本發(fā)明涉及一種電機(jī)故障診斷的方法，尤其是一種基于RBF、多層FDA和SVDD的電機(jī)多工況故障檢測(cè)方法。
背景技術(shù)：
：電機(jī)即電動(dòng)機(jī)，是一種廣泛運(yùn)用在工業(yè)生產(chǎn)中的設(shè)備，電機(jī)的運(yùn)行狀況對(duì)企業(yè)生產(chǎn)有著重要意義，電動(dòng)機(jī)故障檢測(cè)越來(lái)越引起人們的注意。傳統(tǒng)的電機(jī)故障檢測(cè)方法大多只針對(duì)單一工況的電機(jī)故障，設(shè)計(jì)復(fù)雜通用性差，而且檢測(cè)過(guò)程繁瑣，不利于檢測(cè)系統(tǒng)的集成化的缺點(diǎn)。而電機(jī)電流信號(hào)分析法僅對(duì)特定的一個(gè)或兩個(gè)故障頻率進(jìn)行分析，判斷電機(jī)是否有某個(gè)故障，檢測(cè)單一，有較大的局限性。且電機(jī)電流信號(hào)分析法需要采集頻率，步驟繁瑣，其檢測(cè)系統(tǒng)在系統(tǒng)受到干擾時(shí)，極易受到外界變化的影響，在擾動(dòng)過(guò)大時(shí)，干擾信號(hào)會(huì)覆蓋故障信號(hào)，導(dǎo)致錯(cuò)報(bào)和漏報(bào)可能性很高，診斷可靠性不能得到保證，檢測(cè)性能較差。技術(shù)實(shí)現(xiàn)要素：發(fā)明目的：針對(duì)上述現(xiàn)有技術(shù)存在的缺陷，本發(fā)明旨在提供一種基于RBF、多層FDA和SVDD的電機(jī)多工況故障檢測(cè)方法。技術(shù)方案：一種基于RBF、多層FDA和SVDD的電機(jī)多工況故障檢測(cè)方法，包括以下步驟：(1)收集電機(jī)運(yùn)行定子電流的歷史數(shù)據(jù)，包括正常電機(jī)的運(yùn)行和各種故障電機(jī)的運(yùn)行時(shí)的數(shù)據(jù)；(2)整理步驟(1)中所述的歷史數(shù)據(jù)形成樣本，樣本的格式為：每一條數(shù)據(jù)按輸入—輸出對(duì)模式組織，輸入為電機(jī)運(yùn)行時(shí)定子電流數(shù)據(jù)，輸出為緊跟輸入后的電機(jī)定子電流采樣值，樣本分為訓(xùn)練樣本和檢測(cè)樣本兩部分；(3)根據(jù)步驟(2)中所述樣本設(shè)計(jì)RBF的結(jié)構(gòu)，首先設(shè)計(jì)RBF的聚類中心、隱藏層節(jié)點(diǎn)數(shù)和核函數(shù)；(4)在各種狀態(tài)下采用多組樣本訓(xùn)練出多個(gè)RBF網(wǎng)絡(luò)，從各組的輸出權(quán)值向量中提取主成分向量；建立各組RBF的輸出層權(quán)值向量的多層FDA分類模型，對(duì)被包含在重合區(qū)域子空間中的各類數(shù)據(jù)中錯(cuò)分率較高的類再次使用FDA算法繼續(xù)分類；對(duì)沒(méi)有嚴(yán)重重合的區(qū)域直接采用SVDD對(duì)各類數(shù)據(jù)建立對(duì)應(yīng)的SVDD故障診斷模型；若準(zhǔn)確率不滿足工業(yè)生產(chǎn)要求，則重做步驟(4)。(5)在線檢測(cè)電機(jī)故障時(shí)，采集定子電流數(shù)據(jù)并根據(jù)步驟(3)獲得這種工況下的RBF，將RBF的輸出權(quán)值向量輸入步驟(4)中建立的多層FDA分類模型和SVDD故障診斷模型中，計(jì)算得到該狀態(tài)下的電機(jī)運(yùn)行狀況。