一種水射流裝備在線故障預警方法與流程

2023-05-20 19:20:23 2

本發明涉及一種水射流裝備在線故障預警方法，屬於工業自動化領域。
背景技術：
：水射流裝備作為當前世界唯一一種冷態高能束加工方式，是近年來迅速發展起來的新型切割技術，具有加工速度快、加工柔性強、被加工材料無熱損傷、安全、環保、材料利用率高、可輕易實現對傳統意義上的難加工材料進行加工、可整體去除材料從而大幅提升構件成型效率等優勢，因此，水射流裝備加工已成為一種得到廣泛應用的新型綠色無損高能束加工技術。隨著科學技術的快速發展，製造業從以機器為特徵向智能化、信息化、系統化邁進，水射流設備的故障預警功能越來越引起各大廠商的重視，因此，快速準確的獲取水射流設備的故障信息是當前亟待解決的問題。由於水射流裝備的複雜性，想獲得整個水射流裝備故障機理的數學模型是很困難的，傳統的水射流裝備故障信息主要通過人工專用儀器讀數獲取，人工讀數獲取的故障信息具有嚴重滯後性，無法提前預警。為了提高水射流裝備故障預警的實時性與高效性，目前也有使用bp神經網絡分析，bp神經網絡具有很強的自學習和聯想功能、非線性擬合能力，可映射任意複雜的非線性關係，具有一定預警功能，但bp神經網絡不能處理和描述模糊信息，不能很好利用水射流設備己有經驗知識，無法對水射流裝備歷史數據與在線數據進一步挖掘，水射流裝備故障信息無法全部統計，有時造成預警誤判的後果。技術實現要素：針對現有技術存在的缺陷，本發明的目的是提供一種水射流裝備在線故障預警方法，將神經模糊算法與逐次靜態數據比較算法相結合，通過神經模糊算法基於歷史數據對神經模糊模型訓練，訓練後的神經模糊模型可依據當前數據得到下一時刻數據預測，提前診斷故障點，再通過逐次靜態數據比較算法基於在線數據與歷史正常數據進行比對，判斷故障信息。本方法充分挖掘歷史數據與在線數據，無需建立系統的精確數學模型，具有很強的自學能力，很好的實現了水射流裝備在線預警。為達上述目的，本發明的技術方案如下：一種水射流裝備在線故障預警方法，基於神經模糊算法與逐次靜態數據比較算法相結合，具體步驟如下：(1)確定神經模糊模型輸入與預測輸出；(2)確定神經模糊系統拓撲結構；(3)通過聚類求取模糊規則數及前件參數；(4)通過最小二乘算法求取後件參數；(5)基於當前數據得到下一時刻數據預測，提前診斷故障點。所述步驟(1)的神經模糊模型輸入與預測輸出，具體為：以輸出數據的前t-4時刻的數據作為一個向量進行輸入，即xt＝[x(t)，x(t-1)，x(t-2)，x(t-3)，x(t-4)]t，以輸出數據的t+1時刻為預測輸出，即yt＝x(t+1)。所述步驟(2)的神經模糊系統拓撲結構包括五層，具體為：輸入層、模糊化層、模糊條件層、模糊決策層、輸出層；第一層：輸入層，以輸出數據的前t-4時刻的數據作為一個向量進行輸入，該層的各節點與輸入向量各分量xi連接，該層節點將輸入信號xt＝[x(t)，x(t-1)，x(t-2)，x(t-3)，x(t-4)]t傳遞給下一層，該層節點數n1＝5；第二層：模糊化層，計算各輸入分量屬於各語言變量值模糊集合的隸屬函數隸屬函數採用高斯函數表示的鈴型函數，表示為：式中i＝1，2…，n；j＝1，2…，mi，n是輸入變量數，且n＝5；mi是xi模型分割數cij和σij分別表示隸屬度函數的中心與寬度，該層總節點數第三層：模糊條件層，該層每個節點代表一條模糊規則，第l個神經元與第二層中第l組中的所有神經元相連接，它的作用是用來匹配模糊規則的前件，計算出每條規則的適用度，採用的模糊算子為連乘算子，表示為：式中j＝1，2，…m，第四層：模糊決策層，實現歸一化計算，該層有兩個神經元組成，其中一個神經元與第三層中的所有的神經元通過單位權值連接，而另一個神經元則通過權值h與第三層中所有的神經元連接，每個神經元分別表示為：神經元1：神經元2：第五層：輸出層，該層由一個神經元構成，該神經元與第四層的兩個神經元通過單位權值連接，用於實現清晰化計算，該神經元表示：式中，中心cij，寬度σj為前件參數，hl為後件參數。