CN108375729A - 基于Fisher判别的电机SOM聚类退化状态评估方法 - Google Patents
基于Fisher判别的电机SOM聚类退化状态评估方法 Download PDFInfo
- Publication number
- CN108375729A CN108375729A CN201810105747.1A CN201810105747A CN108375729A CN 108375729 A CN108375729 A CN 108375729A CN 201810105747 A CN201810105747 A CN 201810105747A CN 108375729 A CN108375729 A CN 108375729A
- Authority
- CN
- China
- Prior art keywords
- degenerate state
- sample
- dimension
- fault
- data
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于Fisher判别的电机SOM聚类退化状态评估方法，步骤如下：1、收集并构建电机各类别样本集；2、对各类别样本集进行特征表示；3、使用Fisher判别方法分析样本集，得到表示故障的特征维度；4、分析故障特征集Fisher判别值，得到退化评估指标；5、对非故障特征集进行降维，得到低维样本集；6、对低维样本集进行SOM聚类，构建退化频谱；7、分析退化频谱，得到多类退化态及所属样本集；8、分析退化态的评估指标，得到备选退化态；9、计算备选退化态与其余类别特征集的评估值，判断有效退化态；10、显现各类别数据的空间分布，直观地表示各类别样本的关系；通过上述步骤，能实现基于Fisher判别的电机SOM聚类退化状态评估方法，完成对电机退化状态的评估。
Description
技术领域
本发明提供一种基于Fisher判别的电机SOM聚类退化状态评估方法，它涉及一种基于Fisher判别的电机SOM聚类退化状态评估方法的实现，属于可靠性、故障诊断工程技术领域。
背景技术
电机作为一种重要的机电类设备，在工业领域内得到了广泛应用，其性能的良好与否，直接影响着系统整体的可靠性。一旦电机出现故障不仅会降低工作效率，还会造成经济损失及安全事故。因此亟需深入开展电机设备的故障诊断研究，保证其运行的可靠性。退化状态是电机在工作过程中，产生的一种介于正常与故障之间的状态，该状态会随着时间的积累而逐渐劣化，最终演化成故障状态。尽管退化状态不是导致设备故障的根本原因，但却会增加设备故障的可能性，因此有必要针对设备进行退化状态的挖掘工作，评估并识别出其潜在的退化状态，预防故障的发生。本发明提出了一种基于费希尔(Fisher)判别的电机SOM聚类退化状态评估方法。该方法首先使用Fisher判别方法对电机的多维故障样本进行分析，提取出能有效表征设备故障的特征维度及退化状态评估指标。其次采用自组织映射(Self Organizing Maps，简称SOM)神经网络等相关聚类方法对已处理的非故障样本进行无监督学习，获取样本的退化态聚类频谱。再次运用退化态选择策略对样本频谱进行分析，得到多类型退化状态样本集。最后根据评估指标从不同角度对退化态样本进行分析，获得电机设备有效的关联退化状态。
该方法基于Fisher判别和SOM技术，融合故障分析与故障处理等相关理论、方法和技术进行实现，在提高电机设备维护性的同时，达到提高复杂设备可靠性、安全性、可用性的目的。
发明内容
(一)本发明目的
目前针对电机设备的退化状态挖掘方法，尽管能够得到多类型的退化状态数据，但却包含了许多无效的退化态类型，无法用于设备的故障预防与识别工作中，对故障诊断的执行效率造成较为严重的影响。因此本发明将克服现有技术的不足，提供一种基于Fisher判别的电机SOM聚类退化状态评估方法。该方法使用Fisher判别方法对电机设备的电信号多维故障数据进行分析，得到能有效表征电机故障的特征维度及退化状态评估指标。然后利用有效故障特征维度，结合相关降维方法对电信号非故障数据进行处理，获取用于聚类学习的低维输入样本集。在此样本集的基础上，采用SOM神经网络、模糊C均值(FuzzyC-Means，简称FCM)以及K均值(K-means)等方法进行无监督学习，生成退化态聚类频谱，并运用退化态选择策略操作退化频谱，获得多类型退化状态样本集。最后，通过退化状态评估指标从不同角度分析退化态样本数据，得到有效类型的退化状态，用于设备的故障预防与诊断。这一方法不仅可以对复杂设备的退化状态进行挖掘与识别，还能对退化状态进行评估，为故障诊断领域提供了一种新的解决方法，并对现有的故障模式识别方法进行了创新。
(二)技术方案
本发明一种基于Fisher判别的电机SOM聚类退化状态评估方法，其步骤如下：
步骤1、收集电机设备的电信号故障样本数据、非故障电信号样本数据以及正常电信号样本数据，分别构建故障样本数据集、非故障样本数据集以及标准正常样本数据集；
步骤2、对故障样本集、非故障样本集以及标准正常样本集进行特征表示，计算能有效表征电机电信号的特征统计量，并融合特征统计量，构建维数相同的电机故障特征样本集、非故障特征样本集以及标准正常特征样本集，从而剔除数据集中不必要的原始信息；
步骤3、使用Fisher判别方法计算分析故障特征样本集中不同故障模式数据之间Fisher判别值、不同故障模式数据与标准正常特征样本集数据的Fisher判别值。针对得到的Fisher判别值，采取“过半选择”的方式，得到能有效表示电机故障的特征维度；
步骤4、使用Fisher判别方法进一步计算分析故障特征样本集中不同故障模式的各维度数据，得到电机的退化状态评估指标；
步骤5、根据Fisher判别得到的有效故障特征维度，对非故障特征样本集进行降维处理；进一步，采用目前主流的降维方法对非故障特征样本集继续进行降维处理，得到低维输入样本集；
步骤6、使用SOM神经网络、FCM以及K-means等方法对低维输入样本集进行多次数无监督聚类学习，将三种方法得到的各次聚类学习结果进行汇总，构建退化态聚类频谱；
步骤7、运用退化态选择策略对所有样本的退化态聚类频谱进行分析，得到电机设备的多类退化状态及所属样本数据集；
步骤8、使用多类退化状态样本集生成一维退化状态评估指标分布图，根据分布图对各退化态的评估指标属性值及分布趋势进行分析，评估各退化状态之间可能存在的关联关系；
