[发明专利]一种基于RBF网络的提升机制动系统故障诊断方法

摘要

本发明提供一种基于RBF网络的提升机制动系统故障诊断方法，该方法包括：采用2JTP‑1.2型提升机模拟提升机的制动系统故障，得到初始输入变量，将初始输入变量进行数据的预处理后，得到初始输入特征向量，将初始输入特征向量作为输入，建立初始的提升机制动系统故障诊断模型，采用MIV算法对初始输入变量筛选，得到最终输入变量，将最终输入变量进行数据的预处理后，得到最终输入特征向量，将最终输入特征向量作为输入，建立GSO‑RBF网络，采用GSO算法对RBF网络进行优化，得到基于萤火虫算法优化的提升机制动系统RBF网络故障诊断模型，输出提升机制动系统的诊断结果，本发明具有可靠性高和准确性好等特点，可广泛应用于故障诊断领域。

主权项

1.一种基于RBF网络的提升机制动系统故障诊断方法，其特征在于，所述提升机制动系统故障诊断方法包括如下步骤：步骤1、采用2JTP‑1.2型提升机试验模拟提升机在不同速度、不同负荷工况下的制动系统故障，分析提升机制动系统故障发生的机理和影响因素，得到贴闸油压、制动力矩、液压系统残压、松闸油压、液压站油压、闸瓦贴合开关量、磨损超限判定油压、闸瓦平均间隙和制动盘偏九个初始输入变量X＝(x1，x2，...，x9)T；步骤2、将所述初始输入变量X进行数据的预处理，得到初始输入特征向量T＝(t1，t2，...，t9)T；步骤3、将所述初始输入特征向量T作为训练样本的输入，制动系统的故障类型作为输出，建立初始的提升机制动系统RBF网络故障诊断模型；步骤4、采用所述初始输入特征向量T对RBF网络进行训练，并采用MIV算法对初始输入变量X进行筛选，得到筛选后的最终输入变量X′；步骤5、将所述最终输入变量X′进行数据的预处理，得到最终输入特征向量T′；步骤6、将所述最终输入特征向量T′作为训练样本的输入，制动系统的故障类型作为输出，建立GSO‑RBF网络；步骤7、采用GSO算法对RBF网络隐含层神经元中心和阈值进行优化；步骤8、判别满足终止条件是否成立；如果成立，则执行步骤9；如果不成立，则执行步骤7；步骤9、得到基于萤火虫算法优化的提升机制动系统RBF网络故障诊断模型，对提升机制动系统的故障类型进行判断，并输出诊断结果。