基于k均值的RBF神经网络算法的电机故障诊断方法技术

一种基于k均值的RBF神经网络算法的电机故障诊断方法，包括：根据k均值聚类算法提取出电机的故障样本集，利用故障样本集使RBF神经网络开始学习训练；当RBF神经网络训练完成后，使各个隐节点的数据中心相应的输出权值不再改变，随后使RBF神经网络进入工作状态，已训练完成的RBF神经网络中的数据中心和连接权值记录了故障特征；电机测试数据经过归一化处理；将归一化处理后的电机测试数据传递至RBF神经网络以形成故障征兆，将故障征兆传递给RBF神经网络；将传递进来的故障征兆与RBF神经网络中记录的故障特征进行比较；在传递进来的故障征兆与RBF神经网络中记录的特定故障特征之间的相似度大于预定阈值时，RBF神经网络输出与特定故障特征对应的故障类型。

【技术实现步骤摘要】

本专利技术涉及电机故障诊断领域，更具体地说，本专利技术涉及一种基于k均值(k-means)的RBF(RadialBasisFunction：径向基函数)神经网络算法的电机故障诊断方法。
技术介绍
电机是现代生产中的重要电气设备，在运转过程中会发生不同程度的振动。当电机稳定运行时，振动都有一种典型特性和一个允许限值。但是，当电机内部出现故障，例如，机械故障、转动部分不平衡或电磁等方面的原因，就会引起电机不稳定的振动。这些振动故障对电机的危害很大，会降低电机的使用寿命，对生产造成重大影响。近年来对于电机故障诊断技术国内外开展了广泛的研究，主要方法主要有以下几种：1、基于信号变换的诊断方法。这种方法至今仍然是处理大量现场振动故障的主要方法。采用如便携式测振仪等设备拾取信号，并直接由信号的某些参数或统计量构成诊断指标，根据对诊断指标的分析以判定设备的运行状态是正常或是异常。此种诊断方法受人为因素的影响过大，其诊断的可靠性和效率受到较大限制。2、基于专家系统的诊断方法。此方法根据被诊断系统的专家以往积累的经验，将其归纳成规则，使系统仿真专家推理分析问题和解决问题，从而进行故障诊断。它至少由知识库、推理机、人机接口三部分组成。但专家系统还是存在着一些自身无法克服的弱点，例如专家系统的知识库和知识推理过于刚性；难以诊断多重故障；诊断准确率的高低主要取决于知识库中知识的多少和正确率的高低，有时不同的专家系统可能给出互相矛盾的诊断结果；且存在着获取知识的瓶颈等等。3、基于模糊理论的诊断方法。在故障诊断领域，模糊属性常常出现，如对征兆的描述：温度“偏高”，振动“厉害”等都具有模糊特性。基于模糊理论的诊断方法在一定程度上模拟人的诊断，利用隶属函数和模糊规则，进行模糊推理就可以实现模糊诊断的智能化。但是，复杂的诊断系统其模糊诊断知识获取困难，尤其是正确的模糊规则和隶属函数较难确定，且系统的诊断能力依赖模糊知识库，学习能力差，容易发生漏诊和误诊。4、基于人工神经网络(ANN：ArtificialNeuralNetwork)的诊断方法。人工神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络(ANN)具有良好的容错性和非线性特性，信息分布储存、响应速度快，并且具有自适应学习等一系列优点，是近年来受到广泛重视的一种新型技术。但是，ANN在故障诊断中应用亦存在一定的问题，主要是ANN在使用之前需要大量的有代表性的样本供其学习。
技术实现思路
本专利技术所要解决的技术问题是针对现有技术中存在上述缺陷，提供一种基于k均值聚类的RBF神经网络算法的电机故障诊断方法，能够有效地检测出机械故障、转动部分不平衡或电磁等方面的原因所引起的电机的不稳定振动，能准确、有效识别出电机的各种典型故障。为了实现上述技术目的，根据本专利技术，提供了一种基于k均值的RBF神经网络算法的电机故障诊断方法，包括：第一步骤：根据k均值聚类算法提取出电机的故障样本集，并利用故障样本集使RBF神经网络开始学习训练；第二步骤：当RBF神经网络训练完成以后，使得各个隐节点的数据中心相应的输出权值不再改变，随后使RBF神经网络进入工作状态；第三步骤：使得电机测试数据经过归一化处理；第四步骤：将归一化处理后的电机测试数据传递至RBF神经网络以形成故障征兆，然后将故障征兆传递给RBF神经网络；第五步骤：将传递进来的故障征兆与RBF神经网络中记录的故障特征进行比较；第六步骤：在传递进来的故障征兆与RBF神经网络中记录的特定故障特征之间的相似度大于预定阈值时，RBF神经网络输出与特定故障特征对应的故障类型。优选地，已训练完成的RBF神经网络中的数据中心和连接权值记录了故障特征。与其它方法相比较，本专利技术具有泛化性能好、学习训练速度快、网络结构稳定、诊断结果正确率高等优点。附图说明结合附图，并通过参考下面的详细描述，将会更容易地对本专利技术有更完整的理解并且更容易地理解其伴随的优点和特征，其中：图1示意性地示出了根据本专利技术优选实施例的基于k均值的RBF神经网络算法的电机故障诊断方法的流程图。需要说明的是，附图用于说明本专利技术，而非限制本专利技术。注意，表示结构的附图可能并非按比例绘制。并且，附图中，相同或者类似的元件标有相同或者类似的标号。具体实施方式为了使本专利技术的内容更加清楚和易懂，下面结合具体实施例和附图对本发明的内容进行详细描述。图1示意性地示出了根据本专利技术优选实施例的基于k均值的RBF神经网络算法的电机故障诊断方法的流程图。如图1所示，根据本专利技术优选实施例的基于k均值聚类算法的RBF神经网络算法的电机故障诊断方法包括：第一步骤S1：根据k均值聚类算法提取出电机的故障样本集，并利用故障样本集使RBF神经网络开始学习训练；第二步骤S2：当RBF神经网络训练完成以后，使得各个隐节点的数据中心相应的输出权值不再改变，随后使RBF神经网络进入工作状态；其中，已训练完成的RBF神经网络中的数据中心和连接权值记录了故障特征；第三步骤S3：电机测试数据经过归一化处理；第四步骤S4：将归一化处理后的电机测试数据传递至RBF神经网络以形成故障征兆(或故障表征)，然后将故障征兆(或故障表征)传递给RBF神经网络；第五步骤S5：将传递进来的故障征兆(或故障表征)与RBF神经网络中记录的故障特征进行比较；第六步骤S6：在传递进来的故障征兆(或故障表征)与RBF神经网络中记录的特定故障特征比较接近(例如相似度大于预定阈值)时，RBF神经网络输出与特定故障特征对应的故障类型。k均值聚类算法是基于线性学习规则的无监督方案，因此可以保证快速的收敛。<聚类中心及宽度的算法>下面具体描述本专利技术优选实施例采用的聚类中心及宽度的算法的示例。设置迭代次数k，获取第k次迭代时的聚类中心c1(k)，c2(k)，…，cm(k)，相应的聚类域为w1(k)，w2(k)，…，wm(k)，k均值聚类算法过程如下：(1)从输入样本中随机选取一组初始化数据中心值ci，但这m个数据中心必须取不同值，并令k＝1，取一个很小的误差常数ε>0；(2)计算所有样本输入与聚类中心距离||xj-ci(k)||，i＝1,2,…,m，j＝1,2,…,N(其...

