[发明专利]一种RBF神经网络的减速顶多节点故障分类方法

权利要求书

1.一种RBF神经网络的减速顶多节点故障分类方法，其特征在于，包括以下步骤：

步骤1，RBF神经网络输入特征向量提取：

选取峰峰值、峭度作为输入特征向量的时域特征，选取反映频域能量大小的特征作为频域特征，最后加入波动熵和均值温度特征，定义的网络输入特征向量为X＝[x₁,x₂,x₃,x₄,x₅]；

式中，x₁为峰峰值，x₂为峭度，x₃为频域能量，x₄为波动熵，x₅为温度均值；

步骤2，定义RBF神经网络输出特征向量：

减速顶的工作状态可分为正常、泄顶和死顶三种，因此定义输出层节点为3，即输出特征向量为Y＝[y₁,y₂,y₃]，其中泄顶即油气反力不足；

[1,0,0]表示减速顶处于正常状态的理想输出，[0,1,0]表示减速顶处于泄顶状态的理想输出，[0,0,1]表示减速顶处于死顶状态的理想输出；

步骤3，定义RBF神经网络结构：

定义网络输入层节点为5，隐含层节点为3，输出层节点为3；

步骤4，训练RBF神经网络参数：

通过减速顶试验台分别模拟减速顶正常运行、泄顶运行和死顶运行三种工况，每种工况下通过改变伺服滑动推杆的下压速度来模拟不同车速通过减速顶，并随机选取每种工作条件下1/3的数据进行RBF神经网络训练；具体实现方法如下：

401)无监督学习环节：利用K-means聚类算法对所有样本进行聚类，并将每个类的中心向量C_i即所有样本距离该中心向量的欧式距离最小值作为隐含层径向基函数的中心向量，当聚类中心向量C_i确定后，利用式完成标准化常数σ_i的求解；

式中，i＝1,2，…，h，C_max中心向量C_i之间的距离最大值；h为隐含层节点个数；

402)有监督学习环节：当所有的中心向量C_i确定之后，利用式求解隐含层到输出层的各条权重系数w_ki；

式中，k＝1，2，…，L；i＝1，2，…，q，η为学习速率，0＜η＜1；u_i(x)为节点i的高斯函数；t_k为第k个神经元的期望输出；y_k为第k个神经元的实际输出；

403)参数校验环节：根据样本信号，校正隐含层和输出层的参数，提高网络精度；

404)将训练得到的关键参数c_i、σ_i和w_ki构建成分类器，并完成存储；

步骤5，决策融合：

根据RBF输出矩阵Y＝[y₁,y₂,y₃]的参数意义和贝叶斯近似的证据理论，对减速顶工作状态进一步加以评价；具体实现方法如下：

501)利用证据理论对减速顶的工作状态进行决策融合，识别框架为3个元素，即正常、泄顶和死顶；

502)根据RBF输出矩阵Y＝[y₁,y₂,y₃]将减速分为正常工作状态、严重油气反力不足状态、轻度油气反力不足状态和死顶状态。