CN100468263C - 连采机远程实时故障预测及诊断方法与装置 - Google Patents

Abstract

连采机远程实时故障预测及诊断方法与装置，该方法包括以下步骤：采集数据、处理数据、生成检测器、免疫神经网络的学习和训练、故障预测及故障诊断、显示输出结果。该装置包括上位机、数据通讯装置、下位机、现场传感变送装置。现场传感变送装置包括加速度、振动、流量、压力、温度传感器，其中数据通讯装置分别与上位机、下位机相连，下位机与现场传感变送装置相连。现场传感变送装置将传感器采集的信号发送到下位机，下位机定时将采集的信号进行A/D转换，然后通过数据通讯装置传送到上位机，从而进行故障预测及诊断。该方法与装置具有准确性高、需要样本数量少，既可诊断又可预测故障，有吸收利用新技术能力的特点。

Description

连采机远程实时故障预测及诊断方法与装置

技术领域

本发明属于故障预测及诊断技术领域，特别涉及一种连采机远程实时故障预测及诊断方法与装置。

背景技术

目前最广泛使用的连采机由截割部、牵引部、电动机和附属装置四大部分组成。截割部采用齿轮传动，牵引部采用液压传动。连采机的大多数故障为机械部分故障及液压系统故障。

而目前连采机常用的故障诊断方法包括(1)温度监测诊断、(2)运用铁谱分析法对连采机故障进行监测诊断、(3)连采机故障诊断专家系统和(4)基于人工神经网络的连采机故障诊断系统。

上述(1)、(2)传统诊断方法没有主动“思考学习”的能力，它只能根据输入到诊断系统里面的现场数据来做出判断，如果输入的数据不全或相互矛盾，它就会得不出结论甚至得出错误的结论，而且传统诊断方法比较费力低效。对同一个系统采用(1)、(2)两种传统故障诊断方法，有时可能会得到互相矛盾的诊断结论，这时仍只能靠有经验的维修人员进行人工诊断。连采机故障诊断专家系统存在如下问题：①知识获取的“瓶颈”。目前多数煤矿机械设备的管理、维护工作十分不健全，缺乏各种原始记录和理论性总结；设备的故障史、诊断与维修经验等未形成系统资料。②系统的脆弱性，即知识和经验不全面，遇到没有解决过的问题就无能为力。只有表面性及经验性知识，缺乏本质与理性的知识，忽视了对知识的理解等深层作用，一旦出现启发规则未考虑的情况，系统性能急剧下降。③知识库管理困难。当知识库过于庞大时，由于专家系统采用串行方式，推理方法简单且控制策略不灵活，引起搜索速度下降、规则互相抵触等知识组合爆炸问题。由于系统不具备联想及自学习能力，对知识库的更新、修改及维护相当麻烦。④推理能力差，智能低。⑤通用性差，特定设备需要特定的专家系统。人工神经网络(Artificial Neural Networks—ANN)的缺陷是：①网络学习算法是一个非线性优化问题，不可避免地存在局部极小值问题。②尽管有许多改进误差反向传播(BP)算法，然而其学习收敛速度仍然很慢。③网络必须经过比较费时的离线训练，而且要获得全面而丰富的训练样本较难。

发明内容

针对上述现有技术中存在的问题，本发明将免疫算法与神经网络相结合，提供一种基于免疫神经网络的连采机远程实时故障预测及诊断方法与装置。

本发明装置包括上位机、数据通讯装置、下位机、现场传感变送装置。现场传感变送装置包括加速度、振动、流量、压力、温度传感器。下位机包含一个或多个可编程控制器。数据通讯装置采用的是CAN总线。其中数据通讯装置分别与上位机、下位机相连，下位机与现场传感变送装置相连。在连采机现场安装现场传感变送装置，现场传感变送装置中的传感器将采集的信号送到下位机，下位机定时将采集信号通过CAN总线传送到上位机，上位机再对数据进行分析处理，继而进行故障预测及诊断。

本发明装置的各部分功能：

(1)现场传感变送装置：包括加速度、振动、流量、压力、温度传感器，负责将参数采集并传送；

(2)下位机：负责采集的信号A/D转换，并把信号传送到上位机；

(3)数据通讯装置：将下位机传送到CAN总线上的信号经过USB-CAN模块转换传送到上位机；

(4)上位机：接收下位机数据，通过本发明方法进行分析处理，给出连采机的故障情况；

本发明方法主要有以下几个特点：

(1)对免疫系统否定选择算法进行了改进，并且把肯定选择算法和改进的否定选择算法进行了有效的结合，通过消除冗余的检测器提高了检测器生成的效率；

(2)同时通过匹配阈值的调整，可以获得即将要发生和正在发生故障的检测器；

(3)把获得的检测器作为训练神经网络的故障样本，使免疫神经网络既可预测将要发生的故障，又可诊断已经发生的故障。

本发明可实现的故障预测及诊断包括对连采机减速器箱故障预测及诊断、主电机故障预测及诊断、主液压泵故障预测及诊断和液压系统故障预测及诊断。

本发明的故障预测及诊断方法包括以下步骤：

步骤一、数据的采集

采集加速度、振动、流量、压力、温度数据；并经过A/D转换；

步骤二、数据的处理

由于BP神经网络的神经采用Sigmoid函数，如果输入量绝对值过大会使神经元输出饱和，继而使权值调整进入误差曲面的平坦区，此时就会使误差对权值的变化不太敏感。所以，在训练神经网络以前，需要对输入数据作归一化处理，使之范围在[0，1]之间，本发明采用如式：

$x_i^{\′}=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }}(\mathrm{HI}-\mathrm{LO})+\mathrm{LO}---\left(1\right)$

方法对数据进行归一化处理。其中x_i为归一化前第i个测量的数据，x_max为{x_i}，i＝1，2，…，n中的最大值；x_min为{x_i}，i＝1，2，…，n中的最小值，x_i′为归一化后的数据，HI＝0.9，LO＝0.1，这里加上HI、LO两项主要是为了消除输入数据中的全0和全1项，因为从权值调整公式中可以发现输入或输出出现0或1时，会使调整停滞，误差不再减小。另外在归一化处理的时候，因考虑到各种模式的数据差别不大，都在同一数量级别上，所以在归一化处理的时候，最大和最小值是所有样本数据中的最值。如果各故障模式中的数据差别较大，基本在不同的数据级别上，所以在归一化处理的时候，最大和最小值分别取各种故障模式中样本数据的最值，而不是所有样本数据中的最值。

