本发明涉及发动机故障诊断技术领域，具体为一种基于神经网络的故障诊断方法及装置。
背景技术：
发动机(engine)是一种能够把其它形式的能转化为机械能的机器，最早诞生在英国，其既适用于动力发生装置，也可指包括动力装置的整个机器(如：汽油发动机、航空发动机)。其种类包括如内燃机(汽油发动机等)、外燃机(斯特林发动机、蒸汽机等)、电动机等。
随着发动机使用年限的不断增加，在正常使用过程中，经常会出现故障的问题，现有技术中，找出发动机具体故障点的过程较长，需要将发动机一一拆卸下来，费时费力，而且检修的效率低，人工成本高，不利于社会的发展需要，为此，本领域的技术人员提出了一种基于神经网络的故障诊断方法及装置。
技术实现要素：
针对现有技术的不足，本发明提供了一种基于神经网络的故障诊断方法及装置，解决了现有技术中，找出发动机具体故障点的过程较长，需要将发动机一一拆卸下来，费时费力，而且检修的效率低，人工成本高，不利于社会的发展需要的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于神经网络的故障诊断方法，包括如下步骤：
s1、提取故障设备特征数据信息：从已有的故障发动机中提取该故障发动机所对应的特征数据信息；
s2、对特征数据信息预处理：将步骤s1中在已有故障发动机上所提取的各个特征数据，导入数据处理模块中进行预处理；
s3、特征信息导入神经网络模型：将步骤s2中预处理后的各个特征数据导入已构建完成的bp神经网络模型中；
s4、导入训练样本集：向步骤s3中所构建的pb神经网络模型中导入已有的特征数据和已知的故障结果数据形成的训练样本集，对已构建的bp神经网络模型进行训练；
s5、神经网络模型得出故障诊断结果：其中，包括如下子步骤：
a、将步骤s2中向整个bp神经网络模型导入各个特征数据信息，输入至输入层中的各个节点中，作为输入层中神经元的输出；
b、根据公式计算出隐层中神经元各个节点的输出，作为输出层的输入；
c、根据公式计算出输出层各个神经元节点的输出；
d、根据阈值函数来判断步骤c输出层对应神经元节点输出的结果。
s6、导出设备故障的诊断结果：导出步骤s5所输出的设备故障的诊断结果。
优选的，所述步骤s1中特征数据信息包括该故障发动机的温度信号、油压信号、电流强度信号、电压强度信号以及振动信号。
优选的，所述在步骤s5中的子步骤b中，计算隐层中神经元各个节点输出值的公式为：
oj＝f(ij)＝1/[exp(-ij)]
式中：ωji为隐层节点j与输入层节点i之间的权值，θj为隐层节点j的偏置，f(x)为sigmoid的函数，表达式为f(x)＝1/[1 exp(-x)]。
优选的，所述步骤s5中的子步骤c中，计算输出层中各个神经元节点的输出值的公式为：
yk＝f(ik)＝1/[exp(-ik)]
式中：ωkj为输入层节点k与隐层节点j之间的权值，θk为隐层节点k的偏置。
优选的，所述步骤s4中，导入的训练样本集，训练样本为(xp1，xp2，xp3......xpn)，样本数为(p＝1,2,3……p)。
本发明还公开了一种基于神经网络的故障诊断装置，包括特征数据监测单元、数据预处理模块、bp神经网络模型、训练样本集导入模块以及故障诊断结果输出模块，所述特征数据检测单元用于对已有故障发动机中的各个参数信息进行采集，所述数据预处理模块用于对所述特征数据检测单元所提取的各个特征信息进行处理。
优选的，所述bp神经网络模型用于按照各个处理后的特征数据信息，对整个发动机的故障进行诊断处理，所述训练样本集导入模块用于向bp神经网络模型中导入训练样本集，所述故障诊断结果输出模块用于对bp神经网络模型得出的结果进行输出。
