[发明专利]一种基于广义回归神经网络的小电阻振动监测方法

说明书

本发明提供一种基于广义回归神经网络的小电阻振动监测方法，包括：采集小电阻待监测的振动信号；对采集的振动信号进行预处理，去除干扰信号，进一步得到所述振动信号在时域和频域上的数据；根据小电阻故障的特征，采用广义回归神经网络GRNN建立小电阻振动诊断模型，采用粒子群算法与人工免疫融合算法的结合进行广义回归神经网络GRNN的训练优化，利用小电阻的运行数据训练此模型；基于所述振动信号在时域和频域上的数据和训练得到的小电阻振动诊断模型，进行振动信号特征分析，当小电阻振动诊断模型预测的振动特征与实测信号发生偏差达到一阈值时，则判断小电阻故障，进行报警。

技术领域

本发明涉及小电阻技术领域，具体地说，涉及一种基于广义回归神经网络的小电阻振动监测方法，用于小电阻的故障诊断。

背景技术

振动信号作为小电阻振动法在线监测系统的研究对象，在进行仿真实验时，信号含量单一，频谱分布清晰，非常便于进行信号分析和故障判断。而实际采集到的小电阻振动信号，其复杂程度不亚于其他任何动态信号，因此，针对采集到的小电阻振动信号，采用适当的信号处理方法进行分析是非常重要的。

目前故障振动信号的分析处理方法主要有频域分辨率很高的傅里叶分析方法和诸如短时傅里叶分析、小波分析和Wigner-Vile分布等传统时频分析方法。振动信号的傅里叶谐波表示尽管在数学上是正确的，但由于表示谐波的基函数是事先给定的，这种谐波不具有明确的物理意义，不能真实准确地表征振动信号的自然特征。此外受到Heisenberg不确定原理的限制，传统时频分析方法无法同时提高时域和频域的分辨率，在分析非线性非平稳信号时都存在不足。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于广义回归神经网络的小电阻振动监测方法，对小电阻的振动信号数据在时域上和频域上做出分析和处理，为小电阻振动诊断提供理论依据。

为实现上述目的，本发明采用以下技术方案：

一种基于广义回归神经网络的小电阻振动监测方法，包括：

采集小电阻待监测的振动信号；

对采集的振动信号进行预处理，去除干扰信号，进一步得到所述振动信号在时域和频域上的数据；

根据小电阻振动的特征，通过样本获取模块和模型建立模块得到标本数据，采用广义回归神经网络GRNN通过模型建立模块建立小电阻振动诊断模型，包括：

将所述标本数据分成建模标本数据和检验标本数据；

根据所述建模标本数据，确定振动因子；

根据所述建模标本数据，确定非振动参数；

根据所述建模标本数据、所述振动因子和所述非振动参数，采用广义回归神经网络方法，建立振动计算模型；

根据所述检验标本数据，对所述振动计算模型进行验证；

采用粒子群算法与人工免疫融合算法的结合进行广义回归神经网络GRNN的训练优化，利用小电阻的运行数据训练此模型；

基于所述振动信号在时域和频域上的数据和训练得到的小电阻振动诊断模型，进行振动信号特征分析，当小电阻振动诊断模型预测的振动特征与实测信号发生偏差达到一阈值时，则判断小电阻故障，进行报警。

优选地，模型建立模块包括：

振动因子确定单元，用于根据所述建模标本数据，确定振动因子；

非振动参数确定单元，用于根据所述建模标本数据，确定非振动参数；

模型建立单元，用于根据所述建模标本数据、所述振动因子和所述非振动参数，采用广义回归神经网络方法，建立振动计算模型；

验证单元，用于根据所述检验标本数据，对所述振动计算模型进行验证。