所述步驟(3)的通過聚類求取模糊規則數及前件參數，具體為：1)給定相似性參數s0，令s0＝0.95，將訓練數據對x(1)＝[xt(1)，xt-1(1)，xt-2(1)，xt-3(1)，xt-4(1)]t作為第一個聚類，並設聚類中心c1＝x(1),此時聚類個數n＝1，屬於第一個聚類的數據對數目n1＝1；2)對於第k組訓練數據x(k)，按照相似性判據計算第k組訓練數據與每一個聚類中心cl，(1，2…，n)的相似性，並找到具有最大相似性的聚類l，即找到x(k)屬於的聚類；定義相似性判據如下：3)根據下述準則來決定是否要增加一個新類：如果sl＜s0，表明第k組訓練數據不屬於已有的聚類，則要建立一個新聚類，令cn+1＝x(k)，並令n＝n+1，nn＝1，其中nn表示屬於第n個聚類的訓練數據對數目；如果sl≥s0，表明第k組訓練數據屬於第l個聚類，則按下式調節第l個聚類的參數：cl＝cl+μ(x(k)-cl)nl＝nl+1其中μ表示學習率，nl表示屬於聚類l的數據對數目；4)令k＝k+1，重複執行步驟2)至4)直到所有的訓練數據對都被分配到相應的聚類中為止，從而得到聚類個數為n，隸屬度函數的寬度計算如下：其中ρ是交迭參數，通常取1≤ρ≤2。所述步驟(4)的通過最小二乘算法求取後件參數，具體為：後件參數的參數辨識，求解h(h1，h2，…hn)的具體求取規則如下：令則h的最小二乘估計為：所述步驟(5)的具體步驟如下：將測試數據按向量形式[x(t)′，x(t-1)′，x(t-2)′，x(t-3)′，x(t-4)′]依次輸入神經模糊系統中，得出神經模糊模型的預測輸出值x(t+1)′，計算測試數據實際輸出與預測輸出的絕對誤差δe＝|x(t+1)-x(t+1)′|，求取正常工作時的歷史數據前l個數據的平均值逐次計算測試數據實際輸出與靜態正常訓練數據的絕對誤差與現有技術相比，本發明的有益效果是：通過歷史數據對神經模糊模型訓練與測試，並通過在線數據與歷史正常數據比對再次加強系統預警精度，解決了由於水射流裝備終端信息很難用精確的模型去描述，導致無法對水射流裝備進行在線故障預警的問題；實驗結果表明該神經模糊算法與逐次靜態數據比較算法相結合的水射流裝備在線故障預警方法，提高了水射流裝備故障預警的準確性與全面性，對環境差異具有很好的適應性。附圖說明圖1為本發明的水射流裝備神經模糊系統在線預警拓撲結構。圖2為本發明的學習算法流程圖。圖3為本發明的高壓泵射流壓力在線預警模型訓練結果。圖4為本發明的訓練樣本輸出與神經模糊模型訓練輸出誤差。圖5為本發明的高壓泵射流壓力在線預警模型測試結果。圖6為本發明的測試數據實際輸出與神經模糊模型預測輸出誤差。具體實施方式下面結合附圖，對本發明的具體實施例做進一步的說明。如圖2所示，以水射流裝備的高壓泵壓力信號為例，所述高壓泵壓力信號通過壓力變送器測得，壓力變送器輸出與壓力成正比關係的電壓信號，取高壓泵正常工作時的一組數據前500個作為訓練數據(如表一)，後200個作為測試數據(如表二)基於壓力變送器輸出的電壓信號在線預警方法具體步驟如下：(1)確定高壓泵神經模糊模型輸入與預測輸出：高壓泵數據輸入為壓力變送器輸出數據前t-4時刻的數據作為一個向量進行輸入，即xt＝[x(t)，x(t-1)，x(t-2)，x(t-3)，x(t-4)]t，以壓力變送器輸出t+1時刻為預測輸出，即yt＝x(t+1)。(2)確定高壓泵壓力信號神經模糊系統拓撲結構：所述高壓泵壓力信息神經模糊系統拓撲結構包括五層，分別為輸入層、模糊化層、模糊條件層、模糊決策層、輸出層，如圖1所示。第一層：輸入層，以電壓信號前t-4時刻的數據作為一個向量進行輸入，該層的各節點與輸入向量各分量xi連接，該層節點將輸入信號xt＝[y(t)，y(t-1)，y(t-2)，y(t-3)，y(t-4)]t傳遞給下一層，該層節點數n1＝5。第二層：模糊化層，它的作用是計算各輸入分量屬於各語言變量值模糊集合的隸屬函數本實施例的隸屬函數採用高斯函數表示的鈴型函數，表示為：式中i＝1，2…，n；j＝1，2…mi，n是輸入變量數且n＝5，mi是xi模型分割數cij和σij分別表示隸屬度函數的中心與寬度，該層總節點數第三層：模糊條件層，該層每個節點代表一條模糊規則，第l個神經元與第二層中第l組中的所有神經元相連接，它的作用是用來匹配模糊規則的前件，計算出每條規則的適用度，採用的模糊算子為連乘算子，表示為：式中j＝1，2，…m，第四層：模糊決策層，它所實現的是歸一化計算，該層有兩個神經元組成，其中一個神經元與第三層中的所有的神經元通過單位權值連接，而另一個神經元則通過權值h與第三層中所有的神經元連接，每個神經元分別表示為：神經元1：神經元2：第五層：輸出層，該層由一個神經元構成，該神經元與第四層的兩個神經元通過單位權值連接，用於實現清晰化計算，該神經元表示：式中，中心cij，寬度σj為前件參數，hl為後件參數。