進(jìn)一步的，步驟(2)中所述訓(xùn)練樣本和檢測(cè)樣本具體是將全部樣本的75％作為訓(xùn)練樣本，余下的25％作為檢測(cè)樣本。進(jìn)一步的，步驟(3)中所述采用多組樣本訓(xùn)練出多個(gè)RBF網(wǎng)絡(luò)具體為：將訓(xùn)練樣本根據(jù)工況分成多組，針對(duì)每一組數(shù)據(jù)分別建立一個(gè)RBF網(wǎng)絡(luò)；RBF依次接收訓(xùn)練樣本進(jìn)行訓(xùn)練，直到RBF輸出權(quán)值穩(wěn)定。進(jìn)一步的，步驟(3)中所述設(shè)計(jì)RBF的輸入值、輸出值、聚類中心、隱藏層節(jié)點(diǎn)數(shù)和核函數(shù)具體為：構(gòu)建n個(gè)輸入、h個(gè)隱節(jié)點(diǎn)、m個(gè)輸出結(jié)構(gòu)的RBF神經(jīng)網(wǎng)絡(luò)；x＝(x1,x2,…,xn)T∈Rn為神經(jīng)網(wǎng)絡(luò)輸入向量，W∈Rh×m為輸出權(quán)值矩陣，第i個(gè)隱節(jié)點(diǎn)的激活函數(shù)為φi(*)，輸出層的∑表示神經(jīng)元的激活函數(shù)為線性函數(shù)；hi是網(wǎng)絡(luò)中第i個(gè)隱節(jié)點(diǎn)的數(shù)據(jù)中心向量；RBF神經(jīng)網(wǎng)絡(luò)隱節(jié)點(diǎn)的輸入采用距離函數(shù)，激活函數(shù)采用徑向基函數(shù)。有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)，能夠檢測(cè)電機(jī)在多工況下的多種故障，具有較強(qiáng)的泛化能力，能夠有效找到正常樣本和故障樣本之間的差別，能夠根據(jù)具體數(shù)據(jù)建立相應(yīng)模型，減少故障檢測(cè)模型設(shè)計(jì)過(guò)程中需要的經(jīng)驗(yàn)知識(shí)，提高實(shí)用性。附圖說(shuō)明圖1是本發(fā)明的模型建立示意圖；圖2是本發(fā)明的故障檢測(cè)流程圖。具體實(shí)施方式實(shí)施例1：一種基于RBF、多層FDA和SVDD的電機(jī)多工況故障檢測(cè)方法，包括以下步驟：(1)收集電機(jī)運(yùn)行參數(shù)的歷史數(shù)據(jù)，包括電機(jī)正常運(yùn)行數(shù)據(jù)和各種故障數(shù)據(jù)；所述電機(jī)運(yùn)行參數(shù)包括定子電壓、轉(zhuǎn)子電壓、負(fù)載、電機(jī)軸溫、電機(jī)定子溫度和轉(zhuǎn)子轉(zhuǎn)速。(2)整理步驟(1)中所述的歷史數(shù)據(jù)形成樣本，樣本的格式為：每一條數(shù)據(jù)按輸入—輸出對(duì)模式組織，輸入為電機(jī)運(yùn)行參數(shù)，輸出為電機(jī)定子電流，樣本分為訓(xùn)練樣本和檢測(cè)樣本兩部分；所述訓(xùn)練樣本和檢測(cè)樣本具體是將全部樣本的75％作為訓(xùn)練樣本，余下的25％作為檢測(cè)樣本。