CN105137354B - 一种基于神经网络电机故障检测方法 - Google Patents
一种基于神经网络电机故障检测方法 Download PDFInfo
- Publication number
- CN105137354B CN105137354B CN201510537415.7A CN201510537415A CN105137354B CN 105137354 B CN105137354 B CN 105137354B CN 201510537415 A CN201510537415 A CN 201510537415A CN 105137354 B CN105137354 B CN 105137354B
- Authority
- CN
- China
- Prior art keywords
- sample
- neutral net
- detection
- input
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000007935 neutral effect Effects 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000013461 design Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 13
- 238000003745 diagnosis Methods 0.000 claims description 6
- 210000005036 nerve Anatomy 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 1
- 230000006870 function Effects 0.000 claims 1
- 239000011159 matrix material Substances 0.000 description 18
- 238000000034 method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Landscapes
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于神经网络的电机故障检测方法，包括收集电机运行参数的历史数据，整理电机运行参数历史数据并形成样本，根据样本设计神经网络的结构，训练和检测神经网络样本，并通过神经网络检测电机状态。本发明能够实现对电机实时有效检测，在故障初期就能做出预警。
Description
技术领域
本发明涉及一种故障诊断方法，尤其涉及一种基于神经网络的电机故障诊断方法。
背景技术
电动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，电动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，诊断可靠性不能得到保证，检测性能较差。
发明内容
发明目的：本发明提出一种基于神经网络的电机故障诊断方法，能够实现对电机实时有效检测，在故障初期就能做出预警。
技术方案：一种基于神经网络的电机故障检测方法，包括如下步骤：
A)收集电机运行参数的历史数据，包括电机正常运行数据与电机故障数据；
B)整理所述步骤A)电机运行参数历史数据并形成样本，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，样本分为训练样本和检测样本两部分；
C)根据所述步骤B)的样本设计神经网络的结构,采用步骤B)得到的训练样本进行神经网络训练，直到神经网络稳定；D)使用所述步骤C)神经网络对实时检测数据滤波消除检测噪声，复制神经网络，生成神经网络1和神经网络2，由神经网络2先学习检测样本，将神经网络2的输出作为神经网络1的输出期望值，根据神经网络2对样本的学习结果更新神经网络权值，继续学习检测样本，同时提取神经网络1输入层的输出权值向量，作为故障检测样本；
E)提取神经网络1的输入层权值向量W1·，并针对其建立PCA模型，对PCA 模型计算出相应的检测指标T2统计量和SPE，根据SPE的值是否超出控制限判断电机运行状态；
F)整理正常状态下和故障状态下样本输入时神经网络1的输入层权值向量 W1·形成的故障检测样本；
G)用F)中的检测样本对E)所得故障诊断模型进行反复检验，如果检验效果良好，则诊断模型有效，可以用于故障诊断，否则，则重新根据D)、E)和F)进行训练建模；
H)实时读取电机的最新运行参数，将这些参数输入到所述神经网络中，将神经网络1的输出权值向量输入故障诊断模型，计算所得PCA检测指标SPE和T2是否满足置性指标。
进一步的，所述步骤C)采用神经网络，首先设计所述神经网络的输入值、输出值、层数、各层节点数和各层的激活函数；所述样本每次输入时训练神经网络的一个权值，一个样本要连续输入直到网络权值全部更新；神经网络依次接收所述训练样本进行训练，直到神经网络权值稳定。
有益效果：相对于现有的电机电流信号分析法对不同电机进行故障检测时，需要采集频率造成相应检测模型调整大，本发明不仅可以对电机故障进行在线检测，且自适应能力强，可以对多种电机故障进行检测。
附图说明
图1是本发明流程图；
图2是本发明中神经网络学习结构示意图。
具体实施方式
下面将结合附图，对本发明的实施案例进行详细的描述；
如图1所示，样本制造收集电机运行的历史数据，格式为：每一条数据按照输入—输出对的模式组织。输入为定子电压、转子电压、负载、电机轴温、电机定子溫度、转子转速，输出为定子电流；将全部样本的75％作为训练样本，余下的25％作为检测样本；
如图2所示，设计神经网络的输入值、输出值、层数、各层节点数和各层的激活函数，神经网络采用四层神经网络，网络节点数为6-9-8-1。在上述神经网络结构下，为提高网络的训练速度和减少权值初始值选取不合理对训练的影响，这里每次样本输入时只训练一个权值，一个样本要连续输入直到网络中所有权值全部更新一遍，新型神经网络接收下一个训练样本，网络权值继续更新，直到神经网络稳定。
使用神经网络对样本滤波消除检测噪声，复制神经网络，生成神经网络1 和神经网络2，由神经网络2先学习检测样本，将神经网络2的输出作为神经网络1的输出期望值，根据神经网络2对样本的学习结果更新神经网络权值，网络继续学习检测样本，同时提取神经网络1输入层的输出权值向量；
提取上述正常状态下和故障状态下样本输入时神经网络1输入层权值向量 W1·；
建立输入层权值向量W1·的PCA模型(主元分析模型)，并针对PCA模型计算出其相应的检测指标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)；