【技术保护点】
一种基于k均值的RBF神经网络算法的电机故障诊断方法，其特征在于包括：第一步骤：根据k均值聚类算法提取出电机的故障样本集，并利用故障样本集使RBF神经网络开始学习训练；第二步骤：当RBF神经网络训练完成以后，使得各个隐节点的数据中心相应的输出权值不再改变，随后使RBF神经网络进入工作状态；第三步骤：使得电机测试数据经过归一化处理；第四步骤：将归一化处理后的电机测试数据传递至RBF神经网络以形成故障征兆，然后将故障征兆传递给RBF神经网络；第五步骤：将传递进来的故障征兆与RBF神经网络中记录的故障特征进行比较；第六步骤：在传递进来的故障征兆与RBF神经网络中记录的特定故障特征之间的相似度大于预定阈值时，RBF神经网络输出与特定故障特征对应的故障类型。

【技术特征摘要】
1.一种基于k均值的RBF神经网络算法的电机故障诊断方法，其特征在于
包括：
第一步骤：根据k均值聚类算法提取出电机的故障样本集，并利用故障样
本集使RBF神经网络开始学习训练；
第二步骤：当RBF神经网络训练完成以后，使得各个隐节点的数据中心相
应的输出权值不再改变，随后使RBF神经网络进入工作状态；
第三步骤：使得电机测试数据经过归一化处理；
第四步骤：将归一化处理后的电机测试数据传递至RBF神经网络以形成故
障征兆...

【专利技术属性】
技术研发人员：王洋，朱先铭，范思哲，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：上海;31