[发明专利]一种基于CNN声发射识别动静态部件间摩擦故障的方法

说明书

【技术领域】

本发明涉及摩擦故障检测的技术领域，特别涉及一种基于CNN声发射识别动静态部件间摩擦故障的方法，提高制造工艺中大型旋转机械的动态和静态部件引起的摩擦故障检测效率。

【背景技术】

动静摩擦是旋转机械经常发生的故障，摩擦故障发生时，转子上会同时产生力冲击和热冲击的作用。为了减少漏汽(气)，大型旋转机械动静间隙通常设计的很小，摩擦故障不仅在机组起停过程中发生，安装、检修和运行过程中稍有不慎就可能发生动静摩擦。摩擦故障发生后，机组振动可能出现长时间波动，也可能出现突发性波动，摩擦严重时，如果不及时处理，极有可能导致发生大轴弯曲事故。

动态和静态部件之间的摩擦产生的故障通常为大型旋转机械，比如大型游乐设施、汽轮发电机等，一旦摩擦故障严重导致意外发生时，损失是惨重的，所以有效地识别正常执行中旋转机械的摩擦故障是很重要的。

混沌是存在于非线性动力学系统中的一种普遍现象，具有一些独特的动力学性质：初值敏感性、内在随机性及遍历性。由于神经网络是高度非线性动力学系统，而混沌又具有上述的特性，因此神经网络与混沌密切相关，所以混沌神经网络被认为是可实现其真实世界计算的智能信息处理系统之一。混沌神经网络，简称CNN，源于对人工神经网络(ANN)的非线性系统的动态特性的研究，它通常需要使用统计神经网络模型，而不是确定的模型，使动态重新配置，与反向传播(BP)神经网络不同，CNN搜索出混沌吸引子的相空间，并用不可重复的规则循环访问所有的状态，可以有效避免陷入局部最小值的情况，较传统的反向传播(BP)神经网络模型，具有更好的识别率，因此提出一种基于CNN声发射识别动静态部件间摩擦故障的方法，来提高正常运行中的机器摩擦故障的识别率。

【发明内容】

本发明的目的在于克服上述现有技术的不足，提供一种基于CNN声发射识别动静态部件间摩擦故障的方法，其旨在解决现有技术中旋转机械中摩擦故障识别率低，识别效果差的技术问题。

为实现上述目的，本发明提出了一种基于CNN声发射识别动静态部件间摩擦故障的方法，其基于一种前馈CNN网络，所述前馈CNN网络是基于有基础Logistic映射神经元的多层感应，所述前馈CNN网络包括前隐层和后隐层两部分，所述前隐层由神经元F和神经元B成对组成，神经元F从上一层接收加权和输出，神经元B从自己本身接收输出，所述后隐层由经元H组成，用以接收相应的神经元F和神经元B，并通过加权函数以最终隐藏输出的方式输出，所述前馈CNN网络由以下方程组成，分别是hi2(k)=Σj=1mωji1xj(k)+ωiT,hi(k)=∫[h1hi1(k)+h2hi2(k)],y(k)=Σi=0hωiOhi(k),]]>其中：为神经元B的反馈权重，为输入权重，为神经元阈值，为输出权重，具体步骤如下：