[发明专利]一种基于小波神经网络的异常能耗定位方法

说明书

本发明提供一种基于小波神经网络的异常能耗定位方法，包括以下步骤：S1：采集异常能耗数据；S2：对异常能耗数据进行小波包分解与重构，并提取其能量特征值，得到训练样本；S3：构建小波神经网络模型；S4：将训练样本输入小波神经网络模型，并结合遗传算法对小波神经网络模型进行优化训练，得到最优小波神经网络模型；通过最优小波神经网络模型进行异常能耗定位诊断，得到诊断结果，从而实现精确定位造成异常能耗的机器部件。本发明提供一种基于小波神经网络的异常能耗定位方法，提高了异常能耗定位的精确度和稳定性，解决了目前由于异常能耗定位技术的精确度不够高，导致难以精确定位造成异常能耗的机器部件的问题。

技术领域

本发明涉及设备检测技术领域，更具体的，涉及一种基于小波神经网络的异常能耗定位方法。

背景技术

液压机是一种通用制造设备，广泛应用于机械制造领域中的各种成型工艺。它具有精度高、刚度高、负载能力大等优点。然而，它也存在能耗高、能量转换效率低的缺点。中国金属成形液压机的数量约为200万台，它们每年消耗的电能超过2800亿kWh，这相当于3.3亿吨碳排放量。液压机的生产条件复杂，并且它们长时间满负荷运行。因此，异常能耗的概率很高，当机器能耗异常时，会导致大量的能量损失，降低机械能效，甚至造成停机和不可估量的安全事故，从而影响整条生产线的正常生产过程。但是目前由于异常能耗定位技术的精确度不够高，导致难以精确定位造成异常能耗的机器部件。

现有技术中，如2019年5月3日公开的中国专利，基于小波模糊识别和图像分析理论的机械故障分析方法，公开号为CN109708877A，采用小波模糊识别快速地对旋转机械故障进行诊断，并利用图像分析理论判断机械故障的具体位置，但并没有结合神经网络进行判断，检测精确度不够高。

发明内容

本发明为克服目前由于异常能耗定位技术的精确度不够高，导致难以精确定位造成异常能耗的机器部件的技术缺陷，提供一种基于小波神经网络的异常能耗定位方法。

为解决上述技术问题，本发明的技术方案如下：

一种基于小波神经网络的异常能耗定位方法，包括以下步骤：

S1：采集异常能耗数据；

S2：对异常能耗数据进行小波包分解与重构，并提取其能量特征值，得到训练样本；

S3：构建小波神经网络模型；

S4：将训练样本输入小波神经网络模型，并结合遗传算法对小波神经网络模型进行优化训练，得到最优小波神经网络模型；通过最优小波神经网络模型进行异常能耗定位诊断，得到诊断结果，从而实现精确定位造成异常能耗的机器部件。

优选的，步骤S2具体包括以下步骤：

S2.1：对异常能耗数据进行小波包多尺度分解处理，得到分解数据；

S2.2：采用小波包系数重构算法对分解数据进行重构，得到重构数据；

S2.3：计算重构数据的能量值，从而提取得到能量特征值；

S2.4：对能量特征值进行降维处理，得到降维的能量特征值；

S2.5：对降维的能量特征值进行归一化处理，得到训练样本。

优选的，在步骤S2.2中，重构数据的数据长度与异常能耗数据分解前的数据长度一致。

优选的，在步骤S2.4中，采用主成分分析降维技术对能量特征值进行降维处理；具体为：

假定能量特征值的初始向量X包含n个样本和m个特征，即

X＝(x₁,x₂,...,x_n)^T；