张力检测与智能控制系统

摘要

本发明公开了一种张力检测与智能控制系统，其特征在于：所述控制系统包括参数采集与控制平台和张力智能控制子系统两部分，控制系统实现对纱线的绕行速度、张力检测以及纱线张力的智能控制，提高纱线绕行过程测量与纱线张力控制的可靠性和精确性；本发明有效解决了现有张力检测与张力控制过程没有根据纺纱过程张力的波动大、大滞后、非线性的不确定系统对张力检测与控制过程的影响，从而极大的影响张力检测与控制过程的准确检测和可靠控制。

权利要求

1.张力检测与智能控制系统，其特征在于：所述控制系统包括参数采集与控制平台和张力智能控制子系统两部分，控制系统实现对纱线的绕行速度、张力检测以及纱线张力的智能控制；

所述张力智能控制子系统由时延迟神经网络、PID型Adaline神经网络控制器、自调整因子模糊控制器、T‑S模糊神经网络解耦控制器、NARX神经网络、DRNN神经网络、按拍延迟线TDL和参数检测模块组成；

纱线张力期望值作为时延迟神经网络的对应输入，张力传感器和速度传感器的输出分别作为对应的参数检测模块的输入，张力传感器输出对应的参数检测模块的输出作为时延迟神经网络的对应输入、对应的按拍延迟线TDL输入和T‑S模糊神经网络解耦控制器的对应输入，速度传感器输出对应的参数检测模块的输出作为T‑S模糊神经网络解耦控制器的对应输入；时延迟神经网络输出与DRNN神经网络输出的差值作为纱线张力期望值的预测误差，纱线张力期望值的预测误差和预测误差变化率作为自调整因子模糊控制器的输入；时延迟神经网络输出与张力传感器输出对应的参数检测模块输出的差作为张力期望值的误差，张力期望值的误差作为PID型Adaline神经网络控制器的输入，PID型Adaline神经网络控制器和自调整因子模糊控制器的输出分别作为T‑S模糊神经网络解耦控制器的2个对应输入，T‑S模糊神经网络解耦控制器的2个输出分别作为对应的NARX神经网络的输入，其中1个NARX神经网络输出分别作为对应的按拍延迟线TDL的输入和参数采集与控制平台的L298电动机驱动电路的输入，另一个NARX神经网络输出分别作为对应的按拍延迟线TDL的输入和张力电磁铁的输入，3个按拍延迟线TDL输出作为DRNN神经网络的输入。

2.根据权利要求1所述的张力检测与智能控制系统，所述参数检测模块由带时滞单元的Adaline神经网络模型、EMD经验模态分解模型、GM（1，1）灰色预测模型、多个NARX神经网络预测模型、按拍延迟线TDL、ARIMA预测模型和二元联系数的小波神经网络模型组成。

3.根据权利要求2所述的张力检测与智能控制系统，其特征在于：参数传感器输出作为带时滞单元的Adaline神经网络模型的输入，带时滞单元的Adaline神经网络模型输出作为EMD经验模态分解模型的输入，EMD经验模态分解模型输出的被测量参数低频趋势值作为GM（1，1）灰色预测模型的输入，EMD经验模态分解模型输出的被测量参数的多个高频趋势值分别作为对应的NARX神经网络预测模型的输入，GM（1，1）灰色预测模型输出和多个NARX神经网络预测模型输出分别作为二元联系数的小波神经网络模型的对应输入，二元联系数的小波神经网络模型输出被测量参数的确定值a和波动值b构成被测量参数的二元联系数为a+bi，被测量参数的确定值a和波动值b分别作为对应的按拍延迟线TDL的输入和二元联系数的小波神经网络的对应输入，2个按拍延迟线TDL输出分别作为对应的ARIMA预测模型输入，

2个ARIMA预测模型输出作为二元联系数的小波神经网络模型的对应输入，二元联系数的小波神经网络模型输出作为参数检测模块输出的被测量参数的二元联系数值。

4.根据权利要求1所述的张力检测与智能控制系统，其特征在于：所述参数采集与控制平台包括STM32单片机、张力传感器、速度传感器、L298电动机驱动电路、卷绕机构、张力电磁铁。

