一種基於在線學習最小嵌入維網絡的實時故障診斷方法
2023-06-08 18:12:06 3
一種基於在線學習最小嵌入維網絡的實時故障診斷方法
【專利摘要】本發明提供了一種基於在線學習最小嵌入維網絡的實時故障診斷方法，其步驟為：確定基於神經網絡的時間序列最小嵌入維數；對網絡輸入樣本進行歸一化處理，並根據時間序列重構網絡輸入輸出樣本值；在線訓練學習網絡，動態調整網絡結構；對學習網絡的輸出結果進行反歸一化運算，求取輸出值與實際觀測值之間的差值，然後用該差值與設定的檢測閾值相比較，實現故障診斷的目的。本發明的優點是在網絡在線學習過程中同時添加了節點增加準則和精簡準則，增加過程中利用隱層的最大輸出判斷神經元的活躍性，精簡過程中加入了滑動窗口，避免誤精簡，網絡在線調整過程只對輸出響應比較大的神經元進行，減少了網絡計算量，提高了故障診斷的實時性。
【專利說明】一種基於在線學習最小嵌入維網絡的實時故障診斷方法
【技術領域】
[0001]本發明涉及故障診斷領域，具體涉及一種基於在線學習最小嵌入維網絡的實時故障診斷方法。
【背景技術】
[0002]隨著對系統安全性要求的進一步提高，人們希望能夠當系統出現故障時能自動提供故障檢測與隔離信息，並對系統劣化趨勢作出判斷，以避免故障進一步擴大和傳播。這樣，就能有足夠的時間採取可靠措施防止故障發生，避免不必要的損失。
[0003]故障診斷是增強系統可靠性的關鍵技術，提高故障診斷的實時性是該技術的重要因素。現有的故障診斷技術可以分為二類:第一類方法主要是基於時間序列的方法，根據系統過去和現在狀態的變化趨勢，估計系統進一步的發展狀態，與實際檢測值計算差值看是否達到故障的閾值，從而判斷除系統是否發生故障；第二類方法是基於定性分析的方法，根據系統的定性知識，進行分析推理，從而實現故障診斷。
[0004]時間序列方法將數據看作是一個按時間次序排列的序列，並通過相鄰數據之間的相關性來建立擬合時間序列的數學模型。目前，常用的時間序列方法主要有兩種:一種是參數模型法，首先假設歷史數據模型滿足一定的條件，然後經過對模型參數的估計得到相應的輸出值。如果假設的模型與實際模型有差異，診斷性能會變得較差，而且這種方法是用線性模型來擬合數據序列，因此本質上它不適用於非線性系統。另一種是非參數化模型法，它不需要系統精確的數學模型，應用較為廣泛一些。
[0005]在各種非參數化模型法中，神經網絡方法由於不需要預先建立反映系統物理規律的數學模型，因此具有極強的非線性映射能力，使得其在故障診斷中得到廣泛的運用。目前，包括BP網絡、RBF網絡、回歸神經網絡等多種神經網絡結構都在時間序列分析中得到了應用。但是，利用神經網絡對時間序列建模必須經過離線訓練的過程而無法實現在線訓練，因此網絡對序列的變化缺乏學習的能力，序列的測量偏差、不確定擾動等都會導致網絡泛化能力下降。MRAN(Minimal Resource Allocating Network)學習算法加入了精簡條件,將那些對網絡輸出貢獻比較小的節點進行了移除，但當不滿足條件，需要對已選定的所有隱層中心和權值進行調整，直到滿足一定的誤差要求。當選定的隱層節點比較多時，這個調整過程計算量較大，比較耗時。尤其故障系統的各個狀態在故障早期不斷變化，離線訓練的診斷網絡也很難滿足實時性的要求。
【發明內容】
[0006]本發明的目的是減少系統時變狀態故障診斷方法的計算量，提高故障診斷的實時性和準確性。
[0007]根據本發明提供的技術方案，所述一種基於在線學習最小嵌入維網絡的實時故障診斷方法包括如下步驟:
[0008]I)第一步:確定基於神經網絡的時間序列最小嵌入維數。非線性時間序列{x(t) x(t) e R1}, t = 0, 1...L，則其在T時刻的預測值為:
[0009]Y (T+1) = f (X(T)) (I)
[0010]其中，X⑴=[x(T),x(T-l),-x(T-p)],L e Z+，表示整個時間序列長度，p e Z+，表示嵌入空間維數，Υ(τ+1)為T時刻預測值。基於神經網絡對時間序列建模，可得:
[0011]
【權利要求】
