CN106124988A - 一种基于rbf、多层fda和svdd的电机多工况故障检测方法 - Google Patents

Abstract

本发明公开了一种基于RBF、多层FDA和SVDD相结合的电机多工况故障检测方法，具有较强的泛化能力，能够自主发现正常样本和故障样本之间的差别，检测电机在多工况下的多种故障。该方法可以根据具体数据建立相应模型，减少故障检测模型设计过程中需要的经验知识，提高实用性。

Description

一种基于RBF、多层FDA和SVDD的电机多工况故障检测方法

技术领域

本发明涉及一种电机故障诊断的方法，尤其是一种基于RBF、多层FDA和SVDD的电机多工况故障检测方法。

背景技术

电机即电动机，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。

传统的电机故障检测方法大多只针对单一工况的电机故障，设计复杂通用性差，而且检测过程繁琐，不利于检测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：针对上述现有技术存在的缺陷，本发明旨在提供一种基于RBF、多层FDA和SVDD的电机多工况故障检测方法。

技术方案：一种基于RBF、多层FDA和SVDD的电机多工况故障检测方法，包括以下步骤：

(1)收集电机运行定子电流的历史数据，包括正常电机的运行和各种故障电机的运行时的数据；

(2)整理步骤(1)中所述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，输入为电机运行时定子电流数据，输出为紧跟输入后的电机定子电流采样值，样本分为训练样本和检测样本两部分；

(3)根据步骤(2)中所述样本设计RBF的结构，首先设计RBF的聚类中心、隐藏层节点数和核函数；

(4)在各种状态下采用多组样本训练出多个RBF网络，从各组的输出权值向量中提取主成分向量；建立各组RBF的输出层权值向量的多层FDA分类模型，对被包含在重合区域子空间中的各类数据中错分率较高的类再次使用FDA算法继续分类；对没有严重重合的区域直接采用SVDD对各类数据建立对应的SVDD故障诊断模型；若准确率不满足工业生产要求，则重做步骤(4)。

(5)在线检测电机故障时，采集定子电流数据并根据步骤(3)获得这种工况下的RBF，将RBF的输出权值向量输入步骤(4)中建立的多层FDA分类模型和SVDD故障诊断模型中，计算得到该状态下的电机运行状况。

进一步的，步骤(2)中所述训练样本和检测样本具体是将全部样本的75％作为训练样本，余下的25％作为检测样本。

进一步的，步骤(3)中所述采用多组样本训练出多个RBF网络具体为：将训练样本根据工况分成多组，针对每一组数据分别建立一个RBF网络；RBF依次接收训练样本进行训练，直到RBF输出权值稳定。

进一步的，步骤(3)中所述设计RBF的输入值、输出值、聚类中心、隐藏层节点数和核函数具体为：构建n个输入、h个隐节点、m个输出结构的RBF神经网络；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；RBF神经网络隐节点的输入采用距离函数，激活函数采用径向基函数。

有益效果：与现有技术相比，本发明具有以下优点，能够检测电机在多工况下的多种故障，具有较强的泛化能力，能够有效找到正常样本和故障样本之间的差别，能够根据具体数据建立相应模型，减少故障检测模型设计过程中需要的经验知识，提高实用性。

附图说明

图1是本发明的模型建立示意图；

图2是本发明的故障检测流程图。

具体实施方式

实施例1：一种基于RBF、多层FDA和SVDD的电机多工况故障检测方法，包括以下步骤：

(1)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；所述电机运行参数包括定子电压、转子电压、负载、电机轴温、电机定子温度和转子转速。

(2)整理步骤(1)中所述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，样本分为训练样本和检测样本两部分；所述训练样本和检测样本具体是将全部样本的75％作为训练样本，余下的25％作为检测样本。

(3)根据步骤(2)中所述样本设计RBF的结构，首先设计RBF的输入值、输出值、聚类中心、隐藏层节点数和核函数，具体为：构建n个输入、h个隐节点、m个输出结构的RBF神经网络；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；RBF神经网络隐节点的输入采用距离函数，激活函数采用径向基函数。采用多组样本训练出多个RBF网络，具体为：将训练样本根据工况分成多组，针对每一组数据分别建立一个RBF网络；RBF依次接收训练样本进行训练，直到RBF输出权值稳定。从各组的输出权值向量中提取主成分向量；对各种工况电机定子电流数据利用K-均值聚类学习算法，产生若干个聚类中心；

