CN111860839A - 基于多信号融合及Adam优化算法的岸桥故障监测方法 - Google Patents

Abstract

本发明提供一种信号处理的方法，融合岸桥常见信号以便获取更多的融合特征参数，从而更有效的利用振动、温度、应力等信息，对岸桥状态进行更精确的故障诊断及监测。利用Adam算法优化神经网络，为更准确快速的监测岸桥状态提供方便。该方法包括步骤1、采集数据；步骤2、数据预处理，确定输入输出；步骤3、构建神经网络模型；步骤4、训练集利用Adam算法训练神经网络，获得岸桥状态预测模型；步骤5、利用测试集检验岸桥状态预测模型；步骤6、输出预测结果，并将预测结果呈现在人机交互界面中。本发明采用多个信号进行融合预测，增加了某一个信号的容错性，提高了岸桥运行状态监测的准确性。

Description

基于多信号融合及Adam优化算法的岸桥故障监测方法

技术领域

本发明涉及一种基于多信号融合及Adam优化算法的岸桥故障监测方法，属于岸桥状态预测技术。

背景技术

对岸桥的故障诊断一直是技术难点，岸桥的稳定对港口运输、贸易安全的运行有着重要意义。随着大数据理论的发展，挖掘岸桥监测过程中产生的大量信息，运用人工智能技术进行信号融合、处理及诊断成为岸桥状态预测及故障诊断的新方向。现有技术主要集中在独立监测振动和应力信号上，缺少对温度、振动，应力等信号的融合诊断。

BP神经网络有较强的非线性拟合能力，传统的BP神经网络收敛速度慢，超参数选择困难，不能很好的进行实时监测及诊断，同时，直接使用所有的监测量进行建模时，过多的监测量会造成模型过于复杂，使得模型运算量过大而导致难以训练，容易出现过拟合现象。

发明内容

针对岸桥运行状态监测及诊断，本发明提供一种信号处理的方法，融合岸桥常见信号如振动信号、温度信号和应力信号等，以便获取更多的特征参数，更有效的利用振动温度应力等信息，从而为更准确的监测岸桥状态提供更多信息。

该方法提供了一种基于多信号融合及Adam优化算法的岸桥故障监测方法，步骤如下：

步骤1、采集数据；

获取一段时间岸桥机械结构的振动、温度、和应力等信号，所述振动、温度和应力等信号在时间上同步；

步骤2、数据预处理，确定输入输出；

对采集到的信号进行预处理，如利用3δ探测法去除信号的奇异点、数据归一化处理等，将需要预测的信号作为输出信号，利用灰色关联分析法分析输出信号与其他信号的相关性，根据需要选取相关性大的信号作为输入信号，并将输入信号样本分为训练集和测试集；

步骤3、构建神经网络模型；

根据输入信号的维度，即按需选取的输入信号种类，确定训练参数，包括隐藏层节点数，最大迭代次数，初始学习率等，利用Xavier初始化方法初始神经网络权值和偏置；

步骤4、训练集利用Adam算法训练神经网络，获得岸桥状态预测模型；

步骤5、利用测试集检验岸桥状态预测模型；

用测试集的数据对BP神经网络进行测试，检验网络性能；

步骤6、输出预测结果，并将预测结果呈现在人机交互界面中。

与现有技术相比，本发明有以下技术效果：

1、本发明对相关性强的数据进行了归一化处理，使不同物理意义的信号可以相互比较；

2、通过融合多种信号预测岸桥状态，大大提高了预测岸桥状态的准确性，为岸桥的安全可靠运行提供了保障；

3、基于Adam算法优化神经网络，具有较高的预测精度，可以可靠的预测岸桥的监测信号趋势，对岸桥的安全运行有着重要意义。

附图说明

本发明的附图说明如下：

图1为本发明的流程图；

图2为Adam算法流程图；

图3为BP神经网络结构图。

具体实施方式

下面结合附图对本发明作进一步说明，以下实施例仅用于更加清楚的说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明的一种基于多信号融合及Adam优化算法的岸桥故障监测方法，参见图1所示，包括以下过程：