5.根据权利要求4所述的张力检测与智能控制系统，其特征在于：在所述单片机中设定纱线的张力期望值，检测纱线的张力传感器输出和检测卷绕机构的速度传感器输出分别作为张力智能控制子系统的对应参数检测模块的输入，张力智能控制子系统的2个输出分别作为电动机驱动电路和张力电磁铁的输入，电动机驱动电路输出作为卷绕机构的输入，卷绕机构和张力电磁铁分别调节纱线的绕行速度和纱线的张力，参数采集与控制平台实现纱线速度和张力的准确测量和纱线的张力智能化控制。

6.根据权利要求5所述的张力检测与智能控制系统，其特征在于：单片机型号为STM32、电动机驱动电路型号为L298。

说明书

张力检测与智能控制系统

技术领域

[0001] 本发明涉及张力测量与张力控制自动化控制装备的技术领域，具体涉及一种张力测量与张力控制。

背景技术

[0002] 张力控制对纺织品的质量具有重要意义，在织布的过程中纱线张力的波动是不可避免的，纱线张力控制是织机效率和织物质量的关键因素，若张力过大则容易造成纱线断裂，严重影响织造效率；如果张力过小，则会严重影响织物的平整。为了使纱线张力波动在合适的范围内保持平衡，达到纱线恒张力控制，保证织物质量，针对纺织过程中纱线的张力波动大、非线性等问题，本可实现张力精确测量和张力稳定控制，提高纺纱过程张力控制控制过程的可靠性和精确性。

发明内容

[0003] 本发明提供了一种张力测量与张力控制，有效解决了现有张力检测与张力控制过程没有根据纺纱过程张力的波动大、大滞后、非线性的不确定系统对张力检测与控制过程的影响，从而极大的影响张力检测与控制过程的准确检测和可靠控制。

[0004] 本发明通过以下技术方案实现：

[0005] 张力检测与智能控制系统包括参数采集与控制平台和张力智能控制子系统两部分，系统实现对纱线的绕行速度与张力检测和纱线张力的智能控制，提高纱线绕行过程测量与纱线张力控制的可靠性和精确性。

[0006] 本发明进一步技术改进方案是：

[0007] 张力智能控制子系统由时延迟神经网络、PID型Adaline神经网络控制器、自调整因子模糊控制器、T‑S模糊神经网络解耦控制器、2个NARX神经网络、DRNN神经网络、3个按拍延迟线TDL和2个参数检测模块组成。

[0008] 本发明进一步技术改进方案是：

[0009] 纱线张力期望值作为时延迟神经网络的对应输入，张力传感器和速度传感器的输出分别作为对应的参数检测模块的输入，张力传感器输出对应的参数检测模块的输出作为时延迟神经网络的对应输入、对应的按拍延迟线TDL输入和T‑S模糊神经网络解耦控制器的对应输入，速度传感器输出对应的参数检测模块的输出作为T‑S模糊神经网络解耦控制器的对应输入；时延迟神经网络输出与DRNN神经网络输出的差值作为纱线张力期望值的预测误差，纱线张力期望值的预测误差和预测误差变化率作为自调整因子模糊控制器的输入；时延迟神经网络输出与张力传感器输出对应的参数检测模块输出的差作为张力期望值的误差，张力期望值的误差作为PID型Adaline神经网络控制器的输入，PID型Adaline神经网络控制器和自调整因子模糊控制器的输出分别作为T‑S模糊神经网络解耦控制器的2个对应输入，T‑S模糊神经网络解耦控制器的2个输出分别作为对应的NARX神经网络的输入，其中1个NARX神经网络输出分别作为对应的按拍延迟线TDL的输入和参数采集与控制平台的L298电动机驱动电路的输入，另一个NARX神经网络输出分别作为对应的按拍延迟线TDL的输入和张力电磁铁的输入，3个按拍延迟线TDL输出作为DRNN神经网络的输入，张力智能控制子系统如图1所示。

[0010] 本发明进一步技术改进方案是：

[0011] 参数检测模块由带时滞单元的Adaline神经网络模型、EMD经验模态分解模型、GM(1，1)灰色预测模型、多个NARX神经网络预测模型、2个按拍延迟线TDL、2个ARIMA预测模型和二元联系数的小波神经网络模型组成；参数传感器输出作为带时滞单元的Adaline神经网络模型的输入，带时滞单元的Adaline神经网络模型输出作为EMD经验模态分解模型的输入，EMD经验模态分解模型输出的被测量参数低频趋势值作为GM(1，1)灰色预测模型的输入，EMD经验模态分解模型输出的被测量参数的多个高频趋势值分别作为对应的NARX神经网络预测模型的输入，GM(1，1)灰色预测模型输出和多个NARX神经网络预测模型输出分别作为二元联系数的小波神经网络模型的对应输入，二元联系数的小波神经网络模型输出被测量参数的确定值a和波动值b构成被测量参数的二元联系数为a+bi，被测量参数的确定值a和波动值b分别作为对应的按拍延迟线TDL的输入和二元联系数的小波神经网络的对应输入，2个按拍延迟线TDL输出分别作为对应的ARIMA预测模型输入，2个ARIMA预测模型输出作为二元联系数的小波神经网络模型的对应输入，二元联系数的小波神经网络模型输出作为参数检测模块输出的被测量参数的二元联系数值；参数检测模块结构与功能见图2所示。