步骤三、生成检测器

最原始的否定选择故障检测方法有很多的缺陷：首先是否定选择算法没有考虑到检测器之间的相互匹配，可能造成一些检测器聚集在一起，不能覆盖所有的非我空间，或者需要很大的检测器集合。因此，在生成检测器的同时，把与已经生成的检测器发生匹配的检测器去掉，再把肯定选择算法和改进的否定选择算法有效的结合起来计算生成检测器集；

(1)定义自我串S为含有有限字符、长度为L的字符串的集合。自我串是把实数编码设备正常工作时的数据模式的L个标准表征设备状态的信息数据连接在一起作为正常模式串，且选取h串作为正常模式串 $R_0^{\′}=[X_1,X_2,\·\·\·,X_h],h=\mathrm{1,2},\·\·\·.$ 对于某种故障模式i，i＝1，2，…，k(k为故障的种类)，把实数编码的故障模式的L个标准的表征设备故障特征的信息数据(可结合理论推导)连接在一起作为故障模式串

(即检测器个体)，选取h串作为故障模式串 $R_i^{\′}=[X_{\mathrm{hi}+1},X_{\mathrm{hi}+2},\·\·\·,X_{\mathrm{hi}+h}].$ 得到自我串 $S=(R_0^{\′},R_1^{\′},\·\·\·,R_k^{\′}).$

(2)设定匹配阈值z。本发明通过分别取不同的匹配阈值z获得各检测器集，继而训练神经网络。通过神经网络训练过程的误差曲线和随机选择正常工况及各种故障模式获得的数据检验免疫神经网络的故障诊断情况，继而确定较优的匹配阈值z的大小。本发明采用欧式(Euclidean)距离匹配原则表征亲和力大小，如式(2)所示，如果欧式距离d小于设定的阈值z，表明亲和力达到所需要求(欧式距离越小则亲和力越大)。

$d=\sqrt{\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}{({\mathrm{ab}}_i-{\mathrm{ag}}_i)}^2}<z---\left(2\right)$

式中：d为欧式距离；ab_t为抗体的坐标；ag_i为抗原的坐标；z为匹配阈值；L为串的长度。

(3)生成检测器集R_i。随机生成检测器集D，对D中的每个检测器，与S中的正常模式串

根据公式(2)进行亲和力计算(公式中的抗体和抗原分别为自我串S和随机生成的检测集D)，若d小于设定的阈值z，说明亲和力够大，则放入检测器集R₀中，若不能够满足条件，继续与第一种故障模式串

进行亲和力计算，如果d小于设定的阈值z，则放入检测器集R₁中，若不能匹配，将继续与下一种故障模式串

进行亲和力计算，若d小于设定的阈值z，那么放入检测器集R₂中，若不能匹配，继续循环，直到与最后一种故障模式匹配。重复执行这个过程直到达到所需要的检测器数量M为止。

(4)生成预测检测器集。取匹配阈值为z+a，计算D中的检测器和第一种故障模式串

的亲和力，如果d小于设定的阈值z+a且大于等于z，则放入检测器集

中，若不能匹配，将继续与下一种故障模式串

进行亲和力计算，若d小于设定的阈值z+a且大于等于z，那么放入检测器集

中，若不能匹配，继续循环，直到与最后一种故障模式匹配，获得检测器集 $R_a=(R_1^a,R_2^a,\&CenterDot;\&CenterDot;\&CenterDot;,R_k^a).$ 重复执行整个过程直到达到所需要的检测器数量M为止。同理，取匹配阈值分别为z+2a、z+3a，a∈R，不同匹配阈值对应的各故障模式的检测器集分别为 $R_{2a}=(R_1^{2a},R_2^{2a},\&CenterDot;\&CenterDot;\&CenterDot;,R_k^{2a})$ 和 $R_{3a}=(R_1^{3a},R_2^{3a},\&CenterDot;\&CenterDot;\&CenterDot;,R_k^{3a}).$ 不同匹配阈值检测器的亲和力计算由以下欧式公式控制

$z\&le;d=\sqrt{\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}{({\mathrm{ab}}_i-{\mathrm{ag}}_i)}^2}<z+a---\left(3\right)$

$z+a\&le;d=\sqrt{\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}{({\mathrm{ab}}_i-{\mathrm{ag}}_i)}^2}<z+2a---\left(4\right)$

$z+2a\&le;d=\sqrt{\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}{({\mathrm{ab}}_i-{\mathrm{ag}}_i)}^2}<z+3a---\left(5\right)$

式中：a为匹配阈值的调节量；z为匹配阈值；d为欧式距离。

步骤四、免疫神经网络的学习和训练

将训练好的检测器集R₀作为训练神经网络的正常样本；将训练好的检测器集R_i(i＝1，2，…，k)、R_a、R_2a和R_3a作为训练神经网络的故障样本，确定输出1为故障，0为正常。由于故障发生之前某些信号会发生变化，所以匹配阈值为z+a、z+2a、z+3a的检测器集对应的是将来可能发生的故障样本，其神经网络的输出的故障结果预示着设备即将要发生的故障，各个匹配阈值表示将要发生故障的可信度。

本发明采用的神经网络为三层BP网络模型。BP网络模型就是采用误差反向传播的训练算法，即BP网络是由非线性单元组成的前馈网络。可采用一种监督式的学习算法，其基本思想是通过调节网络的权值和阈值使网络输出层的误差平方和达到最小，也就是使输出值尽可能接近期望值。本发明方法中神经网络学习、诊断及预测具体过程如下：

(1)网络结构及学习参数的确定：根据输入向量确定三层神经网络的输入层节点数n、根据故障模式种类确定输出层节点数q，根据经验以及通过训练学习后考虑网络的学习次数和识别率，综合比较后确定隐含层节点数p以及权值收敛因子ζ及误差收敛因子δ。

(2)网络状态初始化：给各连接权W_ij、V_jt及阈值θ_j、γ_t赋予[-1，+1]之间的随机值。

(3)提供神经网络学习样本对：选取特征样本数据向量 $A_k=[a_1^k,a_2^k,\&CenterDot;\&CenterDot;\&CenterDot;,a_n^k]$ 和目标向量 $Y_k=[y_1^k,y_2^k,\&CenterDot;\&CenterDot;\&CenterDot;,y_q^k]$ 提供给神经网络。

