基于回聲狀態(tài)網(wǎng)絡(luò)的設(shè)備健康狀態(tài)監(jiān)測(cè)與預(yù)測(cè)方法.pdf

1、設(shè)備安全是社會(huì)公共安全的重要組成部分,現(xiàn)代工業(yè)設(shè)備日益系統(tǒng)化、復(fù)雜化,一旦發(fā)生故障,不但對(duì)工業(yè)生產(chǎn)產(chǎn)生一定的影響,甚至導(dǎo)致人員財(cái)產(chǎn)損失。因此,對(duì)設(shè)備的健康狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)和預(yù)測(cè),可以有效地及時(shí)地預(yù)防事故的發(fā)生,消除隱患減少損失。本文以設(shè)備的健康狀態(tài)監(jiān)測(cè)與趨勢(shì)預(yù)測(cè)為研究目的,研究基于回聲狀態(tài)網(wǎng)絡(luò)的設(shè)備健康狀態(tài)監(jiān)測(cè)與預(yù)測(cè)的方法。主要研究?jī)?nèi)容如下:
　　研究了回聲狀態(tài)網(wǎng)絡(luò)(EchoStateNetworks,ESN)算法的基本原理及其改

2、進(jìn)算法,通過數(shù)值仿真實(shí)驗(yàn)研究了ESN在時(shí)間序列預(yù)測(cè)和時(shí)域信號(hào)分類方面的應(yīng)用。實(shí)驗(yàn)結(jié)果表明:ESN動(dòng)態(tài)記憶庫(kù)(DynamicReservoir,DR)的大小、DR的初始狀態(tài)以及信號(hào)噪聲會(huì)對(duì)ESN的分類和預(yù)測(cè)性能產(chǎn)生影響。DR越大ESN預(yù)測(cè)的誤差越小;由于輸入權(quán)值、DR權(quán)值以及反饋權(quán)值矩陣為隨機(jī)產(chǎn)生的,因此,在訓(xùn)練過程中,舍棄有限個(gè)ESN輸出的起始預(yù)測(cè)狀態(tài)可以改善ESN預(yù)測(cè)性能,減小預(yù)測(cè)誤差,提高長(zhǎng)期預(yù)測(cè)的準(zhǔn)確性;另外,ESN訓(xùn)練時(shí)加入適當(dāng)

3、的噪聲,能夠改善網(wǎng)絡(luò)的魯棒性。
　　研究了滾動(dòng)軸承振動(dòng)信號(hào)時(shí)域和時(shí)頻域的特征提取方法,通過實(shí)驗(yàn)表明:當(dāng)損傷出現(xiàn)時(shí),峰值和峭度等時(shí)域參數(shù)會(huì)增大,且不同類型損傷的時(shí)域指標(biāo)參數(shù)有顯著差別;另外,不同類型損傷的振動(dòng)信號(hào)經(jīng)小波包變換分解后,其能量分布也表現(xiàn)出不同的特征;因此,提取振動(dòng)信號(hào)的時(shí)頻特征可以有效地描述故障狀態(tài),降低特征參數(shù)的維數(shù)。
　　研究了基于ESN的設(shè)備故障診斷方法,以提取的特征參數(shù)為輸入向量,建立了基于ESN的診斷模型

4、,有效的識(shí)別了滾動(dòng)軸承不同類型的損傷;通過實(shí)驗(yàn)表明:對(duì)于相同的ESN診斷模型,用小波包能量分布作為ESN網(wǎng)絡(luò)輸入可以取得較高的診斷精度,而時(shí)域參數(shù)作為ESN網(wǎng)絡(luò)的輸入具有較好的實(shí)時(shí)性,但分類精度略遜于前者;
　　提出了基于小波包能量熵的滾動(dòng)軸承健康狀態(tài)監(jiān)測(cè)與預(yù)測(cè)方法。小波包能量熵是將給定時(shí)間區(qū)間信號(hào)的進(jìn)行小波包分解,以其能量分布作為特征參數(shù)的信息熵。小波包能量熵具有聚集性和時(shí)變性,其聚集性表現(xiàn)為僅用一個(gè)參數(shù)——熵來描述某一給定區(qū)間