步骤1、采集数据；

由于岸桥体积庞大，只需选取特殊的、有代表性的测点便可达到对整个岸桥机构、结构的监测。以振动信号、应力信号和温度信号为例，由于在作业中，大梁、主电机、小车牵引电机的振动、温度变化最明显，因此，在此部位确定数据采集点，振动信号可以是大梁等的振动加速度，应力信号可以是起重机上一些重要位置，如大梁变形最大的位置、拉杆等处的受力情况，在同样位置监测温度信号，由于温度为缓变信号，输入数据可依照要求选取适当的平均值。

步骤2、数据预处理，确定输入输出；

数据奇异点是指数据在某一时刻出现突变，与其前一时刻及后一时刻的数据数值相差很大，可以认为此处测得的数据是错误的，故需将其剔除，确保数据准确性。利用3δ探测法监测数据以剔除异常值，并对缺失值进行填补，以温度信号为例进行描述，在正常情况下，某一时刻温度增量Δθ_T(k)满足：

式中，Δθ_T(k)表示第k时刻温度的增量，θ_T(k)表示第k时刻温度，θ_T(k-1)表示第k-1时刻温度，μ表示所有时刻温度增量Δθ_T(k)组成的样本的均值，δ表示Δθ_T(k)样本的标准差。不满足上式的，即视为采集异常点，予以剔除；

归一化处理是指输入量的物理意义及量纲不同，为使输入量可以相互比较，需归一化处理，由于归一化后的数据都在[0，1]之间变动，使网络训练中输入的分量有等同地位。数据归一化处理公式如下：

式中，x^*为数据归一化后的值，x_i为信号的第i个数据，x_max、x_min分别为样本数据的最大值和最小值；

在确定输出信号后，利用灰色关联分析法，分析输出信号与其他监测信号相关性，按需选取相关性大的信号作为输入信号。以振动信号与温度信号为例，灰色关联度计算公式如下：

式中，y₀(k)表示振动信号第k个时刻的值，y_i(k)表示温度信号第k个时刻的值，Y₀表示振动信号，Y_i表示温度信号，ξ为分辨系数，取值为0≤ξ≤1，γ(Y₀,Y_i)表示Y₀与Y_i的灰色关联度，0≤γ(Y₀,Y_i)≤1，灰色关联度越接近1，表示两序列的相关性越大，一般情况下越不相关的变量，灰色关联度接近于0，越相关的变量越接近于1；

可以按灰色关联度从大到小排序后选取与温度信号相关的监测量，选取相关性大的监测量序列作为训练数据集，具体确定界限以及选择的个数根据精度需要和神经网络模型的复杂度决定；

将归一化后的输入样本分为训练集和测试集。

步骤3、构建神经网络模型；

需根据输入信号维度来确定训练参数，包含隐藏层节点数、最大迭代次数、初始学习率，输入信号的维度对应输入层节点数；

隐藏层节点数确定公式：

式中：m为隐含层节点数，n是输入层节点数，l是输出层节点数，α是1-10之间的常数。

步骤4、训练集利用Adam算法训练神经网络，获得岸桥状态预测模型；

Adam算法训练神经网络具体步骤如下：

S1、计算梯度：

S2、计算有偏一阶矩估计：s(k)＝ρ₁s(k-1)+(1-ρ₁)g

S3、计算有偏二阶矩估计：r(k)＝ρ₂r(k-1)+(1-ρ₂)g⊙g

S4、计算修正一阶矩：

S5、计算修正二阶矩：

S6、修正参数值：

式中，f(x⁽ⁱ⁾；P)表示神经网络的输出函数,本发明中特指需要预测的诊断信号，L(f(x⁽ⁱ⁾；P),y⁽ⁱ⁾)表示神经网络的代价函数，本发明中指诊断信号的理想值与实际值的误差函数，

表示梯度运算符，m表示训练数据集的大小，ρ₁通常取0.9，ρ₂通常取0.999，k为迭代次数，ε表示步长，通常取0.001，δ为小常数，通常取10^-8。

步骤5、用测试集数据对神经网络进行测试，检验网络性能；

步骤6、将最后预测结果呈现在人机交互界面；

将神经网络输出的信号经反归一化处理，得到预测值。并将结果呈现在人机交互界面。

Claims (7)