步骤9、对可能存在关联关系的退化状态样本集数据进行分析，计算备选关联退化态特征样本集中各退化态、标准正常特征样本集、故障特征样本集中各故障模式数据的评估指标平均值；计算各备选关联退化态样本与标准正常样本的欧式距离；计算各故障样本与标准正常样本的欧式距离，以生成二维退化状态评估指标对比图；使用对比图对备选关联退化态的关联关系、关联退化态与故障状态之间的演化关系进行评估，确定关联退化态随时间积累而最终演化的故障状态，从而得到电机有效的退化状态；
步骤10、使用关联退化态特征样本集、故障特征样本集以及标准正常特征样本集数据生成三维特征空间分布图，通过显现空间内各类型数据点集间的距离与分布，更为直观地表示关联退化态、故障以及标准正常样本间的关系。
其中，在步骤1中所述的“电信号样本数据”，是指电机在一个运行周期中，通过传感器在规定采样间隔下采集到的电机各运行阶段的电流、电压或功率值数据；所述的“电信号故障样本数据”，是指电机常见故障模式所对应的电信号样本数据；“非故障电信号样本数据”，是指电机在一个运行周期中，未发生故障所对应的电信号样本数据；所述的“正常电信号样本数据”，是指电机在一个运行周期中，运行各项指标符合规定要求的电信号样本数据，这一样本数据可作为电机运行的参考标准；所述的“样本数据集”是指多个样本数据组成的集合。
其中，在步骤2中所述的“计算能有效表征电机电信号的特征统计量，并融合特征统计量”，其作法如下：对电机的一个样本数据中，T1,T2,K,Tn等n个运行阶段内的采样点数值进行统计计算，得到阶段内平均值、方差以及其它类型统计量。将各阶段计算得到的相同数目统计量按顺序进行合并，构成一个新的特征样本数据。
其中，在步骤2中所述的“特征样本集”，是指由多个特征样本数据组成后，经归一化处理所得到的集合。
其中，在步骤3中所述的“Fisher判别方法”，是指一种过滤式特征提取方法，该方法可以将高维样本数据投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后能够保证样本在新的子空间有最大的类间距离和最小的类内距离，即样本的特征统计量在该空间中有最佳的可分类性。
其中，在步骤3中所述的“使用Fisher判别方法计算分析故障特征样本集中不同故障模式数据之间Fisher判别值、不同故障模式数据与标准正常特征样本集数据的Fisher判别值”，其作法如下：
其中，在步骤3中所述的“针对得到的Fisher判别值，采取“过半选择”的方式，得到能有效表示电机故障的特征维度”，其作法如下：
其中，在步骤4中所述的“使用Fisher判别方法进一步计算分析故障特征样本集中不同故障模式的各维度数据”，其作法如下：对“步骤3”中得到的各故障模式间的n维Fisher判别值集合fisherFNi与fisherFi,j进行处理，筛选出能有效识别每两种状态的最典型特征：
其中，在步骤5中所述的“根据Fisher判别得到的有效故障特征维度，对非故障特征样本集进行降维处理”，其作法如下：根据步骤3中得到的特征维度集合validDim，对非故障特征样本集中样本对应的维度进行保留，未对应的维度进行剔除，达到样本集降维的目的。
其中，在步骤6中所述的“SOM神经网络”，是指一种自组织神经网络，这种网络是基于生理学和脑科学研究成果提出的。SOM网络结构分为两层：即入层和竞争层。输入层用于接收外界信息，将输入模式向竞争层传递，起到观察作用；竞争层用于对输入模式进行分析比较，寻找规律并归类。该网络训练过程是无监督学习过程，在学习完成后可以得到数据聚类结果，以达到聚类目的。
其中，在步骤6中所述的“FCM方法”，是指一种基于划分的聚类算法，该方法通过数据划分为若干个簇，使同一簇的对象之间相似度最大，而不同簇之间的相似度最小，以达到聚类目的。
其中，在步骤6中所述的“K-means方法”，是指一种基于距离的聚类算法，采用欧式距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大，距离越远，其相似度就越小。该算法认为簇是由距离靠近的对象组成的，把得到紧凑且独立的簇作为目标，获得不同类型的簇以达到聚类目的。
其中，在步骤6中所述的“对低维输入样本集进行多次数无监督聚类学习”，其作法如下：
其中，在步骤7中所述的“运用退化态选择策略对所有样本的退化态聚类频谱进行分析”，其作法如下：
其中，在步骤8中所述的“使用多类退化状态样本集生成一维退化状态评估指标分布图”，其作法如下：使用“步骤7”得到的样本集Deg4进行特征处理，按照“步骤2”的流程进行特征表示，得到特征样本集Deg5。根据“步骤4”得到的退化评估指标集合degDim，选择Deg5中对应维度的数据，并按照维度先后顺序构成数据集Data1，使用Data1生成各退化状态评估指标的一维分布图，其中分布图横坐标表示退化状态样本数目，纵坐标表示各样本在该维度的属性值。
其中，在步骤8中所述的“根据分布图对各退化态的评估指标属性值及分布趋势进行分析，评估各退化状态之间可能存在的关联关系”，其作法如下：
其中，在步骤9中所述的“计算备选关联退化态特征样本集中各退化态、标准正常特征样本集、故障特征样本集中各故障模式数据的评估指标平均值”，其作法如下：
其中，在步骤9中所述的“计算各备选关联退化态样本与标准正常样本的欧式距离；计算各故障样本与标准正常样本的欧式距离”，其作法如下：
其中，在步骤9中所述的“生成二维退化状态评估指标对比图”，其作法如下：使用“步骤4”得到的退化评估指标集合degDim元素和各状态样本与标准正常样本的欧式距离依次作为二维对比图的横坐标，各状态评估指标所对应的属性值作为二维图的纵坐标，完成二维坐标系的构建工作。对于评估曲线的绘制：首先，使用集合degValue和disDeg中各备选关联退化态对应的属性值确定坐标点，并将坐标点进行连接，完成各关联退化态评估指标曲线的绘制。然后，使用集合faultValue和disFault中各故障模式对应的属性值确定坐标点，并将坐标点进行连接，完成各故障模式评估指标曲线的绘制。最后，使用集合normalValue中的属性值确定坐标点，由于标准正常样本与本身的欧式距离为零，因此欧式距离属性值取0，将坐标点进行连接，完成标准正常样本评估指标曲线的绘制。