(3)根據(jù)步驟(2)中所述樣本設(shè)計(jì)RBF的結(jié)構(gòu)，首先設(shè)計(jì)RBF的輸入值、輸出值、聚類中心、隱藏層節(jié)點(diǎn)數(shù)和核函數(shù)，具體為：構(gòu)建n個(gè)輸入、h個(gè)隱節(jié)點(diǎn)、m個(gè)輸出結(jié)構(gòu)的RBF神經(jīng)網(wǎng)絡(luò)；x＝(x1,x2,…,xn)T∈Rn為神經(jīng)網(wǎng)絡(luò)輸入向量，W∈Rh×m為輸出權(quán)值矩陣，第i個(gè)隱節(jié)點(diǎn)的激活函數(shù)為φi(*)，輸出層的∑表示神經(jīng)元的激活函數(shù)為線性函數(shù)；hi是網(wǎng)絡(luò)中第i個(gè)隱節(jié)點(diǎn)的數(shù)據(jù)中心向量；RBF神經(jīng)網(wǎng)絡(luò)隱節(jié)點(diǎn)的輸入采用距離函數(shù)，激活函數(shù)采用徑向基函數(shù)。采用多組樣本訓(xùn)練出多個(gè)RBF網(wǎng)絡(luò)，具體為：將訓(xùn)練樣本根據(jù)工況分成多組，針對(duì)每一組數(shù)據(jù)分別建立一個(gè)RBF網(wǎng)絡(luò)；RBF依次接收訓(xùn)練樣本進(jìn)行訓(xùn)練，直到RBF輸出權(quán)值穩(wěn)定。從各組的輸出權(quán)值向量中提取主成分向量；對(duì)各種工況電機(jī)定子電流數(shù)據(jù)利用K-均值聚類學(xué)習(xí)算法，產(chǎn)生若干個(gè)聚類中心；(4)建立各組RBF的輸出層權(quán)值向量的多層FDA分類模型；對(duì)被包含在重合區(qū)域子空間中的各類數(shù)據(jù)中錯(cuò)分率較高的類再次使用FDA算法繼續(xù)分類；對(duì)沒(méi)有嚴(yán)重重合的區(qū)域直接采用SVDD對(duì)各類數(shù)據(jù)建立對(duì)應(yīng)的SVDD故障診斷模型；若準(zhǔn)確率不滿足工業(yè)生產(chǎn)要求，則重做步驟(4)，具體為：假設(shè)w∈Rm表示具有m個(gè)維度的權(quán)值向量，即m為權(quán)值向量w的維數(shù)，數(shù)據(jù)矩陣W'∈Rn×m由n個(gè)不同時(shí)刻的權(quán)值向量組成。將數(shù)據(jù)矩陣W'各列經(jīng)過(guò)標(biāo)準(zhǔn)化處理成零均值和單位方差的變量；求得類內(nèi)離散度矩陣Sin和類間離散度矩陣Sbet，再使用廣義特征值法獲得FDA判定向量W：SbetW＝λSinW其中W為FDA判定向量；λ為對(duì)應(yīng)的特征值。選取W前s-1列向量作為判別矩陣Wd，然后把s類數(shù)據(jù)投影到Wd獲得各各個(gè)樣本的FDA得分向量：zj=WdTxj,j∈1,2,...,k]]>為了有效應(yīng)對(duì)實(shí)際問(wèn)題中出現(xiàn)的情況，在實(shí)驗(yàn)中通常將條件假設(shè)為最惡劣的情況，這時(shí)數(shù)據(jù)通過(guò)FDA得分向量的三維特征投影散點(diǎn)圖確立了p類工況和故障已實(shí)現(xiàn)有效的分離，而s-p類工況和故障之間存在重合。FDA離線建模首先計(jì)算獲得各類工況得分向量zi(i＝1,2,…,p)的均值集在線工況分類時(shí)，新的采樣數(shù)據(jù)會(huì)被投影到判別矩陣Wd以獲得得分向量znew(t)，計(jì)算第t個(gè)數(shù)據(jù)點(diǎn)到每個(gè)故障類的均值判別得分向量的歐氏距離：Di(t)=||znew(t)-z‾i||]]>最小距離值所對(duì)應(yīng)的那一故障類即為模式判定結(jié)果；當(dāng)FDA對(duì)信息的分類效果不滿足要求時(shí)，將不滿足要求的類其中被正確分到該類中樣本和被錯(cuò)分到其中的別的類作為新的樣本，F(xiàn)DA對(duì)其進(jìn)行新的分類，如此反復(fù)，直到分類效果滿足要求。