基于灰狼優化算法的LSTM預測模型的旋轉設備預測診斷方法技術

本發明專利技術公開了一種基于灰狼優化算法的LSTM預測模型的旋轉設備預測診斷方法，包括以下步驟：S1、對旋轉設備的振動信號進行提取；S2、利用Hilbert

【技術實現步驟摘要】
基于灰狼優化算法的LSTM預測模型的旋轉設備預測診斷方法


[0001]本專利技術涉及旋轉設備故障診斷
，更具體涉及一種基于灰狼優化算法的LSTM預測模型的旋轉設備預測診斷方法。

技術介紹

[0002]生產線設備的運行狀況越來越受到重視，而電機作為各種設備的動力源，其連續、穩定運行對生產起著至關重要的作用。若是某臺關鍵設備因故障停機，則會影響整個公司的生產、銷售、物流體系，發生惡性連鎖反應，從而造成嚴重的經濟損失，所以對生產環節大量處于關鍵部位且位置分散的電動旋轉設備進行狀態監測與故障診斷是非常有必要的，而要及時、準確地判斷電動旋轉設備是否發生故障、故障所在部位以及故障發生程度，需要建立精確且復雜的模型。
[0003]傳統的旋轉設備振動的故障診斷方法通常為故障診斷專業人員就地測量旋轉設備振動，對振動信號進行分析，根據分析結果判斷設備故障，提出處理方案，但是診斷結果會受專業人員水平、經驗等因素的影響，制約了旋轉設備振動故障診斷的準確性。
[0004]工業數據往往存在著大量的非線性時間序列，而基于傳統統計學的時間序列預測方法是利用時間序列之間的相關性建立線性預測模型，這些方法對線性、平穩的時間序列預測效果較好，但不適用于工業的非線性時間序列。LSTM模型非常適用于進行時間序列預測，但是在進行訓練時所采用的反向傳播算法效果往往不理想，傳統的LSTM模型在進行網絡參數的確定時，往往采用的反向傳播算法較為復雜，收斂速度慢，且很容易在局部最優解收斂，無法得到全局最優解。

