基于字典学习的电机微弱故障检测方法及系统技术方案

本发明专利技术公开了基于字典学习的电机微弱故障检测方法及系统，通过采集待测电机在参考转速v

【技术实现步骤摘要】
基于字典学习的电机微弱故障检测方法及系统


[0001]本专利技术涉及电机微弱故障检测
，尤其涉及基于字典学习的电机微弱故障检测方法及系统。

技术介绍

[0002]目前，电机应用范围正在逐步扩大，如风电发电机、轨道牵引电机、船舶用电机等，由于工作环境恶劣，电机长时间连续运行，不可避免地易发生故障，如果不能及时检测和正确处理，可能发展成事故，造成严重的设备损坏和财产损失，因此提高电机运行可靠性已成为其主要目标之一。但早期故障特征微弱，常常淹没在运行信号和噪声中，给电机微弱故障检测带来了困难。在实际运行中，电机常处于启动加速、恒速、制动减速及其频繁切换等工况，不同工况下电机运行状态复杂多变、电机参数众多且相互耦合，使得电机故障机理复杂、特征多变，多工况下的电机微弱故障检测更为困难。
[0003]字典学习是一种较新的信号线性表示理论，采用过完备字典的稀疏系数线性组合来表征信号，可以在压缩信号的同时较好地表现信号的基本特征，已广泛用于许多工业领域中信号去噪、抗扰、压缩数据空间等的研究，但用于电机微弱故障检测的相关研究还不多见。字典学习难以适应多工况下电机故障特征多变等特点，因此，如何有效地检测电机在不同工况下的微弱故障，特别是电机的启动加速、恒速、制动减速及其频繁切换等故障特征复杂多变的工况下的微弱故障，已成为本
急需解决的难点问题。