1.一種基於在線學習最小嵌入維網絡的實時故障診斷方法，其特徵包括:確定基於神經網絡的時間序列最小嵌入維數；對網絡輸入樣本進行歸一化處理，並根據時間序列重構網絡輸入輸出樣本值；在線訓練學習網絡，動態調整網絡結構；對學習網絡的輸出結果進行反歸一化運算，求取輸出值與實際觀測值之間的差值，然後用該差值與設定的檢測閾值相比較，實現故障診斷的目的。 1)第一步:確定基於神經網絡的時間序列最小嵌入維數。非線性時間序列Ix (t) x(t) e R1}, t = O, L..L，則其在T時刻的預測值為:
Y(T+1) = f (X(T)) (I) 其中，X⑴=[X⑴，x(T-l)，"^(T-P)LL e Z+，表示整個時間序列長度，P e Z+，表示嵌入空間維數，Y(T+1)為T時刻預測值。基於神經網絡對時間序列建模，可得:
目標是使得丨)從可能逼近X (T+1)。 根據嵌入維數定理，近鄰數據在P維重構空間舉例近的兩點，在P+1維重構空間裡依然很近，否則就是偽近鄰。最小嵌入維數時間序列要求沒有偽近鄰數據。通過判斷a(i，p)是否超過給定值來判斷該數據是否是偽鄰
為避免a (i, P)初值與信號偏移的影響,定義:
E(P)表示所有a(i，p)的平均值,這裡的E(p)僅依賴嵌入維數P。當維數從P到p+1變化時，定義:
E1 (ρ) = E (p+1)/E (p) (5) 如果當Ρ>Ρο時，E1(P)就不再變化，Ρο+1就是所求時間序列網絡的嵌入維數。 2)第二步:對網絡輸入樣本進行歸一化處理，並根據時間序列重構網絡輸入輸出樣本值。對於非線性時間序列值X (I)，X⑵，…，X (m)，利用公式
(6)將數據歸一化，其中Xfflax, Xfflin表示整個時間序列數據的最大值和最小值。 根據確定的網絡最小嵌入維數P，將歸一化後的時間序列X』 (I)1X' (2)...χ』 (m)進行重構，構成神經網絡的輸入輸出樣本對，將X』 (I)1X' (2)...χ』(m)分成k組，每組有ρ+1，前ρ個值作為學習網絡輸入節點的輸入，後一個作為學習網絡輸出節點的期望值。 3)第三步:在線訓練學習網絡，動態調整網絡結構。選擇RBF網絡計算輸出 /(Xi) = w0+ YaW^(X1)(7) 其中Xi= [X11-Xn] e Rn為網絡輸入，f (Xi) e R為相應的網絡輸出，Wk為第k個隱層節點的輸出連接權值，《O為輸出偏移常數，於H)是隱層節點的作用函數，徑向基函數選為Gaussian 型:
uk e Rn為已有的數據中心，σ k為該RBF函數的擴展常數。 在線學習神經網絡開始時無隱層單元，網絡在學習過程中動態確定是否需要將輸入Xi增加為隱層單元，增加準則為:
若網絡輸出MXi)和目標值1間誤差足夠大，則根據式(9)要添加隱層神經元，emin代表期望逼近精度。式(10)用輸入Xi作用下網絡神經元輸出Φ,代表第k個神經元的活躍性。 算法初始etn = I max, etn按指數規律遞減,按準則新增加的隱層節點參數為:
Wk+1 = eIi
uk+1 = Xn (11)
σ k+i = v Il Xn-Unr Il 其中V是迭代因子，Unr是與輸入樣本Xn距離最近的中心點。 如果樣本(XpYi)不滿足增加神經元的準則條件，就需要利用梯度下降法對中心Uk，擴展常數ok，權值Wk進行調整。為提高網絡調整的實時性，只對中心和樣本距離較近的N個神經元參數進行調整:
為儘可能精簡網絡結構，提高在線學習速度，對神經網絡輸出貢獻相對較小的隱層節點從學習網絡中移除，原則是這種移除將不影響整體網絡的性能。計算每一個樣本對(Xi, Yi)隱層節點的輸出
得到最大的隱層節點輸出I = max(o；)，並標準化為:
如果滿足疋< δ，則移除第k個隱層節點。 4)第四步:反歸一化網絡輸出，並根據閾值比較實現故障診斷。對學習網絡的輸出結果進行反歸一化運算
對每一個新的輸入樣本，利用本發明在線學習網絡的時間序列方法，動態調整網絡隱層節點數目，位置和權值後得到學習網絡輸出，求取輸出值與實際觀測值之間的差值，然後用該差值與設定的檢測閾值相比較，實現故障診斷的目的。
【文檔編號】G06N3/08GK104200269SQ201410456900
【公開日】2014年12月10日 申請日期:2014年9月9日 優先權日:2014年9月9日
【發明者】陶洪峰, 黃紅梅 申請人:江南大學