(4)开始学习，对每一个样本进行如下操作：

①计算网络隐含层及输出层各神经元的输出

隐含层输出 $\begin{array}{cc}{b}_j=f(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{W}_{\mathrm{ij}}\&CenterDot;a_i-{\mathrm{\&theta;}}_j)& (j=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,p)\end{array}---\left(7\right)$

输出层输出 $\begin{array}{cc}{c}_t=f(\underset{j=1}{\overset{p}{\mathrm{\&Sigma;}}}{V}_{\mathrm{jt}}\&CenterDot;b_j-{\mathrm{\&gamma;}}_t)& (t=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,q)\end{array}---\left(8\right)$

式中W_ij—输入层第i单元至隐含层第j单元的连接权；

    θ_j—隐含层j单元的阈值；

    V_jt—隐含层第j单元至输出层第t单元连接权；

    γ_t—输出层第t单元阈值；

    f—S型激活函数 $f\left(x\right)=\frac{1}{1+\exp (-x)};$

②计算训练误差

隐含层训练误差 $\begin{array}{cc}{e}_j^k=[\underset{t=1}{\overset{q}{\mathrm{\&Sigma;}}}{d}_t^k\&CenterDot;V_{\mathrm{jt}}]\&CenterDot;b_j\&CenterDot;(1-b_j)& (j=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,p)\end{array}---\left(9\right)$

输出层训练误差 $\begin{array}{cc}{d}_t^k=(y_t^k-c_t)\&CenterDot;c_t\&CenterDot;(1-c_t)& (t=\mathrm{1,2},\&CenterDot;\&CenterDot;\&CenterDot;,q)\end{array}---\left(10\right)$

式中

—期望输出；

   c_t—实际输出；

   b_j—隐含层第j单元的输出；

③修改权值

输入层到隐含层之间的新连接权：

$W_{\mathrm{ij}}(N+1)=W_{\mathrm{ij}}\left(N\right)+\mathrm{\&beta;}\&CenterDot;e_j^k\&CenterDot;a_i^k---\left(11\right)$

隐含层到输出层之间的新连接权：

$V_{\mathrm{jt}}(N+1)=V_{\mathrm{jt}}\left(N\right)+\mathrm{\&alpha;}\&CenterDot;d_t^k\&CenterDot;b_j---\left(12\right)$

式中

分别来自公式(9)和(10)；

N—学习次数；

α—学习系数，0<α<1；

β—学习系数，0<β<1；

(5)是否满足|b_j(N+1)-b_j(N)|2<ζ，如果满足执行第(6)步，否则返回到第(4)步。

(6)是否满足|b_j(N)-Y_k|<δ，如果满足则执行第(7)步，否则返回到第(2)步。

(7)将得到的权值和阈值数据存入所建立的知识库中。

步骤五、故障预测及故障诊断

将训练好的神经网络用于设备的故障预测及诊断，根据输出向量可判断发生了何种故障。例如：设定期望输出和各个模式关系为：正常(0，0，0，0，0，0)；故障1(1，0，0，0，0，0)；故障2(0，1，0，0，0，0)；故障3(0，0，1，0，0，0)；预测故障1(0，0，0，1，0，0)(可信度80％)；预测故障2(0，0，0，0，1，0)(可信度80％)；预测故障3(0，0，0，0，0，1)(可信度80％)。把一组检测向量数据输入给免疫神经网络系统，经过免疫神经网络的预测及诊断之后，实际输出向量接近哪种模式期望输出向量时，就可确定为哪种模式了。当输出向量为(0.2，0.1，0.2，0.1，0.1，0.8)时，与预测故障3(0，0，0，0，0，1)比较接近，所以确定为此故障。对于新增加的故障模式，通过改进的否定选择算法生成检测器的过程获得检测器集，继而训练神经网络即可，应用十分方便。

步骤六、显示输出结果

本发明根据免疫系统的特点，把否定选择算法应用到训练神经网络故障样本的获得当中，提高了故障样本的可靠性。由于故障发生之前某些信号会发生变化，选取不同的匹配阈值获得的故障样本对应的是将来可能发生的故障样本，由此训练的神经网络，其输出的故障结果预示着设备即将要发生的故障，所以本发明既能对已经或正在发生的设备故障进行诊断，又能预测未来即将发生的故障。

本发明——基于免疫神经网络的连采机的远程实时故障预测及诊断方法与装置的优越性表现为：

(1)适合故障样本缺乏的场合，只要知道故障的少量典型样本，根据免疫算法就可泛化出故障样本集来训练神经网络；对于无故障样本的设备，如果可根据理论推论出少量的故障样本，根据免疫算法也可泛化出故障样本集来训练神经网络。

(2)对于即将发生的故障，难以提取特征，本方法根据匹配阈值的调整可方便的提取即将发生故障的特征。训练的神经网络，既可诊断故障，又可预测即将发生的故障。

附图说明

图1为本发明装置结构示意图；

图2为实例中控制器与控制器CANOPEN接线图；

图3为实例中控制器与上位机接线图；

图4为截割减速器测点选取示意图；

图5为通过改进的否定选择算法生成检测器的流程图；

图6为实例中连采机故障预测及诊断免疫神经网络结构；

图7为实例中免疫神经网络训练模块流程图；

图8反向传播神经网络训练过程误差曲线图；

图9免疫神经网络训练过程误差曲线图；

图10反向传播神经网络的检验误差曲线图；

图11免疫神经网络的检验误差曲线图；

图12为实例中故障显示界面；

图13为实例中主控程序流程图；

图14为截割减速器箱的免疫神经网络的输出显示界面；

其中：1—测点1，2—测点2，3—测点3，4—测点4，5—电动机，6—机械保护装置，7—机械保护装置，8—电动机，9—左截割机构，10—减速器箱，11—连轴，12—右截割机构。

具体实施方式

下面以本发明用于连采机截割减速器箱的故障预测及诊断为例进一步说明。

本发明装置包括上位机、下位机、数据通讯装置、现场传感变送装置，其中现场传感变送装置包括加速度、振动、流量、压力、温度传感器。如图1所示。

本实例中下位机采用芬兰Epec Oy公司开发的第三代CAN控制器——EPECOY.E3002024(简称EPEC2024)，EPEC2024内嵌了CAN总线通讯模块，自带CANopen和CAN2.0总线接口。只需将CAN总线接入控制器所对应的针脚，设置其节点号，就可以实现控制器在CAN总线上的相互通讯，如图2所示。