其中，在步骤9中所述的“使用对比图对备选关联退化态的关联关系、关联退化态与故障状态之间的演化关系进行评估，确定关联退化态随时间积累而最终演化的故障状态”，其作法如下：首先使用二维对比图对“步骤8”得到的映射集degMap中所有备选关联退化状态组进行评估，若图中备选关联退化状态组所对应的曲线，在横坐标方向的走势相似，且在纵坐标方向依次呈“包含”关系，则说明该备选关联退化状态组成立，组内各退化态具备逐渐劣化的关联关系；若对比图中曲线不满足上述条件，则说明该备选关联退化状态组不具备关联关系，将其从degMap中剔除。然后使用degMap和“步骤4”得到的各模式典型特征维度参照图对关联退化态组所演化的故障状态进行初步评估，即在degMap中找到关联退化状态组所对应的全部评估指标，根据各模式典型特征维度参照图寻找匹配的故障模式，该故障即为关联退化状态组最终可能演化的故障模式。最后对二维图进行分析，若确定的故障模式曲线，在横坐标方向上与各关联退化状态曲线的走势相似，且在纵坐标方向“包含”所有关联退化态曲线，则说明该故障即为关联退化态组最终演化的故障模式；若对比图中的曲线不满足上述条件，则说明该故障模式与关联退化态组不具备演化关系。
其中，在步骤10中所述的“使用关联退化态特征样本集、故障特征样本集以及标准正常特征样本集数据生成三维特征空间分布图”，其作法如下：首先使用“步骤9”得到的degMap对备选关联退化态特征样本集Deg6中不具备故障演化关系的退化状态样本进行删除，得到关联退化态特征样本集Deg7；然后对三个样本集数据采用“步骤5”的降维流程进行处理，得到低维样本集数据；最后选取三个样本集的前三维数据依次作为三维图x轴、y轴以及z轴的数值点，构建三维特征空间分布图。
通过上述步骤，可以实现基于Fisher判别的电机SOM聚类退化状态评估方法，该方法基于Fisher判别方法对电机设备的电信号多维故障数据进行分析，得到能有效表征电机故障的特征维度及退化状态评估指标。然后对电信号非故障数据进行降维处理，获取用于聚类学习的低维输入样本集。在此样本集的基础上，采用以SOM神经网络为主，FCM与K-means为辅的方法生成退化态聚类频谱，并运用退化态选择策略操作退化频谱，获得多类型退化状态样本集。最后，依次使用一维-二维-三维评估图对多类型退化状态进行评估分析，得到有效类型的退化状态，从而完成对电机设备退化状态的识别与评估。
(三)优点
本发明与现有技术相比的优点在于：目前，尽管大部分退化状态挖掘方法能够获得多类型的退化状态数据，但却包含了许多无效的退化态类型，无法真正用于设备的故障预防与识别工作中。而本发明提出的方法能够对得到的多类型退化态数据进行评估，得到具备关联关系的有效退化状态组及其对应的故障模式。该方法不仅可以反映关联退化状态的劣化程度，还能得到关联退化态最终演化的故障模式，从两方面有效地完成电机设备退化状态的评估。
附图说明
图1为本发明所述方法的总体步骤流程图。
图2为本发明的有效故障特征维度提取流程图。
图3为本发明的典型特征维度选择流程图。
图4为本发明的各模式典型特征维度参照图。
图5为本发明的退化状态聚类流程图。
图6为本发明的SOM网络输出神经元距离分布图。
图7为本发明的退化态聚类频谱图。
图8为本发明的各退化状态评估指标一维分布图。
图9为本发明的备选关联退化态选择流程图。
图10为本发明的二维退化状态评估指标对比图。
图11为本发明的关联退化状态评估流程图。
图12为本发明的正常-退化-故障样本三维特征空间分布图。
图13为本发明的退化状态评估方法实现流程图。
图中序号、符号、代号说明如下：
图1中的“步骤1-10”是本发明技术方案中对应的步骤；
图1，2，3，13中的“Fisher判别”是费希尔判别方法，用于完成样本数据特征维度的选择；
图1，5，7，13中的“SOM”是自组织映射神经网络，用于完成退化状态的聚类；
图1，5，7，13中的“FCM”是模糊C均值方法，用于完成退化状态的聚类；
图1，5，7，13中的“K-means”是K均值方法，用于完成退化状态的聚类；
图1中的“sn”是所期望得到的退化状态类型数目；
图4中的“N0”是标准正常模式；
图4中的“f1-f4”是4种类型的故障模式；
图4中的“di”是样本对应的第i个特征维度；
图6中的“No.1-No.9”是输出神经元对应的序号。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图进行详细描述。
本发明提出了基于Fisher判别的电机SOM聚类退化状态评估方法，该方法首先使用Fisher判别方法对电机电信号多维故障数据进行计算分析，得到表征电机故障的有效特征维度及退化状态评估指标。然后使用有效故障特征维度，结合相关降维方法对电信号非故障特征数据进行处理，获取用于训练的低维输入样本集。在此样本集的基础上，采用SOM神经网络为主、FCM与K-means方法为辅的方式进行无监督学习，得到退化态聚类频谱。并运用退化态选择策略操作退化频谱，获得多类型退化状态样本集。最后，根据退化状态评估指标，从一维-二维-三维等不同角度对退化态样本进行评估分析，得到具备关联关系的有效退化状态组及其对应的故障模式，用于设备的故障预防与诊断。这一方法不仅可以反映关联退化状态的劣化程度，还能得到关联退化态最终演化的故障模式，从两方面有效地完成电机设备退化状态的评估。
本发明基于Fisher判别的电机SOM聚类退化状态评估方法，如图1所示，其具体构建步骤如下：
步骤一：收集电机设备的电信号样本数据，即电机在一个运行周期中，通过传感器在规定采样间隔下采集到的电机各运行阶段的电流、电压或功率值数据。收集完成后，根据人工经验对样本数据划分成3个类别：电信号故障样本数据、非故障电信号样本数据以及正常电信号样本数据。其中，电信号故障样本数据是电机常见故障模式所对应的电信号样本数据；非故障电信号样本数据是电机在一个运行周期中，未发生故障所对应的电信号样本数据；正常电信号样本数据是电机在一个运行周期中，运行各项指标符合规定要求的电信号样本数据。
样本数据划分完成后，将各类别的样本数据进行合并，构建故障样本数据集、非故障样本数据集以及标准正常样本数据集；
步骤二：对故障样本集、非故障样本集以及标准正常样本集进行特征表示，计算能有效表征电机电信号的特征统计量，并融合特征统计量以构成特征样本数据。若电机的一个样本数据由T1,T2,K,Tn等n个运行阶段的采样点数据构成，则可以对各阶段的采样点数值进行统计计算，得到阶段内平均值、方差以及其它类型统计量。将各阶段计算得到的相同数目统计量按顺序进行合并，即可构成一个新的特征样本数据。由于样本在各阶段的特征统计量数目相同，所以各类别样本的维度均相同。
将各类别样本数据进行合并及归一化处理，以构建样本维数相同、值域相同的电机故障特征样本集、非故障特征样本集以及标准正常特征样本集，达到剔除数据集中不必要原始信息的目的；
