【摘要】 本发明公开了一种基于确定学习理论的振动故障诊断方法，其包括如下步骤：(1)对被诊断系统正常模式和故障模式进行学习训练；(2)建立模式库(包括正常和故障模式)；(3)建立动态估计器；(4)利用动态估计器的状态与被检测系统的状态进行比较，产生残差；(5)对残差进行评估，从而发现和分离故障。该方法适用于对复杂的未知的非线性振动系统的故障诊断，可以对未知的正常模式和故障模式进行学习，建立模式库，从而进行快速的故障发现与分离。 【专利类型】发明授权 【申请人】华南理工大学 【申请人类型】学校 【申请人地址】510640 广东省广州市天河区五山路381号 【申请人地区】中国 【申请人城市】广州市 【申请人区县】天河区 【申请号】CN200810028981.5 【申请日】2008-06-24 【申请年份】2008 【公开公告号】CN101299004B 【公开公告日】2010-09-01 【公开公告年份】2010 【授权公告号】CN101299004B 【授权公告日】2010-09-01 【授权公告年份】2010.0 【IPC分类号】G01M7/02; G06N3/08 【发明人】王聪; 陈填锐 【主权项内容】一种基于确定学习理论的振动故障诊断方法，所述振动是指确定性振动，这种振动发生时被诊断系统的状态轨迹是周期的、类周期的或混沌的轨迹，其特征在于该方法包括如下步骤：(1)振动模式的学习训练：采用RBF神经网络，对被诊断系统在正常情况下和各种故障情况下的各个振动模式进行学习训练，所述学习训练采用基于李亚普诺夫的学习方法并根据确定学习理论，实现RBF神经网络的权值收敛和RBF神经网络对系统振动模式的内部动态的逼近；(2)建立模式库：取步骤(1)中所述权值收敛后的一段时间内各权值的均值作为学习训练结果，将其存贮于模式库中；(3)建立动态估计器：利用步骤(2)所述模式库中的权值建立常数RBF神经网络，然后利用该常数RBF神经网络建立动态估计器，每一个动态估计器对应一种振动模式，当动态估计器对应的模式发生时，常数RBF神经网络能快速回忆已学到的知识，提供该振动模式的内部动态信息；(4)构造残差：将每个动态估计器的状态分别与被诊断系统的状态进行比较，将它们之间的误差作为残差；(5)残差评估：设定一个阈值，如果只有一个残差在大于一个周期的时间内小于该阈值，则判断该残差所对应的动态估计器在这段时间内与被诊断系统相匹配，如果有多个残差在同段时间内小于该阈值，则对每一个残差取平均l1范数，选择其中最小的平均l1范数所对应的动态估计器作为与被诊断系统相匹配的动态估计器，如果被诊断系统与代表正常模式的动态估计器相匹配，就说明被诊断系统工作正常，如果被诊断系统与代表某个故障的动态估计器相匹配，就说明该故障发生。 【当前权利人】华南理工大学 【当前专利权人地址】广东省广州市天河区五山路381号 【统一社会信用代码】12100000455414429R 【引证次数】3.0 【被引证次数】1 【他引次数】3.0 【被自引次数】1.0 【家族引证次数】3.0 【家族被引证次数】32
