[发明专利]一种基于改进粒子群优化BP神经网络的水泵设备状态预测方法

摘要

一种基于改进粒子群优化BP神经网络的水泵设备状态预测方法，包括以下步骤：步骤1、使用五点三次平滑法对水泵设备驱动端轴承振动烈度数据进行降噪处理；步骤2、利用互信息法的Cao法计算振动烈度的延迟时间和嵌入维数，对振动烈度数据进行相空间重构；步骤3、划分输入集和输出集作为预测模型训练样本集；步骤4、使用改进的粒子群算法对三层BP神经网络中的权重进行寻优；步骤5、训练得到BP神经网络模型函数；步骤6、使用BP神经网络模型函数对未来一段时间的驱动端轴承振动烈度数据进行预测，得到预测集；步骤7、对预测集中的振动烈度进行分析，得到水泵设备在未来一段时间的运行状态。本发明最大限度保证水泵设备安全可靠运行。

主权项

1.一种基于改进粒子群优化BP神经网络的水泵设备状态预测方法，其特征在于，所述方法包括以下步骤：步骤1、对等时间间隔采样的n组水泵设备驱动端轴承振动烈度S^*＝{(t₁,x₁^*),(t₂,x₂^*),…,(t_i,x_i^*),…,(t_n,x_n^*)}，使用五点三次平滑法进行降噪处理，得到预处理后的驱动端轴承振动烈度S＝{(t₁,x₁),(t₂,x₂),…,(t_i,x_i),…,(t_n,x_n)}，其中x_i^*为t_i时刻原始振动烈度值，x_i为t_i时刻降噪后振动烈度值；步骤2、使用互信息法和Cao法计算降噪后的驱动端轴承振动烈度数据的延迟时间和嵌入维数，得到延迟时间τ，嵌入维数m，使用计算得到的延迟时间和嵌入维数对驱动端轴承振动烈度进行相空间重构，得到重构后的驱动端轴承振动烈度集D＝{d₁,d₂,…,d_i,…,d_{n‑(m‑1)τ}}，其中d_i为D集合中的第i个相点，d_i＝{d_i,d_i+τ,d_i+2τ,…,d_i+(m‑1)τ}；步骤3、从重构后的驱动端轴承振动烈度集D中划分出输入集和输出集，以每个相点的前(m‑1)个振动烈度数值作为输入集，即输入集D_in＝{d_1,in,d_2,in,…,d_i,in,…,d_{n‑(m‑1)τ,in}}，其中d_i,in＝{x_i,x_i+τ,x_i+2τ,…,x_i+(m‑2)τ}，以每个相点的第m个振动烈度数值作为输出集，即输出集D_out＝{x_1+(m‑1)τ,x_2+(m‑1)τ,…,x_i+(m‑1)τ…,x_n}；步骤4、使用改进的粒子群算法结合输入集D_in、输出集D_out对三层BP神经网络的隐含层节点权重W1、隐含层节点阈值A1、输出层节点权重W2、输出层节点阈值A2进行寻优，得到最优的隐含层节点权重Best W1、最优的隐含层节点阈值Best A1、最优的输出层节点权重Best W2、最优的输出层节点阈值Best A2；步骤5、使用输入集D_in、输出集D_out和Best W1、Best A1、Best W2、Best A2，对BP神经网络进行训练，得到BP神经网络模型函数y＝f(d_in)；步骤6、使用f(d_in)预测t_n时刻之后连续k个驱动端轴承振动烈度，即S_pre＝{(t_n+1,x_n+1),(t_n+2,x_n+2),…,(t_n+k,x_n+k)}；步骤7、根据泵的振动测量与评价分析方法(GB/T 29531‑2013)对S_pre进行分析，判定S_pre中驱动端轴承振动烈度的振动级别，最终给出水泵设备的运行状态。