[发明专利]一种改进鸡群优化RBF神经网络的设备健康状态检测方法

说明书

本发明涉及一种改进鸡群优化RBF神经网络的设备健康状态检测方法，基本步骤如下：(1)信号采样；(2)降噪处理；(3)特征提取；(4)数据归一化处理；(5)设备健康状态检测。本发明提出了一种改进鸡群优化RBF神经网络模型，使用智能寻优方法找到最优的中心向量，从而提高RBF网络的性能。针对鸡群算法在一定程度上易陷入局部最优的问题，采用改进鸡群结合混沌搜索策略优化初始种群，同时对使用度值高的小鸡通过成长操作来代替一部分公鸡粒子，从而尽可能解决陷入局部最优的问题。

技术领域

本发明涉及一种设备健康状态检测方法，尤其是一种改进鸡群优化RBF神经网络的设备健康状态检测方法。

背景技术

随着现代工业的发展，我国工业设备也逐渐与新兴科技相结合，变得更加智能化。大型工业设备经过长时间运作，零件间互相摩擦、设备间相互挤压碰撞、化学原料腐蚀设备零件等原因导致设备逐渐磨损、腐化和断裂，产生一系列设备故障问题，最终造成巨大的经济损失。如果可以随时掌握零件磨损情况，对其磨损位置、磨损程度进行准确定位检测，在零件崩裂前，对损耗的设备故障零件进行及时的修复调换，能有效降低因设备故障造成的经济损失。由于传统方法不能达到实际的需求，灵活运用人工智能技术已然成为各行各业里研究学者的一个重要研究方向。

发明内容

为了解决上述存在的问题，提供一种改进鸡群优化RBF神经网络的设备健康状态检测方法。

本发明创造采用的技术方案为：其步骤为：

1)信号采样：用加速度计收集轴承的振动数据，选取数字信号的采样频率为12000Hz的轴承数据；

2)降噪处理：采用小波变换技术，选取小波基函数为db9，分解层数为5层，对每层高频小波系数做阈值量化处理，阈值的计算方法使用Matlab里的库函数wnoisest提取第一层的细节系数来估算噪声的标准偏差；根据式(1)计算阈值sigma：

其中：th为标准偏差；

N为整个信号长度；

之后通过阈值函数选择硬阈值处理方法；

3)特征选择：选取均值、峰值、幅值平方和、标准差这四种时域特征参数做特征提取；四种时域特征公式如表1所示：

表2四种时域特征统计表

其中μ_x为均值，x_i为输入的数据，x_p为峰值，x_c为幅值平方和，ω为标准差；

4)数据归一化处理：将时域特征向量通过归一化处理得到最终的数据作为模型的输入，利用小波变换降噪得到的数据经过特征选取得到特征向量转化为[0,1]区间范围的数据，所用的公式为式(2)：

其中：X_t是归一化后的结果；

X是原始数据；

n是样本最小值；

m是样本最大值；

5)设备健康状态检测：

5.1)根据混沌搜索求最初种群：对于D维空间的n粒子，首先随机产生数值在[0,1]之间的向量X'_i＝(X'_1,1,X'_1,2,...X'_1,D)，根据公式(3)计算得到混沌向量X₁,X₂,...X_m。