[发明专利]一种基于在线学习最小嵌入维网络的实时故障诊断方法

说明书

技术领域

本发明涉及故障诊断领域，具体涉及一种基于在线学习最小嵌入维网络的实时故障诊断方法。

背景技术

随着对系统安全性要求的进一步提高，人们希望能够当系统出现故障时能自动提供故障检测与隔离信息，并对系统劣化趋势作出判断，以避免故障进一步扩大和传播。这样，就能有足够的时间采取可靠措施防止故障发生，避免不必要的损失。

故障诊断是增强系统可靠性的关键技术，提高故障诊断的实时性是该技术的重要因素。现有的故障诊断技术可以分为二类：第一类方法主要是基于时间序列的方法，根据系统过去和现在状态的变化趋势，估计系统进一步的发展状态，与实际检测值计算差值看是否达到故障的阈值，从而判断除系统是否发生故障；第二类方法是基于定性分析的方法，根据系统的定性知识，进行分析推理，从而实现故障诊断。

时间序列方法将数据看作是一个按时间次序排列的序列，并通过相邻数据之间的相关性来建立拟合时间序列的数学模型。目前，常用的时间序列方法主要有两种：一种是参数模型法，首先假设历史数据模型满足一定的条件，然后经过对模型参数的估计得到相应的输出值。如果假设的模型与实际模型有差异，诊断性能会变得较差，而且这种方法是用线性模型来拟合数据序列，因此本质上它不适用于非线性系统。另一种是非参数化模型法，它不需要系统精确的数学模型，应用较为广泛一些。

在各种非参数化模型法中，神经网络方法由于不需要预先建立反映系统物理规律的数学模型，因此具有极强的非线性映射能力，使得其在故障诊断中得到广泛的运用。目前，包括BP网络、RBF网络、回归神经网络等多种神经网络结构都在时间序列分析中得到了应用。但是，利用神经网络对时间序列建模必须经过离线训练的过程而无法实现在线训练，因此网络对序列的变化缺乏学习的能力，序列的测量偏差、不确定扰动等都会导致网络泛化能力下降。MRAN(Minimal Resource Allocating Network)学习算法加入了精简条件，将那些对网络输出贡献比较小的节点进行了移除，但当不满足条件，需要对已选定的所有隐层中心和权值进行调整，直到满足一定的误差要求。当选定的隐层节点比较多时，这个调整过程计算量较大，比较耗时。尤其故障系统的各个状态在故障早期不断变化，离线训练的诊断网络也很难满足实时性的要求。

发明内容

本发明的目的是减少系统时变状态故障诊断方法的计算量，提高故障诊断的实时性和准确性。

根据本发明提供的技术方案，所述一种基于在线学习最小嵌入维网络的实时故障诊断方法包括如下步骤：

1)第一步：确定基于神经网络的时间序列最小嵌入维数。非线性时间序列{x(t)|x(t)∈R¹}，t＝0,1...L，则其在T时刻的预测值为：

Y(T+1)＝f(X(T))   (1)

其中，X(T)＝[x(T),x(T-1),…x(T-p)],L∈Z⁺，表示整个时间序列长度，p∈Z⁺，表示嵌入空间维数,Y(T+1)为T时刻预测值。基于神经网络对时间序列建模，可得：

x^(T+1)=f^(x(T),x(T-1),...,x(T-p))---(2)]]>

目标是使得尽可能逼近x(T+1)。