CN105116323B

CN105116323B - 一种基于rbf的电机故障检测方法

Info

Publication number: CN105116323B
Application number: CN201510498394.2A
Authority: CN
Inventors: 伍雪冬; 苏循亮; 朱志宇; 倪朋朋; 常艳超; 杜昭平
Original assignee: Jiangsu University of Science and Technology
Current assignee: Jiangsu University of Science and Technology
Priority date: 2015-08-14
Filing date: 2015-08-14
Publication date: 2017-10-17
Anticipated expiration: 2035-08-14
Also published as: CN105116323A

Abstract

本发明公开了一种基于RBF的电机故障检测方法，包括以下的步骤：步骤S1是收集电机运行参数的历史数据；步骤S2是整理历史数据，形成样本，样本包括训练样本和检测样本；步骤S3是根据训练样本设计RBF的结构，包括RBF的输入值、输出值、隐藏层节点数和核函数；步骤S4是对正常训练样本利用K‑均值聚类学习算法，产生正常训练样本的聚类中心；步骤S5是更新RBF网络的输出权值；步骤S6是提取主元；步骤S7是建立PCA模型，判断电机运行状态。本发明提供的基于RBF的电机故障检测方法通用性好、步骤简单、抗干扰能力强、检测性能好。

Description

一种基于RBF的电机故障检测方法

技术领域

本发明涉及电机故障检测方法，特别是涉及一种基于RBF的电机故障检测方法。

背景技术

电机是一种广泛运用在工业生产中的设备，电机的运行状况对企业生产有着重要意义，电机故障检测越来越引起人们的注意。

传统的电机测试方法大多只针对单一种类电机，设计复杂通用性差，而且测试过程繁琐，不利于测试系统的集成化的缺点。而电机电流信号分析法仅对特定的一个或两个故障频率进行分析，判断电机是否有某个故障，检测单一，有较大的局限性。且电机电流信号分析法需要采集频率，步骤繁琐，其检测系统在系统受到干扰时，极易受到外界变化的影响，在扰动过大时，干扰信号会覆盖故障信号，导致错报和漏报可能性很高，检测可靠性不能得到保证，检测性能较差。

发明内容

发明目的：本发明的目的是提供一种通用性好、步骤简单、抗干扰能力强、检测性能好的基于RBF的电机故障检测方法。

技术方案：为达到此目的，本发明采用以下技术方案：

本发明所述的基于RBF的电机故障检测方法，包括如下的步骤：

S1：收集电机运行参数的历史数据，包括电机正常运行数据和故障数据；

S2：整理步骤S1中的历史数据，形成样本，样本的格式为：每一条数据按输入-输出对模式组织，输入为电机运行参数，输出为电机定子电流；样本包括训练样本和检测样本，其中，训练样本包括正常训练样本和故障训练样本，检测样本包括正常检测样本和故障检测样本；

S3：根据训练样本设计RBF的结构，包括RBF的输入值、输出值、隐藏层节点数和核函数；

S4：对正常训练样本利用K-均值聚类学习算法，产生正常训练样本的聚类中心；

S5：将所有正常训练样本分成多组，组数n大于RBF输出权值的维数，每组正常训练样本依次分别训练RBF网络，直到RBF输出权值稳定；且正常训练样本每次输入时只训练RBF网络的一个输出权值，连续输入一个正常训练样本直到RBF网络的输出权值全部更新；

S6：将步骤S5中得到的输出权值提取主元；

S7：根据RBF的输出权值建立PCA模型，对PCA模型计算出相应的检测指标T²统计量和SPE统计量，并根据T²统计量和SPE的值是否超出控制限判断电机运行状态。

进一步，所述方法还包括以下的步骤：

S8：将主元乘以权值，以对训练样本所处状态判别的最高准确率为目标函数，采用梯度下降法计算出主元权值向量v；

S9：复制RBF网络生成RBF₁网络，对RBF₁网络学习检测样本，以检测样本的输入作为RBF网络的输入，RBF₁网络的输出作为RBF网络的输出，训练RBF网络，同时提取RBF网络的输出权值向量，作为主元分析的输入，判定检测样本是否处在故障状态。

进一步，所述步骤S6中的T²统计量为：

其中，Λ＝diag{λ₁,λ₂,…,λ_A}，w为输出权值向量，v为主元权值向量，P∈R_m×A为负载矩阵，P是由S的前A个特征向量组成的，A表示主元的个数，数据矩阵W∈R_n×m由n个不同组的输出权值向量组成，T_α ²表示置信度为α的T²统计限，n为正常训练样本被分成的组数，且n大于RBF输出权值的维数。