[0012] 本发明进一步技术改进方案是：

[0013] 参数采集与控制平台包括STM32单片机、张力传感器、速度传感器、L298电动机驱动电路、卷绕机构、张力电磁铁和纱线。

[0014] 本发明进一步技术改进方案是：

[0015] 在STM32单片机中设定纱线的张力期望值，检测纱线的张力传感器输出和检测卷绕机构的速度传感器输出分别作为张力智能控制子系统的对应参数检测模块的输入，张力智能控制子系统的2个输出分别作为L298电动机驱动电路和张力电磁铁的输入，L298电动机驱动电路输出作为卷绕机构的输入，卷绕机构和张力电磁铁分别调节纱线的绕行速度和纱线的张力，参数采集与控制平台实现纱线速度和张力的准确测量和纱线的张力智能化控制，参数采集与控制平台结构见图1所示。

[0016] 本发明与现有技术相比，具有以下明显优点：

[0017] 一、本发明采用时延迟神经网络，从张力测量值的序列数据中提取信息，还能够保留来自于先前较远步骤的张力测量值长期相关性的信息。此外，由于张力输入量的采样间隔相对较小，张力输入量存在长期空间相关性，而时延迟神经网络有足够的长期记忆来处理这种问题，提高张力输入量的准确性，提高张力参数与输入量装置的精确性和鲁棒性。

[0018] 二、本发明根据被测量参数与包装过程的强干扰、大滞后和非线性的不确定系统特性,结合PID控制器的特点和神经网络良好的自学习、自适应能力,提出了一种PID型Adaline神经网络控制算法,该控制方法具有较高的控制精度和较快的收敛速度,使得纱线程运动均匀，张力更加准确,提高了张力控制系统的可靠性、精确性、快速性和稳定性。

[0019] 三、本发明在PID控制过程中，如果控制条件和环境发生复杂变化,PID控制参数就难以自动调整,致使不能达到最优控制效果这一不足，在分析Adaline神经网络控制器具有并行处理、联想记忆、容错性及自适应性等特点的基础上,结合传统的PID控制思想，设计了PID型Adaline神经网络控制器具有实时性高、鲁棒性强和自适应快等特点，取得了很好的被测量参数与包装过程的控制效果,在张力控制过程系统中得到了很好的应用。

[0020] 四、本发明采用的NARX神经网络是一种通过引入T‑S模糊神经网络解耦控制器的输出及反馈实现来建立NARX神经网络组合模型的动态递归网络，它是沿着T‑S模糊神经网络解耦控制器输出状态特征参数在时间轴方向的拓展的多个时间T‑S模糊神经网络解耦控制器的输出状态特征参数的序列来实现及函数模拟功能的数据关联性建模思想，该方法通过一段时间内T‑S模糊神经网络解耦控制器的输出的特征参数来建立T‑S模糊神经网络解耦控制器的输出扰动控制量模型，模型输出的T‑S模糊神经网络解耦控制器输出扰动控制量在反馈作用中被作为输入而闭循环训练提高神经网络的计算精确度，实现对T‑S模糊神经网络解耦控制器输出控制量状态连续动态输出。

[0021] 五、本发明控制器由PID型Adaline神经网络控制器、自调整因子模糊控制器、模糊预测控制、T‑S模糊神经网络解耦控制器、NARX神经网络分别为线性控制、模糊推理控制解耦和动态时延再控制组成复合控制实现对被张力参数参数的联合调节，多种调节共同作用，提高张力控制参数的准确性和鲁棒性。

