一种基于特征节点增量式宽度学习的电机故障诊断方法技术

本发明专利技术公开一种基于特征节点增量式宽度学习的电机故障诊断方法，该方法采用特征节点增量式宽度学习方法来诊断感应电动机故障。特征节点增量式宽度学习（IBL）的结构简洁，可以有效地重新训练网络。本发明专利技术结合了特征提取（粒子群优化‑变异模态分解和时域统计特征）、特征节点增量式宽度学习和非负矩阵分解来构成一个三相电动机的智能诊断方法。实验结果表明该方法在诊断三相电动机故障时优于其他算法。此外，通过非负矩阵分解(NMF)简化的IBL误差小、系统更稳定。

A Method of Motor Fault Diagnosis Based on Incremental Width Learning of Feature Nodes

【技术实现步骤摘要】
一种基于特征节点增量式宽度学习的电机故障诊断方法
本专利技术涉及电机故障诊断领域，更具体地，涉及一种基于特征节点增量式宽度学习的三相感应电机故障诊断方法。
技术介绍
三相感应电动机(TPIM)为我们日常生活提供主要驱动力。由于TPIM成本低，体积小，坚固耐用，维护成本低，越来越多的学者对TPIM进行研究。虽然TPIM可靠，但是它们也会受到一些不良影响，这些不良影响会导致故障发生，造成严重事故。在严重事故发生之前，人们有必要监控其运行状况。文献表明，感应电动机存在绕组不平衡，定子或转子不平衡，转子条断裂，偏心和轴承缺陷等故障。随着机器学习的发展，将机器学习应用于传统电机的故障诊断研究越来越多。深度信念网络(deepbeliefnetwork,DBN)、极限学习机(extremelearnmachine,ELM)和卷积神经网络(conventionalneuralnetwork,CNN)，目前被广泛用于直流电机和交流电机的故障诊断中。尽管深度学习网络非常强大，但由于涉及大量的超参数和复杂的结构，这些深度学习网络在训练过程中往往耗费大量时间。此外，由于深度学习结构复杂，从理论上分析深层结构非常困难。大多数工作都需要调节参数或增加更多的层来提高精度，所以这样就需要越来越强大的计算资源。为了提高机器学习的训练性能，有研究者提出了一种宽度学习方法。与上面不同的是，宽度学习结构只有两层，一层是输入层，它包含了映射特征和增强节点。另一个是输出层。虽然它是一个简单的结构，但是它可以通过增加特征的节点来提高性能。因此，它可以应用于感应电动机的诊断，提高诊断的训练速度和准确率。快速傅里叶变换(FFT)不适合非平稳信号；短时傅里叶变换(STFT)的缺陷会在时间和频率产生内在关联；小波变换(WT)会导致能量泄漏流失。近期，Dragomiretskiy等人提出了一种变异模态分解(VMD)方法，该方法假设每个提取模式具有有限的带宽并且在匹配的中心频率附近压缩。每个子模式之前的稀疏度被选择为频谱域中的中心带宽。然而，VMD在实际应用中调制能力在很大程度上依赖于固有参数设置。惩罚α的不同配置和VMD中的子组件K的数量不同会导致各种不同的分解性能。因此，需要优化参数α和K。传统的数据处理与系统模型训练都是在实验阶段进行的，模型训练完成后，诊断系统模型就不能被修改。电机故障诊断模型的重构将花费大量的训练时间，尤其是深度学习模型，这将大大限制其应用。
技术实现思路
为了克服现有技术的不足，本专利技术提出一种基于特征节点增量式宽度学习的电机故障诊断方法，该方法采用特征节点增量式宽度学习方法(IBL)来诊断三相电机故障。IBL的结构简洁，可以有效地训练和重新训练网络；能有效的节约训练时间，提高故障诊断系统的准确率和稳定性。为了实现上述目的，本专利技术的技术方案如下：一种基于特征节点增量式宽度学习电机故障诊断方法，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；在本专利技术中M取2.5。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。优选的，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。优选的，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。优选的，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。优选的，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。优选的，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。优选的，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：Y＝[Zn|Hm]Wm(3)Y是属于的输出矩阵；使用公式(3)能计算出Wm＝[Zn|Hm]+Y。优选的，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A本文档来自技高网...

【技术保护点】
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。...

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：江赛标，李嘉，杜晓标，
申请(专利权)人：吉林大学珠海学院，
类型：发明
国别省市：广东,44