[发明专利]一种基于全状态信息的机组故障快速诊断方法

摘要

一种基于全状态信息的机组故障快速诊断方法：用概率神经网络进行机组故障识别；对14类典型故障数据通过全息谱分析或时域统计分析获得所有14类故障的特征值，所有的特征值构成特征向量；将14类样本特征向量分别作为14类模式单元的权向量W_j；选取待诊断数据进行全息谱分析获取特征向量作为神经网络输入层的输入向量X_j，将输入样本数据与训练样本数据采用相同的参数；将每个模式单元的输入向量X_j与权向量W_j进行标量积运算；对同一故障模式所对应的模式单元的输出g(Z_j)求和以估计该种故障的概率密度；将14类故障模式对应的14个累加层的输出f_R(X)作为输入通过贝叶斯判定策略判定故障模式。本发明能够充分利用领域的专家经验，降低了对使用者自身经验的要求。

主权项

1.一种基于全状态信息的机组故障快速诊断方法，其特征在于，包括如下步骤：1）用概率神经网络进行机组故障识别，所述神经网络的结构是一个四层的前向网络，包括输入层、模式层、累加层和输出层，首先获旋转机械14类常见故障的样本数据，即故障转子同一截面上相互垂直的X通道和Y通道的振动信号的故障，进行训练样本数据，训练样本数据是采用已有的确定故障类型的机组数据,或采用可能故障类型的数值模拟数据来构造训练样本数据,为了考虑测量噪声的影响，产生训练样本的模拟数据中加入一定的噪声；2）对14类典型故障数据通过全息谱分析或时域统计分析获得所有14类故障的特征值，所有的特征值构成特征向量；3）将步骤2）得到的14类样本特征向量分别作为14类模式单元的权向量W_j；4）选取待诊断数据进行全息谱分析获取特征向量作为神经网络输入层的输入向量X_j，将输入样本数据与训练样本数据采用相同的参数；5）将每个模式单元的输入向量X_j与权向量W_j进行标量积运算，即Z_j=X_j·W_j，然后对Z_j进行非线性运算；6）对同一故障模式所对应的模式单元的输出g(Z_j)求和以估计该种故障的概率密度，即其中，R表示一种故障模式；7）将14类故障模式对应的14个累加层的输出f_R(X)作为输入，其中，R表示一种故障模式，进入判定单元即输出层，通过贝叶斯判定策略判定故障模式。