[发明专利]一种基于小波神经网络与隐马尔科夫模型的故障预测方法

说明书

本发明公开了一种基于小波神经网络与隐马尔科夫模型的故障预测方法，步骤如下：1、输入样本；2、利用小波神经网络对样本数据进行数据降维，更新输入层至隐藏层，隐藏层至输出层的权重和偏值，若输出层数值与输入层差值超出阈值，返回1，否则转至3；3输出小波神经网络模型；4初始化隐马尔可夫模型；5采用不同的样本，将样本数据利用小波神经网络隐藏层神经元数值代替；6建立隐马尔科夫模型；7利用前向‑后向算法更新隐马尔科夫模型参数，计算条件概率；8若计算的条件概率收敛，转至9，否则返回5；9输出最终隐马尔科夫模型；10输入待检测的设备历史运营数据，利用隐马尔科夫模型计算设备的最大衰退概率。

技术领域

本发明公开了一种故障预测方法，尤其涉及一种基于小波神经网络与隐马尔科夫模型的故障预测方法。

背景技术

城市轨道交通车载运营设备的维护与保障经历了事后维修、预防维修和视情维修三个阶段，其中视情维修旨在设备仍能正常工作的情况下，利用设备的运营数据监测和推断设备故障的可能性，从而采取维护措施，对于高频率运营的城市轨道交通来说，能大大提高运营效率，减少因设备故障导致的安全隐患。目前，相比于传统的回归预测，基于神经网络的故障预测方法无需建立可视化的数学模型，仅利用样本数据即可提取数据的内在规律和本质特征，具有学习、联想记忆、简单推理、自适应等优势，但由于神经网络本身所存在的局限性，例如神经网络对初始权值较为敏感，且网络的权值是通过沿局部改善的方向逐渐进行调整的，这样会使算法陷入局部极值，权值收敛到局部极小点；网络结构选择一般由经验选择，过大容易形成过拟合现象，过小易形成不收敛等。

目前利用神经网络进行故障预测的手段主要包括：为防止系统陷入局部最优解，采用优化算法对神经网络的初始值进行选取，从而提高网络的收敛性能；为减少预测模型所存在的参数不确定性问题，采用PCA等算法选取合适的网络结构，从而区别于传统的经验选择模式。引用

[1]刘浩然,赵翠香,李轩,等.一种基于改进遗传算法的神经网络优化算法研究[J].仪器仪表学报,2016,37(7):1573-1580.

[2]邢杰,萧德云.基于PCA的概率神经网络结构优化[J].清华大学学报(自然科学版),2008,48(1):141-144.

[3]Bar-Itzhack I Y,Oshman Y.Attitude determination from vectorobservations:quaternion estimation[J].Aerospace and Electronic Systems,IEEETransactions on,1985(1):128-136.

[4]孔令文,李鹏永,杜巧玲.基于模糊神经网络的六足机器人自主导航闭环控制系统设计[J].机器人,2018,40(1):16-23.

[5]李新节.视情维修模式下故障预测技术的实现方法[J].设备管理与维修,2017(17):68-70.

[6]陈星田,熊小伏,齐晓光,等.一种用于继电保护状态评价的大数据精简方法[J].中国电机工程学报,2015,35(3):538-548.

[7]柳楠.基于隐马尔可夫模型的航空机械系统故障诊断算法设计[J].现代工业经济和信息化,2016,6(5):44-45.

[8]王晓峰,夏静,韩捷,等.基于隐马尔可夫模型的汽轮机故障诊断方法研究[J].中国工程机械学报,2016,14(6).

发明内容