[发明专利]一种基于RBF网络的提升机制动系统故障诊断方法

说明书

本发明提供一种基于RBF网络的提升机制动系统故障诊断方法，该方法包括：采用2JTP‑1.2型提升机模拟提升机的制动系统故障，得到初始输入变量，将初始输入变量进行数据的预处理后，得到初始输入特征向量，将初始输入特征向量作为输入，建立初始的提升机制动系统故障诊断模型，采用MIV算法对初始输入变量筛选，得到最终输入变量，将最终输入变量进行数据的预处理后，得到最终输入特征向量，将最终输入特征向量作为输入，建立GSO‑RBF网络，采用GSO算法对RBF网络进行优化，得到基于萤火虫算法优化的提升机制动系统RBF网络故障诊断模型，输出提升机制动系统的诊断结果，本发明具有可靠性高和准确性好等特点，可广泛应用于故障诊断领域。

技术领域

本发明涉及故障诊断技术领域，特别是涉及一种基于RBF网络的提升机制动系统故障诊断方法。

背景技术

提升机是矿井生产、运输的主要设备，它担负着提升煤炭、矸石、下放材料和升降人员的任务，素有“矿井咽喉”之称，制动系统则是提升机的重要组成部分，执行着正常停车和在各种故障下紧急制动安全停车的重要任务，关系到提升机运行的安全性和可靠性，对于提升机制动系统的故障诊断问题，目前，国内外学者提出了多种故障诊断方法。主要采用粗糙集理论、支持向量机、贝叶斯分类法、模糊逻辑、神经网络等方法对提升机制动系统进行故障诊断。粗糙集理论在处理模糊和不确定信息上具有较大的优越性，但其决策规则很不稳定，精确性较差，而且是基于完备的信息系统，处理数据时，常会遇到数据丢失现象。支持向量机在解决小样本、非线性及高维模式识别问题中具有优势，但识别能力易受自身参数影响。贝叶斯分类法需要已知确切的分别概率，而实际上并不能给出确切的分别概率。模糊逻辑需要一定的先验知识，对参数选择具有较强的依赖性。神经网络具有简单的结构和很强的问题求解能力，且可较好地处理噪声数据，但算法存在局部最优问题，收敛性较差，可靠性有限。

由此可见，在现有技术中，提升机制动系统故障诊断方法存在精度低、可靠性差、诊断结果存在较大偏差等问题。

发明内容

有鉴于此，本发明的主要目的在于提供一种高精度、可靠性好、诊断结果准确的提升机制动系统故障诊断方法。

为了达到上述目的，本发明提出的技术方案为：

一种基于RBF网络的提升机制动系统故障诊断方法，所述提升机制动系统故障诊断方法包括如下步骤：

步骤1、采用2JTP-1.2型提升机试验模拟提升机在不同速度、不同负荷工况下的制动系统故障，分析提升机制动系统故障发生的机理和影响因素，得到贴闸油压、制动力矩、液压系统残压、松闸油压、液压站油压、闸瓦贴合开关量、磨损超限判定油压、闸瓦平均间隙和制动盘偏九个初始输入变量X＝(x₁，x₂，...，x₉)^T；

步骤2、将所述初始输入变量X进行数据的预处理，得到初始输入特征向量T＝(t₁，t₂，...，t₉)^T；

步骤3、将所述初始输入特征向量T作为训练样本的输入，制动系统的故障类型作为输出，建立初始的提升机制动系统RBF网络故障诊断模型；

步骤4、采用所述初始输入特征向量T对RBF网络进行训练，并采用MIV算法对初始输入变量X进行筛选，得到筛选后的最终输入变量X′；

步骤5、将所述最终输入变量X′进行数据的预处理，得到最终输入特征向量T′；

步骤6、将所述最终输入特征向量T′作为训练样本的输入，制动系统的故障类型作为输出，建立GSO-RBF网络；

步骤7、采用GSO算法对RBF网络隐含层神经元中心和阈值进行优化；

步骤8、判别满足终止条件是否成立；如果成立，则执行步骤9；如果不成立，则执行步骤7；