(4)建立各组RBF的输出层权值向量的多层FDA分类模型；对被包含在重合区域子空间中的各类数据中错分率较高的类再次使用FDA算法继续分类；对没有严重重合的区域直接采用SVDD对各类数据建立对应的SVDD故障诊断模型；若准确率不满足工业生产要求，则重做步骤(4)，具体为：

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；

求得类内离散度矩阵S_in和类间离散度矩阵S_bet，再使用广义特征值法获得FDA判定向量W：

S_betW＝λS_inW

其中W为FDA判定向量；λ为对应的特征值。

选取W前s-1列向量作为判别矩阵W_d，然后把s类数据投影到W_d获得各各个样本的FDA得分向量：

$z_j=W_d^T{x}_j,j\∈1,2,...,k$

为了有效应对实际问题中出现的情况，在实验中通常将条件假设为最恶劣的情况，这时数据通过FDA得分向量的三维特征投影散点图确立了p类工况和故障已实现有效的分离，而s-p类工况和故障之间存在重合。

FDA离线建模首先计算获得各类工况得分向量z_i(i＝1,2,…,p)的均值集在线工况分类时，新的采样数据会被投影到判别矩阵W_d以获得得分向量z_new(t)，计算第t个数据点到每个故障类的均值判别得分向量的欧氏距离：

$D_i\left(t\right)=\left|\right|z_{new}\left(t\right)-{\stackrel{\‾}{z}}_i\left|\right|$

最小距离值所对应的那一故障类即为模式判定结果；

当FDA对信息的分类效果不满足要求时，将不满足要求的类其中被正确分到该类中样本和被错分到其中的别的类作为新的样本，FDA对其进行新的分类，如此反复，直到分类效果满足要求。

再针对最后一层的每一个FDA划分出的样本集建立SVDD模型，数据集P＝[I,T]，其中X＝[p₁,p₂,…,p_i,…,p_n]为基于FDA的特征提取后的输入数据流，做为SVDD算法的建模样本。

按照上述步骤建立t个FDA模型，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\[R^2+{\mathrm{\ζ}}_i-({x_i}^2-2{\mathrm{ax}}_i+a^2)\]-\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：

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

其中，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。

(5)在线检测电机故障时，采集定子电流数据并根据步骤(3)获得这种工况下的RBF，将RBF的输出权值向量输入步骤(4)中建立的多层FDA分类模型和SVDD故障诊断模型中，计算得到该状态下的电机运行状况为正常状态还是某种故障状态。

以上仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于RBF、多层FDA和SVDD的电机多工况故障检测方法，其特征在于，包括以下步骤：

(1)收集电机运行定子电流的历史数据，包括正常电机的运行和各种故障电机的运行时的数据；

(2)整理步骤(1)中所述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，输入为电机运行时定子电流数据，输出为紧跟输入后的电机定子电流采样值，样本分为训练样本和检测样本两部分；

(3)根据步骤(2)中所述样本设计RBF的结构，首先设计RBF的聚类中心、隐藏层节点数和核函数；

(4)在各种状态下采用多组样本训练出多个RBF网络，从各组的输出权值向量中提取主成分向量；建立各组RBF的输出层权值向量的多层FDA分类模型，对被包含在重合区域子空间中的各类数据中错分率较高的类再次使用FDA算法继续分类；对没有严重重合的区域直接采用SVDD对各类数据建立对应的SVDD故障诊断模型；若准确率不满足工业生产要求，则重做步骤(4)。

(5)在线检测电机故障时，采集定子电流数据并根据步骤(3)获得这种工况下的RBF，将RBF的输出权值向量输入步骤(4)中建立的多层FDA分类模型和SVDD故障诊断模型中，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、多层FDA和SVDD的电机多工况故障检测方法，其特征在于，步骤(2)中所述训练样本和检测样本具体是将全部样本的75％作为训练样本，余下的25％作为检测样本。

3.根据权利要求1所述的一种基于RBF、多层FDA和SVDD的电机多工况故障检测方法，其特征在于，步骤(3)中所述采用多组样本训练出多个RBF网络具体为：将训练样本根据工况分成多组，针对每一组数据分别建立一个RBF网络；RBF依次接收训练样本进行训练，直到RBF输出权值稳定。

4.根据权利要求1所述的一种基于RBF、多层FDA和SVDD的电机多工况故障检测方法，其特征在于，步骤(3)中所述设计RBF的输入值、输出值、聚类中心、隐藏层节点数和核函数具体为：构建n个输入、h个隐节点、m个输出结构的RBF神经网络；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；RBF神经网络隐节点的输入采用距离函数，激活函数采用径向基函数。