(3)通過聚類求取模糊規則數及前件參數：從一般意義講，聚類意味著把一個數據集合分割成不相交的子集或組，一組中的數據應具有某些能將它們同其它組數據區分開來的性質；系統採用這種學習算法得到模糊規則和隸屬度函數，該算法最大特點是能根據輸入數據的分布靈活地劃分模糊集合，減少了模糊規則數；在此算法中，首先把第一個數據作為第一組的聚類中心；接下來，如果一個數據距該聚類中心的距離小於某個預測值，就把這個數據放在此組中，即該組的聚類中心應是和這個數據最接近的；否則，把該數據設為新一組的聚類中心，具體求取規則如下：1)給定相似性參數s0，本實施例令s0＝0.95，將訓練數據對x(1)＝[yt(1)，yt-1(1)，yt-2(1)，yt-3(1)，yt-4(1)]t作為第一個聚類，並設聚類中心c1＝x(1),此時聚類個數n＝1，屬於第一個聚類的數據對數目n1＝1。2)對於第k組訓練數據x(k)，按照相似性判據計算第k組訓練數據與每一個聚類中心cl，(1，2…，n)的相似性，並找到具有最大相似性的聚類l，即找到x(k)屬於的聚類(模糊規則)。定義相似性判據如下:3)根據下述準則來決定是否要增加一個新類：如果sl＜s0，表明第k組訓練數據不屬於已有的聚類，則要建立一個新聚類，令cn+1＝x(k)，並令n＝n+1，nn＝1(nn表示屬於第n個聚類的訓練數據對數目)如果sl≥s0，表明第k組訓練數據屬於第l個聚類，則按下式調節第l個聚類的參數cl＝cl+μ(x(k)-cl)nl＝nl+1其中μ表示學習率，nl表示屬於聚類l的數據對數目。4)令k＝k+1，重複執行步驟2)至4)直到所有的訓練數據對都被分配到相應的聚類中為止。從而得到聚類個數(模糊規則)為n，隸屬度函數的寬度計算如下：其中ρ是交迭參數，通常取1≤ρ≤2。(4)通過最小二乘算法求取後件參數：後件參數的參數辨識，求解h(h1，h2，…hn)的傳統方法有最小二乘法，具體求取規則如下：令則h的最小二乘估計為：高壓泵射流壓力在線預警模型訓練結果如圖3所示，其中x軸為訓練樣本數，y軸為壓力變送器輸出電壓值，實線為訓練樣本輸出，虛線為神經模糊模型訓練輸出；訓練樣本輸出與神經模糊模型訓練輸出的誤差如圖4所示，其中x軸為訓練樣本數，y軸為訓練誤差。(5)高壓泵射流壓力信號預測：將壓力變送器輸出電壓測試數據如表二按向量形式[x(t)′，x(t-1)′，x(t-2)′，x(t-3)′，x(t-4)′]依次輸入神經模糊系統中，得出神經模糊模型的預測輸出值x(t+1)′，計算測試數據實際輸出與預測輸出的絕對誤差δe＝|x(t+1)-x(t+1)′|。取高壓泵正常工作時的前l個數據的平均值計算測試數據與靜態正常訓練數據的絕對誤差只有保證測試數據δe和δe′都在允許誤差範圍內，則證明預測數據有效。根據系統的預測輸出值驗證系統的可靠性；測試結果如圖5所示，其中x軸為測試樣本數，y軸為壓力變送器輸出電壓值，實線為實際輸出，虛線為神經模糊模型預測輸出，測試數據實際輸出與神經模糊模型預測輸出的誤差如圖6所示，其中x軸為測試樣本數，y軸為測試誤差，預測輸出與實際輸出基本吻合，實驗表明基於神經模糊技術的水射流裝備在線預警方法可靠。表一：訓練原始數據。1.2891.2931.2791.2981.2981.2791.2891.3181.3281.3081.2981.2791.2841.2841.3031.2641.3131.3331.3231.3031.2891.2931.2791.2981.2891.2691.3081.3331.3081.2891.2891.2741.2791.2931.2741.3031.3371.3181.3081.2841.2931.2891.2931.2891.251.3131.3331.3081.2931.2931.2791.2931.2891.2891.2931.3371.3281.3031.2981.2791.2791.2841.3031.2741.3031.3181.3281.3081.2931.2891.2791.2931.2981.2641