进一步，所述步骤S6中的SPE统计量为：

SPE＝||(I-vPP^Tv^T)w||²≤δ_α ² (2)

式中，I为单位矩阵，w为输出权值向量，v为主元权值向量，P∈R_m×A为负载矩阵，P是由S的前A个特征向量组成的，A表示主元的个数，数据矩阵W∈R_n×m由n个不同组的输出权值向量组成，δ_α ²表示置信水平为α时SPE的控制限，n为正常训练样本被分成的组数，且n大于RBF输出权值的维数。

进一步，所述δ_α ²为：

式中，λ_j为数据矩阵W的协方差矩阵的特征值，A为主元的个数，c_α为标准正态分布在置信水平α下的阈值，m是RBF输出权值的维数。

有益效果：本发明提供的基于RBF的电机故障检测方法通用性好能够在各种电机中使用，抗干扰能力强不用因为电机工作环境的环境噪声来对模型做针对改进，检测性能好错检率、漏检率低。

附图说明

图1为本发明的RBF网络示意图。

具体实施方式

下面结合附图和实施例，对本发明的技术方案做进一步的阐述。

本发明提供的基于RBF的电机故障检测方法，包括如下的步骤：

S2：整理步骤S1中的历史数据，形成样本，样本的格式为：每一条数据按输入-输出对模式组织，输入为电机运行参数，包括定子电压、负载和转子转速，输出为电机定子电流；将全部样本的75％作为训练样本，余下的25％作为检测样本，其中，训练样本包括正常训练样本和故障训练样本，检测样本包括正常检测样本和故障检测样本；

S3：根据训练样本设计RBF的结构，包括RBF的输入值、输出值、隐藏层节点数和核函数；图1为s个输入、h个隐节点、m个输出结构的RBF神经网络结构；x＝(x₁,x₂,…,x_s)^T∈R_s为神经网络输入向量，w∈R_m为输出权值向量，第i个隐节点的激活函数为φ_i(*)，输出层的∑表示神经元的激活函数为线性函数。h_i是网络中第i个隐节点的数据中心向量，||*||表示2-范数。RBF神经网络隐节点的输入采用距离函数，激活函数则用径向基函数(如Gaussian函数)；

S5：将所有正常训练样本分成多组(每一组有500个时间上连续的正常训练样本，相邻组之间，后一个正常训练样本相对于前一组正常训练样本向前移动100个样本)，每组正常训练样本依次分别训练RBF网络，直到RBF输出权值稳定；为提高网络的训练速度和减少权值初始值对训练的影响，正常训练样本每次输入时只训练RBF网络的一个输出权值，连续输入一个正常训练样本直到RBF网络的输出权值全部更新；

S6：将步骤S5中得到的输出权值提取主元β_i(i＝1,2,…,A)；

S7：根据RBF的输出权值建立PCA模型，对PCA模型计算出相应的检测指标T²统计量和SPE统计量，并根据T²统计量和SPE的值是否超出控制限判断电机运行状态，具体操作如下：

数据矩阵W∈R_n×m由n个不同组的权值向量组成。将数据矩阵W各列经过标准化处理成零均值和单位方差的变量，可以得到进行标准化后的权值向量的协方差矩阵S，并对该协方差矩阵S的特征值进行分解并按大小降序排列。协方差矩阵S为：

其中，将数据矩阵W各列经过标准化处理成零均值和单位方差的变量的方法是将数据矩阵W的每一列减去相应的变量均值并且除以相应的变量标准差。

根据PCA模型将测量变量空间分成主元子空间和残差子空间这两个正交且互补的子空间，PCA模型将数据矩阵W∈R_n×m分解成建模部分和残差部分E两个部分：

其中，表示建模部分；E表示残差部分；P∈R_m×A为负载矩阵，是由S的前A个特征向量组成的，A表示主元的个数；T∈R_n×A为得分矩阵,T＝WP。

根据已确定的主元v_i(i＝1,2,…,A)和得分矩阵T建立输出权值向量w的改进的PCA模型(主元分析模型)，并针对PCA模型计算出相应的检测指标Hotelling’s T²统计量(以下简称T²统计量)和SPE(平方预测误差，也称Q统计量)。

其中，SPE指标表达式为：

SPE＝||(I-vPP^Tv^T)w||²≤δ_α ² (3)