[0022] 六、本发明通过EMD经验模态分解模型将原始带时滞单元的Adaline神经网络模型输出序列分解为不同频段的分量，每一个分量都显示出隐含在原序列中的不同特征信息。以降低序列的非平稳性。被测量参数过程的高频波动部分数据关联性不强，频率比较高，代表原始序列的波动成分，具有一定的周期性和随机性，这与被测量参数过程的周期性变化相符合；低频成分代表被测量参数过程原序列的变化趋势。可见EMD能够逐级分解出被测量参数过程的波动成分、周期成分和趋势成分，分解出的每一个分量自身包含相同的变形信息，在一定程度上减少了不同特征信息之间的相互干涉，且分解出的各分量变化曲线比原始被测量参数变形序列曲线光滑。可见EMD经验模态分解能有效分析多因素共同作用下的被测量参数过程变形数据，分解得到的各分量有GM(1，1)灰色预测模型输出和多个NARX神经网络预测模型的建立和更好地预测。最后将各分量预测结果叠加得到最终融合预测结果。实例研究表明，所提的融合预测结果具有较高的预测精度。

[0023] 七、本发明采用GM(1,1)灰色预测模型预测被测量参数低频趋势的时间跨度长。用GM(1,1)灰色预测模型模型可以根据被检测参数低频趋势值预测未来时刻被检测参数低频趋势值，用上述方法预测出的被检测参数低频趋势后，把被检测参数低频趋势值再加分别加入被检测参数低频趋势的原始数列中，相应地去掉数列开头的一个数据建模，再进行预测被检测参数低频趋势的预测。依此类推，预测出被检测参数低频趋势值。这种方法称为等维灰数递补模型，它可实现较长时间的预测。可以更加准确地掌握被检测参数低频趋势的变化趋势，为有效避免被检测参数低频趋势波动做好准备。

[0024] 八、本发明采用ARIMA预测模型基于被检测参数的确定值和波动值的原始数据服从时间序列分布，利用被检测参数的确定值和波动值变化均具有一定惯性趋势的原理，整合了趋势因素、周期因素和随机误差等因素的被检测参数的确定值和波动值的原始时间序列变量，通过差分数据转换等方法将非平稳序列转变为零均值的平稳随机序列，通过反复识别和模型诊断比较并选择理想的模型进行被检测参数的确定值和波动值数值拟合和预测。该方法结合了自回归和移动平均方法的长处，具有不受数据类型束缚和适用性强的特点，是一种短期预测被检测参数的确定值和波动值的模型。

[0025] 九、本发明针对参数测量过程中，传感器精度误差、干扰和测量值异常等问题存在的不确定性和随机性，本发明专利将参数传感器测量的参数值通过参数检测模块转化为二元联系数形式表示，有效地处理了参数传感器测量参数的模糊性、动态性和不确定性，提高了参数传感器值检测参数的客观性和可信度。

附图说明

[0026] 图1为本专利的张力大数据检测与智能控制系统；

[0027] 图2为本专利的参数检测模块；

[0028] 图3为本专利STM32单片机结构图。

具体实施方式

[0029] 结合附图1‑3，对本发明技术方案作进一步描述：

[0030] 一、系统总体功能的设计

[0031] 本发明实现对纺纱过程的张力、速度进行检测与张力的自动化控制，该系统由参数采集与控制平台和张力智能控制子系统两部分组成。参数采集与控制平台包括STM32单片机、张力传感器、速度传感器、L298电动机驱动电路、卷绕机构、张力电磁铁和纱线，在STM32单片机中设定纱线的张力期望值，检测纱线的张力传感器输出和检测卷绕机构的速度传感器输出分别作为张力智能控制子系统的对应参数检测模块的输入，张力智能控制子系统的2个输出分别作为L298电动机驱动电路和张力电磁铁的输入，L298电动机驱动电路输出作为卷绕机构的输入，卷绕机构和张力电磁铁分别调节纱线的绕行速度和纱线的张力，参数采集与控制平台实现纱线速度和张力的准确测量和纱线的张力智能化控制。参数采集与控制平台结构图见图1所示。

[0032] 二、参数采集与控制平台设计

[0033] 检测纱线的张力和检测卷绕机构转速的速度传感器输出电信号经A/D处理后会转变为相应的数字信号并传送到STM32单片机，在单片机STM32中设定张力的期望值，通过STM32中的张力智能控制子系统控制输出通过L298电动机驱动电路、卷绕机构、张力电磁铁实现对纱线的速度和纱线的张力进行调节；触摸屏则是一种输入、输出装置，可用于系统参数设置以及实时张力、速度等生产过程参数的显示。STM32单片机携带的触摸屏作为一种显示终端，其可以比较简单、方便地与单片机进行通信，可实现设定张力、显示张力和速度和运行状态的直接显示，同时也可以对张力和速度参数的进行修改；STM32单片机电路见图3所示。