步骤三：使用Fisher判别方法计算分析故障特征样本集中不同故障模式数据之间Fisher判别值、不同故障模式数据与标准正常特征样本集数据的Fisher判别值，作法如下：
针对得到的Fisher判别值，采取“过半选择”的方式，得到能有效表示电机故障的特征维度，作法如下：
该步骤处理流程如图2所示，使用Fiser判别方法得到的有效特征维度集合validDim，可用于后续特征样本数据的降维处理；
步骤四：使用Fisher判别方法进一步计算分析故障特征样本集中不同故障模式的各维度数据，筛选出能有效识别每两种状态的最典型特征，得到电机的退化状态评估指标，作法如下：
该步骤处理流程如图3所示，后续步骤将根据degDim的指标对退化状态进行评估，以验证聚类退化状态的有效性。各模式典型特征维度参照图如图4所示，能够对退化态所演化的故障进行初步评估；
步骤五：根据Fisher判别得到的有效故障特征维度validDim，对非故障特征样本集中样本对应的维度进行保留，未对应的维度进行剔除完成初步的降维处理。进一步，采用目前主流的降维方法对样本集数据进行降维处理，得到低维输入样本集，这一样本集用于后续的无监督聚类学习；
步骤六：使用SOM神经网络、FCM以及K-means等方法对低维输入样本集进行多次数无监督聚类学习，将三种方法得到的各次聚类学习结果进行汇总，构建退化态聚类频谱，作法如下：
该步骤处理流程如图5所示，得到的退化态聚类频谱如图7所示，记录了非故障样本数据SOM神经网络不同参数设置下得到的聚类标签，用于确定后续的退化状态类型；
步骤七：运用退化态选择策略对所有样本的退化态聚类频谱进行分析，得到电机设备的多类退化状态及所属样本数据集，作法如下：
Deg4是仅包含sn种退化状态的样本集，样本数据按照退化态聚类频谱对应的顺序排列，这一样本集是用于后续有效退化状态评估的数据；
步骤八：使用多类退化状态样本集生成一维退化状态评估指标分布图，作法如下：使用“步骤7”得到的样本集Deg4，按照“步骤2”的流程进行特征表示，得到特征样本集Deg5。根据“步骤4”得到的退化评估指标集合degDim，选择Deg5中对应维度的数据，并按照维度先后顺序构成数据集Data1，使用Data1生成如图8所示的各退化状态评估指标一维分布图，其中分布图横坐标表示退化状态样本数目，纵坐标表示各样本在该维度的属性值。
根据分布图对各退化态的评估指标属性值及分布趋势进行分析，评估各退化状态之间可能存在的关联关系，作法如下：
Deg6是仅包含备选关联退化状态的特征样本集，后续对样本集的评估指标维度进行计算分析后，可以最终确定电机设备有效的关联退化状态，该步骤处理流程如图9所示；
步骤九：对可能存在关联关系的退化状态样本集数据进行分析，计算备选关联退化态特征样本集中各退化态、标准正常特征样本集、故障特征样本集中各故障类型数据的评估指标平均值，作法如下：
并计算各备选关联退化态样本与标准正常样本的欧式距离、各故障样本与标准正常样本的欧式距离，作法如下：
使用相关计算结果生成如图10所示的二维退化状态评估指标对比图，作法如下：
使用对比图对备选关联退化态的关联关系、关联退化态与故障状态之间的演化关系进行评估，确定关联退化态随时间积累而最终演化的故障状态，从而得到电机有效的退化状态，作法如下：
首先使用二维对比图对“步骤8”得到的映射集degMap中所有备选关联退化状态组进行评估，若图中备选关联退化状态组所对应的曲线，在横坐标方向的走势相似，且在纵坐标方向依次呈“包含”关系，则说明该备选关联退化状态组成立，组内各退化态具备逐渐劣化的关联关系；若对比图中曲线不满足上述条件，则说明该备选关联退化状态组不具备关联关系，将其从degMap中剔除。然后使用degMap和“步骤4”得到的各模式典型特征维度参照图对关联退化态组所演化的故障状态进行初步评估，即在degMap中找到关联退化状态组所对应的全部评估指标，根据各模式典型特征维度参照图寻找匹配的故障类型，该故障类型即为关联退化状态组最终可能演化的故障类型。最后对二维图进行分析，若确定的故障类型曲线，在横坐标方向上与各关联退化状态曲线的走势相似，且在纵坐标方向“包含”所有关联退化态曲线，则说明该故障类型即为关联退化态组最终演化的故障类型；若对比图中的曲线不满足上述条件，则说明该故障类型与关联退化态组不具备演化关系，该步骤处理流程如图11所示。
步骤十：使用关联退化态特征样本集、故障特征样本集以及标准正常特征样本集数据生成三维特征空间分布图。首先使用“步骤9”得到的degMap对备选关联退化态特征样本集Deg6中不具备故障演化关系的退化状态样本进行删除，得到关联退化态特征样本集Deg7。然后对三个样本集数据采用“步骤5”的降维流程进行处理，得到低维样本集数据。最后选取三个样本集的前三维数据依次作为三维图x轴、y轴以及z轴的数值点，构建如图12所示的三维特征空间分布图。通过显示空间内各类型数据点集间的距离与分布，更为直观地表明关联退化态、故障以及标准正常样本间的关系。
其中，在步骤四中所述的“各模式典型特征维度参照图”用于表示各模式最典型的特征指标。如图4所示，故障模式2对应的特征指标为d4,d12,d23，即对第4、12以及23这三个特征维度进行分析，可以初步识别出故障模式2所对应的退化状态；
在步骤六中所述的“SOM输出神经元距离分布图”用于显示SOM网络聚类学习完成后邻近神经元之间距离的远近，若两个神经元之间连接线较粗，则表明两者间距较远。若两个神经元之间连接线较细，则表明两者间距离较近；
在步骤六中所述的“轮廓系数”是聚类方法结果好坏的一种评价方式，它结合内聚度和分离度两种因素。可以用来在相同原始数据的基础上用来评价不同算法、或者算法不同运行方式对聚类结果所产生的影响。通常轮廓系数越大，意味着聚类结果越好。对于任意一个样本点i，轮廓系数的计算方法如下：
其中：q(i)为点i到所属类中其他点的平均距离；p(i)为点i到非属类中所有点的平均距离的最小值；max{}为取最大值函数。聚类结果总体轮廓系数是所有样本点的轮廓系数的平均值，总体轮廓系数St(i)计算方法如下：
在步骤九中所述的“欧氏距离”即欧几里得度量，是一个通常采用的距离定义，指在n维空间中两点之间的真实距离。设空间内存在两点X与Y，点X在空间内的坐标为(x1,x2,K,xn)，点Y在空间内的坐标为(y1,y2,K,yn)，那么两点之间的欧式距离
