CN105425150A - 一种基于rbf和pca-svdd的电机故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于RBF和PCA-SVDD的电机故障诊断方法，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，通过构建PCA-SVDD故障诊断模型，对电机故障数据进行分类处理，经过科学计算，根据电机运行过程中的实时数据进行调整数据库，运行适应能力强，可以对多种电机故障进行实时检测。

Description

一种基于RBF和PCA-SVDD的电机故障诊断方法

技术领域

本发明涉及一种电机的故障检测方法，尤其是涉及一种基于RBF和PCA-SVDD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电机故障，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RBF和PCA-SVDD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RBF和PCA-SVDD的电机故障诊断方法，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和各种故障数据；

B)整理所述步骤A)上述机组运行参数历史数据形成样本，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，样本分为训练样本和检测样本两部分；

C)根据步骤B中得到的训练样本设计RBF的结构，首先设计RBF的输入值、输出值、聚类中心、聚类分组、隐藏层节点数和核函数，所述核函数采用高斯函数；为消除噪声对RBF的干扰，采用多组训练样本训练出多个RBF网络，从各组RBF的输出权值向量中提取主成分向量，采用主元分析法提取各组RBF的输出层权值向量的主成分；对电机的各种故障数据和正常运行数据利用K-均值聚类学习算法，产生各自的聚类中心；

D)利用步骤C)中得到的聚类中心和聚类分组数据，按照时间先后分成多组，每组数据在抛弃一定比例的时间上较早的数据后，再添加相同比例的时间上相邻的后续数据形成下一组数据样本，针对每一组数据分别建立一个RBF网络；建立RBF网络时，一个样本要连续输入直到网络权值全部更新；RBF依次接收训练样本进行训练，直到RBF输出权值稳定，所述输出权值向量是步骤C)中提取的主成分加权和；

F)使用RBF对实时检测数据滤波消除噪声，具体表述为：复制RBF，生成RBF₁和RBF₂，由RBF₂先学习检测样本，将RBF₂的输出作为RBF₁的输出期望值，根据RBF₂对样本的学习结果更新RBF权值，网络继续学习检测样本，同时提取RBF₁输入层的输出权值向量W；

G)整理正常状态下和故障状态下训练样本输入产生的W，按照上述步骤建立t(t为正常状态和故障状态总数)个PCA模型库，然后再对这t个得分矩阵使用SVDD算法，在建立各故障包含半径值、超球体中心和支持向量个数这些主要参数的SVDD模式库参数集W_i＝1,2,3…,t次后PCA-SVDD故障诊断模型完成；

H)实时读取电机的最新运行参数，将这些参数输入到RBF中，将RBF₁的输出权值向量输入步骤G)中得到的PCA-SVDD故障诊断模型，通过模型计算得到该状态下的电机运行状况。

有益效果：相对于现有的电机电流信号分析法对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，本发明通过构建PCA-SVDD故障诊断模型，对电机故障数据进行分类处理，经过科学计算，根据电机运行过程中的实时数据进行调整数据库，运行适应能力强，可以对多种电机故障进行实时检测。

附图说明

图1是本发明流程图；

图2是本发明中故障检测示意图。

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，一种基于RBF和PCA-SVDD的电机故障诊断方法，包括如下步骤：

A)收集电机历史运行数据，具体包括电机正常运行数据和各种故障数据；

B)整理所述步骤A)上述电机正常运行参数历史数据形成电机正常运行样本，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)RBF结构和参数设定：根据步骤B中得到的训练样本设计RBF的结构，首先设计RBF的输入值、输出值、聚类中心、聚类分组、隐藏层节点数和核函数；为消除噪声对RBF的干扰，采用多组训练样本训练出多个RBF网络，从各组RBF的输出权值向量中提取主成分向量，采用主元分析法提取各组RBF的输出层权值向量的主成分；对电机的各种故障数据和正常运行数据利用K-均值聚类学习算法，产生各自的聚类中心；