技術實現思路

[0005]本專利技術需要解決的技術問題是提供一種基于灰狼優化算法的LSTM預測模型的旋轉設備預測診斷方法，以解決
技術介紹
中的問題。
[0006]為解決上述技術問題，本專利技術所采取的技術方案如下。
[0007]基于灰狼優化算法的LSTM預測模型的旋轉設備預測診斷方法，包括以下步驟：
[0008]S1、對旋轉設備的振動信號進行提取；
[0009]S2、利用Hilbert
?
Huang模型對步驟S1提取的振動信號進行分析；通過EMD將旋轉設備的振動信號分解成若干個IMF；
[0010]S3、計算振動信號與其IMF的相關系數，選擇表征劣化特征的敏感IMF，將表征劣化特征的敏感IMF選出作為預測模型的數據輸入；
[0011]S4、采用LSTM模型對劣化敏感的IMF進行預測；
[0012]S5、采用灰狼優化模型對LSTM模型的參數進行優化，動態更新預測值。
[0013]進一步優化技術方案，所述步驟S2中，對振動信號進行分析包括EMD和Hilbert變換。
[0014]進一步優化技術方案，所述步驟S2中，通過EMD將旋轉設備的振動信號分解成若干
個IMF包括以下步驟：
[0015]S21、將旋轉設備的振動信號x(t)中的所有局部極大值用多次樣條曲線函數連接，形成上包絡線；將旋轉設備的振動信號x(t)中的所有局部最小值用多次樣條曲線函數連接，形成下包絡線；
[0016]S22、旋轉設備的振動信號x(t)的數學描述為：x(t)＝b+k
[0017]其中：b為上下包絡線的均值；k為計算包絡均值；
[0018]S23、將等間隔分布概率相等的均勻白噪聲信號加入到旋轉設備的振動信號x(t)中；計算包絡均值通過n次平滑處理后，k
n
(t)滿足IMF的條件，則：c1(t)＝k1(t)；
[0019][0020]S24、將旋轉設備的振動信號分解為：
[0021][0022]其中：c
n
(t)為本征模分量；r
n
(t)為第n階剩余信號分量；
[0023]S25、計算c
n
(t)的排列熵：
[0024][0025]當排列熵大于閾值時，判定振動信號含有噪聲信號；當排列熵小于閾值時，判定振動信號為正常信號。
[0026]進一步優化技術方案，所述步驟S3中，表征劣化特征的敏感IMF的選擇步驟如下：
[0027]旋轉設備的振動信號x(t)與其本征模分量x
n
的相關系數為α
n
；
[0028]本征模分量x
n
與實際采集的一個周期的信號分量為β
n
；
[0029]特征相似性系數為：η
n
＝α
n
?
β
n
；
[0030]本征模分量的劣化敏感因子為：
[0031]根據劣化敏感因子的大小將本征模分量由大到小排列后，計算相鄰兩個數值的差，將差值再進行由大到小排列，根據設備振動信號的特性，確定部分數值對應的本征模分量為劣化敏感的本征模分量。
[0032]進一步優化技術方案，所述步驟S4中，LSTM模型的輸入是IMF，輸出是下一時刻的IMF，通過分析預測后的Hilbert頻譜，判斷出設備將要出現故障種類、狀態，及時采取補救措施。
[0033]進一步優化技術方案，所述步驟S5中，采用灰狼模型對LSTM模型的迭代次數、適應度值、隱藏層節點數、訓練次數進行優化。
[0034]進一步優化技術方案，所述步驟S5包括以下步驟：
[0035]S51、將迭代次數、適應度值、隱藏層節點數、訓練次數作為灰狼模型中個體的位置向量，分別用X1,X2,X3,X4表示；
[0036]S52、采用隨機初始化的方法構造初始種群，將迭代次數、適應度值、隱藏層節點
數、訓練次數初始化；
[0037]S53、在更新位置時計算每個參數與其余3個參數的距離，公式為：
[0038]X
1,k
＝X1?
A1D1；D1＝|C1X1?
X
k
|；C1＝2r2；A1＝2ar1?
a
[0039]其中：X
1,k
為X1的第k個分量；a為隨著迭代次數的增加而線性遞減的變量；r1,r2為隨機數；
[0040]S54、當前灰狼的個體用X(t)表示，灰狼1的個體用X1(t)表示，以此類推，得到X1(t)、X2(t)、X3(t)、X4(t)；引入交叉驗證的方式計算位置第1次更新，公式為：
[0041][0042]S55、計算實測的本征模分量與前4個數據采樣值的本征模分量的方差，表達式為：
[0043][0044]實際灰狼位置更新公式為：X
′
(t+1)＝X(t+1)+s；
[0045]S56、位置更新完后，將X
′
(t+1)還原為迭代次數、適應度值、隱藏層節點數、訓練次數4個維度的信號，并將4個維度的信號傳至LSTM模型中，計算輸出值。
[0046]由于采用了以上技術方案，本專利技術所取得技術進步如下。
[0047]本專利技術利用LSTM模型對旋轉設備進行故障預測，再利用灰狼模型對LSTM模型的網絡參數進行滾動優化，并動態更新預測值，可以有效本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.基于灰狼優化算法的LSTM預測模型的旋轉設備預測診斷方法，其特征在于，包括以下步驟：S1、對旋轉設備的振動信號進行提取；S2、利用Hilbert
?
Huang模型對步驟S1提取的振動信號進行分析；通過EMD將旋轉設備的振動信號分解成若干個IMF；S3、計算振動信號與其IMF的相關系數，選擇表征劣化特征的敏感IMF，將表征劣化特征的敏感IMF選出作為預測模型的數據輸入；S4、采用LSTM模型對劣化敏感的IMF進行預測；S5、采用灰狼優化模型對LSTM模型的參數進行優化，動態更新預測值。2.根據權利要求1所述的基于灰狼優化算法的LSTM預測模型的旋轉設備預測診斷方法，其特征在于，所述步驟S2中，對振動信號進行分析包括EMD和Hilbert變換。3.根據權利要求1或2所述的基于灰狼優化算法的LSTM預測模型的旋轉設備預測診斷方法，其特征在于，所述步驟S2中，通過EMD將旋轉設備的振動信號分解成若干個IMF包括以下步驟：S21、將旋轉設備的振動信號x(t)中的所有局部極大值用多次樣條曲線函數連接，形成上包絡線；將旋轉設備的振動信號x(t)中的所有局部最小值用多次樣條曲線函數連接，形成下包絡線；S22、旋轉設備的振動信號x(t)的數學描述為：x(t)＝b+k其中：b為上下包絡線的均值；k為計算包絡均值；S23、將等間隔分布概率相等的均勻白噪聲信號加入到旋轉設備的振動信號x(t)中；計算包絡均值通過n次平滑處理后，k
n
(t)滿足IMF的條件，則：c1(t)＝k1(t)；S24、將旋轉設備的振動信號分解為：其中：c
n
(t)為本征模分量；r
n
(t)為第n階剩余信號分量；S25、計算c
n
(t)的排列熵：當排列熵大于閾值時，判定振動信號含有噪聲信號；當排列熵小于閾值時，判定振動信號為正常信號。4.根據權利要求1所述的基于灰狼優化算法的LSTM預測模型的旋轉設備預測診斷方法，其特征在于，所述步驟S3中，表征劣化特征的敏感IMF的選擇步驟如下：旋轉設備的振動信號x(t)與其本征模分量x
n
的相關系數為α
n
；本征模分量x
n
與實際采集的一個周期的信號分量為β
n
；...

【專利技術屬性】
技術研發人員：劉金濤，
申請(專利權)人：劉金濤，
類型：發明
國別省市：