[发明专利]掘进机的截割部的故障诊断方法、装置和掘进机

权利要求书

1.一种掘进机的截割部的故障诊断方法，其特征在于，包括：

获取所述截割部的数据样本；

基于所述数据样本构建特征样本集；

根据所述特征样本集构建BP神经网络；

采用遗传算法对所述BP神经网络进行优化，得到GA-BP神经网络；

将所述GA-BP神经网络与迭代算法结合，得到多个GA-BP神经网络弱分类器，根据多个所述GA-BP神经网络弱分类器组成强分类器模型；

利用所述强分类器模型对所述截割部进行故障诊断。

2.根据权利要求1所述的掘进机的截割部的故障诊断方法，其特征在于，所述获取所述截割部的数据样本的步骤具体包括：

获取所述截割部振动能量大小的有效值；

获取所述截割部受冲击程度大小的峭度；

获取所述截割部表征振动信号偏离均值程度的标准差。

3.根据权利要求1所述的掘进机的截割部的故障诊断方法，其特征在于，所述基于所述数据样本构建特征样本集的步骤之前包括：

对所述数据样本进行处理，并结合因子分析法进行所述特征样本集选择。

4.根据权利要求1所述的掘进机的截割部的故障诊断方法，其特征在于，所述迭代算法包括Adaboost算法，将所述GA-BP神经网络与Adaboost算法结合，得到多个GA-BP神经网络弱分类器，根据多个所述GA-BP神经网络弱分类器组成强分类器模型的步骤包括：

寻找多个弱分类器，对多个所述弱分类器进行训练，将所述GA-BP神经网络用训练数据训练并且预测所述训练数据输出，得到关于预测分类结果的误差和；

根据所述预测分类结果的预测误差和，推算所述预测分类结果的权重；

根据所述预测分类结果的所述权重调整下一轮所述训练数据的权重；

将多个训练之后的所述弱分类器加权组合得到强分类器模型。

5.根据权利要求1所述的掘进机的截割部的故障诊断方法，其特征在于，所述采用遗传算法对所述BP神经网络进行优化，得到GA-BP神经网络的步骤之前包括：

初始化所述BP神经网络的权值和阈值。

6.根据权利要求1至5中任一项所述的掘进机的截割部的故障诊断方法，其特征在于，所述将所述GA-BP神经网络与迭代算法结合，得到多个GA-BP神经网络弱分类器，根据多个所述GA-BP神经网络弱分类器组成强分类器模型的步骤之前包括：

对原始数据进行包含数据和量化归一化的预处理。

7.一种掘进机的截割部的故障诊断装置，其特征在于，包括：

获取模块，用于获取所述截割部的数据样本；

第一构建模块，用于基于所述数据样本构建特征样本集；

第二构建模块，用于根据所述特征样本集构建BP神经网络；

神经网络优化模块，用于采用遗传算法对所述BP神经网络进行优化，得到GA-BP神经网络；

强分类器模块，用于将所述GA-BP神经网络与迭代算法结合，得到多个GA-BP神经网络弱分类器，根据多个所述GA-BP神经网络弱分类器组成强分类器模型；

故障诊断模块，用于利用所述强分类器模型对所述截割部进行故障诊断。

8.一种掘进机的截割部的故障诊断装置，其特征在于，包括：

存储器和处理器，所述存储器储存有程序或指令，所述程序或所述指令被所述处理器执行时实现如权利要求1至6中任一项所述的掘进机的截割部的故障诊断方法的步骤。

9.一种可读存储介质，其特征在于，其上存储有程序或指令，所述程序或所述指令被执行时，实现如权利要求1至6中任一项所述的掘进机的截割部的故障诊断方法的步骤。

10.一种掘进机，其特征在于，包括：

如权利要求7或8所述的掘进机的截割部的故障诊断装置；和/或

如权利要求9所述的可读存储介质。