[发明专利]基于数据驱动的在线神经网络故障诊断方法

摘要

本发明涉及电液作动器故障诊断领域，公开了一种基于数据驱动的在线神经网络故障诊断方法，解决传统的作动器故障诊断中无法实时更新数据库的问题。本发明的要点为：分析电液作动器结构，搭建电液作动器的仿真模型；分析作动器失效形式，对电液作动器的仿真模型植入不同类型的故障，完成信号的采集；采集得到的数据，对其开展特征值提取和降维工作；构建标签故障数据矩阵，对其特征值开展离线训练和在线训练，从而获得在线神经网络；实时采集电液作动器工作数据，利用在线神经网络对采集到的数据进行故障诊断；故障诊断之后，对采集到的数据进行在线训练，从而更新在线神经网络。本发明适用于电液作动器故障诊断。

主权项

1.基于数据驱动的在线神经网络故障诊断方法，其特征在于，步骤1：分析电液作动器结构，搭建电液作动器的仿真模型；步骤2：分析作动器失效形式，对电液作动器的仿真模型植入不同类型的故障，完成信号的采集；步骤3：分析步骤2采集得到的数据，对其开展特征值提取和降维工作，最大化表征故障特征；步骤4：构建标签故障数据矩阵，对步骤3提取得到的特征值开展离线训练和在线训练，从而获得在线神经网络；所述在线训练的算法如下：步骤41：若已将k‑1组训练样本进行离线训练，并获得了最佳权值wk‑1和偏差bk‑1，则将权值wk‑1和偏差bk‑1作为第k组训练样本进行在线训练网络的初始权值和偏差；步骤42：计算初始权值和偏差的条件下在线神经网络的实际输出；步骤43：利用在线神经网络的实际输出和期望输出计算各神经元的输出误差，并进一步计算累计误差能量；神经元的输出误差计算公式如下：ekp(n)＝∑ykp(n)ln(dkp(n))+(1‑ykp(n))ln(1‑dkp(n))累计误差能量计算公式如下：其中，n为迭代次数，ekp为执行第k组训练样本时第p个神经元的输出误差值，dkp为执行第k组训练样本时第p个神经元的期望输出值，ykp为执行第k组训练样本时第p个神经元的实际输出值，E(n)为累计误差能量，P为神经元个数；步骤44：根据梯度下降学习规则完成权值和偏差的更新，经过多次迭代，最终获得新的权值wk和偏差bk，并将获得新的权值wk和偏差bk作为下一组训练样本的初始权值和偏差，重复步骤42‑步骤44完成下一组训练样本的在线训练；其中，梯度下降学习规则按照以下公式定义局部梯度：其中，a为求导参数量，为P个神经元中第p个神经元的局部梯度；步骤5：实时采集电液作动器工作数据，利用在线神经网络对采集到的数据进行故障诊断；故障诊断之后，按照步骤42‑步骤44对采集到的数据进行在线训练，从而更新在线神经网络。