.3131.3281.3031.2931.2791.2891.2841.2891.2741.2791.3131.3181.3081.2981.2791.2841.2931.2891.2641.3081.3181.3081.2981.2841.2891.2931.2891.2841.2691.3131.3281.3181.2841.2841.2791.2791.2891.2691.2981.3181.3181.3031.2891.2891.2841.2891.2841.2591.3081.3231.3281.3031.2841.2891.2791.2981.2791.2891.3281.3281.2981.2891.2791.2891.2981.3031.2691.2931.3331.3181.3081.2841.2891.2891.2981.3031.2641.3231.3331.3231.2931.2891.2891.2841.2981.2891.2841.3181.3231.3031.2981.2791.2891.2841.3031.2591.3131.3331.3231.2981.2931.2891.2841.3031.2891.2741.3131.3331.3031.2981.2791.2741.2791.2891.2791.2891.3331.3231.2981.2841.2791.2791.2981.2981.2641.3081.3371.3231.2981.2931.2741.2891.2841.2981.2791.3281.3181.3181.2891.2891.2931.2841.2981.2691.3031.3181.3281.2931.2931.2791.2841.2841.2931.2591.3181.3181.3081.3031.2931.2891.2841.2981.2791.2791.3181.3371.3031.2931.2791.2741.2931.2931.2641.3081.3331.3131.3081.2841.2891.2791.2931.2981.2591.3181.3371.3081.2981.2931.2741.2891.2891.2841.2841.3281.3181.3031.2981.2791.2791.2891.2981.2691.3131.3281.3281.2981.2931.2791.2841.2981.2891.2741.3231.3181.3081.3031.2791.2841.2891.3031.2741.2841.3231.3181.3181.2931.2791.2741.2981.2891.2591.3031.3231.3181.2931.2931.2891.2891.2981.2981.2691.3131.3331.3181.2931.2791.2741.2841.2891.2741.3031.3281.3181.3131.2931.2841.2931.2981.2981.2541.3131.3181.3181.2931.2931.2841.2891.2931.2891.2841.3131.3231.3131.2981.2791.2891.2891.2981.2841.2891.3231.3131.3131.2841.2891.2741.2981.2931.2691.3031.3231.3281.3031.2841.2791.2931.2891.2931.2791.3281.3181.3131.2931.2891.2741.2841.2931.2841.3031.3231.3331.2981.2931.2791.2841.2891.3031.2691.3181.3371.3181.3031.2931.2841.2841.2981.2841.2791.3131.3181.3181.2931.2791.2791.2931.2891.2641.2931.3281.3181.3131.2931.2791.2741.2931.2981.2541.3031.3231.3231.3031.2791.2791.2931.2981.2841.2841.3231.3231.3181.2981.2791.2891.2931.2