上位机通过USB接口与EPEC2024内嵌的CAN总线通讯模块相连，EPEC2024内嵌的CAN总线通讯模块的CAN_GND、CAN_L、CAN_H管脚分别与控制器的XM4.3、XM4.6、XM4.2管脚相连，如图3所示。传输部分采用双绞线实现上位机和下位机远程载波通讯，通讯协议采用CANOPEN高级通讯协议。

现场传感变送装置采用EPEC2024控制器采集传感器所采集到的信号，并把所采集的数据存储到EPEC2024控制器的发送存储空间，通过程序把数据发送到CAN总线上，传输接口接收发送到CAN总线上的信息并送入上位机。

截割机构是连采机的重要部件之一，它由2台电动机、两套机械保护装置、一台减速器、左右截割滚筒、截割链及截割臂等组成。两台电机以垂直机器纵轴方向对称分置在截割臂左右两侧，各自通过机械保护装置将动力传送至减速器，减速器的出轴同时带动左、右截割滚筒和截割链破碎煤层。由于电动机的轴向与中间滚筒的大轴方向垂直，因此减速器采用了一级直齿轮、一级锥形齿轮(换向)及一级行星齿轮三级减速，减速器箱体呈T形。截割机构直接作用在煤岩上，截割时呈悬臂状态，滚筒受力复杂，截割载荷变化较大，容易引起机器故障，在工作过程中，减速器承受高变负荷、变大扭矩，故障发生率较高，连采机的大多数故障出现在截割部的减速器这部分。本实例中对其断齿、齿面疲劳、齿面变形、齿面磨损、轴的变形五种故障进行诊断。

本实例中故障预测及诊断方法按以下步骤执行：

步骤一、数据的采集

进行数据采集时，合理地选择测点是在线进行故障预测及诊断的前提。根据分析的需要与设备的结构特点，根据减速器箱的结构以及振动信号测点的选取原则，测点安排如图4所示，测点1(3)和测点2(4)相差180°，4个测点都放在输出轴端盖上。将1～5f范围的频率每隔1f分为一段，测取每一小段中的极值作为该段的代表，将这16个极值联合起来作为该数据向量的描述。采用HG-3518数据采集器进行信号数据采集，仪器采样点数选N＝1024，最大分析频率f＝2000Hz。

步骤二、数据的处理

经过实验获取了900组数据，在训练神经网络以前，对输入数据作归一化处理，使之范围在[0，1]之间，采用如式(1)方法对数据进行归一化处理后，选取了其中的18组数据如表1所示。

表1 神经网络的训练样本数据

步骤三、生成检测器

(1)定义自我串长度为L＝16的有限字符串集合S。选取三串作为正常模式串 $R_0^{\&prime;}=[X_1,X_2,X_3];$ 对于某种故障模式i，(i＝1，2，…，5)，选取三串作为每种故障模式串 $R_i^{\&prime;}=[X_{3i+1},X_{3i+2},X_{3i+3}].$

(2)生成检测器集R_i。先设定匹配阈值z＝0.500，随机生成检测器集D，对于D中的每个检测器，与S中的正常模式

进行亲和力计算如式(2)，若d小于设定的阈值0.500，则放入检测器集R₀中，若不能够满足条件，继续与断齿故障模式串

进行亲和力计算，如果d小于设定的阈值0.500，则放入检测器集R₁中，若不能匹配，将继续与下一种齿面疲劳故障模式串

进行亲和力计算，若d小于设定的阈值0.500，那么放入检测器集R₂中，若不能匹配，继续循环，直到与最后一种轴弯曲故障模式匹配，获得检测器集R₅。重复执行这个过程直到每种模式达到所需要的检测器数量400为止。这样就生成了截割减速器箱的正常工作模式R₀，以及各故障模式的检测器集：断齿R₁、齿面疲劳R₂、齿面变形R₃、齿面磨损R₄和轴弯曲R₅。

通过三种匹配阈值的免疫神经网络的训练，确定了理想的匹配阈值z＝0.420，接着生成预测检测器集。设定匹配阈值为z+a＝0.420+0.020＝0.440，即取a＝0.020。计算D中的检测器与S中的数据模式(检测器集为R₀)进行亲和力计算如式(2)，若d小于设定的阈值0.500，则删除，若不能够满足条件，继续与断齿故障模式串

进行亲和力计算，如果d小于设定的阈值z+a＝0.440且大于等于z＝0.420，则放入检测器集

中，若不能匹配，将继续与下一种故障模式串

进行亲和力计算，若d小于设定的阈值z+a＝0.440且大于等于z＝0.420，那么放入检测器集

中，若不能匹配，继续循环，直到与最后一种故障模式匹配，获得检测器集

重复执行整个过程直到达到所需要的检测器数量M＝400为止。同理，取匹配阈值分别为z+2a、z+3a(a＝0.020)，不同匹配阈值对应的各故障模式的检测器集分别为

和

不同匹配阈值检测器的亲和力计算由公式(3)、(4)、(5)计算。

这样用匹配阈值为z＝0.420和a＝0.020生成的检测器R₀、(R₁，R₂，…，R₅)、

作为神经网络的样本训练神经网络。训练的免疫神经网络既可进行故障预测，又可进行故障诊断。

步骤四、免疫神经网络的学习和训练

根据输入向量确定输入层节点数n＝16、根据故障模式种类输出层节点数q＝21、隐含层节点数是求解网络问题的关键，它直接影响到网络模型对测试样本的识别能力，根据经验和通过训练学习后本免疫神经网络选取隐含层的节点数p＝15。最终确定的网络结构为16-15-21，如图6所示。选定权值收敛因子ζ＝0.001和误差收敛因子δ＝0.1，训练目标0.001，最大训练批次2000次。

表2 截割减速器箱典型故障与故障征兆(不同阈值)的对应关系

此时已经确定了神经网络的网络模型和训练数据，接着确定待判别模式和神经网络的理想输出的编码关系。在表2中给出了截割减速器箱待判别典型故障与故障征兆(不同阈值)的对应关系，输出均为0时为设备运行正常。

对比实例

(1)免疫神经网络和BP神经网络训练误差曲线的对比

用900组实验获得的数据训练BP神经网络得到图8所示的BP神经网络训练过程的误差曲线，从图中可以看出在经过了1398次训练以后才达到了设定的目标误差。

把上文中匹配阈值z＝0.420时，获得的检测器集R₀和(R₁，R₂，…，R₅)作为免疫神经网络的训练样本训练免疫神经网络。得到图9所示的免疫神经网络训练过程的误差曲线，从图中可以看出在经过了1058次训练以后就达到了设定的目标误差限。

