[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

说明书

本申请公开了一种基于改进神经网络的故障状态预测的方法及装置，本申请的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；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。本申请是为了提供一种基于改进神经网络的故障状态预测的方法及装置，以快速且准确的对液压系统的故障状态进行预测。

技术领域

本申请涉及机械设备检测技术领域，具体而言，涉及一种基于改进神经网络的故障状态预测的方法及装置。

背景技术

机械结构中存在缺陷或产生了损伤，并引起机械从正常状态向故障状态演变时，会出现各种外观症状。如液压系统达不到预定的工作压力或压力分布、效率下降、异常的振动与噪声、发热、漏油等等。可以通过故障特征提取进而预测系统所处的不同状态，即通过故障特征数据进行故障状态的预测。

随着人工智能的发展，目前对于故障状态的预测方式也采用了人工智能算法模型。目前机械故障领域常用的预测算法包括传统的BP神经网络、基于小波分析改进的神经网络。对于传统的BP神经网络：BP神经网络采用误差传播算法，避免了复杂的数学推导，使其具有广泛的应用背景，然而它也存在着一定的局限性，其中包括：不具有全局搜索能力，常常会出现很多局部极小值；存在一定的盲目性等。对于基于小波分析改进的神经网络：虽然比传统的BP神经网络收敛速度有所提高，但是还是不能满足实际更高收敛速度的要求。另外，发明人在应用现有常用的预测算法对液压系统故障预测的过程中，还发现预测结果的准确度也不太高。

发明内容

本申请的主要目的在于提供一种基于改进神经网络的故障状态预测的方法及装置，以快速且准确的对液压系统的故障状态进行预测。

为了实现上述目的，根据本申请的第一方面，提供了一种基于改进神经网络的故障状态预测的方法。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；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。

可选的，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。

可选的，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。

为了实现上述目的，根据本申请的第二方面，提供了一种神经网络模型训练的方法。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；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；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。

可选的，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。