通过上述步骤，可以完成基于Fisher判别的电SOM聚类退化状态评估方法，其整体实现流程如图13所示，这一方法基于Fisher判别方法对电机设备的电信号多维故障数据进行分析，得到能有效表征电机故障的特征维度及退化状态评估指标。然后对电信号非故障数据进行降维处理，获取用于聚类学习的低维输入样本集。在此样本集的基础上，采用以SOM神经网络为主，FCM与K-means为辅的方式生成退化态聚类频谱，并运用退化态选择策略操作退化频谱，获得多类型退化状态样本集。最后，依次使用一维-二维-三维评估图对多类型退化状态进行评估分析，得到有效类型的退化状态，从而完成对电机设备退化状态的识别与评估。
本发明未详细阐述部分属于本领域公知技术。
以上所述，仅为本发明部分具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (15)
1.一种基于Fisher判别的电机SOM聚类退化状态评估方法，其特征在于：其步骤如下：
步骤1、收集电机设备的电信号故障样本数据、非故障电信号样本数据以及正常电信号样本数据，分别构建故障样本数据集、非故障样本数据集以及标准正常样本数据集；
步骤2、对故障样本集、非故障样本集以及标准正常样本集进行特征表示，计算能有效表征电机电信号的特征统计量，并融合特征统计量，构建维数相同的电机故障特征样本集、非故障特征样本集以及标准正常特征样本集，从而剔除数据集中不必要的原始信息；
步骤3、使用Fisher判别方法计算分析故障特征样本集中不同故障模式数据之间Fisher判别值、不同故障模式数据与标准正常特征样本集数据的Fisher判别值；针对得到的Fisher判别值，采取“过半选择”的方式，得到能有效表示电机故障的特征维度；
步骤4、使用Fisher判别方法进一步计算分析故障特征样本集中不同故障模式的各维度数据，得到电机的退化状态评估指标；
步骤5、根据Fisher判别得到的有效故障特征维度，对非故障特征样本集进行降维处理；进一步，采用目前主流的降维方法对非故障特征样本集继续进行降维处理，得到低维输入样本集；
步骤6、使用SOM神经网络、FCM以及K-means方法对低维输入样本集进行多次数无监督聚类学习，将三种方法得到的各次聚类学习结果进行汇总，构建退化态聚类频谱；
步骤7、运用退化态选择策略对所有样本的退化态聚类频谱进行分析，得到电机设备的多类退化状态及所属样本数据集；
步骤8、使用多类退化状态样本集生成一维退化状态评估指标分布图，根据分布图对各退化态的评估指标属性值及分布趋势进行分析，评估各退化状态之间可能存在的关联关系；
步骤9、对可能存在关联关系的退化状态样本集数据进行分析，计算备选关联退化态特征样本集中各退化态、标准正常特征样本集、故障特征样本集中各故障模式数据的评估指标平均值；计算各备选关联退化态样本与标准正常样本的欧式距离；计算各故障样本与标准正常样本的欧式距离，以生成二维退化状态评估指标对比图；使用对比图对备选关联退化态的关联关系、关联退化态与故障状态之间的演化关系进行评估，确定关联退化态随时间积累而最终演化的故障状态，从而得到电机有效的退化状态；
步骤10、使用关联退化态特征样本集、故障特征样本集以及标准正常特征样本集数据生成三维特征空间分布图，通过显现空间内各类型数据点集间的距离与分布，更为直观地表示关联退化态、故障以及标准正常样本间的关系；
通过上述步骤，能实现基于Fisher判别的电机SOM聚类退化状态评估方法，该方法基于Fisher判别方法对电机设备的电信号多维故障数据进行分析，得到能有效表征电机故障的特征维度及退化状态评估指标；然后对电信号非故障数据进行降维处理，获取用于聚类学习的低维输入样本集；在此样本集的基础上，采用以SOM神经网络为主，FCM与K-means为辅的方法生成退化态聚类频谱，并运用退化态选择策略操作退化频谱，获得多类型退化状态样本集；最后，依次使用一维-二维-三维评估图对多类型退化状态进行评估分析，得到有效类型的退化状态，从而完成对电机设备退化状态的识别与评估。
2.根据权利要求1所述的一种基于Fisher判别的电机SOM聚类退化状态评估方法，其特征在于：
在步骤2中所述的“计算能有效表征电机电信号的特征统计量，并融合特征统计量”，其作法如下：对电机的一个样本数据中，T1,T2,K,Tn之n个运行阶段内的采样点数值进行统计计算，得到阶段内平均值、方差以及其它类型统计量；将各阶段计算得到的相同数目统计量按顺序进行合并，构成一个新的特征样本数据。
3.根据权利要求1所述的一种基于Fisher判别的电机SOM聚类退化状态评估方法，其特征在于：
在步骤3中所述的“使用Fisher判别方法计算分析故障特征样本集中不同故障模式数据之间Fisher判别值、不同故障模式数据与标准正常特征样本集数据的Fisher判别值”，其作法如下：
步骤3.1设故障特征样本集为Fault，由k种故障模式样本子集构成，即Fault＝{fault1,fault2,K,faultk}；标准正常特征样本集为Normal；各样本维数为n；
步骤3.2计算故障模式样本子集Fault＝{fault1,fault2,K,faultk}内所有样本各维度的均值，得到各故障模式均值样本meanFaulti(i＝1,2,K,k)；
步骤3.3计算标准正常样本集Normal内所有样本各维度的均值，得到各故障模式均值样本meanNormal；
步骤3.4计算各故障模式均值样本meanFaulti与meanNormal样本中各维度的类内方差Sw,d与类间方差SB,d；其中类间方差与类内方差分别定义为：
SB,d＝(mi,d-mj,d)2,j＞i＝1,2,K,k+1；d＝1,2,K,n
其中mi,d,mj,d与分别表示维度d在第i，j类中的均值与标准差；
步骤3.5计算meanFaulti,meanFaultj(j＞i＝1,2,K,k)之间的判别值JF(d)；其中第i，j类型间故障模式的d维度的Fisher判别值计算公式为：
步骤3.6统计meanFaulti,meanFaultj间的JF(d)值，其中d＝1,2,K,n；进一步得到各故障模式间的n维Fisher判别值集合：
fisherFi,j＝{JF(1),JF(2),K,JF(n)},j＞i＝1,2,K,k；
步骤3.7计算meanFaulti,meanNormal样本之间的判别值JF(d)；其中第i，j类型样本的d维度的Fisher判别值JF(d)为：
步骤3.8统计meanFaulti,meanNormal之间的JF(d)值，其中d＝1,2,K,n；进一步得到各故障模式-正常标准模式的n维Fisher判别值集合：
fisherFNi＝{JF(1),JF(2),K,JF(n)},j＞i＝1,2,K,k。
4.根据权利要求1所述的一种基于Fisher判别的电机SOM聚类退化状态评估方法，其特征在于：