由图8和图9的训练误差曲线中可以看出该免疫神经网络只需要1058次训练就可以达到原BP神经网络经过1398次训练才能达到的训练目标误差。所以总的来说免疫神经网络相比于原BP神经网络可以节约四分之一的时间，所以免疫神经网络误差收敛速度较快。

(2)故障诊断实例对比

用随机抽取的60组检验数据对训练好的BP神经网络进行检验，在表3～表8中给出了检验后的BP神经网络的实际输出诊断结果。用理想输出与实际输出结果的差值的∞-范数标记BP神经网络的误差(∞-范数如式14所示)，计算得到如表9所示的检测误差，为了便于观察，本文根据表9的误差结果相应的画出了BP神经网络的检验误差曲线，如图10所示。

‖x—y‖_∞＝max(|x₁—y₁|，|x₂—y₂|，…，|x₂₁—y₂₁|)      (14)

其中<x₁，x₂，…，x₂₁>为BP神经网络的实际输出值，<y₁，y₂，…，y₂₁>为BP神经网络的理想输出值。

表3 正常工况下对应的BP神经网络的诊断结果

 

正常工况	断齿	齿面疲劳	齿面变形	齿面磨损	轴弯曲
						0.894	0.027	0.135	-0.391	0.033	0.073
0.652	0.087	-0.217	0.136	0.249	-0.276
						0.617	-0.156	0.107	0.312	-0.061	0.327
0.583	0.269	0.266	0.290	0.224	0.055
						0.877	0.156	0.301	-0.213	0.167	0.195

 

0.686	-0.030	0.177	0.292	-0.324	-0.122
						0.597	0.195	0.314	0.136	0.164	0.192
0.751	0.354	-0.281	0.272	0.246	0.255
						0.746	0.183	0.467	0.330	0.360	0.143
0.906	0.158	0.144	-0.281	0.278	0.185

表4 断齿对应的BP神经网络的输出

 

正常工况	断齿	齿面疲劳	齿面变形	齿面磨损	轴弯曲
						-0.035	0.797	0.437	-0.212	0.215	-0.186
0.306	0.852	-0.213	0.192	0.374	0.360
						-0.074	0.601	0.314	0.266	-0.136	0.316
0.133	0.751	0.285	0.348	0.171	0.500
						0.115	0.615	-0.126	0.319	0.415	0.370
0.093	0.582	-0.475	0.309	0.414	0.345
						0.079	0.911	0.193	0.242	0.243	0.381
0.145	0.687	0.329	0.271	0.181	0.265
						-0.044	0.817	0.387	0.166	0.442	0.434
0.124	0.922	0.187	0.239	0.203	0.199

表5 齿面疲劳对应的BP神经网络的输出

 

正常工况	断齿	齿面疲劳	齿面变形	齿面磨损	轴弯曲
						0.103	0.384	0.684	0.243	0.275	0.168
0.082	0.262	0.710	0.304	0.304	-0.081
						-0.085	0.319	0.744	0.263	0.231	0.125
0.176	0.341	0.572	0.397	0.460	0.285
						0.184	0.218	0.843	0.179	-0.121	0.260
0.128	0.320	0.915	-0.148	0.254	0.211
						0.038	-0.166	0.738	0.391	0.183	0.181
0.242	0.208	0.605	0.322	0.411	-0.028
						0.145	0.210	0.757	0.231	0.196	0.222
-0.024	0.179	0.597	0.342	0.109	0.247

表6 齿面变形对应的BP神经网络的输出

 

正常工况	断齿	齿面疲劳	齿面变形	齿面磨损	轴弯曲
						-0.101	0.180	0.262	0.546	0.475	0.168

 

0.067	-0.213	0.161	0.794	0.221	0.256
						-0.230	0.314	0.341	0.651	0.381	-0.279
0.129	0.236	0.189	0.814	0.214	0.186
						0.061	0.434	0.143	0.731	0.115	0.333
0.021	0.112	0.268	0.911	0.196	-0.162
						0.142	0.255	0.312	0.607	0.360	0.169
0.282	0.296	0.243	0.813	0.247	0.219
						0.110	0.220	-0.190	0.741	0.295	0.126
-0.012	0.190	0.178	0.605	0.301	0.243

表7 齿面磨损对应的BP神经网络的输出

 

正常工况	断齿	齿面疲劳	齿面变形	齿面磨损	轴弯曲
						-0.001	0.265	0.376	0.423	0.827	0.336
0.014	0.362	-0.188	-0.173	0.912	-0.188
						0.115	0.381	0.266	0.380	0.682	0.396
0.170	0.307	0.439	0.321	0.643	0.338
						0.093	-0.175	0.215	0.291	0.702	0.211
-0.128	0.371	0.272	0.263	0.592	0.228
						0.092	0.270	-0.320	0.216	0.709	-0.124
0.167	0.269	0.148	-0.312	0.617	0.301
						0.317	0.247	0.335	0.456	0.728	0.163
0.113	0.323	0.241	0.385	0.723	0.262

表8 轴弯曲对应的BP神经网络的输出

 

正常工况	断齿	齿面疲劳	齿面变形	齿面磨损	轴弯曲
						-0.103	-0.104	-0.213	0.140	0.257	0.901
0.092	0.170	0.326	0.296	-0.223	0.719
						-0.102	0.152	0.381	0.117	0.283	0.882
0.107	0.144	0.315	0.378	-0.176	0.724
						0.044	0.219	0.175	0.145	0.283	0.584
0.053	-0.355	0.142	0.402	0.262	0.827
						-0.030	0.298	0.292	0.246	-0.181	0.728
0.124	0.192	-0.125	-0.299	0.302	0.620
						0.092	-0.126	0.295	0.354	0.317	0.597
0.081	0.308	0.204	0.271	0.114	0.742

表9 BP神经网络诊断结果的检测偏差

由表9可以看出在60个检验误差中最大的0.475，最小的则为0.186。从检验误差曲线可以直观的看出这个网络经过训练以后是基本能满足连采机截割减速器箱的故障诊断要求的。但诊断结果偏差也较大，大部分在0.350～0.460之间，根据BP神经网络的输出容易形成误判。

接着用随机抽取的60组检验数据对训练好的免疫神经网络进行检验，在表10～表15中给出了检验后的免疫神经网络的实际输出诊断结果。用理想输出与实际输出结果差值的∞-范数标记免疫神经网络的误差，最后得出如表16所示的检测误差结果，为了便于观察，本文根据表16的误差结果相应的画出了免疫神经网络的检验误差曲线，如图11所示。

