[发明专利]一种基于确定学习理论的振动故障诊断方法

说明书

技术领域

本发明属于系统故障诊断领域，具体涉及一种基于确定学习理论的振动故障诊断方法。

背景技术

故障诊断对现代工程技术系统具有十分重要的意义。小故障会使得产生过程中断、产品被破坏，大故障会造成灾难性后果，如人员受伤、系统瘫痪等。目前，关于故障诊断的方法可以分为基于解析模型的方法、基于信号处理的方法和基于知识的方法(见周东华、叶银忠著，《现代故障诊断与容错控制》，清华大学出版社，2000)。基于解析模型的方法需要建立被监测系统的数学模型，但实际上，系统特别是复杂系统的数学模型是很难获得的。基于信号处理的方法不需要系统的数学模型，但这样就缺乏了对系统故障的深入认识，特别是对系统非线性动态特性的认识。基于知识的方法，如专家系统在自动学习知识、自动应用知识方面还存在较大的困难。

径向基(radial basis function)神经网络，简称RBF神经网络，具有任意精度的泛函逼近能力，和最佳逼近特性，在故障诊断领域得到了较多的应用。目前这种方法主要的缺点在于难以理解神经网络的物理意义，难以保证神经网络权值收敛到最优值，以及难以保证神经网络真正逼近动态系统进而对故障进行建模。

振动广泛存在于工程系统的运行中，振动可分为随机振动和确定性振动。随机振动是没有规律的，而确定性振动是有规律的，是由确定性系统产生的。

确定性学习理论在近期被用于非线性动态系统在周期或者循环运动的鉴定中。通过采用局部RBF神经网络，证明部分持续激励条件能够被满足，如RBF中沿着循环系统轨迹的某些回归子向量的持续激励条件，这个部分持续激励条件可以使得沿着循环系统轨迹的误差鉴定系统满足指数稳定。因此，可在沿系统循环轨迹的局部区域获得对系统动态准确神经网络逼近。

系统的状态轨迹是指系统的状态向量随时间的变化在状态空间中形成的轨迹。本发明所考虑的系统是全状态可测的系统。

持续激励条件是系统辨识领域的一个重要的概念，对未知参数的辨别只有满足持续激励条件才能估计到其最值。

从本质上来说，故障诊断的基本问题是难以对系统进行建模。如果避开建模问题而只是从症状、特征参数进行诊断的话，则容易造成误判漏判，无法保证诊断结果的可靠性。同时，绝大部分系统的行为是一种动态的非线性的行为，对其进行建模是了解故障行为和性质的关键。

发明内容

本发明的目的在于克服上述现有技术的缺点和不足，提供一种基于确定学习理论的振动故障诊断方法，该方法可针对未知的非线性振动系统的进行故障建模。传统上，建模是建立系统的数学模型，但对非线性系统工程建模是一个难题。在这里，我们是对产生振荡行为的非线性系统建立一个模式库。这个模式库包含了大量系统运行时的模式，包括正常情况下和各种故障情况下的模式。每一种正常情况或故障情况都对应一种模式。这里的模式是指动态模式，由两个方面的因素构成，一是系统的轨迹，二是沿系统轨迹的内部动态。模式可以从历史数据或者实时数据中获得。有新故障发生时可以进行新模式的学习和升级模式库。对各种模式的建模过程是根据确定学习理论。

本发明的技术方案由如下步骤实现：

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，这种振动发生时系统的状态轨迹是周期的、类周期的或混沌的轨迹，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，对振动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检测系统的状态进行比较，将它们之间的误差作为残差；