D)RBF样本训练和检测：利用步骤C)中得到的聚类中心和聚类分组数据，按照时间先后分成多组，每组数据在抛弃一定比例的时间上较早的数据后，再添加相同比例的时间上相邻的后续数据形成下一组数据样本，针对每一组数据分别建立一个RBF网络；建立RBF网络时，一个样本要连续输入直到网络权值全部更新；RBF依次接收训练样本进行训练，直到RBF输出权值稳定，所述输出权值向量是步骤C)中提取的主成分加权和；

F)使用RBF对实时检测数据滤波消除噪声，具体表述为：复制RBF，生成RBF₁和RBF₂，由RBF₂先学习检测样本，将RBF₂的输出作为RBF₁的输出期望值，根据RBF₂对样本的学习结果更新RBF权值，网络继续学习检测样本，同时提取RBF₁输入层的输出权值向量W；

G)整理正常状态下和故障状态下训练样本输入产生的W，按照上述步骤建立t(t为正常状态和故障状态总数)个PCA模型库，然后再对这t个得分矩阵使用SVDD算法，在建立各故障包含半径值、超球体中心和支持向量个数这些主要参数的SVDD模式库参数集W_i＝1,2,3…,t次后PCA-SVDD故障诊断模型完成；

H)实时读取电机的最新运行参数，将这些参数输入到RBF中，将RBF₁的输出权值向量输入步骤G)中得到的PCA-SVDD故障诊断模型，通过模型计算得到该状态下的电机运行状况。

进一步地，步骤C)中所述核函数采用高斯函数。

如图2所示，假定输入为定子电压、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。图2为n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_n)^T∈R_n为神经网络输入向量，W∈R_h×m为输出权值矩阵，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)；

使用RBF对实时检测数据滤波消除检测噪声，复制RBF，生成RBF₁和RBF₂，由RBF₂先学习检测样本，将2的输出作为RBF₁的输出期望值，根据RBF₁对样本的学习结果更新RBF₁权值，网络继续学习检测样本，同时提取RBF₁输出层的输出权值向量，作为故障检测样本；

整理上述正常状态下和故障状态下样本输入时RBF₁输出层权值向量形成的故障检测样本；

假设w∈R_m表示具有m个维度的权值向量(即m为权值向量w的维数)，数据矩阵W'∈R_n×m由n个不同时刻的权值向量组成。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w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：

$S=\mathrm{cov}\left(x\right)\≈\frac{1}{n-1}{W}^{\′T}{W}^{\′}$

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W'∈R_n×m分解成建模部分和残差部分E两个部分

$W^{\′}=T_1{P}_1^T={\hat{W}}^{\′}+E={\mathrm{TP}}^T+E$

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：

$S_1\≈\frac{1}{n-1}{T}_1^T{T}_1$

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∈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＝W'P；[0030]按照上述步骤建立t个PCA模型库，然后再对这t个得分矩阵T使用SVDD算法。

针对数据集{x_i,i＝1,2,…,n}，在本节中，该数据集为基于PCA的特征提取后的数据输入流。令a为超球体中心，R为超球体半径。由于测量误差或噪音等干扰将导致离群点影响，因此在模型中引入松弛参数ζ_i。C是惩罚参数可实现对超球体半径和目标样本误报率的折衷，将上述最优化问题构造成拉格朗日算式：

$L(R,a,\mathrm{\α},{\mathrm{\ζ}}_i)=R^2+C\underset{i}{\Σ}{\mathrm{\ζ}}_i-\underset{i}{\Σ}{\mathrm{\α}}_i\[R^2+{\mathrm{\ζ}}_i-\left({x_i}^2-2{\mathrm{ax}}_i+a^2\right)\]-\underset{i}{\Σ}{\mathrm{\γ}}_i{\mathrm{\ζ}}_i$

其中γ_i和α_i是拉格朗日乘子且满足γ_i≥0,α_i≥0。分别对R、a、ζ求偏微分并令其为零，将这3个等式代回到公式可得：

$\left\{\begin{array}{c}L=\underset{i}{\Σ}{\mathrm{\α}}_i\left(x_i\·x_j\right)-\underset{i,j}{\Σ}{\mathrm{\α}}_i{\mathrm{\α}}_j\left(x_i\·x_j\right)\\ s.t.0\≤{\mathrm{\α}}_i\≤C,\underset{i}{\Σ}{\mathrm{\α}}_i=1\end{array}\right.$

