[发明专利]电机振动故障诊断分析与风险预测

权利要求书

1.一种基于粒子群算法优化BP神经网络的液体火箭发动机故障检测算法，其特征在于，包括以下步骤：

(1)采集异步电机运行过程中的部分历史正常样本和故障样本进行预处理，将预处理后的样本作为训练样本和测试样本。

(2)对于粒子群算法迭代过程中的惯性权重这个参数，引入粒子群进化速度因子与聚集度因子，来动态自适应的改变惯性权重，避免陷入局部最优，及更快速的达到全局最优。

(3)基于训练样本构建BP神经网络模型，设置BP神经网络拓扑结构，各层传递函数及网络训练参数等利用粒子群算法优化出的最优极值点作为BP神经网络的参数值；

(4)调用参数构建粒了群算法优化后的BP神经网络模型，实现对异步电机运行过程中的故障检测。

2.根据权利要求1所述的一种基于改进粒子群算法优化BP神经网络的异步电机故障检测算法，其特征在于：所述的步骤(1)中数据预处理方法包括将采集到的电机振动信号进行小波包分解，抽取和故障相关的几个频带进行小波包分解系数重构，并采用下式求取各个频率信号能量最后选取能量变化突出的信号作为特征向量。

3.根据权利要求1所述的一种基于改进粒子群算法优化BP神经网络的异步电机故障检测，其特征在于：所述的步骤(2)中能够自适应的动态改变惯性权重，惯性权重ω决定了粒子当前速度对下次速度的影响程度，从而起到平衡算法全局搜索和局部搜索能力的作用。传统的寻优迭代方法中，多采用线性减小的方法，并不能适应粒子群算法对非线性复杂系统的寻优过程，因此定义了进化速度因子h，与聚集度因了d，按照ω＝ω_i-hω_h+dω_d来更新ω。h称之为进化速度因子，定义为反映了粒子群的进化速度，h越大，意味着粒子群更新进化速度越慢，当h保持不变时，则认为粒子群陷入停滞或者找到了全局最优解。定义聚集度因子若通过计算得到的全局最优粒子周围粒子的聚集度若大于设定的阈值，表明当前种群粒子粒子的多样性较差，粒子不能较好地对解空间进行搜索。

4.根据权利要求1所述的一种基于粒子群算法优化BP神经网络的液体火箭发动机故障检测算法，其特征在于：所述的步骤(3)中BP神经网络拓扑结构的确定方法为依据样本的输入向量长度确定网络的输入神经元数I，依据样本的输出向量长度确定网络的输出层神经元数O，依据a为1到10之间的常数，确定隐含层神经元数M。

5.根据权利要求1所述的一种基于量子遗传算法优化BP神经网络的液体火箭发动机故障检测算法，其特征在于：所述的步骤(3)中粒子群法的适应度函数公式为：误差平方和