在步骤3中所述的“针对得到的Fisher判别值，采取“过半选择”的方式，得到能有效表示电机故障的特征维度”，其作法如下：
步骤3.9分析fisherFi,j＝{JF(1),JF(2),K,JF(n)},j＞i＝1,2,K,k的值分布，取分布中的最大值maxJi,j(j＞i＝1,2,K,k)；
步骤3.10以maxJi,j的一半作为标准值，即：
stdi,j＝maxJi,j/2,j＞i＝1,2,K,k
若fisherFi,j的某维判别值超过stdi,j，则被选中，否则被丢弃；
步骤3.11对fisherFi,j值分布中被选中的值进行统计，得到故障模式i与故障模式j的有效特征维度集合validFDimi,j(j＞i＝1,2,K,k)，进一步统计得到故障模式有效维度集合validFDim；
步骤3.12同理，对fisherFNi＝{JF(1),JF(2),K,JF(n)},i＝1,2,K,k的值分布重复执行“步骤3.9”-“步骤3.11”，得到正常标准模式与故障模式i的有效特征维度集合validFNDimi(i＝1,2,K,k)，进一步统计得到故障模式-正常标准模式有效维度集合validFNDim；
步骤3.13对validFDim和validFNDim中选取的维度进行合并，得到能有效表示电机故障的特征维度集合validDim。
5.根据权利要求1所述的一种基于Fisher判别的电机SOM聚类退化状态评估方法，其特征在于：
在步骤4中所述的“使用Fisher判别方法进一步计算分析故障特征样本集中不同故障模式的各维度数据”，其作法如下：对“步骤3”中得到的各故障模式间的n维Fisher判别值集合fisherFNi与fisherFi,j进行处理，筛选出能有效识别每两种状态的最典型特征：
步骤4.1对fisherFNi＝{JF(1),JF(2),K,JF(n)},i＝1,2,K,k进行归一化处理，得到集合normFisherFN＝{normFisherFNi|i＝1,2,K,k}；
步骤4.2分析normFisherFNi的值分布，对正常标准模式与各模式故障模式的最大判别值所在维度进行统计，得到典型特征维度集合degNDim＝{degnDimi|i＝1,2,K,k}，其中degnDimi表示正常标准模式与第i类故障模式间的最大判别值所对应的维度，即需要分析的退化评估维度；
步骤4.3对fisherFi,j＝{JF(1),JF(2),K,JF(n)},j>i＝1,2,K,k进行归一化处理值，得到集合normFisherF＝{normFisherFi,j|j＞i＝1,2,K,k}；
步骤4.4分析normFisherFi,j的值分布，对第i类故障模式与第j类故障模式间的最大判别值所在维度进行统计，得到典型特征维度集合degFDim＝{degfDimi,j|j＞i＝1,2,K,k}，其中degfDimi,j表示第i类故障模式与第j类故障模式间的最大判别值所对应的维度，即需要分析的退化评估维度；
步骤4.5对degNDim和degFDim进行统计分析，依次得到正常标准模式与各故障模式间的典型特征维度、各故障模式间的典型特征维度，两者特征维度按从小至大的顺序合并后得到退化评估指标集合degDim及各模式典型特征维度参照图。
6.根据权利要求1所述的一种基于Fisher判别的电机SOM聚类退化状态评估方法，其特征在于：
在步骤5中所述的“根据Fisher判别得到的有效故障特征维度，对非故障特征样本集进行降维处理”，其作法如下：根据步骤3中得到的特征维度集合validDim，对非故障特征样本集中样本对应的维度进行保留，未对应的维度进行剔除，达到样本集降维的目的。
7.根据权利要求1所述的一种基于Fisher判别的电机SOM聚类退化状态评估方法，其特征在于：在步骤6中所述的“对低维输入样本集进行多次数无监督聚类学习”，其作法如下：
步骤6.1设所期望得到的电机退化状态类型数目为sn，低维输入样本集的样本数目为m；使用SOM神经网络对输入样本集进行无监督聚类学习，其中SOM网络竞争层节点数分别设置为sn*sn、(sn-1)*(sn-1)以及(sn-2)*(sn-2)；SOM网络训练次数设置为1000次；网络参数设置完成后，对SOM网络进行训练；
步骤6.2得到SOM网络的3次聚类学习结果及分析图，将样本集中m个样本的3种聚类标签进行统计，得到SOM聚类结果集合：
somRes＝{somPerResi|sn*sn,(sn-1)*(sn-1),(sn-2)*(sn-2)}；
步骤6.3使用FCM方法对输入样本集进行无监督聚类学习，其中FCM的聚类类型参数分别设置为sn-2*sn；参数设置完成后，进行聚类分析；
步骤6.4得到FCM的sn-2*sn个聚类类型的结果，对各聚类结果的轮廓系数进行计算，取轮廓系数最大值对应的聚类类型fmax，作为FCM的聚类结果；得到FCM聚类结果集合fcmRes；
步骤6.5使用K-means方法对输入样本集进行无监督聚类学习，其中K-means的聚类类型参数分别设置为sn-2*sn，参数设置完成后，进行聚类分析；
步骤6.6得到K-means的sn-2*sn个聚类类型的结果，对各聚类结果的总体轮廓系数进行计算，取总体轮廓系数最大值对应的聚类类型kmax，作为K-means的聚类结果；得到K-means聚类结果集合kRes；
步骤6.7将3种方法的聚类结果集合进行合并，得到输入样本集的最终聚类结果集合clusRes＝{somRes,fcmRes,kRes}，该集合聚类结果依次与非故障样本集的样本数据相对应，使用聚类结果集合clusRes能完成退化态聚类频谱的构建。
8.根据权利要求1所述的一种基于Fisher判别的电机SOM聚类退化状态评估方法，其特征在于：
在步骤7中所述的“运用退化态选择策略对所有样本的退化态聚类频谱进行分析”，其作法如下：
步骤7.1对SOM网络(sn-1)*(sn-1)节点竞争层输出结果进行分析，统计各节点的退化态样本聚类数目；
步骤7.2对所有节点的聚类数目进行比较，若节点聚类数目不小于size(clusRes)/(sn-1)*(sn-1)，则选择该节点；按数目筛选出前m个聚类节点，并对节点序号{N11,N12,K,N1m}进行记录；其中，要求m个节点的聚类数目相差不大；
步骤7.3对非故障样本集数据的退化态聚类频谱进行分析，将SOM网络(sn-1)*(sn-1)节点竞争层输出结果中，序号为{N11,N12,K,N1m}的样本进行选择，排序组成样本集Deg1；
