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

1、設(shè)備安全是社會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,不但對工業(yè)生產(chǎn)產(chǎn)生一定的影響,甚至導(dǎo)致人員財產(chǎn)損失。因此,對設(shè)備的健康狀態(tài)進行實時監(jiān)測和預(yù)測,可以有效地及時地預(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)測與趨勢預(yù)測為研究目的,研究基于回聲狀態(tài)網(wǎng)絡(luò)的設(shè)備健康狀態(tài)監(jiān)測與預(yù)測的方法。主要研究內(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、進算法,通過數(shù)值仿真實驗研究了ESN在時間序列預(yù)測和時域信號分類方面的應(yīng)用。實驗結(jié)果表明:ESN動態(tài)記憶庫(DynamicReservoir,DR)的大小、DR的初始狀態(tài)以及信號噪聲會對ESN的分類和預(yù)測性能產(chǎn)生影響。DR越大ESN預(yù)測的誤差越小;由于輸入權(quán)值、DR權(quán)值以及反饋權(quán)值矩陣為隨機產(chǎn)生的,因此,在訓(xùn)練過程中,舍棄有限個ESN輸出的起始預(yù)測狀態(tài)可以改善ESN預(yù)測性能,減小預(yù)測誤差,提高長期預(yù)測的準確性;另外,ESN訓(xùn)練時加入適當

3、的噪聲,能夠改善網(wǎng)絡(luò)的魯棒性。
　　研究了滾動軸承振動信號時域和時頻域的特征提取方法,通過實驗表明:當損傷出現(xiàn)時,峰值和峭度等時域參數(shù)會增大,且不同類型損傷的時域指標參數(shù)有顯著差別;另外,不同類型損傷的振動信號經(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,提取振動信號的時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、,有效的識別了滾動軸承不同類型的損傷;通過實驗表明:對于相同的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,而時域參數(shù)作為ESN網(wǎng)絡(luò)的輸入具有較好的實時性,但分類精度略遜于前者;
　　提出了基于小波包能量熵的滾動軸承健康狀態(tài)監(jiān)測與預(yù)測方法。小波包能量熵是將給定時間區(qū)間信號的進行小波包分解,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變性,其聚集性表現(xiàn)為僅用一個參數(shù)——熵來描述某一給定區(qū)間