技术实现思路

[0004]本专利技术提供了基于字典学习的电机微弱故障检测方法及系统，用于解决现有的电机微弱故障检测检测速度慢的技术问题。
[0005]为解决上述技术问题，本专利技术提出的技术方案为：
[0006]一种基于字典学习的电机微弱故障检测方法，包括以下步骤：
[0007]采集待测电机在预设的参考转速v
r
下正常运行的电流信号构建训练样本矩阵X，采用字典学习算法重构训练样本矩阵X，得到第一重构矩阵X
′
；
[0008]采集待测电机实时运行的实时运行转速v
n
下的实时电流信号构建测试样本矩阵y，采用字典学习算法重构测试样本矩阵y，得到第二重构矩阵y
′
；
[0009]计算并根据第一重构矩阵X
′
与第二重构矩阵y
′
之间的相似性，判断电机是否发生微弱故障。
[0010]优选的，采集待测电机在预设的参考转速v
r
下正常运行的电流信号构建训练样本矩阵X，包括以下步骤：
[0011]采集待测电机在预设的参考转速v
r
下正常运行时U个传感器信号，各截取采样点数为N的C段数据，构建采样信号集Z，公式为：
[0012][0013]式中z
u,c
∈R
N
×1表示在第u个传感器采集信号中截取的采样点数为N的第c段数据，u＝1,2,
…
,U，U为传感器的总数目，c＝1,2,
…
,C，C为数据截取的总段数；将该正常运行转速设为参考转速v
r
；
[0014]利用采样信号集Z，构建训练样本矩阵X，公式为：
[0015][0016]其中，x
j
∈R
N
×1为训练样本矩阵X中第j列，j＝1,2,...,M，M＝UC为训练样本矩阵X的总列数；i为训练样本矩阵X的行，i＝1,2,...,N；
[0017]优选的，采用字典学习算法重构训练样本矩阵X，包括以下步骤：
[0018]选取训练样本矩阵X的前n列，构建过完备字典矩阵D，公式为：
[0019][0020]式中，d
iθ
＝x
ij
，0≤n≤M；d
θ
∈R
N
×1为过完备字典矩阵D中的第θ列，称为第θ个原子，θ＝1,2,...,n，n表示过完备字典矩阵D中的原子个数，N为原子的维度，其值等于采样点数，且N＜n；
[0021]采用正交匹配追踪算法对训练样本矩阵X进行稀疏表示，得到稀疏系数矩阵A；
[0022]采用K
‑
奇异值分解分解算法，逐列更新过完备字典矩阵D中的原子d
θ
，获得更新的过完备字典矩阵D
′
和更新的稀疏系数矩阵A
′
；
[0023]利用更新的过完备字典矩阵D
′
和更新的稀疏系数矩阵A
′
，重构得到第一重构矩阵X
′
。
[0024]优选的，采用正交匹配追踪算法对训练样本矩阵X进行稀疏表示，得到稀疏系数矩阵A，包括以下步骤：
[0025]步骤4.1：选择训练样本矩阵X中的第j列向量x
j
，初始化迭代次数k＝0，设残差r
k
＝x
j
，设置原子索引集合Λ
k
为空集，设置残差阈值为e；
[0026]步骤4.2：计算当前残差r
k
与过完备字典矩阵D中每个原子d
θ
的内积，寻找最佳原子索引：
[0027][0028]式中，|<r
k
,d
θ
>|表示当前残差r
k
与第θ个原子d
θ
的内积的绝对值，θ＝1,2,...,n；argmax表示对所有内积的绝对值取最大值时对应的θ值；λ
k+1
表示满足式(4)右边的最佳原子索引值；将内积绝对值取最大值时的第θ个原子d
θ
记为
[0029]步骤4.3：将最佳原子索引λ
k+1
与当前原子索引集合Λ
k
取并集，得到新的原子索引集合Λ
k+1
：
[0030]Λ
k+1
＝Λ
k
∪{λ
k+1
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0031]步骤4.4：将向量x
j
正交投影到最佳原子集合张成的空间中，采用最小二乘法求解稀疏系数a
kj
：
[0032][0033]式中，表示原子张成的空间；
[0034]步骤4.5：计算r
kT
r
k
，当r
kT
r
k
＜e时，结束迭代；否则，更新残差r
k
，得到更新后残差r
k+1
：
[0035][0036]步骤4.6：令k＝k+1，依次计算步骤4.2～4.5，获得向量x
j
对应的稀疏系数a
j
＝[a
1j
,...,a
kj
,...,a
nj
]T
∈R
n
×1；
[0037]步骤4.7：按步骤4.1～4.6，依次遍历训练样本矩阵X中的所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于字典学习的电机微弱故障检测方法，其特征在于，包括以下步骤：采集待测电机在预设的参考转速v
r
下正常运行的电流信号构建训练样本矩阵X，采用字典学习算法重构所述训练样本矩阵X，得到第一重构矩阵X
′
；采集待测电机实时运行的实时运行转速v