该控制限δ_α ²的计算公式为：

式中，λ_j为数据矩阵W的协方差矩阵的特征值，A表示主元的个数，c_α为标准正态分布在置信水平α下的阈值，m是输出权值向量的维数。

T²统计量表达式为：

S8：将负载矩阵P乘以对应的主元权值向量以对训练样本所处状态判别的最高准确率为目标函数，采用梯度下降法计算出主元权值向量v，具体操作如下：

使用训练样本中已标记为故障的样本组和正常的样本组分别训练RBF，一组样本在对RBF训练一个回合后，RBF的输出权值w输入到检测指标中(检测指标中的负载矩阵为vP)，判断电机状态并与样本组的标记状态比较，相同则为1，否则为0，以各组标记状态与检测结果比较结果之和最大为目标函数连续训练权值v_i，直到权值v_i稳定；

Claims

1.一种基于RBF的电机故障检测方法，其特征在于：包括如下的步骤：

S6：将步骤S5中得到的输出权值提取主元；

S7：根据RBF的输出权值建立PCA模型，对PCA模型计算出相应的检测指标T²统计量和SPE统计量，并根据T²统计量和SPE的值是否超出控制限判断电机运行状态；

2.根据权利要求1所述的基于RBF的电机故障检测方法，其特征在于：所述步骤S6中的T²统计量为：

<mrow> <msup> <mi>T</mi> <mn>2</mn> </msup> <mo>=</mo> <msup> <mi>w</mi> <mi>T</mi> </msup> <msup> <mi>vP&Lambda;</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <msup> <mi>P</mi> <mi>T</mi> </msup> <msup> <mi>v</mi> <mi>T</mi> </msup> <mi>w</mi> <mo>&le;</mo> <msubsup> <mi>T</mi> <mi>&alpha;</mi> <mn>2</mn> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>

其中，Λ＝diag{λ₁,λ₂,…,λ_A}，w为输出权值向量，v为主元权值向量，P∈R_m×A为负载矩阵，P是由S的前A个特征向量组成的，A表示主元的个数，数据矩阵W∈R_n×m由n个不同组的输出权值向量组成，T_α ²表示置信度为α的T²统计限，n为正常训练样本被分成的组数，且n大于RBF输出权值的维数，λ_j为数据矩阵W的协方差矩阵的特征值，j＝1,2,…,A，m是RBF输出权值的维数。

3.根据权利要求1所述的基于RBF的电机故障检测方法，其特征在于：所述步骤S6中的SPE统计量为：

SPE＝||(I-vPP^Tv^T)w||²≤δ_α ² (2)

式中，I为单位矩阵，w为输出权值向量，v为主元权值向量，P∈R_m×A为负载矩阵，P是由S的前A个特征向量组成的，A表示主元的个数，数据矩阵W∈R_n×m由n个不同组的输出权值向量组成，δ_α ²表示置信水平为α时SPE的控制限，n为正常训练样本被分成的组数，且n大于RBF输出权值的维数，m是RBF输出权值的维数。

4.根据权利要求3所述的基于RBF的电机故障检测方法，其特征在于：所述δ_α ²为：

<mrow> <msubsup> <mi>&delta;</mi> <mi>&alpha;</mi> <mn>2</mn> </msubsup> <mo>=</mo> <msub> <mi>&theta;</mi> <mn>1</mn> </msub> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <msub> <mi>c</mi> <mi>&alpha;</mi> </msub> <msqrt> <mrow> <mn>2</mn> <msub> <mi>&theta;</mi> <mn>2</mn> </msub> <msubsup> <mi>h</mi> <mn>0</mn> <mn>2</mn> </msubsup> </mrow> </msqrt> </mrow> <msub> <mi>&theta;</mi> <mn>1</mn> </msub> </mfrac> <mo>+</mo> <mn>1</mn> <mo>+</mo> <mfrac> <mrow> <msub> <mi>&theta;</mi> <mn>2</mn> </msub> <msub> <mi>h</mi> <mn>0</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>h</mi> <mn>0</mn> </msub> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> <msubsup> <mi>&theta;</mi> <mn>1</mn> <mn>2</mn> </msubsup> </mfrac> <mo>)</mo> </mrow> <mrow> <mn>1</mn> <mo>/</mo> <msub> <mi>h</mi> <mn>0</mn> </msub> </mrow> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>

式中，λ_j为数据矩阵W的协方差矩阵的特征值，j＝1,2,…,A，A为主元的个数，c_α为标准正态分布在置信水平α下的阈值，m是RBF输出权值的维数。