[0034] 三、张力智能控制子系统设计

[0035] 张力智能控制子系统由时延迟神经网络、PID型Adaline神经网络控制器、自调整因子模糊控制器、T‑S模糊神经网络解耦控制器、2个NARX神经网络、DRNN神经网络、3个按拍延迟线TDL和2个参数检测模块组成；张力智能控制子系统结构与功能如图1所示。

[0036] 1、时延迟神经网络设计

[0037] 纱线张力期望值作为时延迟神经网络的对应输入，张力传感器和速度传感器的输出分别作为对应的参数检测模块的输入，张力传感器输出对应的参数检测模块的输出作为时延迟神经网络的对应输入，时延迟神经网络输出与DRNN神经网络输出的差值作为纱线张力期望值的预测误差；时延迟神经网络(Time Delay Neural Networks，TDNN神经网络)是一个自适应线性网络，它的输入从网络左边进入,通过单步延时线D的作用,经过d步延时后成为d+1维向量的输入,神经元采用线性激活函数，时延神经网络属于传统人工神经网络的变种。时延神经网络结构由输入层、输出层和一个或若干个隐含层组成，由神经网络建立起“输入‑输出”之间的映射关系。不同于传统的神经网络，时延神经网络通过在输入层对输入进行延迟实现对前序输入的记忆，使网络可以利用之前的d步值与当前输出值共同预测当前时间点的输出，对于一个输入层延迟步数为d的时延神经网络，R为时延神经网络的前向传播算子，可以简单地把输入序列X与输出序列Y之间的关系表示成如下形式：

[0038] Y(t)＝R(X(t),X(t‑1),…,X(t‑d))   (1)

[0039] 2、PID型Adaline神经网络控制器设计

[0040] 时延迟神经网络输出与张力传感器输出对应的参数检测模块输出的差作为张力期望值的误差，张力期望值的误差作为PID型Adaline神经网络控制器的输入，PID型Adaline神经网络控制器和自调整因子模糊控制器的输出分别作为T‑S模糊神经网络解耦控制器的2个对应输入；PID型Adaline神经网络控制器直接对被控对象进行闭环控制,根据系统的运行状态,调节Adaline神经网络控制器的参数,以期达到性能指标的最优化,使Adaline神经网络控制器的神经元输出状态对应于PID控制器的三个可调参数:kp，ki，kd。通过Adaline神经网络控制器的神经网络自学习、调整权系数,从而使其稳定状态对应于被控制对象在最优控制律下的控制器参数，Adaline神经网络控制器的输出为：

[0041] u(k)＝wTx＝x1(k)·w1(k)+x2(k)·w2(k)+x3(k)·w3(k)   (2)

[0042] 其中x1(k)＝e(k)为张力期望值的误差， 为张力期望值的误差积分，x3(k)＝[e(k)‑e(k‑1)]/T为张力期望值的误差变化率。基于PID型的Adaline神经网络控制器通过自学习可找到任何时刻最优的权值w1(k)，w2(k)，w3(k)相当于随时间可调的kp，ki，kd，就是PID控制器设计时很难找到的最优化的3个调节参数，PID型的Adaline神经网络控制器通过自学习可找到任何时刻最优的权值w1(k)，w2(k)，w3(k)使得均方误差最小，是在PID控制器设计时很难找到的最优化的3个调节参数kp，ki，kd，对于时变系统更要求PID参数随时可调,这更是常规PID控制所不能做到的；PID型的Adaline神经网络控制器的权值优化搜索算法采用最小二乘法,即LMS(Least Mean Square)算法。

[0043] 3、自调整因子模糊控制器设计

[0044] 时延迟神经网络输出与DRNN神经网络输出的差值作为纱线张力期望值的预测误差，纱线张力期望值的预测误差和预测误差变化率作为自调整因子模糊控制器的输入；自调整因子模糊控制器由模糊控制和积分作用两部分并联组成，通过采用自调整因子来改变模糊控制器控制规则，使用更优的控制规则来进行控制，通过对自调整因子的调节从而提高模糊控制器的性能，当误差较大时，控制系统的主要任务是消除误差，这时使自调整因子取较大值尽快消除误差的存在；当误差比较小的时候，系统已经接近稳态，主要控制因素是使系统尽快稳定，系统的上升速度加快，为减小系统的超调，应突出对误差变化的控制作用，自调整因子应选取较小值；当系统响应接近期望值时，由于此时误差及其变化都较小，二者可取相同的权重。

