CN105487009A - 基于k均值的RBF神经网络算法的电机故障诊断方法 - Google Patents

Abstract

一种基于k均值的RBF神经网络算法的电机故障诊断方法，包括：根据k均值聚类算法提取出电机的故障样本集，利用故障样本集使RBF神经网络开始学习训练；当RBF神经网络训练完成后，使各个隐节点的数据中心相应的输出权值不再改变，随后使RBF神经网络进入工作状态，已训练完成的RBF神经网络中的数据中心和连接权值记录了故障特征；电机测试数据经过归一化处理；将归一化处理后的电机测试数据传递至RBF神经网络以形成故障征兆，将故障征兆传递给RBF神经网络；将传递进来的故障征兆与RBF神经网络中记录的故障特征进行比较；在传递进来的故障征兆与RBF神经网络中记录的特定故障特征之间的相似度大于预定阈值时，RBF神经网络输出与特定故障特征对应的故障类型。

Description

基于k均值的RBF神经网络算法的电机故障诊断方法

技术领域

本发明涉及电机故障诊断领域，更具体地说，本发明涉及一种基于k均值(k-means)的RBF(RadialBasisFunction：径向基函数)神经网络算法的电机故障诊断方法。

背景技术

电机是现代生产中的重要电气设备，在运转过程中会发生不同程度的振动。当电机稳定运行时，振动都有一种典型特性和一个允许限值。但是，当电机内部出现故障，例如，机械故障、转动部分不平衡或电磁等方面的原因，就会引起电机不稳定的振动。这些振动故障对电机的危害很大，会降低电机的使用寿命，对生产造成重大影响。

近年来对于电机故障诊断技术国内外开展了广泛的研究，主要方法主要有以下几种：

1、基于信号变换的诊断方法。这种方法至今仍然是处理大量现场振动故障的主要方法。采用如便携式测振仪等设备拾取信号，并直接由信号的某些参数或统计量构成诊断指标，根据对诊断指标的分析以判定设备的运行状态是正常或是异常。此种诊断方法受人为因素的影响过大，其诊断的可靠性和效率受到较大限制。

2、基于专家系统的诊断方法。此方法根据被诊断系统的专家以往积累的经验，将其归纳成规则，使系统仿真专家推理分析问题和解决问题，从而进行故障诊断。它至少由知识库、推理机、人机接口三部分组成。但专家系统还是存在着一些自身无法克服的弱点，例如专家系统的知识库和知识推理过于刚性；难以诊断多重故障；诊断准确率的高低主要取决于知识库中知识的多少和正确率的高低，有时不同的专家系统可能给出互相矛盾的诊断结果；且存在着获取知识的瓶颈等等。

3、基于模糊理论的诊断方法。在故障诊断领域，模糊属性常常出现，如对征兆的描述：温度“偏高”，振动“厉害”等都具有模糊特性。基于模糊理论的诊断方法在一定程度上模拟人的诊断，利用隶属函数和模糊规则，进行模糊推理就可以实现模糊诊断的智能化。但是，复杂的诊断系统其模糊诊断知识获取困难，尤其是正确的模糊规则和隶属函数较难确定，且系统的诊断能力依赖模糊知识库，学习能力差，容易发生漏诊和误诊。

4、基于人工神经网络(ANN：ArtificialNeuralNetwork)的诊断方法。人工神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络(ANN)具有良好的容错性和非线性特性，信息分布储存、响应速度快，并且具有自适应学习等一系列优点，是近年来受到广泛重视的一种新型技术。但是，ANN在故障诊断中应用亦存在一定的问题，主要是ANN在使用之前需要大量的有代表性的样本供其学习。

发明内容

本发明所要解决的技术问题是针对现有技术中存在上述缺陷，提供一种基于k均值聚类的RBF神经网络算法的电机故障诊断方法，能够有效地检测出机械故障、转动部分不平衡或电磁等方面的原因所引起的电机的不稳定振动，能准确、有效识别出电机的各种典型故障。

