一种基于BP神经网络的直流电机故障检测方法技术

本发明专利技术公开了一种基于BP神经网络的直流电机故障检测方法，涉及故障检测技术领域，包括：步骤S1：对直流电机的故障机理进行分析，得到理论模型基础；步骤S2：采集直流电机原始数据；步骤S3：对采集到的直流电机原始数据预处理，得到初始数据结论；步骤S4：对直流电机的状态进行状态监测，获得状态信息；步骤S5：根据初始数据结论和状态信息进行故障判断，得到诊断结果；步骤S6：将诊断结果发送给用户进行反馈。采用上述技术方案，通过以BP神经网络为工具，结合直流电机相关故障的理论结论和实际状态信息，实现正确率较高的故障诊断，操作简单，所需电机信息较少，故障诊断正确率较高，用户可以实时监测直流电机的故障状态。以实时监测直流电机的故障状态。以实时监测直流电机的故障状态。

【技术实现步骤摘要】
一种基于BP神经网络的直流电机故障检测方法


[0001]本专利技术涉及故障检测
，特别涉及一种基于BP神经网络的直流电机故障检测方法。

技术介绍

[0002]直流电机故障诊断技术成为直流电机在工业场合稳定运行的基础得到广泛关注，但大多数直流电机生产企业都鲜有成熟的在线故障诊断方式，这也成为了电机发展的一大桎梏而亟待解决。
[0003]目前国内外有很多种电机故障检测的方法，这些方法的特点是建立了直流电机精确的动态模型来辨识直流电机的参数。其优点在于辨识出的电机参数具有鲜明的物理意义，可以很方便地进行直流电机故障诊断，只要发现电机参数的变化超过设定的故障限值即可判定直流电机发生了对应类型的故障。但是，现有技术中，由于任意一种直流电机的故障都会影响不止一个的电机参数变化，且参数之间也是相互关联的，其中一个参数的变化会导致其他参数的变化，这就导致各种类型的故障特征不甚明显，难以对直流电机进行故障机理分析和故障定位。

技术实现思路

[0004]本专利技术要解决的技术问题是提供一种操作简单，所需电机信息较少，故障诊断正确率较高的基于BP神经网络的直流电机故障检测方法，解决现有技术中的技术问题。
[0005]为了解决上述技术问题，本专利技术的技术方案为：
[0006]一种基于BP神经网络的直流电机故障检测方法，包括：
[0007]步骤S1：对直流电机的故障机理进行分析，得到理论模型基础；
[0008]步骤S2：采集直流电机原始数据；
[0009]步骤S3：对采集到的直流电机原始数据预处理，得到初始数据结论；
[0010]步骤S4：对直流电机的状态进行状态监测，获得状态信息；
[0011]步骤S5：根据初始数据结论和状态信息进行故障判断，得到诊断结果；
[0012]步骤S6：将诊断结果发送给用户进行反馈。
[0013]其中，在所述步骤S2中采集的直流电机原始数据包括电流信号和电压信号。
[0014]其中，所述步骤S1对直流电机的故障机理进行分析，而得到理论模型基础的方法包括：
[0015]步骤S11：给定学习样本集；
[0016]步骤S12：求隐层、输出层各单元输出；
[0017]步骤S13：对整体样本集计算总体误差E；
[0018]步骤S14：判断总体误差E是否满足要求，如果满足要求结束，即得到理论模型基础，否则执行步骤S15；
[0019]步骤S15：反向计算各单元一般化误差；
[0020]步骤S16：调整各层间的权值，执行步骤S12。
[0021]其中，在所述步骤S3：对采集到的直流电机原始数据预处理，得到初始数据结论中，通过解直流电机动态微分方程组和分析其电枢电流谐波获得故障诊断所需的特征参量，并分析特征参量和电机参数以及电机参数和电机故障类型之间的关系；对直流电机进行故障分类。
[0022]具体的，对直流电机进行故障分类具体包括对工业用大功率直流电机最易发的故障进行细分和故障现象及原因分析。
[0023]其中，在执行步骤S6：将诊断结果发送给用户进行反馈之前还执行如下步骤：
[0024]步骤S51：优化前网络训练；
[0025]步骤S52：优化前故障诊断测试；
[0026]步骤S53：对网络进行优化；
[0027]步骤S54：优化后网络训练；
[0028]步骤S55：优化后故障诊断测试。
[0029]具体的，所述总体误差E采用下式(1)计算：
[0030][0031]其中，E
p
为第p个样本的误差，N为样本数量，E
p
采用下式(2)计算：
[0032][0033]其中，为第p个样本输出层的输出基准值，为第p个样本中输出层第k个神经元输出，m为输出层神经元的数量。
[0034]具体的，所述隐层各单元输出o
j
采用下式(3)计算：
[0035][0036]其中，ω
ij
为输入层到隐层的权值，θ
j
为隐层的阈值，n为输入层的神经元数量。
[0037]具体的，所述输出层各单元输出o
k
采用下式(4)计算：
[0038][0039]其中，υ
jk
为隐层到输出层的权值，θ
k
为输出层的阈值，q为隐层的神经元数量。
[0040]采用上述技术方案，通过以BP神经网络为工具，结合直流电机相关故障的理论结论和实际状态信息，发掘直流电机电枢电流的各项信息实现正确率较高的故障诊断，操作简单，所需电机信息较少，故障诊断正确率较高，用户可以及时查询直流电机状态信息，以期实时监测直流电机的故障状态。
附图说明
[0041]图1为本专利技术基于BP神经网络的直流电机故障检测方法的流程图；
[0042]图2为本专利技术中对直流电机的故障机理进行分析的方法流程图；
[0043]图3为本专利技术中训练多个不同的神经网络进行故障诊断的方法流程图。
具体实施方式
[0044]下面结合附图对本专利技术的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本专利技术，但并不构成对本专利技术的限定。此外，下面所描述的本专利技术各个实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互组合。
[0045]作为本专利技术的第一实施例，提出一种基于BP神经网络的直流电机故障检测方法，如图1所示，包括：
[0046]步骤S1：对直流电机的故障机理进行分析，得到理论模型基础；
[0047]直流电机故障在线诊断涉及到直流电机中各种电气量的特征参量，这些特征参量是动态的时刻变化的，其不确定性和模糊性不容忽略。同时各个特征参量之间很大程度上是相互依存，相互影响的。因此，直流电机故障在线诊断的决策优化过程一定是动态的，多元化的，非线性的。通过研究分析BP神经网络的相关原理然后分析其隐含层的作用，分析将灰色关联优化理论用于神经网络隐含层结构优化的理论基础和步骤，得到直流电机在线故障诊断的模型基础。
[0048]神经网络知识表示是一种知识的隐式表示，知识表现为网络的拓扑结构和连接权值，采用神经网络技术的专家系统，由于神经网络是一种信息存储和处理统一的网络系统，因此，在采用神经网络技术的专家系统中，知识的存储与问题求解过程中的推理过程均在系统的神经网络模块中进行，是推理机和知识库的统一。BP神经网络采用数据驱动正向推理的故障诊断策略，即从初始状态出发，向前推理到达目标状态为止。
[0049]BP神经网络的工作过程通常由两个阶段组成，一个阶段是工作期，在这一阶段网络各节点的连接权值固定不变，网络的计算从输入层开始，逐层逐个节点地计算每一个节点的输出，直到输出层中的各节点计算完毕。另一阶段是学习期，在这一阶段，各节点的输出保持不变，网络学习则是从输出层开始，反向逐层逐个节点地计算各连接权值的修改量，以修改各连接的权值，直到输入层为止。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的直流电机故障检测方法，其特征在于，包括：步骤S1：对直流电机的故障机理进行分析，得到理论模型基础；步骤S2：采集直流电机原始数据；步骤S3：对采集到的直流电机原始数据预处理，得到初始数据结论；步骤S4：对直流电机的状态进行状态监测，获得状态信息；步骤S5：根据初始数据结论和状态信息进行故障判断，得到诊断结果；步骤S6：将诊断结果发送给用户进行反馈。2.根据权利要求1所述的基于BP神经网络的直流电机故障检测方法，其特征在于，在所述步骤S2中采集的直流电机原始数据包括电流信号和电压信号。3.根据权利要求1所述的基于BP神经网络的直流电机故障检测方法，其特征在于，所述步骤S1对直流电机的故障机理进行分析，而得到理论模型基础的方法包括：步骤S11：给定学习样本集；步骤S12：求隐层、输出层各单元输出；步骤S13：对整体样本集计算总体误差E；步骤S14：判断总体误差E是否满足要求，如果满足要求结束，即得到理论模型基础，否则执行步骤S15；步骤S15：反向计算各单元一般化误差；步骤S16：调整各层间的权值，执行步骤S12。4.根据权利要求1所述的基于BP神经网络的直流电机故障检测方法，其特征在于：在所述步骤S3：对采集到的直流电机原始数据预处理，得到初始数据结论中，通过解直流电机动态微分方程组和分析其电枢电流谐波获得故障诊断所需的特征参量，并分析特征参量和电机参数以及电机参数和电机故障类型之间的关系；对直流电机进行故障分类。5.根据权利要求4所述的基于BP神经网络的直流电机故障检测方...

【专利技术属性】
技术研发人员：许振明，陈冬冬，肖龙，类欣雅，陈诗丹，
申请(专利权)人：闽南理工学院，
类型：发明
国别省市：