[0045] 4、T‑S模糊神经网络解耦控制器设计

[0046] PID型Adaline神经网络控制器和自调整因子模糊控制器的输出分别作为T‑S模糊神经网络解耦控制器的2个对应输入，T‑S模糊神经网络解耦控制器的2个输出分别作为对应的NARX神经网络的输入；T‑S模糊神经网络解耦控制器的模糊逻辑系统是复杂非线性系统模糊建模中一种经典的模糊动态模型，它是基于T‑S模糊逻辑系统和神经网络的融合，得到了一种结构简单的T‑S模糊神经网络解耦控制器。T‑S模糊神经网络解耦控制器为普通的模糊神经网络共有4层，分别为输入层、模糊化层、规则计算层和输出层，第一层为输入层，每个节点均与输入向量xi相连。第二层为模糊化层，本专利采用高斯函数作为T‑S模糊神经网络解耦控制器的隶属度函数，所采用的隶属度函数为：

[0047]

[0048] 第三层为规则计算层，每个节点代表一条模糊规则，采用隶属度的连乘作为模糊规则，通过下面公式求得ω：

[0049]

[0050] 第四层为输出层，通过下面公式求得到T‑S模糊神经网络解耦控制器的输出：

[0051]

[0052] 5、NARX神经网络设计

[0053] T‑S模糊神经网络解耦控制器的2个输出分别作为对应的NARX神经网络的输入，其中1个NARX神经网络输出分别作为对应的按拍延迟线TDL的输入和参数采集与控制平台的L298电动机驱动电路的输入，另一个NARX神经网络输出分别作为对应的按拍延迟线TDL的输入和张力电磁铁的输入；NARX神经网络是一种带输出反馈连接的动态递归神经网络，在拓扑连接关系上可等效为有输入时延的BP神经网络加上输出到输入的时延反馈连接，其结构由输入层、时延层、隐层和输出层构成，其中输入层节点用于信号输入，时延层节点用于输入信号和输出反馈信号的时间延迟，隐层节点利用激活函数对时延后的信号做非线性运算，输出层节点则用于将隐层输出做线性加权获得最终网络输出。NARX神经网络第i个隐层节点的输出hi为：

[0054]

[0055] NARX神经网络第j个输出层节点输出oj为：

[0056]

[0057] 6、DRNN神经网络设计

[0058] 3个按拍延迟线TDL输出作为DRNN神经网络的输入，时延迟神经网络输出与DRNN神经网络输出的差值作为纱线张力期望值的预测误差；DRNN神经网络是一种具有反馈的动态回归神经网络和适应时变特性的能力，该网络能够更直接生动地反映纱线张力的动态变化性能，可以精确预测纱线张力动态变化，DRNN神经网络为3层网络结构，其隐层为回归层。在本发明DRNN神经网络中，设I＝[I1(t),I2(t),…,In(t)]为网络输入向量，其中Ii(t)为DRNN神经网络输入层第i个神经元t时刻的输入，回归层第j个神经元的输出为Xj(t)，Sj(t)为第j个回归神经元输入总和，f(·)为S的函数，则O(t)为DRNN神经网络的输出。则DRNN神经网络的输出层输出为：

[0059]

[0060] 7、参数检测模块设计

[0061] 参数检测模块由带时滞单元的Adaline神经网络模型、EMD经验模态分解模型、GM(1，1)灰色预测模型、多个NARX神经网络预测模型、2个按拍延迟线TDL、2个ARIMA预测模型和二元联系数的小波神经网络模型组成；参数检测模块结构与功能见图2所示。

[0062] (1)、带时滞单元的Adaline神经网络模型设计

[0063] 参数传感器输出作为带时滞单元的Adaline神经网络模型的输入，带时滞单元的Adaline神经网络模型输出作为EMD经验模态分解模型的输入；带时滞单元的Adaline神经网络模型由2个按拍延迟线TDL和Adaline神经网络组成，参数传感器输出作为对应的按拍延迟线TDL的输入，该按拍延迟线TDL的输出作为Adaline神经网络的输入，Adaline神经网络的输出作为对应的按拍延迟线TDL的输入，该按拍延迟线TDL的输出为带时滞单元的Adaline神经网络模型的输出；Adaline神经网络模型的自适应线性单元(Adaptive Linear Element)是早期的神经网络模型之一，该模型的输入信号可写成向量的形式:X(K)＝[x0T(K),x1(K),…xn(K)] ，每一组输入信号对应有一组权值向量相对应表示为:W(K)＝[k0(K),k1(K),…k(K)]，x0(K)等于负1时是Adaline神经网络模型的偏置值决定神经元的兴奋或抑制状态，可根据Adaline神经网络模型的输入向量和权值向量定义网络输出为：

