[发明专利]一种计量生产设施故障在线诊断方法

摘要

本发明公开了一种计量生产设施故障在线诊断方法，包括以下步骤S01，采集集中监测数据；S02，构建诊断专家库（训练样本）；S03，建立基于人工神经网络的故障预测模型；S04，计量生产设施故障在线诊断，本发明计量生产设施各个硬件生产单元有告警设备，但是等到故障实际发生时，往往已经影响到生产，并且对于生产异常和某些设备故障，告警设备不会报警。计量生产设施在线诊断系统不断分析“四线一库”系统运行数据，判断当前系统运行状态，预测故障，预测到生产异常或者设备故障，工作人员及时解决问题，消除可能会影响生产的威胁，大大提高了计量生产设施的可靠性。

主权项

一种计量生产设施故障在线诊断方法，其特征在于，包括以下步骤：S01，采集集中监测数据；S02，构建训练样本；S03，建立基于人工神经网络的故障预测模型；S04，计量生产设施故障在线诊断；所述步骤S03具体包括以下步骤：(301)对训练样本进行降维处理对于p个故障影响因素，n个样本的训练样本矩阵X(X1,X2,...,Xp)，进行降维处理，将训练样本从p维降到k维，得到主成分F(F1,F2,...,Fk)：其中，(302)构建BP神经网络构建三层BP神经网络结构，输入层神经元个数为主成分个数k，输出层神经元个数为故障类别数+1，隐含层神经元个数为2k+1，设置网络权值、最小误差ε，学习速率η，激励函数log sig，最大训练次数epochs，降维后的样本F(F1,F2,...,Fk)输入BP神经网络，进行训练网络，信号前向传播，得到输出层的输出Y，并计算实际输出Y与期望输出Z的误差，若误差小于ε，建模成功；若误差大于等于ε，误差反向传播，调整网络权值，重新计算误差，直到误差小于ε或者达到最大训练次数epochs为止；所述步骤(301)对训练样本进行降维处理具体包括以下步骤：(301a)，对p个故障影响因素进行标准化处理：xuj*=xuj-x‾jvar(xj),u=1,2,...,n;j=1,2,...,p]]>其中，xuj为训练样本集中的元素，为标准化处理后训练样本矩阵中的元素，(301b)，计算样本相关系数矩阵R，R为p×p的方阵：R=r11r12...r1pr21r22...r2p............rp1rp2...rpp]]>经标准化处理后的样本的相关系数为:rij=1n-1Σt=1nx*tix*tj]]>其中，i,j＝1,2,…,p(301c)，求相关系数矩阵R的特征值λi＝(λ1,λ2…λp)和相应的特征向量ai，ai＝(ai1,ai2,…aip),i＝1,2…p；(301d)，通过主成分分析得到p个主成分，计算累计贡献率达到定值，选取k个主成分；(301e)，计算主成分得分根据标准化的训练样本，将各个样本分别代入主成分表达式R(R1,R2,...,Rk)，得到主成分得分：F=f11f12...f1kf21f22...f2k............fn1fn2...fnk]]>(301f)，将主成分得分F(F1,F2,...,Fk)作为BP神经网络的输入；所述信号的前向传播、误差的反向传播分别具体包括以下步骤：(302a)信号的前向传播包括以下步骤：隐含层第c个节点的输入：其中，k表示输入层神经元个数，xb表示第b个表示输入层神经元样本，ωbc表示输入层第b个节点到隐含层第c个节点之间的权值，θc表示隐含层第c个节点的阈值；隐含层第c个节点的输出：oc＝log sig(netc)，其中，选择log sig作为隐含层的激励函数，输出层第d个节点的输入：其中，q表示隐含层神经元个数，ωcd表示隐含层第c个节点之间到输出层第d个节点的权值，ad表示输出层第d个节点的阈值；输出层第d个节点的输出：yd＝log sig(netd)，其中，选择log sig作为输出层的激励函数，(302b)，误差的反向传播包括以下步骤：误差的反向传播，首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值；对于每一个样本s的二次型误差准则函数为：其中，t表示输出层神经元个数，zi表示期望输出，yi表示网络正向传播实际输出；对n个训练样本的总误差准则函数为：其中，n表示样本数量；根据误差梯度下降法依次修正输出层权值的修正量Δωcd，输出层阈值的修正量Δad，隐含层权值的修正量Δωbc，隐含层阈值的修正量Δθc；Δωcd=-η∂E∂ωcd;Δad=-η∂E∂ad;Δωbc=-η∂E∂ωbc;Δθc=-η∂E∂θc]]>其中，η表示学习速率，则：Δωcd=ηΣs=1nΣi=1t(zis-yis)·logsig′(netd)·oc]]>Δad=ηΣs=1nΣi=1t(zis-yis)·logsig′(netd)]]>Δωbc=ηΣs=1nΣi=1t(zis-yis)·logsig′(netd)·ωcd·logsig′(netc)·xb]]>Δθc=ηΣs=1nΣi=1t(zis-yis)·logsig′(netd)·ωcd·logsig′(netc).]]>