欢迎来到利索能及~ 联系电话:18621327849
利索能及
我要发布
收藏
专利号: 2019104012138
申请人: 吉林大学珠海学院
专利类型:发明专利
专利状态:已下证
专利领域: 测量;测试
更新日期:2024-10-29
缴费截止日期: 暂无
联系人

摘要:

权利要求书:

1.一种基于特征节点增量式宽度学习电机故障诊断方法,其特征在于,包括以下步骤:S1:数据采集和数据处理;采集定子绕组A电流信号,定子绕组B电流信号或定子绕组C电流信号中任意两组电流信号和一个声波信号,记为x1,x2,x3,将所采集的两路电流信号和声波信号进行滤波;将滤波后的数据分成两组,其中一组电流信号数据进行时域统计特征,将声波信号数据分别进行时域统计特征和粒子群优化-变异模态分解;最后将处理后的数据分为三组独立的数据集:包括训练数据集、验证数据集和测试数据集;分别记为xk-Proc-Train、xk-Proc-Vali和xk-Proc-Test;

S2:模型训练,即将处理后的xk-Proc-Train进行宽度学习,训练得到系统模型,宽度学习训练的过程为:使用经过处理的训练数据集xk-Proc-Train来训练宽度学习网络,宽度学习网络的输出是诊断的准确率;当输出的准确率大于等于设定的目标准确率时,即得到训练模型;当输出的准确率小于设定的目标准确率时,系统进入增量学习;

S3:特征节点增量式学习,即通过增加特征节点的数目,将处理后的xk-Proc-Vali进行增量学习,特征节点增量式学习过程为:使用经过处理的验证数据集xk-Proc-Vali来训练特征节点增量式宽度学习网络,特征节点增量式宽度学习网络输出的是故障诊断的准确率;当输出的准确率不在设定的目标准确率±M%时,系统继续增量学习;当输出的准确率在设定的目标准确率±M%时,即得到特征节点增量式训练模型;

S4:采用NMF方法对由步骤S3训练得到的模型进行简化,得到更稳定的模型,通过测试数据集xk-Proc-Test得到输出矩阵,与故障标签对比即可得到电机的故障诊断准确率。

2.根据权利要求1所述的方法,其特征在于,所述步骤S1中的数据采集方式为:采用示波器采集电流信号,麦克风采集声音信号。

3.根据权利要求1所述的方法,其特征在于,所述步骤S1中,对采集的数据进行限幅滤波后再将其分别分为三个独立的数据集。

4.根据权利要求1-3任一项所述的方法,其特征在于,所述步骤S1中对声波信号的数据处理过程为:采用粒子群优化-变异模态分解(PSO-VDM)和时域统计方法(TDSF)提取信号特征;

采用粒子群优化-变异模态分解后,由于变异模态分解后每个固有模态函数维数不变,需要降低维数,则应用样本熵(SE)统计其特征,即采用样本熵来计算每个固有模式函数的代表性特征;其特征结果分别保存为xk-SE-Train、xk-SE-Vali和xk-SE-Test;为了保证所有的特征都有贡献,xk-SE-Train、xk-SE-Vali和xk-SE-Test中的每个特征都进行[0,1]归一化处理。

5.根据权利要求4所述的方法,其特征在于,步骤S1还包括:对采集两组电流信号分别增加10个时域统计特征,并进行[0,1]归一化处理,再与经过样本熵处理得到的声波特征合并得到处理后的训练数据集、验证数据集和测试数据集,经过处理的训练数据集、验证数据集和测试数据集分别被命名为xk-Proc-Train、xk-Proc-Vali和xk-Proc-Test。

6.根据权利要求5所述的方法,其特征在于,对电流信号和声音信号增加10个特征为:平均值、标准差、均方根、峰值、偏度、峰度、波峰系数、间隙系数、形状系数和脉冲系数。

7.根据权利要求1所述的方法,其特征在于,宽度学习训练的过程具体为:使用经过处理的训练数据集xk-Proc-Train来训练宽度学习网络,令X=xk-Proc-Train,即输入特征集合X,设其有N个样本,各样本均为M维;

对于n个特征映射,其映射特性Zi表示为式(1):

Zi=φ(XWei+βei),i=1…,n   (1)

其中Wei表示第i个输入特征的随机权重矩阵,βei表示第i个输入特征的随机偏移矩阵,φ是映射函数,Zn≡[Z1,…,Zn]表示所有特征节点的映射集合;

对于增强节点,Hm表示第m组增强节点的增强特征:

Hm≡ξ(ZnWhm+βhm)      (2)

Whm表示第m组增强节点的随机权重矩阵,βhm表示第m组增强节点的随机偏移矩阵,ξ是增强映射函数,Hm≡[H1,…,Hm]表示所有增强节点的映射集合;所有增强连接权重表示为Wm≡[Wh1,…,Whm];

因此,输出矩阵Y表示为方程:

n m m

Y=[Z|H]W   (3)

Y是属于 的输出矩阵;

使用公式(3)能计算出Wm=[Zn|Hm]+Y。

8.根据权利要求7所述的方法,其特征在于,在步骤S2的模型训练过程中,当输出的准确率小于设定的目标准确率时,能通过增加特征节点数使模型输出的准确率大于或等于设定值,继而得到训练模型;

在学习过程中增加特征节点,设初始输入特征向量和增强节点的复合连接为Am=[Zn|Hm],额外增加特征节点后的特征矩阵为:其中 为增加特征节点后的连接权重; 为特征节点后的偏差,即能得出新矩阵的伪逆矩阵表示如下:

其中过渡矩阵

中间矩阵

其中

新的权重为:

将处理的验证数据集xk-Proc-Vali作为输入集合X,基于输入X和新的权重即可得到特征节点增量式宽度学习模型。

9.根据权利要求8所述的方法,其特征在于,步骤S4中在对测试数集合进行测试前还包括对由步骤S4获得的模型进行NMF结构简化,设简化前的权重矩阵为 由于输入的数据集是规一化的,所以权重矩阵是非负数矩阵,假设有非负矩阵 和另外一非负矩阵 则得到:Wm≈IWr     (7)

其中Wm是原始矩阵,右矩阵Wr是系数矩阵,左矩阵I是基础矩阵;

新的权重矩阵Wr≈I+Wm,利用新的权重矩阵能简化步骤S4获得的模型。