表10 正常工况对应的免疫神经网络的输出

 

正常工况	断齿	齿面疲劳	齿面变形	齿面磨损	轴弯曲
						0.853	0.184	-0.014	0.209	0.122	0.205
0.981	-0.088	0.189	0.135	-0.139	0.191
						0.862	0.123	-0.109	-0.077	0.051	-0.166
0.986	-0.103	0.034	0.105	0.152	0.073
						0.862	0.086	0.103	0.132	0.038	0.152
0.845	0.171	0.097	0.067	0.102	0.201
						0.953	0.050	0.035	0.086	0.115	0.143
0.852	0.049	0.100	-0.212	0.215	0.169
						0.794	0.207	0.072	0.122	0.121	-0.148
0.902	0.142	0.104	0.201	0.077	0.056

表11 断齿对应的免疫神经网络的输出

 

正常工况	断齿	齿面疲劳	齿面变形	齿面磨损	轴弯曲
						0.082	0.998	-0.131	0.039	-0.123	0.064
-0.093	0.906	0.045	-0.184	0.202	-0.141
						0.176	0.876	0.091	0.204	-0.114	0.013
-0.161	0.891	0.158	-0.155	0.226	0.171
						0.050	0.798	-0.117	0.063	0.201	-0.149
0.107	0.848	0.130	0.180	0.150	0.099
						-0.124	0.923	-0.204	0.191	-0.138	0.072
0.185	0.884	-0.082	-0.097	0.209	-0.176
						-0.219	0.785	0.158	-0.076	-0.169	0.225
0.110	0.958	0.183	0.034	0.098	0.169

表12 齿面疲劳对应的免疫神经网络的输出

 

正常工况	断齿	齿面疲劳	齿面变形	齿面磨损	轴弯曲
						0.089	0.213	0.984	0.143	0.073	0.175
0.123	-0.072	0.893	-0.117	0.148	-0.185
						0.159	0.113	0.839	0.026	-0.092	0.099
-0.105	0.156	0.877	-0.109	0.212	0.224
						0.046	-0.125	0.789	0.018	0.032	0.236
0.267	0.087	0.885	0.056	0.139	0.229
						0.228	0.172	0.966	-0.118	-0.137	-0.194
-0.134	0.243	0.887	0.239	0.144	0.156
						0.121	0.244	0.977	0.132	-0.024	0.117
0.165	0.153	0.874	0.218	0.123	0.237

表13 齿面变形对应的免疫神经网络的输出

 

正常工况	断齿	齿面疲劳	齿面变形	齿面磨损	轴弯曲
						0.170	0.072	0.104	0.994	0.141	-0.138
-0.222	-0.157	0.129	0.869	-0.211	0.078
						0.081	0.312	-0.055	0.792	0.127	-0.165
-0.089	-0.225	0.193	0.896	-0.160	0.088
						0.157	0.242	0.128	0.867	0.215	0.151

 

0.166	0.185	-0.186	0.982	0.174	0.155
						-0.076	-0.220	0.234	0.885	0.184	-0.217
0.216	0.133	-0.283	0.876	-0.088	0.133
						-0.098	-0.233	0.219	0.915	0.152	0.038
0.154	0.131	0.205	0.853	0.210	0.141

表14 齿面磨损对应的免疫神经网络的输出

 

正常工况	断齿	齿面疲劳	齿面变形	齿面磨损损	轴弯曲
						0.249	0.116	0.229	0.172	0.925	0.287
-0.072	-0.098	-0.209	-0.169	0.878	0.201
						0.040	0.087	0.130	0.240	0.876	0.193
-0.092	-0.015	-0.181	0.051	0.955	-0.056
						0.106	0.214	0.133	0.247	0.797	0.073
-0.090	0.125	0.217	0.212	0.851	0.221
						0.137	0.215	0.163	0.213	0.918	0.145
0.128	-0.244	0.230	0.176	0.877	-0.058
						0.223	0.173	-0.228	0.218	0.941	0.290
-0.085	0.065	0.158	-0.174	0.901	0.159

表15 轴弯曲对应的免疫神经网络的输出

 

正常工况	断齿	齿面疲劳	齿面变形	齿面磨损	轴弯曲
						0.082	0.209	0.285	0.072	0.115	0.937
-0.150	-0.178	-0.172	0.158	0.220	0.873
						0.058	0.137	0.179	-0.223	-0.119	0.905
0.063	0.254	0.231	0.192	0.212	0.886
						0.185	0.042	0.134	0.241	0.094	0.793
0.187	0.108	0.162	0.196	0.092	0.963
						0.285	0.126	-0.253	0.257	0.109	0.875
0.223	-0.119	0.062	-0.241	-0.165	0.929
						-0.139	0.097	0.166	0.184	0.211	0.903
0.173	0.158	0.210	0.264	0.062	0.859

表16 免疫神经网络诊断结果的检测偏差

由表16可以看出在60个检验误差中最大的也只有0.290，最小的则只有0.131。由检验误差可以看出免疫神经网络经过训练以后是能更好的满足连采机截割减速器箱的故障诊断。由图10和图11可以非常直观的比较出检验误差的大小。并且和BP神经网络相比免疫神经网络的误差收敛速度较快，输出偏差较小，准确性更高。

根据训练误差曲线的比较可以得出免疫神经网络收敛速度比BP神经网络收敛速度更快；根据检验误差曲线的比较可以得出免疫神经网络的诊断结果比BP神经网络的诊断结果更加准确。所以发明提出的基于免疫神经网络的故障诊断方法比基于BP神经网络的故障诊断方法更加优越。

步骤五、故障预测及故障诊断

为了更好的验证免疫神经网络进行故障预测及诊断的准确性和实用性，通过神东煤矿采煤现场的应用实践，充分显示了本发明的准确性和实用性。

在神东煤矿采煤生产过程中，在连采机上应用了本发明方法进行故障预测及诊断。四月十六日从免疫神经网络的输出中可判断发生齿面磨损的故障的可信度为85％，因为出于适用阶段原因，此时没有对截割减速器箱进行维护，仍让其继续进行运转。并且，由于施工环境恶劣、噪声较大，与其它减速器箱相比，此时从感官上感觉不到减速器箱有十分明显的变化。但过了两日发现减速器箱发出较大异响，机身温度超过70℃，而此时本发明装置的输出中可判断发生齿面疲劳的故障的可信度为70％，发生齿面磨损的故障的可信度为100％，应及时进行停机维修。经拆减速器箱检修发现：一级直齿轮的齿面上出现少量的点蚀、剥落现象，而一级行星齿轮齿面有大量的划痕，由于此次事故处理及时恰当，避免了整机处于停滞甚至瘫痪状态，保证了生产的连续作业。