假设x∈Rm表示具有m个维度的权值向量(即m为权值向量x的维数)，数据矩阵X∈Rn×m由n个不同时刻的权值向量组成。将数据矩阵X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x的协方差矩阵S，并对该协方差矩阵特征值分解并按大小降序排列。协方差矩阵S为：
其中，将数据矩阵X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X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两个正交且互补的子空间，任意一个样本向量均可分解成为在主元子空间和残差子空间上的投影，即PCA模型将权值矩阵X∈Rn×m分解成建模部分和残差部分E两个部分
将数据矩阵T1各列经过标准化处理成零均值和单位方差的变量得到协方差矩阵S1，并对该协方差矩阵对角线元素按大小降序排列，对应矩阵T1也按此排序，并构造矩阵P1。协方差矩阵S1为：
根据T1和P1的排序确定主元和残差。
其中，表示被建模部分；E表示残差部分；P∈Rm×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∈Rn×A为得分矩阵,T＝XP；
在PCA模型中，针对PCA模型需要计算出其相应的检测指标T2统计量和 SPE，即T2和SPE，用SPE指标衡量样本向量在残差空间投影的变化，用T2统计量衡量测量变量在主元空间中的变化：
其中，SPE指标表达式为：
式中，I为单位矩阵；表示置信水平为α时SPE的控制限。当SPE在控制限内时，认为当前运转过程处于正常状态。当SPE值超出了统计控制限时，代表当前运转过程发生了故障，SPE值的变化代表着数据间相关性的变化。该控制限的计算公式为：
式中，λj为样本矩阵X的协方差矩阵Σ的特征值，cα为标准正态分布在置信水平α下的阈值，m是样本x的维数。
T2统计量表达式为：
其中，Λ＝diag{λ1,λ2,…,λA}，表示置信度为α的T2统计限。当T2位于控制限内时，认为当前运转过程处于正常工作状态。
检测时，将检测样本输入到神经网络训练神经网络，每次训练完成后将提取神经网络1的输入层输出权值向量，带入PCA模型中，计算得到SPE和T2在控制限内，则当前运转过程处于正常状态，否则判断运转过程发生了故障；
采用随时间加权算法对多PCA模型中的各个T2统计量和SPE两检测指标进行优化，并根据优化后的检测指标T2统计量和SPE对机械设备进行故障检测，检测得到过渡过程机械设备的故障数据，通过优化后的检测指标进行故障检测可以有效避免在工况过渡过程中出现故障误报。
Claims (2)
1.一种基于神经网络的电机故障检测方法，其特征在于，包括如下步骤：
A) 收集电机运行参数的历史数据，包括电机正常运行数据与电机故障数据；
B) 整理所述步骤 A)电机运行参数历史数据并形成样本，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，样本分为训练样本和检测样本两部分；
C）根据所述步骤B）的样本设计神经网络的结构，采用步骤B)得到的训练样本进行神经网络训练，直到神经网络稳定；
D) 使用所述步骤 C)神经网络对检测样本滤波消除检测噪声，复制神经网络，生成神经网络 1 和神经网络 2，由神经网络 2 先学习检测样本，将神经网络 2 的输出作为神经网络 1 的输出期望值，根据神经网络 2 对检测样本的学习结果更新神经网络权值，继续学习检测样本，同时提取神经网络1输入层的输出权值向量，建立PCA模型检测样本；
E)提取神经网络 1 的输入层权值向量W1.，并针对其建立PCA故障诊断模型，对PCA故障诊断模型计算出相应的检测指标T 2 统计量和SPE ，根据SPE 的值是否超出控制限判断电机运行状态；
F)整理检测样本输入时神经网络 1 的输入层权值向量W1.形成的PCA模型检测样本；
G)用 F)中的PCA模型检测样本对 E)所得故障诊断模型进行反复检验，如果检验效果良好，则诊断模型有效，可以用于故障诊断，否则，则重新根据 D)、E)进行训练建模；
H）实时读取电机的最新运行数据作为检测样本，将读取的检测样本输入到所述神经网络中，将神经网络 1 的输出权值向量输入故障诊断模型，计算所得PCA检测指标SPE 和T2是否满足置性指标。
2.根据权利要求1所述的基于神经网络的电机故障检测方法，其特征在于，所述步骤C)采用神经网络，首先设计所述神经网络的输入值、输出值、层数、各层节点数和各层的激活函数；所述训练样本每次输入时训练神经网络的一个权值，一个样本要连续输入直到网络权值全部更新；神经网络依次接收所述训练样本进行训练，直到神经网络权值稳定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510537415.7A CN105137354B (zh) | 2015-08-27 | 2015-08-27 | 一种基于神经网络电机故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510537415.7A CN105137354B (zh) | 2015-08-27 | 2015-08-27 | 一种基于神经网络电机故障检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105137354A CN105137354A (zh) | 2015-12-09 |
| CN105137354B true CN105137354B (zh) | 2018-04-06 |
Family
ID=54722761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510537415.7A Expired - Fee Related CN105137354B (zh) | 2015-08-27 | 2015-08-27 | 一种基于神经网络电机故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105137354B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10586153B2 (en) * | 2016-06-16 | 2020-03-10 | Qatar University | Method and apparatus for performing motor-fault detection via convolutional neural networks |
