[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

说明书

本发明公开了一种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，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。本发明利用LSTM模型对旋转设备进行故障预测，再利用灰狼模型对LSTM模型的网络参数进行滚动优化，并动态更新预测值，可以有效的提升预测经过的精度，保证函数在全局最优解处收敛。

技术领域

本发明涉及旋转设备故障诊断技术领域，更具体涉及一种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。

背景技术

生产线设备的运行状况越来越受到重视，而电机作为各种设备的动力源，其连续、稳定运行对生产起着至关重要的作用。若是某台关键设备因故障停机，则会影响整个公司的生产、销售、物流体系，发生恶性连锁反应，从而造成严重的经济损失，所以对生产环节大量处于关键部位且位置分散的电动旋转设备进行状态监测与故障诊断是非常有必要的，而要及时、准确地判断电动旋转设备是否发生故障、故障所在部位以及故障发生程度，需要建立精确且复杂的模型。

传统的旋转设备振动的故障诊断方法通常为故障诊断专业人员就地测量旋转设备振动，对振动信号进行分析，根据分析结果判断设备故障，提出处理方案，但是诊断结果会受专业人员水平、经验等因素的影响，制约了旋转设备振动故障诊断的准确性。

工业数据往往存在着大量的非线性时间序列，而基于传统统计学的时间序列预测方法是利用时间序列之间的相关性建立线性预测模型，这些方法对线性、平稳的时间序列预测效果较好，但不适用于工业的非线性时间序列。LSTM模型非常适用于进行时间序列预测，但是在进行训练时所采用的反向传播算法效果往往不理想，传统的LSTM模型在进行网络参数的确定时，往往采用的反向传播算法较为复杂，收敛速度慢，且很容易在局部最优解收敛，无法得到全局最优解。

发明内容

本发明需要解决的技术问题是提供一种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，以解决背景技术中的问题。

为解决上述技术问题，本发明所采取的技术方案如下。

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，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。

进一步优化技术方案，所述步骤S2中，对振动信号进行分析包括EMD和Hilbert变换。

进一步优化技术方案，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；