本发明——基于免疫神经网络的连采机远程实时故障预测及诊断方法与装置，可以对连采机截割减速器箱的运转状况进行比较快速、准确的远程实时判断，避免了维修的盲目性，充分保证了连采机的正常作业。

步骤六、输出结果显示界面，如图14所示

输出结果显示界面中列出了截割减速器箱的主要故障：断齿、齿面疲劳、齿面变形、齿面磨损和轴弯曲，相对应的列出了故障原因、输出结果、可信度(对于不同的阈值)和历史纪录等。本系统设定免疫神经网络输出大于0.65时为故障，输出结果只显示故障与否，同时有故障输出的结果采用了粉色字体，这样便于观察输出结果，点击历史记录按钮，即可看到详细的历史记录(发生故障的日期、时间、输出结果等)。

对于软件开发部分，选择合适的开发工具可以减小系统开发的难度，加快开发进度。本监控软件的设计基于WindowsXP操作系统，采用Visual C++6.0作为开发工具。本监控软件的设计思想是采用本发明提出的故障预测及诊断方法对井下设备进行监控，主要包括数据采集、检测器的生成、神经网络的学习和训练、故障预测及故障诊断、故障日志管理等部分的实现。

上位机实现故障预测及诊断的主控流程是按以下步骤执行的，如图13所示：

步骤1、开始；

步骤2、波特率及控制器设备号的设置；

步骤3、初始化USB-CAN转换模块；

步骤4、数据采集；

步骤5、数据的处理；

步骤6、检测器的生成；

步骤7、神经网络学习和训练；

步骤8、判断故障预测及诊断是否有故障；如果是，执行步骤9；如果否，返回步骤4；

步骤9、诊断处理判断故障的类型；

步骤10、故障提示报警，向井下发送故障信息，返回步骤4。

连采机经常出现故障的元件还有主电机、液压泵站。电机的故障主要表现为机械振动引起的螺栓松动、轴承故障及共振、使转子偏心扫膛、电机后端盖偏磨、水冷却不良造成电机温度升高等。一般情况下，液压系统出故障时都首先想到液压泵，因为泵是液压系统的动力源，液压泵是液压系统的“心脏”，它将机械能转换成液压能，向系统提供足够流量和压力的油液，以满足机械完成各种动作的需要，所有元件的动作都要与泵有关系。先行考虑液压泵的故障很有必要，因为这样可以按逻辑有次序地追查到故障根源，有利于排除故障。液压泵常见故障有：(1)不排油；(2)振动与噪声；(3)压力异常；(4)流量不足或不稳；(5)异常发热等。

本发明——基于免疫神经网络的连采机远程实时故障预测及诊断的方法与装置还能对主电机、液压泵站的故障进行预测及诊断，都能很好的对相应部件进行快速、准确的远程实时判断，增大了连采机的开机率，极大提高了连采机的可靠性，保证了其工作面的高效高产。

Claims (3)

1、一种连采机远程实时故障预测及诊断方法，该方法依赖于上位机、下位机、数据通讯装置和现场传感变送装置，上位机中嵌入了实现故障预测及诊断的功能软件，其特征在于该方法包括以下步骤：

步骤一、采集数据

采集加速度、振动、流量、压力、温度数据，并经过A/D转换；

步骤二、处理数据

对输入数据作归一化处理，使之范围在[0，1]之间，采用下式：

$x_i^{\&prime;}=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }}(\mathrm{HI}-\mathrm{LO})+\mathrm{LO}---\left(1\right)$

其中x_i为归一化前第i个测量的数据，x_max为{x_i}，i＝1，2，…，n中的最大值；x_min为{x_i}，i＝1，2，…，n中的最小值，为归一化后的数据，HI＝0.9，LO＝0.1；

步骤三、生成检测器，按以下步骤进行

(1)定义自我串S为含有有限字符，长度为L的字符串的集合；

自我串是把实数编码设备正常工作时的数据模式的L个标准表征设备状态的信息数据连接在一起作为正常模式串，且选取h串作为正常模式串 $R_0^{\&prime;}=[X_1,X_2,\&CenterDot;\&CenterDot;\&CenterDot;,X_h],$ h＝1，2，…；对于某种故障模式i，i＝1，2，...，k，把实数编码的故障模式的L个标准的表征设备故障特征的信息数据连接在一起作为故障模式串

，选取h串作为故障模式串 $R_i^{\&prime;}=[X_{\mathrm{hi}+1},X_{\mathrm{hi}+2},\&CenterDot;\&CenterDot;\&CenterDot;,X_{\mathrm{hi}+h}],$ 得到自我串 $S=(R_0^{\&prime;},R_1^{\&prime;},\&CenterDot;\&CenterDot;\&CenterDot;,R_k^{\&prime;});$

(2)设定匹配阈值z

通过分别取不同的匹配阈值z获得各检测器集，继而训练神经网络；通过神经网络训练过程的误差曲线和随机选择正常工况及各种故障模式获得的数据检验免疫神经网络的故障诊断情况，继而确定较优的匹配阈值z；采用欧式距离匹配原则表征亲和力大小，如式(2)所示，如果欧式距离d小于设定的阈值z，表明亲和力达到所需要求；

$d=\sqrt{\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}{({\mathrm{ab}}_i-{\mathrm{ag}}_i)}^2}<z---\left(2\right)$

式中：d为欧式距离；ab_i为抗体的坐标；ag_i为抗原的坐标；z为匹配阈值；L为串的长度；

(3)生成检测器集R_i

随机生成检测器集D，对D中的每个检测器，与S中的正常模式串

根据公式(2)进行亲和力计算，其中公式中的抗体和抗原分别为自我串S和随机生成的检测集D；若d小于设定的阈值z，说明亲和力够大，则放入检测器集R₀中，若不能够满足条件，继续与第一种故障模式串

进行亲和力计算，如果d小于设定的阈值z，则放入检测器集R₁中，若不能匹配，将继续与下一种故障模式串进行亲和力计算，若d小于设定的阈值z，那么放入检测器集R₂中，若不能匹配，继续循环，直到与最后一种故障模式匹配；重复执行这个过程直到达到所需要的检测器数量M为止；