0≤α_i≤C为支持向量。而超球体的半径可通过计算任一支持向量到超球体中心的距离获得。判断测试点y是否属于该超球体只需计算其到中心的距离是否小于等于半径R，使用核函数K(x_i·x_j)代替上式中内积计算(x_i·x_j)，即只需判断是否满足：

$K(y,y)-2\underset{i}{\Σ}{\mathrm{\α}}_{i}K(y,x_i)+\Σ{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(x_i\·x_j)\≤R^2$

在建立各故障包含半径值、超球体中心和支持向量个数这些主要参数的SVDD模式库参数集W_i，i＝1,2,…,t后离线建模完成。

在线分类时，针对新数据x_new,将x_new投影到这t个PCA模型库可获得相应的t个得分向量：

T_i,new＝x_i,new·P_i

然后再将T_i,new投影到故障辨识模型库参数集W_i得出新数据到各SVDD超球体中心的距离值：

D_i＝T_i,new·W_i

其中D_i矩阵中的第一个列向量d_i表示该数据点到第i个SVDD超球体中心的欧氏距离：

$d_i=\sqrt{K(x_{i,new},x_{i,new})-2\underset{i}{\Σ}{\mathrm{\α}}_{i}K(x_{i,new},x_{i,i})+\underset{i,j}{\Σ}{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(x_{i,i},x_{j,i})}$

x_i,i和x_j,i表示第i类故障数据矩阵中的样本点，而其他参数定义保持不变。

检测时，将检测样本输入到RBF中，每次训练完成后将提取RBF₁的输入层输出权值向量，带入PCA-SVDD模型中，判断当前状态所处的模式，正常状态，或某种故障状态。

Claims (2)

1.一种基于RBF和PCA-SVDD的电机故障诊断方法，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和各种故障数据；

B)整理所述步骤A)上述机组运行参数历史数据形成样本，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，样本分为训练样本和检测样本两部分；

C)根据步骤B中得到的训练样本设计RBF的结构，首先设计RBF的输入值、输出值、聚类中心、聚类分组、隐藏层节点数和核函数；为消除噪声对RBF的干扰，采用多组训练样本训练出多个RBF网络，从各组RBF的输出权值向量中提取主成分向量，采用主元分析法提取各组RBF的输出层权值向量的主成分；对电机的各种故障数据和正常运行数据利用K-均值聚类学习算法，产生各自的聚类中心；

D)利用步骤C)中得到的聚类中心和聚类分组数据，按照时间先后分成多组，每组数据在抛弃一定比例的时间上较早的数据后，再添加相同比例的时间上相邻的后续数据形成下一组数据样本，针对每一组数据分别建立一个RBF网络；建立RBF网络时，一个样本要连续输入直到网络权值全部更新；RBF依次接收训练样本进行训练，直到RBF输出权值稳定，所述输出权值向量是步骤C)中提取的主成分加权和；

F)使用RBF对实时检测数据滤波消除噪声，具体表述为：复制RBF，生成RBF₁和RBF₂，由RBF₂先学习检测样本，将RBF₂的输出作为RBF₁的输出期望值，根据RBF₂对样本的学习结果更新RBF权值，网络继续学习检测样本，同时提取RBF₁输入层的输出权值向量W；

G)整理正常状态下和故障状态下训练样本输入产生的W，按照上述步骤建立t(t为正常状态和故障状态总数)个PCA模型库，然后再对这t个得分矩阵使用SVDD算法，在建立各故障包含半径值、超球体中心和支持向量个数这些主要参数的SVDD模式库参数集W_i＝1,2,3…,t次后PCA-SVDD故障诊断模型完成；

H)实时读取电机的最新运行参数，将这些参数输入到RBF中，将RBF₁的输出权值向量输入步骤G)中得到的PCA-SVDD故障诊断模型，通过模型计算得到该状态下的电机运行状况。

2.根据权利要求1所述的一种基于RBF和PCA-SVDD的电机故障诊断方法，其特征在于，步骤C)中所述核函数采用高斯函数。