步骤7.4对SOM网络sn*sn节点竞争层输出结果，重复进行“步骤7.1”-“步骤7.2”，按数目筛选出前p个聚类节点、节点序号为{N21,N22,K,N2p}；
步骤7.5对SOM网络sn*sn输出神经元距离分布图进行分析，并对比非故障样本集数据，将p个节点中相邻距离最近的节点所属样本进行合并，进一步得到节点序号{N'21,N'22,K,N'2p}；其中，合并样本对应的序号选取之前较大样本数对应的序号；
步骤7.6对Deg1样本集的退化频谱进行分析，将SOM网络sn*sn节点竞争层输出结果中，序号为{N'21,N'22,K,N'2p}的样本进行选择，排序组成样本集Deg2；
步骤7.7对SOM网络(sn-2)*(sn-2)节点竞争层输出结果，重复进行“步骤7.1”-“步骤7.2”，得到前q个聚类节点、节点序号{N31,N32,K,N3q}；
步骤7.8结合节点序号{N31,N32,K,N3q}，对Deg2样本集退化频谱中的SOM网络(sn-2)*(sn-2)节点竞争层输出结果进行分析，若样本的频谱聚类序号N不属于{N31,N32,K,N3q}，则将该列样本进行删除，筛选完成后得到样本集Deg3；
步骤7.9对Deg3样本集退化频谱的K-means kmax次、FCM fmax次聚类结果进行分析，将频谱中K-means、FCM聚类次数较少的样本所在列删除，直至获得仅包含sn种所属不同退化频谱序列的样本集Deg4。
9.根据权利要求1所述的一种基于Fisher判别的电机SOM聚类退化状态评估方法，其特征在于：
在步骤8中所述的“使用多类退化状态样本集生成一维退化状态评估指标分布图”，其作法如下：使用“步骤7”得到的样本集Deg4进行特征处理，按照“步骤2”的流程进行特征表示，得到特征样本集Deg5；根据“步骤4”得到的退化评估指标集合degDim，选择Deg5中对应维度的数据，并按照维度先后顺序构成数据集Data1，使用Data1生成各退化状态评估指标的一维分布图，其中分布图横坐标表示退化状态样本数目，纵坐标表示各样本在该维度的属性值。
10.根据权利要求1所述的一种基于Fisher判别的电机SOM聚类退化状态评估方法，其特征在于：
在步骤8中所述的“根据分布图对各退化态的评估指标属性值及分布趋势进行分析，评估各退化状态之间可能存在的关联关系”，其作法如下：
步骤8.1设退化状态评估指标的个数为t，即t＝size(degDim)；
第i(i＝1,2,K,t)个退化状态评估指标在特征样本集中对应的维度为dimi；对t个退化状态指标的一维分布图依次进行分析；
步骤8.2在第i(i＝1,2,K,t)个分布图中，若分布图曲线的部分区域呈“阶梯式”递增分布，则说明该区域内退化状态具有关联关系，即该区域各退化态间具有逐渐劣化的趋势，能作为一个备选关联退化状态组；对该区域内各退化态样本的退化态序号{degj|j＝1,2,K,sn}及dimi进行记录，得到映射：
degmapi:dimi→{degmapj|j＝1,2,K,sn}；
步骤8.3对所有分布图曲线分析完成后，使用已有映射构建映射集degMap＝{degmapi|i＝1,2,K,t}；
步骤8.4统计备选关联关系的退化态所属序号及个数degSum，根据退化态序号对Deg5的样本进行筛选，得到仅包含备选关联退化态样本的特征样本集Deg6。
11.根据权利要求1所述的一种基于Fisher判别的电机SOM聚类退化状态评估方法，其特征在于：
在步骤9中所述的“计算备选关联退化态特征样本集中各退化态、标准正常特征样本集、故障特征样本集中各故障模式数据的评估指标平均值”，其作法如下：
步骤9.1对备选关联退化态特征样本集Deg6、标准正常特征样本集以及故障特征样本集的所有样本数据进行归一化处理；
步骤9.2根据degDim对应的评估维度，对Deg6各备选关联退化态样本的对应维度数据计算平均值，得到各评估指标对应的属性值集合
degValue＝{degvalueij|i＝1,2,...,degSum；j＝1,2,...,size(degDim)}，
其中degvalueij表示第i个关联退化态的第j维评估维度的属性值，size(degDim)为评估指标的个数；
步骤9.3根据degDim对应的评估维度，对标准正常特征样本集的对应维度数据计算平均值，得到各评估指标对应的属性值集合，
normalValue＝{normalvaluei|i＝1,2,...,size(degDim)}其中normalvaluei表示正常标准样本集的第i维评估维度的属性值；
步骤9.4根据degDim对应的评估维度，对故障特征样本集各故障模式的对应维度数据计算平均值，得到各评估指标对应的属性值集合
faultValue＝{faultvalueij|i＝1,2,,size(Fault)；j＝1,2,...,size(degDim)}，
其中faultvalueij表示第i个故障的第j维评估维度的属性值。
12.根据权利要求1所述的一种基于Fisher判别的电机SOM聚类退化状态评估方法，其特征在于：
在步骤9中所述的“计算各备选关联退化态样本与标准正常样本的欧式距离；计算各故障样本与标准正常样本的欧式距离”，其作法如下：
步骤9.5对备选关联退化态特征样本集Deg6、标准正常特征样本集以及故障特征样本集数据进行归一化处理；
步骤9.6对三个样本集数据采用“步骤5”的降维流程进行处理，得到低维样本集数据；
步骤9.7对处理后的备选关联退化态特征样本集各维度数据进行均值计算，得到各备选关联退化态的各维度均值；对处理后的标准正常特征样本集各维度数据进行均值计算，得到各维度均值；对处理后的故障特征样本集各维度数据进行均值计算，得到各故障模式的各维度均值；
步骤9.8使用各备选关联退化态的维度均值与标准正常特征样本的维度均值，计算各备选关联退化态样本与标准正常样本的欧式距离disDeg＝{desdegi|i＝1,2,K,degSum}，其中desdegi为第i个备选关联退化态与标准正常模式间的欧式距离；
步骤9.9使用各故障模式的维度均值与标准正常特征样本的维度均值，计算各故障模式样本与标准正常样本的欧式距离disFault＝{disfaulti|i＝1,2,K,size(Fault)}，其中size(Fault)为故障模式的个数，disfaulti为第i个故障模式与标准正常模式间的欧式距离。
13.根据权利要求1所述的一种基于Fisher判别的电机SOM聚类退化状态评估方法，其特征在于：