再針對(duì)最后一層的每一個(gè)FDA劃分出的樣本集建立SVDD模型，數(shù)據(jù)集P＝[I,T]，其中X＝[p1,p2,…,pi,…,pn]為基于FDA的特征提取后的輸入數(shù)據(jù)流，做為SVDD算法的建模樣本。按照上述步驟建立t個(gè)FDA模型，然后再對(duì)這t個(gè)得分矩陣T使用SVDD算法。針對(duì)數(shù)據(jù)集{xi,i＝1,2,…,n}，在本節(jié)中，該數(shù)據(jù)集為基于PCA的特征提取后的數(shù)據(jù)輸入流。令a為超球體中心，R為超球體半徑。由于測(cè)量誤差或噪音等干擾將導(dǎo)致離群點(diǎn)影響，因此在模型中引入松弛參數(shù)ζi。C是懲罰參數(shù)可實(shí)現(xiàn)對(duì)超球體半徑和目標(biāo)樣本誤報(bào)率的折衷，將上述最優(yōu)化問(wèn)題構(gòu)造成拉格朗日算式：L(R,a,α,ζi)=R2+CΣiζi-Σiαi[R2+ζi-(xi2-2axi+a2)]-Σiγiζi]]>其中γi和αi是拉格朗日乘子且滿足γi≥0,αi≥0。分別對(duì)R、a、ζ求偏微分并令其為零，將這3個(gè)等式代回到公式可得：L=Σiαi(xi·xj)-Σi,jαiαj(xi·xj)s.t.0≤αi≤C,Σiαi=1]]>其中，0≤αi≤C為支持向量。而超球體的半徑可通過(guò)計(jì)算任一支持向量到超球體中心的距離獲得。判斷測(cè)試點(diǎn)y是否屬于該超球體只需計(jì)算其到中心的距離是否小于等于半徑R，使用核函數(shù)K(xi·xj)代替上式中內(nèi)積計(jì)算(xi·xj)，即只需判斷是否滿足：K(y,y)-2ΣiαiK(y,xi)+ΣαiαjK(xi·xj)≤R2]]>在建立各故障包含半徑值、超球體中心和支持向量個(gè)數(shù)這些主要參數(shù)的SVDD模式庫(kù)參數(shù)集Wi，i＝1,2,…,t后離線建模完成。在線分類時(shí)，針對(duì)新數(shù)據(jù)xnew,將xnew投影到這t個(gè)PCA模型庫(kù)可獲得相應(yīng)的t個(gè)得分向量：Ti,new＝xi,new·Pi然后再將Ti,new投影到故障辨識(shí)模型庫(kù)參數(shù)集Wi得出新數(shù)據(jù)到各SVDD超球體中心的距離值：Di＝Ti,new·Wi其中Di矩陣中的第一個(gè)列向量di表示該數(shù)據(jù)點(diǎn)到第i個(gè)SVDD超球體中心的歐氏距離：di=K(xi,new,xi,new)-2ΣiαiK(xi,new,xi,i)+Σi,jαiαjK(xi,i,xj,i)]]>xi,i和xj,i表示第i類故障數(shù)據(jù)矩陣中的樣本點(diǎn)，而其他參數(shù)定義保持不變。(5)在線檢測(cè)電機(jī)故障時(shí)，采集定子電流數(shù)據(jù)并根據(jù)步驟(3)獲得這種工況下的RBF，將RBF的輸出權(quán)值向量輸入步驟(4)中建立的多層FDA分類模型和SVDD故障診斷模型中，計(jì)算得到該狀態(tài)下的電機(jī)運(yùn)行狀況為正常狀態(tài)還是某種故障狀態(tài)。以上僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出：對(duì)于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng)視為本發(fā)明的保護(hù)范圍。當(dāng)前第1頁(yè)1 2 3