n
下的实时电流信号构建测试样本矩阵y，采用字典学习算法重构所述测试样本矩阵y，得到第二重构矩阵y
′
；计算并根据所述第一重构矩阵X
′
与第二重构矩阵y
′
之间的相似性，判断所述电机是否发生微弱故障。2.根据权利要求1所述的基于字典学习的电机微弱故障检测方法，其特征在于，采集待测电机在预设的参考转速v
r
下正常运行的电流信号构建训练样本矩阵X，包括以下步骤：采集待测电机在预设的参考转速v
r
下正常运行时U个传感器信号，各截取采样点数为N的C段数据，构建采样信号集Z，公式为：式中，z
u,c
∈R
N
×1表示在第u个传感器采集信号中截取的采样点数为N的第c段数据，u＝1,2,
…
,U，U为传感器的总数目，c＝1,2,
…
,C，C为数据截取的总段数；将该正常运行转速设为预设的参考转速v
r
；利用采样信号集Z，构建训练样本矩阵X，公式为：其中，x
j
∈R
N
×1为训练样本矩阵X中第j列，j＝1,2,...,M，M＝UC为训练样本矩阵X的总列数；i为训练样本矩阵X的行，i＝1,2，...,N。3.根据权利要求2所述的基于字典学习的电机微弱故障检测方法，其特征在于，采用字典学习算法重构所述训练样本矩阵X，包括以下步骤：选取所述训练样本矩阵X的前n列，构建过完备字典矩阵D，公式为：式中，d
iθ
＝x
ij
，0＜n≤M；d
θ
∈R
N
×1为过完备字典矩阵D中的第θ列，称为第θ个原子，θ＝1，2，...，n，n表示过完备字典矩阵D中的原子个数，N为原子的维度，其值等于采样点数，且N＜
n；采用正交匹配追踪算法对训练样本矩阵X进行稀疏表示，得到稀疏系数矩阵A；采用K
‑
奇异值分解分解算法，逐列更新过完备字典矩阵D中的原子d
θ
，获得更新的过完备字典矩阵D
′
和更新的稀疏系数矩阵A
′
；利用更新的过完备字典矩阵D
′
和更新的稀疏系数矩阵A
′
，重构得到第一重构矩阵X
′
。4.根据权利要求3所述的基于字典学习的电机微弱故障检测方法，其特征在于，采用正交匹配追踪算法对训练样本矩阵X进行稀疏表示，得到稀疏系数矩阵A，包括以下步骤：步骤4.1：选择训练样本矩阵X中的第j列向量x
j
，初始化迭代次数k＝0，设残差r
k
＝x
j
，设置原子索引集合Λ
k
为空集，设置残差阈值为e；步骤4.2：计算当前残差r
k
与过完备字典矩阵D中每个原子d
θ
的内积，寻找最佳原子索引：式中，|<r
k
，d
θ
>|表示当前残差r
k
与第θ个原子d
θ
的内积的绝对值，θ＝1，2，...，n；argmax表示对所有内积的绝对值取最大值时对应的θ值；λ
k+1
表示满足式(4)右边的最佳原子索引值；将内积绝对值取最大值时的第θ个原子d
θ
记为步骤4.3：将最佳原子索引λ
k+1
与当前原子索引集合Λ
k
取并集，得到新的原子索引集合Λ
k+1
：Λ
k+1
＝Λ
k
∪{λ
k+1
}
ꢀꢀꢀꢀꢀ
(5)步骤4.4：将向量x
j
正交投影到最佳原子集合张成的空间中，采用最小二乘法求解稀疏系数a
kj
：式中，表示原子张成的空间；步骤4.5：计算r
kT
r
k
，当r
kT
r
k
＜e时，结束迭代；否则，更新残差r
k
，得到更新后残差r
k+1
：步骤4.6：令k＝k+1，依次计算步骤4.2～4.5，获得向量x
j
对应的稀疏系数a
j
＝[a
1j
,...,a
kj
,...,a
nj
]
T
∈R
n
×1；步骤4.7：按步骤4.1～4.6，依次遍历训练样本矩阵X中的所有x
j
，j＝1,2,...,M，获得所有M个信号x
j
对应的稀疏系数a
j
，构建稀疏系数矩阵A，公式为：式中，a
j
＝[a
1j
,...,a
θj
,...,a
nj
]
T
∈R
n
×1表示稀疏系数矩阵A中的第j列，j＝1,2,...,M；a
θ
＝[a
θ1
,...,a
θj
,...,a
θM
]∈R1×
M
表示稀疏系数矩阵A中的第θ行,θ＝1,2,...,n。5.根据权利要求3所述的基于字典学习的电机微弱故障检测方法，其特征在于，采用K
‑
奇异值分解分解算法，逐列更新过完备字典矩阵D中的原子d
θ
，获得更新的过完备字典矩阵D
′
和更新的稀疏系数矩阵A
′
，具体包括以下步骤：步骤5.1：针对稀疏系数矩阵A中的第θ行a
θ
，取出a
θ
值不为零的元素所在列的索引构成集合W
θ
：W
θ
＝{w
j
＝j|1≤j≤M,a
θj
≠0}
ꢀꢀꢀꢀ
(9)步骤5.2：针对过完备字典矩阵D中第θ个原子d
θ
∈R
N
...

【专利技术属性】
技术研发人员：彭涛，杨宁月，彭霞，韩露，徐立恩，廖宇新，李理，杨超，陶宏伟，阳春华，陈志文，樊欣宇，
申请(专利权)人：中南大学，
类型：发明
国别省市：