(4)生成预测检测器集

取匹配阈值为z+a，计算D中的检测器和第一种故障模式串

的亲和力，如果d小于设定的阈值z+a且大于等于z，则放入检测器集

中，若不能匹配，将继续与下一种故障模式串

进行亲和力计算，若d小于设定的阈值z+a且大于等于z，那么放入检测器集

中，若不能匹配，继续循环，直到与最后一种故障模式匹配，获得检测器集 $R_a=(R_1^a,R_2^a,\&CenterDot;\&CenterDot;\&CenterDot;,R_k^a);$ 重复执行整个过程直到达到所需要的检测器数量M为止；同理，取匹配阈值分别为z+2a、z+3a，a∈R，不同匹配阈值对应的各故障模式的检测器集分别为 $R_{2a}=(R_1^{2a},R_2^{2a},\&CenterDot;\&CenterDot;\&CenterDot;,R_k^{2a})$ 和 $R_{3a}=(R_1^{3a},R_2^{3a},\&CenterDot;\&CenterDot;\&CenterDot;,R_k^{3a});$ 不同匹配阈值检测器的亲和力计算由以下欧式公式控制：

$z\&le;d=\sqrt{\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}{({\mathrm{ab}}_i-{\mathrm{ag}}_i)}^2}<z+a---\left(3\right)$

$z+a\&le;d=\sqrt{\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}{({\mathrm{ab}}_i-{\mathrm{ag}}_i)}^2}<z+2a---\left(4\right)$

$z+2a\&le;d=\sqrt{\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}{({\mathrm{ab}}_i-{\mathrm{ag}}_i)}^2}<z+3a---\left(5\right)$

式中：a为匹配阈值的调节量；z为匹配阈值；d为欧式距离；

步骤四、免疫神经网络的学习和训练；

将训练好的检测器集R₀作为训练神经网络的正常样本；将训练好的检测器集R₁、R_a、R_2a和R_3a作为训练神经网络的故障样本，其中i＝1，2，...，k，确定输出1为故障，0为正常；由于故障发生之前某些信号会发生变化，所以匹配阈值为z+a、z+2a、z+3a的检测器集对应的是将来可能发生的故障样本，其神经网络的输出的故障结果预示着设备即将要发生的故障，各个匹配阈值表示将要发生故障的可信度；

步骤五、故障预测及故障诊断；

将训练好的神经网络用于设备的故障预测及诊断，根据输出向量判断发生了何种故障；

步骤六、显示输出结果。

2、根据权利要求1所述的连采机远程实时故障预测及诊断方法，其特征在于所述的步骤四中的免疫神经网络的学习和训练具体过程如下：

(1)网络结构及学习参数的确定：根据输入向量确定三层神经网络的输入层节点数n、根据故障模式种类确定输出层节点数q，根据经验以及通过训练学习后考虑网络的学习次数和识别率，综合比较后确定隐含层节点数p以及权值收敛因子ζ及误差收敛因子δ；

(2)网络状态初始化：给各连接权W_ij、V_jt及阈值θ_j、γ_t赋予[-1，+1]之间的随机值；

(3)提供神经网络学习样本对：选取特征样本数据向量 $A_k=[a_1^k,a_2^k,\&CenterDot;\&CenterDot;\&CenterDot;,a_n^k]$ 和目标向量 $Y_k=[y_1^k,y_2^k,\&CenterDot;\&CenterDot;\&CenterDot;,y_q^k]$ 提供给神经网络；

(4)开始学习，对每一个样本进行如下操作：

①计算网络隐含层及输出层各神经元的输出

隐含层输出 $b_j=f(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{W}_{\mathrm{ij}}\&CenterDot;a_i-{\mathrm{\&theta;}}_j)---\left(7\right)$

输出层输出 $c_t=f(\underset{j=1}{\overset{p}{\mathrm{\&Sigma;}}}{V}_{\mathrm{jt}}\&CenterDot;b_j-{\mathrm{\&gamma;}}_t)---\left(8\right)$

式中j＝1，2，…，p；

    t＝1，2，…，q；

    W_ij—输入层第i单元至隐含层第j单元的连接权；

    θ_j—隐含层j单元的阈值；

    V_jt—隐含层第j单元至输出层第t单元连接权；

    γ_t—输出层第t单元阈值；

    f—S型激活函数 $f\left(x\right)=\frac{1}{1+\exp (-x)};$

②计算训练误差

隐含层训练误差 $e_j^k=[\underset{i=1}{\overset{q}{\mathrm{\&Sigma;}}}{d}_t^k\&CenterDot;V_{\mathrm{jt}}]\&CenterDot;b_j\&CenterDot;(1-b_j)---\left(9\right)$

输出层训练误差 $d_t^k=(y_t^k-c_t)\&CenterDot;c_t\&CenterDot;(1-c_t)---\left(10\right)$

式中

—期望输出；

    c_t—实际输出；

    b_j—隐含层第j单元的输出；

③修改权值

输入层到隐含层之间的新连接权：

$W_{\mathrm{ij}}(N+1)=W_{\mathrm{ij}}\left(N\right)+\mathrm{\&beta;}\&CenterDot;e_j^k\&CenterDot;a_i^k---\left(11\right)$

隐含层到输出层之间的新连接权：

$V_{\mathrm{jt}}(N+1)=V_{\mathrm{jt}}\left(N\right)+\mathrm{\&alpha;}\&CenterDot;d_t^k\&CenterDot;b_j---\left(12\right)$

式中

分别来自公式(9)和(10)；

    N—学习次数；

    α—学习系数，0<α<1；

    β—学习系数，0<β<1；

(5)是否满足|b_j(N+1)-b_j(N)|<ζ，如果满足执行第(6)步，否则返回到第(4)步；

(6)是否满足|b_j(N)-Y_k|<δ，如果满足则执行第(7)步，否则返回到第(2)步；

(7)将得到的权值和阈值数据存入所建立的知识库中。

3、实现权利要求1所述的连采机远程实时故障预测及诊断方法的装置，其特征在于该装置包括上位机、数据通讯装置、下位机、现场传感变送装置，现场传感变送装置包括加速度、振动、流量、压力、温度传感器，下位机包含一个或多个可编程控制器，数据通讯装置采用的是CAN总线，其中数据通讯装置分别与上位机、下位机相连，下位机与现场传感变送装置相连，在连采机现场安装现场传感变送装置，现场传感变送装置中的传感器将采集的信号送到下位机，下位机定时将采集信号通过CAN总线传送到上位机，上位机再对数据进行分析处理，继而进行故障预测及诊断。

Images