[发明专利]基于灰狼优化算法的LSTM预测模型的旋转设备预测诊断方法

权利要求书

1.基于灰狼优化算法的LSTM预测模型的旋转设备预测诊断方法，其特征在于，包括以下步骤：

S1、对旋转设备的振动信号进行提取；

S2、利用Hilbert-Huang模型对步骤S1提取的振动信号进行分析；通过EMD将旋转设备的振动信号分解成若干个IMF；

S3、计算振动信号与其IMF的相关系数，选择表征劣化特征的敏感IMF，将表征劣化特征的敏感IMF选出作为预测模型的数据输入；

S4、采用LSTM模型对劣化敏感的IMF进行预测；

S5、采用灰狼优化模型对LSTM模型的参数进行优化，动态更新预测值。

2.根据权利要求1所述的基于灰狼优化算法的LSTM预测模型的旋转设备预测诊断方法，其特征在于，所述步骤S2中，对振动信号进行分析包括EMD和Hilbert变换。

3.根据权利要求1或2所述的基于灰狼优化算法的LSTM预测模型的旋转设备预测诊断方法，其特征在于，所述步骤S2中，通过EMD将旋转设备的振动信号分解成若干个IMF包括以下步骤：

S21、将旋转设备的振动信号x(t)中的所有局部极大值用多次样条曲线函数连接，形成上包络线；将旋转设备的振动信号x(t)中的所有局部最小值用多次样条曲线函数连接，形成下包络线；

S22、旋转设备的振动信号x(t)的数学描述为：x(t)＝b+k

其中：b为上下包络线的均值；k为计算包络均值；

S23、将等间隔分布概率相等的均匀白噪声信号加入到旋转设备的振动信号x(t)中；计算包络均值通过n次平滑处理后，k_n(t)满足IMF的条件，则：c₁(t)＝k₁(t)；

S24、将旋转设备的振动信号分解为：

其中：c_n(t)为本征模分量；r_n(t)为第n阶剩余信号分量；

S25、计算c_n(t)的排列熵：

当排列熵大于阈值时，判定振动信号含有噪声信号；当排列熵小于阈值时，判定振动信号为正常信号。

4.根据权利要求1所述的基于灰狼优化算法的LSTM预测模型的旋转设备预测诊断方法，其特征在于，所述步骤S3中，表征劣化特征的敏感IMF的选择步骤如下：

旋转设备的振动信号x(t)与其本征模分量x_n的相关系数为α_n；

本征模分量x_n与实际采集的一个周期的信号分量为β_n；

特征相似性系数为：η_n＝α_n-β_n；

本征模分量的劣化敏感因子为：

根据劣化敏感因子的大小将本征模分量由大到小排列后，计算相邻两个数值的差，将差值再进行由大到小排列，根据设备振动信号的特性，确定部分数值对应的本征模分量为劣化敏感的本征模分量。

5.根据权利要求1所述的基于灰狼优化算法的LSTM预测模型的旋转设备预测诊断方法，其特征在于，所述步骤S4中，LSTM模型的输入是IMF，输出是下一时刻的IMF，通过分析预测后的Hilbert频谱，判断出设备将要出现故障种类、状态，及时采取补救措施。

6.根据权利要求1所述的基于灰狼优化算法的LSTM预测模型的旋转设备预测诊断方法，其特征在于，所述步骤S5中，采用灰狼模型对LSTM模型的迭代次数、适应度值、隐藏层节点数、训练次数进行优化。

7.根据权利要求6所述的基于灰狼优化算法的LSTM预测模型的旋转设备预测诊断方法，其特征在于，所述步骤S5包括以下步骤：

S51、将迭代次数、适应度值、隐藏层节点数、训练次数作为灰狼模型中个体的位置向量，分别用X₁,X₂,X₃,X₄表示；

S52、采用随机初始化的方法构造初始种群，将迭代次数、适应度值、隐藏层节点数、训练次数初始化；

S53、在更新位置时计算每个参数与其余3个参数的距离，公式为：

X_1,k＝X₁-A₁D₁；D₁＝|C₁X₁-X_k|；C₁＝2r₂；A₁＝2ar₁-a

其中：X_1,k为X₁的第k个分量；a为随着迭代次数的增加而线性递减的变量；r₁,r₂为随机数；

S54、当前灰狼的个体用X(t)表示，灰狼1的个体用X₁(t)表示，以此类推，得到X₁(t)、X₂(t)、X₃(t)、X₄(t)；引入交叉验证的方式计算位置第1次更新，公式为：

S55、计算实测的本征模分量与前4个数据采样值的本征模分量的方差，表达式为：

实际灰狼位置更新公式为：X′(t+1)＝X(t+1)+s；

S56、位置更新完后，将X′(t+1)还原为迭代次数、适应度值、隐藏层节点数、训练次数4个维度的信号，并将4个维度的信号传至LSTM模型中，计算输出值。