基于回聲狀態(tài)網絡的設備健康狀態(tài)監(jiān)測與預測方法.pdf

1、設備安全是社會公共安全的重要組成部分,現代工業(yè)設備日益系統(tǒng)化、復雜化,一旦發(fā)生故障,不但對工業(yè)生產產生一定的影響,甚至導致人員財產損失。因此,對設備的健康狀態(tài)進行實時監(jiān)測和預測,可以有效地及時地預防事故的發(fā)生,消除隱患減少損失。本文以設備的健康狀態(tài)監(jiān)測與趨勢預測為研究目的,研究基于回聲狀態(tài)網絡的設備健康狀態(tài)監(jiān)測與預測的方法。主要研究內容如下:
　　研究了回聲狀態(tài)網絡(EchoStateNetworks,ESN)算法的基本原理及其改

2、進算法,通過數值仿真實驗研究了ESN在時間序列預測和時域信號分類方面的應用。實驗結果表明: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的分類和預測性能產生影響。DR越大ESN預測的誤差越小;由于輸入權值、DR權值以及反饋權值矩陣為隨機產生的,因此,在訓練過程中,舍棄有限個ESN輸出的起始預測狀態(tài)可以改善ESN預測性能,減小預測誤差,提高長期預測的準確性;另外,ESN訓練時加入適當

3、的噪聲,能夠改善網絡的魯棒性。
　　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:當損傷出現時,峰值和峭度等時域參數會增大,且不同類型損傷的時域指標參數有顯著差別;另外,不同類型損傷的振動信號經小波包變換分解后,其能量分布也表現出不同的特征;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),降低特征參數的維數。
　　研究了基于ESN的設備故障診斷方法,以提取的特征參數為輸入向量,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網絡輸入可以取得較高的診斷精度,而時域參數作為ESN網絡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,其聚集性表現為僅用一個參數——熵來描述某一給定區(qū)間