤波算法将数据中幅值突变较大的异常点滤除具体为:
4.根据权利要求2所述的基于bp神经网络的安全监控系统故障预测方法,其特征在于,通过加权递推平均滤波得到平滑的数据具体包括:
5.根据权利要求2所述的基于bp神经网络的安全监控系统故障预测方法,其特征在于,所述基于bp神经网络的故障预测模型包括输入层、隐藏层、模糊规则层、归一化处理层和故障识别输出层,其中,所述输入层由3个神经元组成,即x=[x1,x2,x3]t,所述隐藏层用于计算输入分量属于语言变量值的模糊集的隶属函数,所述模糊规则层用于确定每条规则的适用度,所述归一化处理层用于对每条规则的适用度做归一化处理,所述故障识别输出层输出故障预测结果。
6.根据权利要求5所述的基于bp神经网络的安全监控系统故障预测方法,其特征在于,所述隐藏层的隶属函数为:其中σij和cij分别表示隶属函数的宽度和中心,xi为输入信号。
7.根据权利要求6所述的基于bp神经网络的安全监控系统故障预测方法,其特征在于,所述宽度σij和中心cij通过梯度法进行寻优,具体为:
8.根据权利要求6所述的基于bp神经网络的安全监控系统故障预测方法,其特征在于,所述每条规则的适用度为:其中:m为节点总数,即总规则数,mi为输入变量的模糊分割数。
9.根据权利要求6所述的基于bp神经网络的安全监控系统故障预测方法,其特征在于,所述故障预测结果为:
10.根据权利要求9所述的基于bp神经网络的安全监控系统故障预测方法,其特征在于,所述连接权pij的迭代优化计算为: