一种基于粒子群的类Lorenz随机共振系统的电机故障诊断方法技术方案

本发明专利技术提出了一种基于粒子群的类Lorenz随机共振系统的电机故障诊断方法，包括利用电流传感器采集电机不同故障类型下定子电流的数据，作为原始信号；将原始信号数据输入基于粒子群的类Lorenz随机共振系统中，以信噪比为目标函数，自适应调整类Lorenz系统参数，输出最优参数下信噪比最优的数据；将数据输入学习好的极限学习机中进行故障诊断。本发明专利技术提出的一种类Lorenz随机共振系统具备可调参数多、可塑性强等优势，为系统对不同类型的故障信号自适应调整参数提供了较大的调整空间。系统输出的最优信噪比数据能凸显信号特征，进而能准确进行故障诊断。进行故障诊断。进行故障诊断。

【技术实现步骤摘要】
一种基于粒子群的类Lorenz随机共振系统的电机故障诊断方法


[0001]本专利技术属于电机故障智能诊断领域，具体提供一种基于粒子群的类Lorenz随机共振系统的电机故障诊断方法。

技术介绍

[0002]电机是现代能源转换行业最重要的成就之一，广泛应用在医疗卫生、交通运输、信息通信等领域。电机在为人类提供快捷服务、舒适和有力保障的同时，由于本身材料寿命制约、性能退化、制造缺陷、污染，或在运行中受到人为因素及外界环境的影响，最终性能会退化甚至导致失效，可能危及人员生命以及产生严重的经济损失，比如在医学上、军事行动或交通运输上。而电机出现故障的情况不能完全避免，但如果能在早期检测并诊断出故障类型，并准确、迅速、及时地做出反应，将有效避免严重事故的发生，维持设备与系统稳定运行。
[0003]电机的早期故障往往会通过如电流信号变化等不同形式反映出一定的特征变化，通过传感器采集能够反映电机运行状态的电流、温度等参量，但传感器采集到的数据，除了反映电机运行状态的有用信息，也包含了测量误差、传递误差和环境噪声等误差信息，此时通过信号处理技术对数据进行分析显得尤为重要。
[0004]随着非线性动力学理论的突飞猛进，一种基于随机共振的微弱信号检测与处理方法被提出。随机共振是在非线性系统中，利用噪声使弱信号得到增强的现象。随机共振方法与当前方法相比具有以下显著特点：微弱信号检测机制不同、能检测更低信噪比的信号、快速且实时应用。

技术实现思路

[0005]基于上述背景问题，本专利技术提供了一种基于粒子群的类Lorenz随机共振系统的电机故障诊断方法，通过粒子群算法对提出的一种具备可塑性强、可调参数多的类Lorenz随机共振系统进行参数寻优，确保输入的不同特征的故障信号均能在不同的最优参数下，输出最佳信噪比信号。将输出信号数据填充故障诊断标签后输入极限学习机中进行故障诊断。
[0006]本专利技术的具体技术方案是：一种基于粒子群的类Lorenz随机共振系统的电机故障诊断方法，其特征在于，所述方法包括如下步骤：S1、利用电流传感器采集电机不同故障类型下定子电流的数据，作为输入信号；S2、将输入信号的数据输入基于粒子群的类Lorenz随机共振系统中，以信噪比为目标函数，在类Lorenz随机共振系统参数范围内寻找最优参数，输出最优参数下信噪比最优的信号；S3、组合步骤S2输出的不同故障类型信号的数据，并对不同故障填充不同的诊断
标签，形成数据集；S4、随机划分数据集为训练集与测试集，先将训练集数据输入极限学习机中进行故障诊断学习，后将测试集数据输入学习好的极限学习机中进行故障诊断；S5、集成基于粒子群的类Lorenz随机共振系统数据处理与极限学习机算法诊断，将新采集的数据输入集成系统后，得到输入数据对应的故障类型。
[0007]一种基于粒子群的类Lorenz随机共振系统的电机故障诊断方法，其特征在于，步骤S2中类Lorenz随机共振系统为：（1）其中为系统参数，为状态变量，为输入信号，由信号与噪声构成。
[0008]一种基于粒子群的类Lorenz随机共振系统的电机故障诊断方法，其特征在于，步骤S2中类Lorenz随机共振系统参数范围的确定方法为：类Lorenz随机共振系统处于平衡点时，总有，因此可以得到系统平衡曲线方程为（2）则平衡曲线的极点为；系统处于平衡点时，总有成立，曲线和的交点取值即为系统的平衡点；随机共振的发生表现为输入信号驱动系统在稳态间跃迁；因此，参数影响的平衡曲线极点的幅值应小于输入信号的幅值，即满足的系统参数构成集合；类Lorenz随机共振系统由Lorenz混沌系统发展而来，只有在适当初值与参数下，使Lorenz混沌系统为不动点或周期状态时类Lorenz系统才产生随机共振；因此，不同参数下混沌系统的Lyapunov指数谱按从大到小排序后，满足最大Lyapunov指数的参数的集合为；类Lorenz随机共振系统参数范围。
[0009]一种基于粒子群的类Lorenz随机共振系统的电机故障诊断方法，其特征在于，步骤S2中基于粒子群的类Lorenz随机共振系统在系统参数范围内寻找最优参数的步骤如下：
S21、初始化系统参数、迭代步长、系统初值、种群规模与学习率、迭代次数与最大迭代次数、惯性权重；S22、计算类Lorenz随机共振系统输出信号的信噪比，寻找个体最优值与群体最优值；S23、在参数范围内与迭代步长范围内更新粒子速度与位置；S24、计算类Lorenz随机共振系统输出信号的信噪比，更新个体最优值与群体最优值；S25、不满足终止条件时，重复步骤S23与S24，满足终止条件时输出最优参数下信噪比最优的信号数据。
[0010]与现有技术相比，本专利技术的有益效果在于：
[0011]本专利技术提出的一种类Lorenz随机共振系统可调参数多、可塑性强，为不同类型的输入信号自适应寻找最优参数提供了调整空间。
[0012]基于粒子群对不同故障类型的电机电流信号的数据自适应寻找类Lorenz随机共振系统的最优参数，输出的最优信噪比的信号数据能凸显不同故障特征，处理后的数据用于故障诊断时，诊断效果良好。
附图说明
[0013]图1为一种基于粒子群的类Lorenz随机共振系统的电机故障诊断方法流程图；
[0014]图2为电流传感器采集的不同类型的电机故障数据中1组数据时域图；
[0015]图3为基于粒子群的类Lorenz随机共振系统最优参数下输出的故障信号数据时域图；
[0016]图4为故障信号经基于粒子群的类Lorenz随机共振系统处理后的极限学习机诊断结果图；
[0017]图5为故障信号未经基于粒子群的类Lorenz随机共振系统处理的极限学习机诊断结果图；
具体实施方式
[0018]为使本专利技术的目的、技术方案和优点更加清晰，下面结合附图和实际实验对本专利技术的技术方案作进一步描述。应当理解，此处所描述具体实施例仅用于解释本专利技术，并不用于限定本专利技术。
[0019]如图1所示为本专利技术一种基于粒子群的类Lorenz随机共振系统的电机故障诊断方法流程图，包括如下步骤：S1、利用电流传感器采集电机不同故障类型下定子电流的数据，作为输入信号；S2、将输入信号的数据输入基于粒子群的类Lorenz随机共振系统中，以信噪比为目标函数，在类Lorenz随机共振系统参数范围内寻找最优参数，输出最优参数下信噪比最优的信号；S3、组合步骤S2输出的不同故障类型信号的数据，并对不同故障填充不同的诊断标签，形成数据集；S4、随机划分数据集为训练集与测试集，先将训练集数据输入极限学习机中进行
故障诊断学习，后将测试集数据输入学习好的极限学习机中进行故障诊断；S5、集成基于粒子群的类Lorenz随机共振系统数据处理与极限学习机算法诊断，将新采集的数据输入集成系统后，得到输入数据对应的故障类型。
[0020]进一步地，步骤S1中数据为通过异步电动机实验平台采集而来，具体实验电机为YSP90L
‑
4型异步电动机，其主要参数为：额定功率本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于粒子群的类Lorenz随机共振系统的电机故障诊断方法，其特征在于，所述方法包括如下步骤：S1、利用电流传感器采集电机不同故障类型下定子电流的数据，作为输入信号；S2、将输入信号的数据输入基于粒子群的类Lorenz随机共振系统中，以信噪比为目标函数，在类Lorenz随机共振系统参数范围内寻找最优参数，输出最优参数下信噪比最优的信号；S3、组合步骤S2输出的不同故障类型信号的数据，并对不同故障填充不同的诊断标签，形成数据集；S4、随机划分数据集为训练集与测试集，先将训练集数据输入极限学习机中进行故障诊断学习，后将测试集数据输入学习好的极限学习机中进行故障诊断；S5、集成基于粒子群的类Lorenz随机共振系统数据处理与极限学习机算法诊断，将新采集的数据输入集成系统后，得到输入数据对应的故障类型。2.根据权力要求1所述的一种基于粒子群的类Lorenz随机共振系统的电机故障诊断方法，其特征在于，步骤S2中类Lorenz随机共振系统为：,其中为系统参数，为状态变量，为输入信号，由信号与噪声构成。3.根据权力要求1所述的一种基于粒子群的类Lorenz随机共振系统的电机故障诊断方法，其特征在于，步骤S2中类Lorenz随机共振系统参数范围的确定方法为：类Lorenz随机共振系统处于平衡点时，总有，因此可以得到系统平衡曲线方程为，则平...

【专利技术属性】
技术研发人员：于文新，刘美婷，王俊年，李目，周躜波，肖求美，钟广林，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：