[发明专利]基于小波神经网络的回转窑故障诊断方法、故障诊断GUI及系统

说明书

技术领域

本发明涉及故障诊断技术领域，尤其涉及基于小波神经网络的回转窑故障诊断方法、故障诊断GUI及系统。

背景技术

回转窑是指旋转煅烧窑，属于建材设备类。回转窑按处理物料不同可分为水泥窑、冶金化工窑和石灰窑。回转窑广泛应用在建材、冶金、化工、环保等许多生产行业中。

回转窑是水泥熟料煅烧不可缺少的热工设备，水泥回转窑主要完成少量最终分解及熟料矿物形成。其功能是提供燃料燃烧和气料进行热交换的空间，给予物料一定的停留时间完成化学反应；提供燃料燃烧的停留时间；完成物料从窑尾到窑头的输送。

就回转窑而言，运行环境恶劣、时变因素多，难以建立精确的数学模型。回转窑故障的产生增加运行代价，降低生产效率，造成事故。因此对回转窑故障诊断的重要性和迫切性日益加剧。

概率神经网络的全称是Probabilistic Neural Network，它主要用于模式分类，是基于贝叶斯策略前馈神经网络。概率神经网络实质上是在贝叶斯最小风险准则的基础上应运而生的一种并行算法，它的计算过程不同于BP神经网络的反向误差传播，其计算过程是完全前向的。

使用特征向量训练神经网络识别故障种类，采用概率神经网络进行故障诊断的训练，完成了对回转窑电流故障类型的分类，能够有效对回转窑的运行进行监控。

发明内容

本发明提供了基于小波神经网络的回转窑故障诊断系统及方法，其配置合理，实现了回转窑运行的有效监控，有效提高了生产效率，降低了综合运行成本，避免了事故的发生。

本发明的技术方案

为解决上述技术问题，本发明提供的基于小波神经网络的回转窑故障诊断方法，其具体包括以下步骤：

S1，获取回转窑在不同故障下对应的电流信号波形；

S2，对步骤S1中获取的电流信号波形进行消噪处理；

S3，对消噪处理的电流信号波形进行小波包特征向量提取；

S4，将提取的多组特征向量输入神经网络进行训练，通过不同故障的特征向量识别不同故障对应的能量在不同频带的特征，进而区分故障种类；

S5，利用训练的概率神经网络进行故障诊断，并输出故障类型。

进一步地，所述小波包特征向量提取的步骤包括：

S3-1，选取需要进行处理的回转窑电流信号波形；

S3-2，使用db小波包进行三层小波分解，得到八个频带的信号波形；

S3-3，绘制小波包树结构的图形；

S3-4，对分解后的第三层的各节点系数进行重构，绘制节点重构后的波形；

S3-5，计算故障信号各重构系数的方差，生成特征向量。

进一步地，所述故障诊断的步骤包括：

S5-1，将若干组特征向量输入神经网络，形成训练样本；

S5-2，给训练样本中的每个数加注标签，并进行归一化处理；

S5-3，使用newpnn构建概率神经网络并优化拓展常数spread的数值；

S5-4，输入测试样本并进行归一化处理，测试神经网络；

S5-5，将测试结果输入概率神经网络模型并进行预测；

S5-6，将向量形式的分类结果转换为标量输出，与已知结果进行比较，并输出诊断结果。

进一步地，所述电流信号波形的消噪处理的函数为ddencmp和wpdencmp，ddencmp函数自动生成小波消噪或压缩的阈值，wpdencmp函数使用小波包变换进行信号的压缩或去噪。

进一步地，所述回转窑故障时的电流信号波形包括窑电流缓慢上升、窑电流逐渐上升、窑电流逐渐下降、窑电流突然上升然后突然下降、窑电流突然升高很多然后缓慢下降、窑电流缓慢升高且有波动、窑转一圈电流差逐渐变大、窑转一圈电流差逐渐变小。

进一步地，所述拓展常数spread的取值范围为0.1-0.2。

本发明还提供了基于小波神经网络的回转窑故障诊断系统，其包括概率神经网络模型、训练样本及检测样本。

回转窑故障诊断系统执行以下流程进行故障诊断：获取回转窑在不同故障下对应的电流信号波形；对获取的电流信号波形进行消噪处理；对消噪处理的电流信号波形进行小波包特征向量提取；将提取的多组特征向量输入概率神经网络进行训练，通过不同故障的特征向量识别不同故障对应的能量在不同频带的特征，进而区分故障种类；利用训练的概率神经网络进行故障诊断，并输出故障类型。

本发明还提供了基于小波神经网络的回转窑故障诊断GUI，故障诊断GUI与故障诊断系统建立联系，并执行以下操作程序：