[发明专利]一种基于确定学习理论的振动故障诊断方法

权利要求书

1.一种基于确定学习理论的振动故障诊断方法，所述振动是指确定性振动，这种振动发生时被诊断系统的状态轨迹是周期的、类周期的或混沌的轨迹，其特征在于该方法包括如下步骤：

(1)振动模式的学习训练：采用RBF神经网络，对被诊断系统在正常情况下和各种故障情况下的各个振动模式进行学习训练，所述学习训练采用基于李亚普诺夫的学习方法并根据确定学习理论，实现RBF神经网络的权值收敛和RBF神经网络对系统振动模式的内部动态的逼近；

(2)建立模式库：取步骤(1)中所述权值收敛后的一段时间内各权值的均值作为学习训练结果，将其存贮于模式库中；

(3)建立动态估计器：利用步骤(2)所述模式库中的权值建立常数RBF神经网络，然后利用该常数RBF神经网络建立动态估计器，每一个动态估计器对应一种振动模式，当动态估计器对应的模式发生时，常数RBF神经网络能快速回忆已学到的知识，提供该振动模式的内部动态信息；

(4)构造残差：将每个动态估计器的状态分别与被诊断系统的状态进行比较，将它们之间的误差作为残差；

(5)残差评估：设定一个阈值，如果只有一个残差在大于一个周期的时间内小于该阈值，则判断该残差所对应的动态估计器在这段时间内与被诊断系统相匹配，如果有多个残差在同段时间内小于该阈值，则对每一个残差取平均l₁范数，选择其中最小的平均l₁范数所对应的动态估计器作为与被诊断系统相匹配的动态估计器，如果被诊断系统与代表正常模式的动态估计器相匹配，就说明被诊断系统工作正常，如果被诊断系统与代表某个故障的动态估计器相匹配，就说明该故障发生。

2.根据权利要求1所述的方法，其特征在于步骤(1)中权值收敛有两种情况：

一种是沿系统轨迹的RBF神经网络的神经元满足持续激励条件，其权值收敛到最优值；另一种是远离系统轨迹的RBF神经网络的神经元不受激励，其权值基本为零。

3.根据权利要求1所述的方法，其特征在于步骤(1)中所述逼近是沿系统轨迹的内部动态的逼近，而远离系统轨迹的内部动态不被逼近。

4.根据权利要求1～3任一项所述的方法，其特征在于步骤(1)所述的学习训练是知识获得的过程，所述知识是以常数RBF神经网络权值来表达的，每组权值对应一种振动模式，作为这种振动模式的静态表达。

5.根据权利要求4所述的方法，其特征在于步骤(3)所述的动态估计器是对所述知识的再利用，作为振动模式的动态表达，再现所对应的振动模式的动态行为。

6.根据权利要求5所述的方法，其特征在于如果步骤(5)所述残差评估过程没有动态估计器与被诊断系统相匹配，则认为有新故障发生，这时再次启动步骤(1)所述的学习训练过程来学习新故障。

7.根据权利要求5所述的方法，其特征在于步骤(3)、(4)和(5)是对系统振动故障的监测过程，对所有故障的监测是并行、动态和实时的过程。

8.根据权利要求5所述的方法，其特征在于步骤(5)所述的匹配是指被诊断系统与动态估计器之间具有相似性，其相似性的衡量因素为：i)被诊断系统的状态与动态估计器的状态的差异；ii)沿着被诊断系统的轨迹，被诊断系统的系统内部动态与动态估计器的系统内部动态之间的差异。