[发明专利]一种改进烟花算法的风机故障智能诊断方法

说明书

一种改进烟花算法的风机故障智能诊断方法，基本步骤如下：(1)信号采样；(2)数据预处理；(3)特征提取；(4)数据归一化处理；(5)风机故障智能诊断。针对现有风机故障诊断系统的局限性，本发明设计一种改进烟花算法优化BP神经网络的风机故障智能诊断方法。使用改进高斯密度函数优化增强型烟花算法计算出BP神经网络较优权值和阈值，从而提高BP神经网络的性能。通过采用相关峭度解卷积算法(MCKD)和时域特征处理后的风机轴承数据进行测试，本发明方法在诊断风机故障轴承数据方面，能够满足用户所设定功能和性能方面的需求。通过大量对比实验证明，改进烟花算法的风机故障智能诊断方法可以获得更高的准确率。

技术领域

本发明涉及一种风机智能诊断方法，尤其是一种改进烟花算法的风机故障智能诊断方法。

背景技术

随着工业社会发展，工业设备越来越大型化，集成化，一旦爆发故障，不但会污染环境，造成重大经济损失，甚至还会危及工人们生命安全。与此同时人们对工作环境安全需求受到更加深刻的重视，这无疑也对设备安全及可靠性提出更高标准。大型机械设备中零件数量庞大种类繁多，每个细小零件都至关重要，一旦有某些零件出现故障，而维修人员没有及时发现，并进行更换，将导致整个设备危机，甚至是整个工厂的灾难。而如果频繁停机维修检查设备，无疑会影响生产，增加工人劳动成本。因此，对工业设备零件状态进行检测，运用人工智能技术判断零件是否发生故障，进而需要进行更换，不但能够使零件使用寿命最大化，还能够克服传统故障诊断的弊端，具有重要的社会意义。

发明内容

为了解决上述存在的问题，本发明提供一种改进烟花算法的风机故障智能诊断方法。

本发明的目的是通过以下技术方案实现的：一种生成式对抗网络估值的不完整数据聚类方法,其步骤为：

一种改进烟花算法的风机故障智能诊断方法，其步骤为：

1)信号采样：用加速度计收集轴承的振动数据，选取数字信号的采样频率为12000Hz的风机轴承数据；

2)降噪处理；

3)特征选择：选取均值μ_x、峰值x_p、幅值平方和x_c、标准差ω，这四种时域特征参数做特征提取；

4)数据归一化处理：将时域特征向量通过归一化处理得到最终的数据作为模型的输入，利用最大相关峭度解卷积降噪得到的数据，经过特征选取得到特征向量转化为[0,1]区间范围的数据；

5)风机故障智能诊断：

5.1)改进烟花算法：

5.1.1)火花分析：首先根据定义的爆炸半径R_i和爆炸火花个数S_i通过爆炸操作产生爆炸火花，然后在此刻火花种群中随机抽离出一朵火花x_i，并对抽离出的火花x_i执行d维度高斯变异行为，最后在两种火花分别产生爆炸和变异操作后，新生成的火花可能会发生越界，当烟花x_i在d维度上超出可行域φ的范围时，定义映射规则将这朵烟花映射到新的位置上面去；

5.1.2)选择策略：

产生爆炸和变异火花后执行选择策略，使得种群中优秀信息能够遗传到下一代火花中，从烟花，爆炸火花和变异火花的候选者集合γ中间选择一部分个体作为下一代的烟花种群，种群大小为Z；适应度最小的那朵烟花个体直接被选做下一代烟花，剩下的下一代烟花个体用轮盘赌算法从Z-1个当前个体中进行选择；在候选烟花集合中，若一朵烟花围绕着许多其他候选烟花个体时，这朵烟花被选择概率会下降，即烟花个体密度越大，则用轮盘赌算法被选出概率就越小；

候选烟花x_i被选中的概率为：