[发明专利]基于改进神经网络的故障状态预测的方法及装置

权利要求书

1.一种基于改进神经网络的故障状态预测的方法，其特征在于，所述方法包括：

获取液压系统的故障特征数据，所述故障特征数据为用于预测故障状态的特征数据；

所述故障特征数据是在液压缸起竖过程中对不同故障状态信号的时域无量纲参数指标按照预设条件进行选择得到的；

所述预设条件为特征明显、区分度大、具有代表性的参数指标；

所述故障状态信号包括液压缸起竖位移、速度、加速度和液压缸起竖压力；

所述故障特征数据包括：液压缸起竖位移对应的脉冲指标I1、波形指标S1、裕度指标L1；以及，液压缸起竖速度对应的峰值指标C1、脉冲指标I2、波形指标S2；以及，液压缸起竖加速度对应的脉冲指标I3、裕度指标L2、峭度指标K；以及，液压缸起竖压力对应的峰值指标C2、脉冲指标I4、裕度指标L3；

将所述故障特征数据输入到SCG-WBP神经网络模型中进行预测，得到对应的故障状态，所述SCG-WBP神经网络模型为利用小波函数和成比例的共轭梯度算法对BP神经网路进行改进得到的基于故障特征数据预测故障状态的模型；

SCG-WBP神经网络结构包括：

以BP神经网络为基础，采用SCG神经网络算法进行网络训练，权值的调整分两个阶段：第一阶段从输入层开始向前计算，根据输入样本计算出输出层的值，是前向传播过程；第二阶段从网络的输出层向后计算与修正，是反向传播过程；

创建3层SCG-WBP神经网络结构，输入层节点数为12个，隐含层节数点为13个，输出层节点数为4个；

根据故障特征向量的维数和故障状态的划分，设定输入层节点数以及输出层节点数。

2.根据权利要求1所述的基于改进神经网络的故障状态预测的方法，其特征在于，所述液压系统包括液压起竖系统，所述获取液压系统故障特征数据包括：

采集液压缸起竖过程中位移、速度、加速度以及压力的信号数据；

根据信号数据计算与其对应的时域无量纲参数指标，得到故障特征数据。

3.一种神经网络模型训练的方法，其特征在于，所述模型为SCG-WBP神经网络模型，所述方法包括：

获取训练样本，所述训练样本包括液压系统故障特征数据和故障状态，所述故障特征数据为用于预测故障状态的特征数据；

所述故障特征数据是在液压缸起竖过程中对不同故障状态信号的时域无量纲参数指标按照预设条件进行选择得到的；

所述预设条件为特征明显、区分度大、具有代表性的参数指标；

所述故障状态信号包括液压缸起竖位移、速度、加速度和液压缸起竖压力；

所述故障特征数据包括：液压缸起竖位移对应的脉冲指标I1、波形指标S1、裕度指标L1；以及，液压缸起竖速度对应的峰值指标C1、脉冲指标I2、波形指标S2；以及，液压缸起竖加速度对应的脉冲指标I3、裕度指标L2、峭度指标K；以及，液压缸起竖压力对应的峰值指标C2、脉冲指标I4、裕度指标L3；

基于小波函数、成比例的共轭梯度算法构建SCG-WBP神经网络结构；其中，SCG-WBP神经网络结构包括：

以BP神经网络为基础，采用SCG神经网络算法进行网络训练，权值的调整分两个阶段：第一阶段从输入层开始向前计算，根据输入样本计算出输出层的值，是前向传播过程；第二阶段从网络的输出层向后计算与修正，是反向传播过程；

创建3层SCG-WBP神经网络结构，输入层节点数为12个，隐含层节数点为13个，输出层节点数为4个；

根据故障特征向量的维数和故障状态的划分，设定输入层节点数以及输出层节点数；

利用所述训练样本对SCG-WBP神经网络结构进行训练得到SCG-WBP神经网络模型，所述SCG-WBP神经网络模型为用于对液压系统故障状态进行预测的模型。

4.根据权利要求3述的神经网络模型训练的方法，其特征在于，所述液压系统包括液压起竖系统，所述获取训练样本包括：

对液压缸起竖过程中在不同故障状态下的信号数据的时域无量纲参数指标进行分析，确定故障特征数据；

获取不同故障状态下的所有的故障特征数据的数值；

将不同的故障状态及其对应的故障特征数据的数值按比例进行划分，得到训练样本和验证样本。