为了实现上述技术目的，根据本发明，提供了一种基于k均值的RBF神经网络算法的电机故障诊断方法，包括：

第一步骤：根据k均值聚类算法提取出电机的故障样本集，并利用故障样本集使RBF神经网络开始学习训练；

第二步骤：当RBF神经网络训练完成以后，使得各个隐节点的数据中心相应的输出权值不再改变，随后使RBF神经网络进入工作状态；

第三步骤：使得电机测试数据经过归一化处理；

第四步骤：将归一化处理后的电机测试数据传递至RBF神经网络以形成故障征兆，然后将故障征兆传递给RBF神经网络；

第五步骤：将传递进来的故障征兆与RBF神经网络中记录的故障特征进行比较；

第六步骤：在传递进来的故障征兆与RBF神经网络中记录的特定故障特征之间的相似度大于预定阈值时，RBF神经网络输出与特定故障特征对应的故障类型。

优选地，已训练完成的RBF神经网络中的数据中心和连接权值记录了故障特征。

与其它方法相比较，本发明具有泛化性能好、学习训练速度快、网络结构稳定、诊断结果正确率高等优点。

附图说明

结合附图，并通过参考下面的详细描述，将会更容易地对本发明有更完整的理解并且更容易地理解其伴随的优点和特征，其中：

图1示意性地示出了根据本发明优选实施例的基于k均值的RBF神经网络算法的电机故障诊断方法的流程图。

需要说明的是，附图用于说明本发明，而非限制本发明。注意，表示结构的附图可能并非按比例绘制。并且，附图中，相同或者类似的元件标有相同或者类似的标号。

具体实施方式

为了使本发明的内容更加清楚和易懂，下面结合具体实施例和附图对本发明的内容进行详细描述。

图1示意性地示出了根据本发明优选实施例的基于k均值的RBF神经网络算法的电机故障诊断方法的流程图。

如图1所示，根据本发明优选实施例的基于k均值聚类算法的RBF神经网络算法的电机故障诊断方法包括：

第一步骤S1：根据k均值聚类算法提取出电机的故障样本集，并利用故障样本集使RBF神经网络开始学习训练；

第二步骤S2：当RBF神经网络训练完成以后，使得各个隐节点的数据中心相应的输出权值不再改变，随后使RBF神经网络进入工作状态；其中，已训练完成的RBF神经网络中的数据中心和连接权值记录了故障特征；

第三步骤S3：电机测试数据经过归一化处理；

第四步骤S4：将归一化处理后的电机测试数据传递至RBF神经网络以形成故障征兆(或故障表征)，然后将故障征兆(或故障表征)传递给RBF神经网络；

第五步骤S5：将传递进来的故障征兆(或故障表征)与RBF神经网络中记录的故障特征进行比较；

第六步骤S6：在传递进来的故障征兆(或故障表征)与RBF神经网络中记录的特定故障特征比较接近(例如相似度大于预定阈值)时，RBF神经网络输出与特定故障特征对应的故障类型。

k均值聚类算法是基于线性学习规则的无监督方案，因此可以保证快速的收敛。

<聚类中心及宽度的算法>

下面具体描述本发明优选实施例采用的聚类中心及宽度的算法的示例。

设置迭代次数k，获取第k次迭代时的聚类中心c₁(k)，c₂(k)，…，c_m(k)，相应的聚类域为w₁(k)，w₂(k)，…，w_m(k)，k均值聚类算法过程如下：

(1)从输入样本中随机选取一组初始化数据中心值c_i，但这m个数据中心必须取不同值，并令k＝1，取一个很小的误差常数ε>0；

(2)计算所有样本输入与聚类中心距离||x_j-c_i(k)||，i＝1,2,…,m，j＝1,2,…,N(其中x₁，x₂，…，x_N为样本输入)；

(3)对样本输入x_j，按最小距离原则对其进行分类，即当i(x_j)＝min||x_j-c_i(k)||i＝1,2,…,h时，x_j被归为i类，及x_j∈w_i(k)；

(4)重新计算各类的新的聚类中心：i＝1,2,…,m；其中，N_i为第i个聚类域w_i(k)中包含的样本数；

(5)如果||c_i(k+1)-c_i(k)||＜ε，聚类结束，转到步骤(6)，否则转到步骤(2)；

(6)得到的c_i即为RBF神经网络的数据中心；

(7)根据各聚类中心之间的距离确定各隐节点的宽度：σ_i＝λd_i，其中d_i为隐层中第i个数据中心与其它最近的数据中心之间的距离，即λ为重叠系数。

<输出权值的算法>

下面具体描述本发明优选实施例采用的输出权值的算法的示例。

在确定了隐层数据中心和宽度后，输出权值矢量w_i＝(w_i1,w_i2,…,w_in)^T就可以采用最小二乘算法直接计算。

设当输入为x_i(i＝1,2,…,n)时，第j个隐节点的输出为m_ij＝φ_j(||x_i-c_j||)，则隐层输出矩阵为：M＝[m_ij]∈R^N×m，如果RBF神经网络的当前权值为w＝(w₁,w₂,…,w_m)^T，则对所有样本，网络输出矢量为：Y＝MW。令ε＝||D-Y||为逼近误差，则如果给定了信号D＝(d₁,d₂,…,d_N)^T并确定了M，则可通过最小化求出网络的输出权值：ε＝||D-Y||＝||D-MW||。

