[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

摘要

本发明提供了一种基于在线学习最小嵌入维网络的实时故障诊断方法，其步骤为：确定基于神经网络的时间序列最小嵌入维数；对网络输入样本进行归一化处理，并根据时间序列重构网络输入输出样本值；在线训练学习网络，动态调整网络结构；对学习网络的输出结果进行反归一化运算，求取输出值与实际观测值之间的差值，然后用该差值与设定的检测阈值相比较，实现故障诊断的目的。本发明的优点是在网络在线学习过程中同时添加了节点增加准则和精简准则，增加过程中利用隐层的最大输出判断神经元的活跃性，精简过程中加入了滑动窗口，避免误精简，网络在线调整过程只对输出响应比较大的神经元进行，减少了网络计算量，提高了故障诊断的实时性。

主权项

一种基于在线学习最小嵌入维网络的实时故障诊断方法，其特征包括：确定基于神经网络的时间序列最小嵌入维数；对网络输入样本进行归一化处理，并根据时间序列重构网络输入输出样本值；在线训练学习网络，动态调整网络结构；对学习网络的输出结果进行反归一化运算，求取输出值与实际观测值之间的差值，然后用该差值与设定的检测阈值相比较，实现故障诊断的目的。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)。根据嵌入维数定理，近邻数据在p维重构空间举例近的两点，在p+1维重构空间里依然很近，否则就是伪近邻。最小嵌入维数时间序列要求没有伪近邻数据。通过判断a(i,p)是否超过给定值来判断该数据是否是伪邻a(i,p)=|xi+p-xn(i,p)+p|||yi(p)-yn(i,p)(p)||---(3)]]>为避免a(i,p)初值与信号偏移的影响，定义：E(p)=1N-pΣi=1N-pa(i,p)---(4)]]>E(p)表示所有a(i,p)的平均值，这里的E(p)仅依赖嵌入维数p。当维数从p到p+1变化时，定义：E1(p)＝E(p+1)/E(p)   (5)如果当p>p0时，E1(p)就不再变化，p0+1就是所求时间序列网络的嵌入维数。2)第二步：对网络输入样本进行归一化处理，并根据时间序列重构网络输入输出样本值。对于非线性时间序列值x(1),x(2),…,x(m)，利用公式x′(i)=x(i)-xminxmax-xmin,(i=1,2···m)---(6)]]>将数据归一化，其中xmax，xmin表示整个时间序列数据的最大值和最小值。根据确定的网络最小嵌入维数p，将归一化后的时间序列x'(1),x'(2)…x'(m)进行重构，构成神经网络的输入输出样本对，将x'(1),x'(2)…x'(m)分成k组，每组有p+1，前p个值作为学习网络输入节点的输入，后一个作为学习网络输出节点的期望值。3)第三步：在线训练学习网络，动态调整网络结构。选择RBF网络计算输出f(Xi)=w0+Σk=1k=Kwkφk(Xi)---(7)]]>其中Xi＝[x1,…xn]∈Rn为网络输入，f(Xi)∈R为相应的网络输出，wk为第k个隐层节点的输出连接权值，w0为输出偏移常数，是隐层节点的作用函数，径向基函数选为Gaussian型：φk(Xi)=exp(-1σk2||Xi-uk||2)---(8)]]>uk∈Rn为已有的数据中心，σk为该RBF函数的扩展常数。在线学习神经网络开始时无隐层单元，网络在学习过程中动态确定是否需要将输入Xi增加为隐层单元，增加准则为：|ei|＝|Yi‑f(Xi)|>emin   (9)βmax=Maxk(φk)<etn---(10)]]>若网络输出f(Xi)和目标值Yi间误差足够大，则根据式(9)要添加隐层神经元，emin代表期望逼近精度。式(10)用输入Xi作用下网络神经元输出φk代表第k个神经元的活跃性。算法初始etn＝ξmax，etn按指数规律递减，按准则新增加的隐层节点参数为：wk+1＝enuk+1＝Xn   (11)σk+1＝ν‖Xn‑unr‖其中ν是迭代因子，unr是与输入样本Xn距离最近的中心点。如果样本(Xi,Yi)不满足增加神经元的准则条件，就需要利用梯度下降法对中心uk，扩展常数σk，权值wk进行调整。为提高网络调整的实时性，只对中心和样本距离较近的N个神经元参数进行调整：Δuk=-∂E∂uk=-∂E∂f(Xi)∂f(Xi)∂φk∂φk∂uk=(Yi-f(Xi))wk[2(Xi-uk)exp(-1σk2||Xi-uk||2)1σk2]---(12)]]>uk＝uk+ηΔuk   (13)Δσk=-∂E∂σk=-∂E∂f(Xi)∂f(Xi)∂φk∂φk∂σk=(Yi-f(Xi))wk[2||Xi-uk||2exp(-1σk2||Xi-uk||2)1σk3]---(14)]]>σk＝σk+ηΔσk   (15)Δwk=-∂E∂wk=-∂E∂f(Xi)∂f(Xi)∂wk=(Yi-f(Xi))φk---(16)]]>wk＝wk+ηΔwk   (17)其中η为学习率，k＝1,…,N，为尽可能精简网络结构，提高在线学习速度，对神经网络输出贡献相对较小的隐层节点从学习网络中移除，原则是这种移除将不影响整体网络的性能。计算每一个样本对(Xi,Yi)隐层节点的输出σki=wkexp(-1σk2||Xi-uk||2)---(18)]]>得到最大的隐层节点输出并标准化为：λki=|oiomax|(k=1,···K)---(19)]]>如果满足则移除第k个隐层节点。4)第四步：反归一化网络输出，并根据阈值比较实现故障诊断。对学习网络的输出结果进行反归一化运算f^(Xi)=xmin+(xmax-xmin)f(Xi)---(20)]]>对每一个新的输入样本，利用本发明在线学习网络的时间序列方法，动态调整网络隐层节点数目，位置和权值后得到学习网络输出，求取输出值与实际观测值之间的差值，然后用该差值与设定的检测阈值相比较，实现故障诊断的目的。