优选的，所述特征数据检测单元包括温度传感器、压力传感器、电压传感器、电流传感器以及加速度传感器。
有益效果
本发明提供了一种基于神经网络的故障诊断方法及装置。与现有技术相比具备以下有益效果：
该基于神经网络的故障诊断方法及装置，故障诊断方法包括s1、提取故障设备特征数据信息；s2、对特征数据信息预处理；s3、特征信息导入神经网络模型；s4、导入训练样本集；s5、神经网络模型得出故障诊断结果以及s6、导出设备故障的诊断结果，通过上述故障诊断步骤，借助了bp神经网络模型，在实际诊断的过程中，通过对已有发动机中各个特征数据信息的提取，经预处理后，直接导入到已经经过训练样本集训练的bp神经网络模型中，可以快速诊断出发动机的具体故障结果，提高了检修发动机的效率，缩短了检修时间，不需要对发动机进行拆解处理，降低了人力成本，另外，基于神经网络的故障诊断装置，包括特征数据监测单元、数据预处理模块、bp神经网络模型、训练样本集导入模块以及故障诊断结果输出模块，特征数据检测单元用于对已有故障发动机中的各个参数信息进行采集，数据预处理模块用于对特征数据检测单元所提取的各个特征信息进行处理，方便快捷，使用安全方便。
附图说明
图1为本发明的流程示意框图；
图2为本发明bp神经网络的结构示意图；
图3为本发明的结构示意框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-2，本发明提供一种技术方案：一种基于神经网络的故障诊断方法，包括如下步骤：
s1、提取故障设备特征数据信息：从已有的故障发动机中提取该故障发动机所对应的特征数据信息；
s2、对特征数据信息预处理：将步骤s1中在已有故障发动机上所提取的各个特征数据，导入数据处理模块中进行预处理；
s3、特征信息导入神经网络模型：将步骤s2中预处理后的各个特征数据导入已构建完成的bp神经网络模型中；
s4、导入训练样本集：向步骤s3中所构建的pb神经网络模型中导入已有的特征数据和已知的故障结果数据形成的训练样本集，对已构建的bp神经网络模型进行训练；
s5、神经网络模型得出故障诊断结果：其中，包括如下子步骤：
a、将步骤s2中向整个bp神经网络模型导入各个特征数据信息，输入至输入层中的各个节点中，作为输入层中神经元的输出；
b、根据公式计算出隐层中神经元各个节点的输出，作为输出层的输入；
c、根据公式计算出输出层各个神经元节点的输出；
d、根据阈值函数来判断步骤c输出层对应神经元节点输出的结果。
s6、导出设备故障的诊断结果：导出步骤s5所输出的设备故障的诊断结果。
进一步的，步骤s1中特征数据信息包括该故障发动机的温度信号、油压信号、电流强度信号、电压强度信号以及振动信号。
进一步的，在步骤s5中的子步骤b中，计算隐层中神经元各个节点输出值的公式为：
oj＝f(ij)＝1/[exp(-ij)]
式中：ωji为隐层节点j与输入层节点i之间的权值，θj为隐层节点j的偏置，f(x)为sigmoid的函数，表达式为f(x)＝1/[1 exp(-x)]。
进一步的，步骤s5中的子步骤c中，计算输出层中各个神经元节点的输出值的公式为：
yk＝f(ik)＝1/[exp(-ik)]
式中：ωkj为输入层节点k与隐层节点j之间的权值，θk为隐层节点k的偏置。
进一步的，步骤s4中，导入的训练样本集，训练样本为(xp1，xp2，xp3......xpn)，样本数为(p＝1,2,3……p)。
请参阅图3，本发明还公开了一种基于神经网络的故障诊断装置，包括特征数据监测单元、数据预处理模块、bp神经网络模型、训练样本集导入模块以及故障诊断结果输出模块，特征数据检测单元用于对已有故障发动机中的各个参数信息进行采集，数据预处理模块用于对特征数据检测单元所提取的各个特征信息进行处理。
