【技术实现步骤摘要】
基于粒子群优化支持向量机的电机故障模式诊断方法
本专利技术涉及电力设备状态诊断领域，具体涉及基于粒子群优化支持向量机的电机故障模式诊断方法。
技术介绍
电机作为现代工业的主要能源动力设备，其作用不言而喻。如果拖动生产设备的电机出现故障，将使生产过程中断，造成巨大的经济损失。转子不对中、轴承碰摩是电机运行最容易出现的故障模式，也引起电力事故的主要原因之一。因此，优化完善电极故障模式诊断的方法，对提高电机运行可靠性和安全性具有重要意义。电机是一种复杂的旋转机械，故障种类多而且难以辨别。目前，输入的特征信号多采用傅里叶变换对噪声信号分析。但针对实际电机振动诊断信号中可能的包含的早期微弱信号与大量的非平稳信号，传统FFT频谱分析难以给出比较满意的结果。电机故障诊断算法多采用基于神经网络，神经网络虽然有较好的非线性逼近能力,但仍存在网络拓扑结构难以确定、收敛速度慢、容易陷入局部极小等问题。而本专利技术采用了一种基于粒子群优化支持向量机(LS-SVM)的电机故障模式诊断方法。LS-SVM作为一种通用函数逼近器可以以任意精...
【技术保护点】
1.基于粒子群优化支持向量机的电机故障模式诊断方法，其特征在于，包括以下步骤：/n(1)分别选取正常、转子不对中、轴承碰摩三类电机状态的振动信号，提取不同状态下的N个范围频带振动信号分别进行小波分析，其中，N为大于1的自然数。/n(2)构造空间输入向量：提取不同状态下小波分解后的频带信号总能量作为特征数据，构造特征输入向量作为训练集和测试集。/n(3)建立支持向量机模型：建立粒子群优化(PSO)最小二乘支持向量机(LS-SVM)。/n(4)基于PSO的LS-SVM故障诊断模型，将特征信号的一部分作为训练样本，将剩余特征信号作为测试样本进行验证，对电机的相关故障进行诊断。/n
【技术特征摘要】
1.基于粒子群优化支持向量机的电机故障模式诊断方法，其特征在于，包括以下步骤：
(1)分别选取正常、转子不对中、轴承碰摩三类电机状态的振动信号，提取不同状态下的N个范围频带振动信号分别进行小波分析，其中，N为大于1的自然数。
(2)构造空间输入向量：提取不同状态下小波分解后的频带信号总能量作为特征数据，构造特征输入向量作为训练集和测试集。
(3)建立支持向量机模型：建立粒子群优化(PSO)最小二乘支持向量机(LS-SVM)。
(4)基于PSO的LS-SVM故障诊断模型，将特征信号的一部分作为训练样本，将剩余特征信号作为测试样本进行验证，对电机的相关故障进行诊断。
2.如权利要求1所述的基于粒子群优化支持向量机的电机故障模式诊断方法，其特征在于：所述步骤(1)中，分别对在正常、转子不对中、轴承碰摩三类电机状态下的振动信号进行3层小波包分解。提取的小波包分解信号频率分别为S0，S1，S2，S3，S4，S5，S6，S7。假设原始信号中信号最低频率为0，最高频率为f，S0～S7分别代表0～0.125f，0.125f～0.25f，0.25f～0.375f，0.125f～0.25f，0.375f～0.5f，0.5f～0.625f，0.625f～0.75f，0.75f～0.875f，0.875f～f。
3.如权利要求1所述的基于粒子群优化支持向量机的电机故障模式诊断方法，其特征在于，所述步骤(2)中,重构小波包系数，求各频带信号的总能量，以频带信号总能量作为特征数据。
式中：xjk表示重构信号离散点的幅值。
对特征向量进行归一化处理：
归一化后的特征向量为：
T＝[E1，E2，E3，E4，E5，E6，E7]。
4.如权利要求1所述的基于粒子群优化支持向量机的电机故障模式诊断方法，其特征在于，所述步骤(3)中，基于PSO的LS-SVM参数优化具体特征如下：
PSO算法通过对随机粒子群进行迭代运算，寻找最优解。粒子通过跟踪2个“极值”来更新自己，一个是粒子本身的最优解pbest，另一个是整个种群目...
【专利技术属性】
技术研发人员：李志军，卢应强，曾毅，张建学，陈果，袁雪，曹玲燕，
申请(专利权)人：国电南京自动化股份有限公司，江苏国电南自海吉科技有限公司，安徽华电六安电厂有限公司，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。