[0064]

[0065] 在Adaline神经网络模型中，有一特殊输入即理想响应输出d(K)，把它送入Adaline神经网络模型中，然后通过网络的输出y(K)进行比较，将差值送到学习算法机制中，以调整权向量直到获得最佳权向量，y(K)与d(K)趋向一致，权向量的调整过程即为网络的学习过程，学习算法是学习过程的核心部分，Adaline神经网络模型的权值优化搜索算法采用LMS算法最小二乘法。

[0066] (2)、EMD经验模态分解模型设计

[0067] 带时滞单元的Adaline神经网络模型输出作为EMD经验模态分解模型的输入，EMD经验模态分解模型输出的被测量参数低频趋势值作为GM(1，1)灰色预测模型的输入，EMD经验模态分解模型输出的被测量参数的多个高频趋势值分别作为对应的NARX神经网络预测模型的输入；EMD经验模态分解是一种自适应信号筛选方法，具有计算简单、直观、基于经验和自适应的特点。它能将存在于被检测参数信号中不同特征的趋势逐级筛选出来，得到多个高频波动部分(IMF)和低频趋势部分。EMD分解出来的IMF分量包含了被检测参数信号从高到低不同频率段的成分，每个频率段包含的频率分辨率都随信号本身变化，具有自适应多分辨分析特性。使用EMD分解的目的就是为了更准确地提取故障信息。IMF分量必须同时满足两个条件：①在待分解被检测参数信号中，极值点的数目与过零点的数目相等，或最多相差一个；②在任一时间上，由局部极大值和局部极小值定义的包络均值为零。EMD经验模态分解方法针对带时滞单元的Adaline神经网络模型输出值信号的“筛分”过程步骤如下：

[0068] (a)带时滞单元的Adaline神经网络模型输出值信号所有的局部极值点，然后用三次样条线将左右的局部极大值点连接起来形成上包络线。

[0069] (b)在用三次样条线将带时滞单元的Adaline神经网络模型输出值的局部极小值点连接起来形成下包络线，上、下包络线应该包络所有的数据点。

[0070] (c)上、下包络线的平均值记为m1(t)，求出：

[0071] x(t)‑m1(t)＝h1(t)   (10)

[0072] x(t)为带时滞单元的Adaline神经网络模型输出值原始信号，如果h1(t)是一个IMF，那么h1(t)就是x(t)的第一个IMF分量。记c1(t)＝h1k(t)，则c1(t)为信号x(t)的第一个满足IMF条件的分量。

[0073] (d)将c1(t)从x(t)中分离出来，得到：

[0074] r1(t)＝x(t)‑c1(t)   (11)

[0075] 将r1(t)作为原始数据重复步骤(a)‑步骤(c)，得到x(t)的第2个满足IMF条件的分量c2。重复循环n次，得到信号x(t)的n个满足IMF条件的分量。这样通过经验模态分解模型把带时滞单元的Adaline神经网络模型输出分解为低频趋势部分和多个高频波动部分，EMD经验分解模型如图2所示。

[0076] (3)、GM(1，1)灰色预测模型设计

[0077] EMD经验模态分解模型输出的被测量参数低频趋势值作为GM(1，1)灰色预测模型的输入；GM(1，1)灰色预测模型输出和多个NARX神经网络预测模型输出分别作为二元联系数的小波神经网络模型的对应输入；GM(1，1)灰色预测方法较传统的统计预测方法有着较多的优点，它不需要确定预测变量是否服从正态分布，不需要大的样本统计量，不需要根据被检测参数低频趋势值输入变量的变化而随时改变预测模型，通过累加生成技术，建立统一的微分方程模型，累加被检测参数低频趋势原始值还原后得出预测结果，微分方程模型具有更高的预测精度。建立GM(1,1)灰色预测模型的实质是对低频趋势值原始数据作一次累加生成，使生成数列呈现一定规律，通过建立微分方程模型，求得拟合曲线，用以对被检测参数低频趋势值进行预测。