进一步的，bp神经网络模型用于按照各个处理后的特征数据信息，对整个发动机的故障进行诊断处理，训练样本集导入模块用于向bp神经网络模型中导入训练样本集，故障诊断结果输出模块用于对bp神经网络模型得出的结果进行输出。
进一步的，特征数据检测单元包括温度传感器、压力传感器、电压传感器、电流传感器以及加速度传感器。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
1.一种基于神经网络的故障诊断方法，其特征在于，包括如下步骤：
s1、提取故障设备特征数据信息：从已有的故障发动机中提取该故障发动机所对应的特征数据信息；
s2、对特征数据信息预处理：将步骤s1中在已有故障发动机上所提取的各个特征数据，导入数据处理模块中进行预处理；
s3、特征信息导入神经网络模型：将步骤s2中预处理后的各个特征数据导入已构建完成的bp神经网络模型中；
s4、导入训练样本集：向步骤s3中所构建的pb神经网络模型中导入已有的特征数据和已知的故障结果数据形成的训练样本集，对已构建的bp神经网络模型进行训练；
s5、神经网络模型得出故障诊断结果：其中，包括如下子步骤：
a、将步骤s2中向整个bp神经网络模型导入各个特征数据信息，输入至输入层中的各个节点中，作为输入层中神经元的输出；
b、根据公式计算出隐层中神经元各个节点的输出，作为输出层的输入；
c、根据公式计算出输出层各个神经元节点的输出；
d、根据阈值函数来判断步骤c输出层对应神经元节点输出的结果。
s6、导出设备故障的诊断结果：导出步骤s5所输出的设备故障的诊断结果。
2.根据权利要求1所述的一种基于神经网络的故障诊断方法，其特征在于，所述步骤s1中特征数据信息包括该故障发动机的温度信号、油压信号、电流强度信号、电压强度信号以及振动信号。
3.根据权利要求1所述的一种基于神经网络的故障诊断方法，其特征在于，所述在步骤s5中的子步骤b中，计算隐层中神经元各个节点输出值的公式为：
oj＝f(ij)＝1/[exp(-ij)]
式中：ωji为隐层节点j与输入层节点i之间的权值，θj为隐层节点j的偏置，f(x)为sigmoid的函数，表达式为f(x)＝1/[1 exp(-x)]。
4.根据权利要求1所述的一种基于神经网络的故障诊断方法，其特征在于，所述步骤s5中的子步骤c中，计算输出层中各个神经元节点的输出值的公式为：
yk＝f(ik)＝1/[exp(-ik)]
式中：ωkj为输入层节点k与隐层节点j之间的权值，θk为隐层节点k的偏置。
5.根据权利要求1所述的一种基于神经网络的故障诊断方法，其特征在于，所述步骤s4中，导入的训练样本集，训练样本为(xp1，xp2，xp3......xpn)，样本数为(p＝1,2,3……p)。
6.一种基于神经网络的故障诊断装置，其特征在于，包括特征数据监测单元、数据预处理模块、bp神经网络模型、训练样本集导入模块以及故障诊断结果输出模块，所述特征数据检测单元用于对已有故障发动机中的各个参数信息进行采集，所述数据预处理模块用于对所述特征数据检测单元所提取的各个特征信息进行处理。
7.根据权利要求6所述的一种基于神经网络的故障诊断装置，其特征在于，所述bp神经网络模型用于按照各个处理后的特征数据信息，对整个发动机的故障进行诊断处理，所述训练样本集导入模块用于向bp神经网络模型中导入训练样本集，所述故障诊断结果输出模块用于对bp神经网络模型得出的结果进行输出。
8.根据权利要求6所述的一种基于神经网络的故障诊断装置，其特征在于，所述特征数据检测单元包括温度传感器、压力传感器、电压传感器、电流传感器以及加速度传感器。
技术总结