[发明专利]一种设备故障诊断方法

权利要求书

1.一种设备故障诊断方法，其特征在于，它包括以下步骤：

步骤1：确定研究设备的类别、额定参数、初始寿命周期；

步骤2：针对对象类别特点建立专家系统模型规则库；

步骤3：建立对象历史数据库；

步骤4：引入人工神经网络来对高维非线性问题进行建模；

步骤5：利用BP神经网络实现故障诊断。

2.如权利要求1所述的一种设备故障诊断方法，其特征在于：步骤1中所述的设备类别包括机械、电机、阀门，所述的设备额定参数包括功率、电压、频率、转速、温度。

3.如权利要求1所述的一种设备故障诊断方法，其特征在于：步骤2中所述的专家系统模型规则库，包括故障数据库、规则库、知识库；RBF网络是一种三层神经网络，其包括输入层、隐层、输出层，从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的；

RBF网络的基本原理是：用RBF作为隐单元的“基”构成隐含层空间，这样就可以将输入矢量直接映射到隐空间，而不需要通过权连接，当RBF的中心点确定以后，这种映射关系也就确定了，而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和，此处的权即为网络可调参数；径向基神经网络的激活函数可表示为：

其中x_p为第p个输入样本，c_i为第i个中心点，h为隐含层的结点数，n是输出的样本数或分类数。径向基神经网络的结构可得到网络的输出为：

当然，采用最小二乘的损失函数表示：

求解的参数有3个：基函数的中心、方差以及隐含层到输出层的权值；

采取自组织选取中心学习方法：

第一步：无监督学习过程，求解隐含层基函数的中心与方差；

第二步：有监督学习过程，求解隐含层到输出层之间的权值；

首先，选取h个中心做k-means聚类，对于高斯核函数的径向基，方差由公式求解：

c_max为所选取中心点之间的最大距离；

隐含层至输出层之间的神经元的连接权值可以用最小二乘法直接计算得到，即对损失函数求解关于w的偏导数，使其等于0，可以化简得到计算公式为：

主要考虑选取设备运行可靠性和寿命周期有重要影响的参数作为监测参数，并考虑相互关系后由专家进行分析优化并赋予参数权重，在训练模式下多次分别输入极端工况、临界工况、正常工况，根据输出结果修正算法和参数同时补充丰富规则库(初始为静态规则)，模拟在线运行根据真实工况设备状态验证输出结果的准确性、及时性。

4.如权利要求1所述的一种设备故障诊断方法，其特征在于：步骤3中所述的对象历史数据库，收集对象及其影响因数历史数据值，特别是异常发生前后时间段内的数据，按照厂家、型号、种类录入对象历史数据库。

5.如权利要求1所述的一种设备故障诊断方法，其特征在于：步骤4所述的人工神经网络利用ANN的自适应性来学习算法，比如反向传播，通过训练多层网络中的连接权重来学习任何函数，基于ANN的径向基函数(RBF)网络非常适合用于逼近函数、曲线拟合，而自适应共振理论(ART)模型适用于聚类等，可建立多种模型，训练筛选出准确率最高的模型算法。

6.如权利要求1所述的一种设备故障诊断方法，其特征在于：步骤5所述的BP神经网络基本原理是：输入信号Xi通过中间节点(隐层点)作用于输出节点，经过非线形变换，产生输出信号Yk；网络训练的每个样本包括输入向量X和期望输出量t，网络输出值Y与期望输出值t之间的偏差，通过调整输入节点与隐层节点间的权值W_ij和隐层节点与输出节点之间的权值T_jk以及阈值，使网络的输出与样本的输出尽可能接近，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)。经过训练的BP神经网络能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息；

组织专家将将额定参数、运行工况、历史运行时间、历史故障权重参数给出各评估特征值作为样本初值，后期引入RBF网络训练后得到的故障数据库、知识库作为输入Xi，由于神经网络训练过程中，其传递激活函数要求输入网络的数据Xi是介于0-1之间，所以样本初值可以这样处理一下，方法可取XI＝样本初值/MAX(样本初值)，数值越大表示越可靠，维修可能性越小；

权重的初始设计可以从每个对象的额定性能、在运时间、故障维修次数、维修备件可靠性等方面,利用方根法计算权重向量；

神经传递作用函数一般可取Sigmoid函数f(x)＝1/(1+e^-x)；

训练过程中，可以利用平方型误差函数进行权重调整，(网络输出值Yi-期望输出值ti)²；

BP神经网络评估过程：在输入初始样本、可靠性标准样本、期望输出值样本后，不断经神经网络学习训练，修正与期望输出值样本误差最小(经过调整权重W_ij)，从而到得到初步设备故障评价库。