基于多模态PSO搜索MUSIC的感应电机断条检测方法技术

本发明专利技术公开了一种基于多模态PSO搜索MUSIC的感应电机转子断条故障检测方法。首先测取任意一相定子电流瞬时信号，构建数据自相关矩阵；然后对相关矩阵进行特征值分解，并形成噪声子空间和信号子空间；接着，利用噪声子空间和信号频率向量构建适应度函数；最后利用多模态PSO在频率可行域内进行多谱峰搜索，实现断条故障特征频率的估计，根据电机转速与估计出的频率值判断电机是否处于故障状态。本发明专利技术利用智能群体搜索代替固定步长遍历搜索，不但能够准确检测转子断条故障，而且提高了频率的搜索效率、精度以及实时性，大大降低了计算开销。

【技术实现步骤摘要】
基于多模态PSO搜索MUSIC的感应电机断条检测方法
本专利技术涉及一种基于多模态PSO搜索MUSIC的感应电机转子断条故障检测方法，属于电机技术。
技术介绍
感应电动机由于负载过重、频繁启动、制动等原因，容易出现转子断条故障。转子断条故障初期虽然还能继续运行，但是容易诱发其他故障，并导致能量的隐形流失。因此必须对转子断条故障进行在线检测。当感应电动机发生转子断条或端环故障时，会在定子电流中产生频率为(1±2ks)f1的附加电流分量，k=1,2,3,…，f1为电源频率，s为转差率；该电流分量可以作为转子断条故障的特征量。依据该特征，目前提出了许多断条故障检测方法，比如快速傅里叶方法、扩展的派克矢量方法、Hilbert模量方法、瞬时功率方法、传统多重信号分类（MUSIC）方法等。这些方法在对应条件下实现了断条故障检测，并一定程度上推动了转子断条故障检测的发展。但是这些方法都存在不能精确检测故障特征频率值的问题，从而影响转子断条故障检测的可靠性。
技术实现思路
专利技术目的：为了进行故障特征频率值的精确检测实现断条故障的可靠判断，提出一种基于多模态PSO搜索MUSIC的感应电机转子断条故障检测方法。技术方案：为实现上述目的，本专利技术首先将传统的MUSIC与多模态PSO搜索相结合，形成一种高精度MUISC算法；然后将该多模态PSO搜索MUSIC算法用于高精度检测故障特征的频率，最后根据电机转速和所检测到频率值判断感应电机转子断条故障情况。该方法具体步骤如下：步骤1：测取任意一相定子电流瞬时信号y(n)，数据长度为N；步骤2：基于M个阵元构建M×N的矩阵，并保证M远大于信号个数P，求取自相关矩阵；步骤3：将自相关矩阵Ryy进行特征值分解，生成信号子空间S和噪声子空间G；步骤4：利用噪声子空间G和信号频率向量e(fi)构建适应度函数；步骤5：对信号频率向量中的fi进行实数编码形成种群微粒，利用多模态PSO在频率可行域内进行多谱峰搜索，估计出信号的各个频率值；步骤6：根据电机转速确认电流信号中是否存在(1±2s)f1频率分量；如果有，则电机处于断条故障状态；如果没有，则电机处于健康状态。进一步地，所述步骤5中，多模态PSO的具体步骤如下：5.1：算法初始化；5.2：利用适应度函数，计算每个微粒的适应值；5.3：更新微粒个体极值；5.4：更新/确定物种种子；5.5：计算微粒到各个种子的距离，确定微粒的归属；5.6：更新微粒位置xi，其中每个微粒的第j维位置更新公式：，式中N(∙)表示高斯分布；是高斯分布的均值；是高斯分布的标准差；5.7：若满足停止条件，搜索停止，输出所有全局最优位置和全局最优适应值。否则，返回步骤5.2继续搜索。进一步地，所述步骤5.1中的算法初始化具体包括：随机产生微粒的位置，计算每个微粒适应度值，并将这两者初始化个体极值，设置算法所需参数，包括种群规模、最大迭代代数和物种相似度阈值σ*。进一步地，所述步骤5.3中个体极值更新方式：将每个微粒当前位置的适应度值与原个体极值比较，如果当前位置更佳则取代原个体极值，否则个体极值保持不变。进一步地，所述步骤5.4中更新/确定物种种子的方式：（5.4.1）对所有微粒的个体极值按照适应度值的优劣进行降序排列形成集合Spbest，设置种子集Xs为空集；（5.4.2）将适应度最好的微粒作为种子放入种子集Xs；（5.4.3）将Spbest中的其余个体与Xs中已有的种子进行相似度比较，如果该微粒的个体极值与所有种子的欧氏距离都大于σ*，则这个微粒个体极值就会被加入到种子集中，直至遍历整个Spbest。进一步地，所述步骤5.5中距离的计算方式：可以是欧氏距离也可以是其它距离定义方式；所述微粒归属确定方式：非种子微粒属于离自身最近的种子。进一步地，所述步骤5.7中停止条件包括适应值误差小于设定阈值或迭代次数超过最大代数。有益效果：本专利技术提供的一种基于多模态PSO搜索MUSIC的感应电机转子断条故障检测方法，利用智能群体搜索代替固定步长遍历搜索，不但能够准确检测转子断条故障，而且提高了频率的搜索效率、精度以及实时性，大大降低了计算开销。附图说明图1是基于多模态PSO搜索MUSIC的感应电机转子断条故障检测方法流程图；图2是定子电流信号时域波形图；图3满载情况下三种方法的定子电流频谱；图4半载情况下三种方法的定子电流频谱。具体实施方式下面结合附图和实验实例对本专利技术的实施过程作进一步详细说明。实验电机为Y132M-4型感应电机，其主要技术数据如表1所示：对电机分别在半载转子1根断条(s=0.022)和满载转子1根断条(s=0.04133)的情况下进行实验，电流信号采样间隔为7ms，采样长度为200，两种状态下定子A相电流信号的时域波形如图2所示；选择A相电流信号作为观测数据，对本专利技术进行举例说明。为了进行比较，传统的MUSIC方法（由SchmidtR.O.在“Multipleemitterlocationandsignalparameterestimation”中提出）与FFT方法（快速傅立叶方法）也应用于该电流信号。本专利技术对A相定子电流的具体分析过程如下：1.以A相定子电流信号作为y(n)；2.基于100个阵元构建100×200的矩阵，求取自相关矩阵；3.将自相关矩阵Ryy进行特征值分解，生成信号子空间S和噪声子空间G；4.利用噪声子空间G和信号频率向量e(fi)构建适应度函数；5.对信号频率向量中的fi进行实数编码形成种群微粒，利用多模态PSO在频率可行域内进行多谱峰搜索，估计出信号的各个频率值；其中多模态PSO的步骤如下：5.1：算法初始化：随机产生微粒的位置，并计算适应度值，并将这两者初始化个体极值，设置算法所需参数，包括种群规模为60、最大迭代代数为30和物种相似度阈值σ*=0.3；5.2：利用适应度函数，计算每个微粒的适应值；5.3：更新微粒个体极值：将每个微粒当前位置的适应度值与原个体极值比较，如果当前位置更佳则取代原个体极值，否则个体极值保持不变；5.4：更新/确定物种种子：（5.4.1）对所有微粒的个体极值按照适应度值的优劣进行降序排列形成集合Spbest，设置种子集Xs为空集；（5.4.2）将适应度最好的微粒作为种子放入种子集Xs；（5.4.3）将Spbest中的其余个体与Xs中已有的种子进行相似度比较，如果该微粒的个体极值与所有种子的欧氏距离都大于σ*，则这个微粒个体极值就会被加入到种子集中，直至遍历整个Spbest；5.5：计算微粒到各个种子的距离，确定微粒的归属，其中距离计算采用欧氏距离定义方式；所述微粒归属确定方式：非种子微粒属于离自身最近的种子；5.6：更新微粒位置xi，其中每个微粒的第j维位置更新公式：，式中N(∙)表示高斯分布；是高斯分布的均值；是高斯分布的标准差；5.7：若迭代次数超过最大代数，搜索停止，输出所有全局最优位置和全局最优适应值。否则，返回步骤4.2继续搜索；6.根据电机转速确认电流信号中是否存在(1±2s)f1频率分量；如果有，则电机处于断条故障状态；如果没有，则电机处于健康状态。在满载情况下，分别采用传统MUSIC方法、FFT方法和本专利技术对定子电流信号进行分析，结果如图3所示。在满载情况下，故障特征幅值最大、离基波分量最远本文档来自技高网...