1.基于多信号融合及Adam优化算法的岸桥故障监测方法，其特征是，包括以下过程：

步骤1、采集数据；

获取一段时间内岸桥机械结构的振动、温度、和应力等信号，所述振动、温度和应力等信号在时间上同步；

步骤2、数据预处理，确定输入输出；

对采集到的信号进行预处理，将需要预测的信号作为输出信号，并将输入信号样本分为训练集和测试集；

步骤3、构建神经网络模型；

根据输入信号的维度，确定训练参数，包括隐藏层节点数，最大迭代次数，初始学习率等；

步骤4、训练集利用Adam算法，由步骤3所得的参数训练神经网络，获得岸桥状态预测模型；

步骤5、利用测试集检验由步骤4所得的岸桥状态预测模型；

步骤6、输出预测结果，并将预测结果呈现在人机交互界面中。

2.根据权利要求1所述的基于多信号融合及Adam优化算法的岸桥故障监测方法，其特征是，在步骤1中，测量量包括振动信号、热信号、应力信号等在内的各种监测信号。

3.根据权利要求1所述的基于多信号融合及Adam优化算法的岸桥故障监测方法，其特征是，在步骤2中，利用3δ探测法监测各监测量的历史数据，以温度信号为例，3δ探测法公式如下：

式中，Δθ_T(k)表示第k时刻温度的增量，θ_T(k)表示第k时刻温度，θ_T(k-1)表示第k-1时刻温度，μ表示所有时刻温度增量Δθ_T(k)组成的样本的均值，δ表示Δθ_T(k)样本的标准差。

4.根据权利要求1所述的基于多信号融合及Adam优化算法的岸桥故障监测方法，其特征是，在步骤2中，对各监测量的历史数据进行归一化处理，归一化公式如下：

式中，x^*为数据归一化后的值，x_i为信号的第i个数据，x_max、x_min分别为样本数据的最大值和最小值。

5.根据权利要求1所述的基于多信号融合及Adam优化算法的岸桥故障监测方法，其特征是，在步骤3中，隐藏层节点数确定公式：

式中,m为隐含层节点数，n是输入层节点数，l是输出层节点数，α是1-10之间的常数。

6.根据权利要求1所述的基于多信号融合及Adam优化算法的岸桥故障监测方法，其特征是，利用灰色关联分析法分析任意两个监测信号相关性，以振动信号与温度信号为例，灰色关联分析法公式如下：

式中，y₀(k)表示振动信号第k个时刻的值，y_i(k)表示温度信号第k个时刻的值，Y₀表示振动信号，Y_i表示温度信号，ξ为分辨系数，取值为0≤ξ≤1，γ(Y₀,Y_i)表示Y₀与Y_i的灰色关联度，0≤γ(Y₀,Y_i)≤1，灰色关联度越接近1，表示两序列的相关性越大，一般情况下越不相关的变量，灰色关联度接近于0，越相关的变量越接近于1。

7.根据权利要求1所述的基于多信号融合及Adam优化算法的岸桥故障监测方法，其特征是，利用Adam算法优化神经网络，Adam算法具体公式及步骤如下：

S1、计算梯度：

S2、计算有偏一阶矩估计：s(k)＝ρ₁s(k-1)+(1-ρ₁)g

S3、计算有偏二阶矩估计：r(k)＝ρ₂r(k-1)+(1-ρ₂)g⊙g

S4、计算修正一阶矩：

S5、计算修正二阶矩：

S6、修正参数值：

式中，f(x⁽ⁱ⁾；P)表示神经网络的输出函数,本发明中特指需要预测的诊断信号，L(f(x⁽ⁱ⁾；P),y⁽ⁱ⁾)表示神经网络的代价函数，本发明中指诊断信号的理想值与实际值的误差函数，

表示梯度运算符，m表示训练数据集的大小，ρ₁通常取0.9，ρ₂通常取0.999，k为迭代次数，ε表示步长，通常取0.001，δ为小常数，通常取10^-8。

Images