[0078] (4)、NARX神经网络预测模型设计

[0079] EMD经验模态分解模型输出的被测量参数的多个高频趋势值分别作为对应的NARX神经网络预测模型的输入，GM(1，1)灰色预测模型输出和多个NARX神经网络预测模型输出分别作为二元联系数的小波神经网络模型的对应输入；NARX神经网络预测模型的设计方法参照本专利的第5步骤的NARX神经网络设计方法。

[0080] (5)、ARIMA预测模型设计

[0081] 二元联系数的小波神经网络模型输出被测量参数的确定值a和波动值b构成被测量参数的二元联系数为a+bi，被测量参数的确定值a和波动值b分别作为对应的按拍延迟线TDL的输入和二元联系数的小波神经网络的对应输入，2个按拍延迟线TDL输出分别作为对应的ARIMA预测模型输入，2个ARIMA预测模型输出作为二元联系数的小波神经网络模型的对应输入；ARIMA(Auto regressive Integrated Moving Average)预测模型是自回归积分滑动平均模型，它将自回归模型(Autoregressive,AR)和滑动平均模型(Moving Average,MA)有机地组合起来,使之成为一种综合的预测方法。作为有效的现代数据处理方法之一,它被誉为时间序列预测方法中最复杂最高级的模型,在实际应用中,由于输入原始数据序列往往表现出一定的趋势或循环特征,不满足ARMA模型对时间序列的平稳性要求,而取差分是消除数据趋势性的一种方便和有效的方法。基于差分后的数据序列建立的模型称为ARIMA模型,记为{Xt}‑ARIMA(p,d,q),其中p、q称为模型的阶,d表示差分的次数。显然,当d为0时,ARIMA模型为ARMA模型,其定义为:

[0082] xt＝b1xt‑1+…+bpxt‑p+εt+a1εt‑1+…+aqεt‑q   (12)

[0083] {xt}为要预测的二元联系数的BAM神经网络输出的被测量参数确定值a和波动值b2
的数据序列,{εt}～WN(0,σ)。ARIMA模型建立主要包括模型的识别、参数估计和模型诊断。
模型识别主要包括时间序列的预处理和模型参数的初步定阶；模型定阶完成之后需要通过时间序列观察值并结合p，d，q值来对模型中的未知参数进行估计；模型的诊断主要是针对整个模型的显著性检验和模型中参数的显著性检验。通常模型的建立是个不断优化的过程，模型优化常用的为AIC和BIC准则，即最小信息量准则其值越小，模型越合适，BIC准则是针对AIC准则对大样本序列的不足所做的改进。

[0084] (6)、二元联系数的小波神经网络模型设计

[0085] GM(1，1)灰色预测模型输出和多个NARX神经网络预测模型输出分别作为二元联系数的小波神经网络模型的对应输入，二元联系数的小波神经网络模型输出被测量参数的确定值a和波动值b构成被测量参数的二元联系数为a+bi，被测量参数的确定值a和波动值b分别作为对应的按拍延迟线TDL的输入和二元联系数的小波神经网络的对应输入，2个按拍延迟线TDL输出分别作为对应的ARIMA预测模型输入，2个ARIMA预测模型输出作为二元联系数的小波神经网络模型的对应输入，二元联系数的小波神经网络模型输出作为参数检测模块输出的被测量参数的二元联系数值；二元联系数的小波神经网络模型为输出为二元联系数的小波神经网络模型，小波神经网络模型WNN(Wavelet Neural Networks)是在小波理论基础上，结合人工神经网络而提出的一种前馈型网络。它是以小波函数为神经元的激励函数，小波的伸缩、平移因子以及连接权重，在对误差能量函数的优化过程中被自适应调整。设小波神经网络模型的输入信号可以表示为输入的一维向量xi(i＝1,2,…,n)，输出信号表示为yk(k＝1,2,…,m)，小波神经网络模型输出层输出值的计算公式为：

[0086]

[0087] 公式中ωij输入层i节点和隐含层j节点间的连接权值， 为小波基函数，bj为小波基函数的平移因子，aj小波基函数的伸缩因子，ωjk为隐含层j节点和输出层k节点间的连接权值。本专利中的小波神经网络模型的权值和阈值的修正算法采用梯度修正法来更新网络权值和小波基函数参数，从而使小波神经网络输出不断逼近期望输出。小波神经网络模型的输出为代表一段时间参数测量传感器值大小的动态二元联系数，动态二元联系数为a+bi,a+bi构成在一段时间参数测量传感器输出的被测量参数的动态二元联系数值。

[0088] 本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰这些改进和润饰也视为本发明的保护范围。