【技术保护点】
1.一种基于多模态PSO搜索MUSIC的感应电动机转子断条故障检测方法，其特征在于：将感应电机的实测电流信号作为观测数据，利用多重分类（MUSIC）算法构建噪声子空间和谱峰搜索适应度函数，然后利用多模态骨干微粒群优化算法（多模态PSO）搜索所有谱峰，实现信号各个分量的频率估计，根据电机转速和估计出的频率值判断电机是否处于故障状态，该方法具体步骤如下：步骤1：测取任意一相定子电流瞬时信号y(n)，数据长度为N；步骤2：基于

【技术特征摘要】
1.一种基于多模态PSO搜索MUSIC的感应电动机转子断条故障检测方法，其特征在于：将感应电机的实测电流信号作为观测数据，利用多重分类（MUSIC）算法构建噪声子空间和谱峰搜索适应度函数，然后利用多模态骨干微粒群优化算法（多模态PSO）搜索所有谱峰，实现信号各个分量的频率估计，根据电机转速和估计出的频率值判断电机是否处于故障状态，该方法具体步骤如下：步骤1：测取任意一相定子电流瞬时信号y(n)，数据长度为N；步骤2：基于M个阵元构建M×N的矩阵，并保证M远大于信号个数P，求取自相关矩阵；步骤3：将自相关矩阵Ryy进行特征值分解，生成信号子空间S和噪声子空间G；步骤4：利用噪声子空间G和信号频率向量e(fi)构建适应度函数；步骤5：对信号频率向量中的fi进行实数编码形成种群微粒，利用多模态PSO在频率可行域内进行多谱峰搜索，估计出信号的各个分量的频率值;步骤6：根据电机转速确认电流信号中是否存在(1±2s)f1频率分量；如果有，则电机处于断条故障状态；如果没有，则电机处于健康状态。2.根据权利要求1所述的一种基于多模态PSO搜索的MUSIC频谱估计方法，其特征在于，所述步骤5中的多模态PSO的具体步骤如下：5.1：算法初始化；5.2：利用适应度函数，计算每个微粒的适应值；5.3：更新微粒个体极值；5.4：更新/确定物种种子；5.5：计算微粒到各个种子的距离，确定微粒的归属；5.6：更新微粒位置xi，其中每个微粒的第j维位置更新公式：；式中N(∙)表示高斯分布；是高斯...

【专利技术属性】
技术研发人员：王攀攀，王南丁，史丽萍，金荣泽，冯森，王佩月，尚健祎，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏,32