通常W可用最小二乘法求出：W＝M⁺D，其中，M⁺是M的违逆，即M⁺＝(M^TM)^-1M^T。

在确定了隐层数据中心、宽度和输出权值后，RBF神经网络就可以将输入向量直接映射到隐含层空间，即输入层和隐含层之间不需要连接权值。

${\mathrm{\&phi;}}_k\left(x\right)=\exp (-\frac{\left|\right|x-c_k|{|}^2}{2{\mathrm{\&sigma;}}_k^2})$

其中，k＝0,1,2…,N-1；x为n维输入向量；c_k为第k个基函数的中心，与x具有相同维数的向量；σ_k为第k个感知的变量(可以自由选择的参数)，它决定了该基函数围绕中心点的宽度；m为感知单元的个数；||x-c_k||为向量x-c_k的欧几里德范数，它通常表示x和c_k之间的距离；φ_k(x)在c_k处有一个唯一的最大值，随着||x-c_k||的增大，φ_k(x)迅速衰减到零。对于给定的输入x∈Rⁿ，只有一小部分靠近x的中心被激活。

输入层实现从x→φ_k(x)的非线性映射，输出层实现从φ_k(x)到y_k的线性映射，即：

$y_k=\underset{k=1}{\overset{N}{\&Sigma;}}{w}_{ik}{\mathrm{\&phi;}}_k\left(x\right)$

其中，k＝0,1,2…,p；w_ik(i＝1,2,…n；k＝0,1,2…p)是RBF神经网络隐层与输出层的权值。

由于φ_k(x)为高斯函数，因而对任意x均有φ_k(x)＞0，从而失去局部调整权值的优点。而事实上，当x远离c_k时，φ_k(x)已非常小，因此可作为0对待。因此，实际上只当φ_k(x)大于某一数值(例如0.05)时才对相应的权值w_ik进行修改。这样处理后，RBF网络也同样具有局部逼近网络学习、收敛速度快的优点。

举例来说，下述表1示出了故障诊断学习样本的示例，表2示出了电机振动检验样本的示例，表3基于k均值的RBF神经网络实际输出的示例。

表1

表2

表3

本发明提出的基于k均值聚类算法的RBF神经网络算法，可以较好的避免以上算法的缺点，并避免冗长的迭代计算和陷入局部极值的可能，具有较强的模式识别和分类能力，学习速度快。

此外，需要说明的是，除非特别说明或者指出，否则说明书中的术语“第一”、“第二”、“第三”等描述仅仅用于区分说明书中的各个组件、元素、步骤等，而不是用于表示各个组件、元素、步骤之间的逻辑关系或者顺序关系等。

可以理解的是，虽然本发明已以较佳实施例披露如上，然而上述实施例并非用以限定本发明。对于任何熟悉本领域的技术人员而言，在不脱离本发明技术方案范围情况下，都可利用上述揭示的技术内容对本发明技术方案作出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims (2)

1.一种基于k均值的RBF神经网络算法的电机故障诊断方法，其特征在于包括：

第一步骤：根据k均值聚类算法提取出电机的故障样本集，并利用故障样本集使RBF神经网络开始学习训练；

第二步骤：当RBF神经网络训练完成以后，使得各个隐节点的数据中心相应的输出权值不再改变，随后使RBF神经网络进入工作状态；

第三步骤：使得电机测试数据经过归一化处理；

第四步骤：将归一化处理后的电机测试数据传递至RBF神经网络以形成故障征兆，然后将故障征兆传递给RBF神经网络；

第五步骤：将传递进来的故障征兆与RBF神经网络中记录的故障特征进行比较；

第六步骤：在传递进来的故障征兆与RBF神经网络中记录的特定故障特征之间的相似度大于预定阈值时，RBF神经网络输出与特定故障特征对应的故障类型。

2.根据权利要求1所述的基于k均值的RBF神经网络算法的电机故障诊断方法，其特征在于，已训练完成的RBF神经网络中的数据中心和连接权值记录了故障特征。