[发明专利]基于确定学习理论的转子系统故障诊断方法

摘要

本发明公开了一种基于确定学习理论的转子系统故障诊断方法，包括如下步骤：（1）对转子系统的正常模式和故障模式进行学习，利用学到的知识建立模式库；（2）建立各模式的状态估计器，将被监测转子系统的状态与状态估计器的状态进行比较产生残差；（3）对残差进行分析与评估，实现故障的检测与分离。该方法适用于含有未知动态的复杂转子系统的故障诊断，可以对运行于各种模式下的转子系统进行准确建模，建立模式库，从而快速地检测与分离故障。具有可靠性高、诊断效率高和自动化程度高等优点。

主权项

基于确定学习理论的转子系统故障诊断方法，其特征在于，包括如下步骤：（1）对转子系统的正常模式和故障模式进行学习，利用学到的知识建立模式库：采用RBF神经网络对正常模式和故障模式下的转子系统未知动态进行学习，所述学习采用基于李亚普诺夫的学习方法并根据确定学习理论，实现RBF神经网络的部分权值收敛和各模式下系统内部动态的局部准确逼近；取权值收敛后的一段时间内各权值的均值作为学到的知识，将其存贮于模式库中，建立模式库；（2）建立各模式的状态估计器，将被监测转子系统的状态与状态估计器的状态进行比较产生残差：利用步骤（1）中所述模式库中的权值构造包含常数RBF神经网络的状态估计器，每一个状态估计器对应一种模式；将各状态估计器的状态分别与被监测转子系统的状态进行比较，将误差作为残差；（3）对残差进行分析与评估，实现故障的检测与分离：在故障检测阶段，设定一个阈值，若正常模式状态估计器产生的残差小于该阈值，则判断被监测转子系统运行正常；若残差大于该阈值，则判断转子系统发生了故障，并进行下一步的故障分离；在故障分离阶段，比较各模式状态估计器产生的残差，最小残差所对应的状态估计器与被监测转子系统最匹配，如果被监测系统与某个故障模式状态估计器相匹配，则说明该故障发生；如果被监测系统与正常模式状态估计器匹配，则说明被监测转子系统重新正常工作；如果最小残差大于阈值，则认为没有与被监测转子系统匹配的状态估计器，即说明系统发生了新故障。