| CN109543870B (zh) * | 2018-05-28 | 2022-05-03 | 云南大学 | 一种基于邻域保持嵌入算法的输电线路杆塔雷击预警方法 |
| CN109344976A (zh) * | 2018-08-24 | 2019-02-15 | 华能国际电力股份有限公司海门电厂 | 一种基于Keras的电气系统运行状态智能分析方法 |
| CN111474476B (zh) * | 2020-03-22 | 2021-06-08 | 华南理工大学 | 一种电机故障预测方法 |
| CN112115009B (zh) * | 2020-08-13 | 2022-02-18 | 中国科学院计算技术研究所 | 一种用于神经网络处理器的故障检测方法 |
| CN113393211B (zh) * | 2021-06-22 | 2022-12-09 | 柳州市太启机电工程有限公司 | 一种智能化提高自动化生产效率的方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101169623A (zh) * | 2007-11-22 | 2008-04-30 | 东北大学 | 基于核主元分析贡献图的非线性过程故障辨识方法 |
| CN102033200A (zh) * | 2009-09-29 | 2011-04-27 | 上海宝钢工业检测公司 | 基于统计模型的交流电机在线监测和诊断方法 |
| TW201303319A (zh) * | 2011-07-06 | 2013-01-16 | Univ Nat Taiwan | 高壓輸配電網路之故障偵測、辨識與定位之方法及系統 |
| CN103359572A (zh) * | 2013-05-23 | 2013-10-23 | 中国矿业大学 | 一种提升机故障诊断方法及装置 |
-
2015
- 2015-08-27 CN CN201510537415.7A patent/CN105137354B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101169623A (zh) * | 2007-11-22 | 2008-04-30 | 东北大学 | 基于核主元分析贡献图的非线性过程故障辨识方法 |
| CN102033200A (zh) * | 2009-09-29 | 2011-04-27 | 上海宝钢工业检测公司 | 基于统计模型的交流电机在线监测和诊断方法 |
| TW201303319A (zh) * | 2011-07-06 | 2013-01-16 | Univ Nat Taiwan | 高壓輸配電網路之故障偵測、辨識與定位之方法及系統 |
| CN103359572A (zh) * | 2013-05-23 | 2013-10-23 | 中国矿业大学 | 一种提升机故障诊断方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 基于RBF神经网络的电机故障诊断的研究;王娟等;《系统仿真技术》;20090131;第5卷(第1期);36-39 * |
| 基于鲁棒主元分析方法的故障检测;温冰清等;《东南大学学报( 自然科学版 )》;20100930;第40卷;140-143 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105137354A (zh) | 2015-12-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105137354B (zh) | 一种基于神经网络电机故障检测方法 | |
| CN106682814B (zh) | 一种基于故障知识库的风电机组故障智能诊断方法 | |
| CN106197999B (zh) | 一种行星齿轮故障诊断方法 | |
| CN112200032B (zh) | 一种基于注意力机制的高压断路器机械状态在线监测方法 | |
| CN105425150B (zh) | 一种基于rbf和pca-svdd的电机故障诊断方法 | |
| CN106405475A (zh) | 电能表异常诊断方法 | |
| CN105629958B (zh) | 一种基于子时段mpca‑svm的间歇过程故障诊断方法 | |
| CN107909118A (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
| CN106447039A (zh) | 基于自编码神经网络的无监督特征提取方法 | |
| CN103901882A (zh) | 一种列车动力系统在线监控故障诊断的系统及其方法 | |
| CN106447210A (zh) | 一种计及可信度评价的配网设备健康度动态诊断方法 | |
| CN106021771A (zh) | 一种故障诊断方法及装置 | |
| CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
| CN106523393A (zh) | 一种用于井下排水系统的故障诊断方法 | |
| CN110646685B (zh) | 一种开关柜状态综合评估方法 | |
| CN117216481B (zh) | 一种用于电器的远程监控方法及系统 | |
| CN106292631A (zh) | 一种基于神经网络的pwm整流器故障诊断系统 | |
| CN111324110A (zh) | 一种基于多块收缩自动编码器的发酵过程故障监测方法 | |
| CN111796233A (zh) | 双母线接线形式下多台电压互感器继发性误差的评估方法 | |
| Yen et al. | Application of a neural network integrated with the internet of things sensing technology for 3D printer fault diagnosis | |
| CN117056814A (zh) | 一种变压器声纹振动故障诊断方法 | |
| CN107918381A (zh) | 一种基于组合核函数的类均值核主元故障诊断方法 | |
| Nikitin et al. | Mechatronic modules diagnosis by use of fuzzy sets | |
| CN111489539A (zh) | 家电系统故障的预警方法、系统及装置 | |
| CN107272648B (zh) | 一种工业过程微小故障的分离方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180406 |