981.2691.3081.3331.3181.3131.2931.2891.2741.2891.2891.2591.3081.3231.3231.2981.2741.2691.2841.2891.2981.2791.3281.3231.3181.2981.2891.2791.2981.2981.2741.2931.3371.3231.3031.2931.2841.2841.2891.3031.2591.3181.3231.3081.2981.2841.2791.2931.2981.2891.2931.3131.3331.3031.2981.2841.2741.2931.2891.2741.2981.323表二：測試原始數據。1.3181.3031.2981.2931.2931.2931.3031.2541.3131.3231.3231.2981.2891.2741.2931.2981.2841.2891.3331.3331.3081.2981.2741.2841.2891.2891.2591.3031.3231.3281.3031.2841.2791.2741.2981.2931.2691.3081.3331.3081.3031.2931.2791.2891.2981.2891.2841.3331.3131.3031.2891.2891.2891.2891.2931.2741.3131.3281.3181.3131.2981.2791.2931.2981.2931.2741.3031.3371.3081.2981.2891.2741.2841.2981.2741.2841.3231.3231.2981.2891.2841.2791.2981.2931.2691.2981.3231.3131.3081.2931.2741.2891.2841.3031.2741.3231.3331.3231.2981.2841.2791.2841.2981.2841.2931.3181.3281.3081.2981.2841.2841.2841.2891.2541.3081.3371.3331.3031.2791.2931.2791.2981.2891.2641.3231.3231.3031.2891.2891.2741.2931.2891.2841.2931.3181.3281.3131.2841.2931.2931.2891.3031.2541.3131.3231.3331.3031.2791.2741.2741.2931.2931.2791.3131.3231.3131.3031.2791.2791.2891.2891.2841.3031.3231.3281.3181.2841.2841.2741.2981.2931.2641.3181.3281.3181.3081.2791.2841.2931.2891.2891.2791.3281.3181.3181.2931.2891.2741.2841.2891.2931.2841.3331.3181.2981.2981.2791.2891.2981.2931.2641.3031.3331.3081.3031.2791.2891.2891.2931.2841.2931.3181.3231.3231.2891.2891.2791.2791.2981.2741.2931.3181.3331.3081.2931.2741.2891.2891.2981.2541.3081.3231.3081.3081.2791.2931.2841.3031.2841.2841.3231.3181.3081.2841.2891.2791.2891.2981.2791.2981.3281.3131.2981.2891.2791.2931.2981.2981.2641.3031.3131.3181.2891.2891.2841.2891.2891.2841.2791.3231.3371.3031.2981.2931.2791.2931.3031.2841.2891.3131.3231.3081.2791.2741.2791.2931.2891.2591.3081.3181.3081.2981.2791.2741.2981.2931.2931.2741.3281.323當前第1頁12