在步骤9中所述的“生成二维退化状态评估指标对比图”，其作法如下：使用“步骤4”得到的退化评估指标集合degDim元素和各状态样本与标准正常样本的欧式距离依次作为二维对比图的横坐标，各状态评估指标所对应的属性值作为二维图的纵坐标，完成二维坐标系的构建工作；对于评估曲线的绘制：首先，使用集合degValue和disDeg中各备选关联退化态对应的属性值确定坐标点，并将坐标点进行连接，完成各关联退化态评估指标曲线的绘制；然后，使用集合faultValue和disFault中各故障模式对应的属性值确定坐标点，并将坐标点进行连接，完成各故障模式评估指标曲线的绘制；最后，使用集合normalValue中的属性值确定坐标点，由于标准正常样本与本身的欧式距离为零，因此欧式距离属性值取0，将坐标点进行连接，完成标准正常样本评估指标曲线的绘制。
14.根据权利要求1所述的一种基于Fisher判别的电机SOM聚类退化状态评估方法，其特征在于：
在步骤9中所述的“使用对比图对备选关联退化态的关联关系、关联退化态与故障状态之间的演化关系进行评估，确定关联退化态随时间积累而最终演化的故障状态”，其作法如下：首先使用二维对比图对“步骤8”得到的映射集degMap中所有备选关联退化状态组进行评估，若图中备选关联退化状态组所对应的曲线，在横坐标方向的走势相似，且在纵坐标方向依次呈“包含”关系，则说明该备选关联退化状态组成立，组内各退化态具备逐渐劣化的关联关系；若对比图中曲线不满足上述条件，则说明该备选关联退化状态组不具备关联关系，将其从degMap中剔除；然后使用degMap和“步骤4”得到的各模式典型特征维度参照图对关联退化态组所演化的故障状态进行初步评估，即在degMap中找到关联退化状态组所对应的全部评估指标，根据各模式典型特征维度参照图寻找匹配的故障模式，该故障即为关联退化状态组最终可能演化的故障模式；最后对二维图进行分析，若确定的故障模式曲线，在横坐标方向上与各关联退化状态曲线的走势相似，且在纵坐标方向“包含”所有关联退化态曲线，则说明该故障即为关联退化态组最终演化的故障模式；若对比图中的曲线不满足上述条件，则说明该故障模式与关联退化态组不具备演化关系。
15.根据权利要求1所述的一种基于Fisher判别的电机SOM聚类退化状态评估方法，其特征在于：
在步骤10中所述的“使用关联退化态特征样本集、故障特征样本集以及标准正常特征样本集数据生成三维特征空间分布图”，其作法如下：首先使用“步骤9”得到的degMap对备选关联退化态特征样本集Deg6中不具备关联关系的退化状态样本进行删除，得到关联退化态特征样本集Deg7；然后对三个样本集数据采用“步骤5”的降维流程进行处理，得到低维样本集数据；最后选取三个样本集的前三维数据依次作为三维图x轴、y轴以及z轴的数值点，构建三维特征空间分布图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810105747.1A CN108375729B (zh) | 2018-02-02 | 2018-02-02 | 基于Fisher判别的电机SOM聚类退化状态评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810105747.1A CN108375729B (zh) | 2018-02-02 | 2018-02-02 | 基于Fisher判别的电机SOM聚类退化状态评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108375729A true CN108375729A (zh) | 2018-08-07 |
| CN108375729B CN108375729B (zh) | 2019-03-08 |
Family
ID=63017183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810105747.1A Active CN108375729B (zh) | 2018-02-02 | 2018-02-02 | 基于Fisher判别的电机SOM聚类退化状态评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108375729B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110426634A (zh) * | 2019-09-10 | 2019-11-08 | 上海大制科技有限公司 | 一种用于驱动系统的异常预测的方法及设备 |
| CN116011745A (zh) * | 2022-12-20 | 2023-04-25 | 速度时空信息科技股份有限公司 | 一种基于云服务的生态修复方案优化方法及系统 |
| CN116500441A (zh) * | 2023-06-30 | 2023-07-28 | 无锡中基电机制造有限公司 | 一种电机故障检测定位方法及系统 |
| CN117145752A (zh) * | 2023-10-26 | 2023-12-01 | 意朗智能科技(南通)有限公司 | 用于空压机的过滤故障识别方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
| CN102944418A (zh) * | 2012-12-11 | 2013-02-27 | 东南大学 | 一种风电机组叶片故障诊断方法 |
| CN103425994A (zh) * | 2013-07-19 | 2013-12-04 | 淮阴工学院 | 一种用于模式分类的特征选择方法 |
| CN105204493A (zh) * | 2015-09-11 | 2015-12-30 | 北京电子工程总体研究所 | 一种旋转机械设备状态监测与故障诊断方法 |
| US20170364800A1 (en) * | 2016-06-16 | 2017-12-21 | Qatar University | Method and apparatus for performing motor-fault detection via convolutional neural networks |
-
2018
- 2018-02-02 CN CN201810105747.1A patent/CN108375729B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102768115A (zh) * | 2012-06-27 | 2012-11-07 | 华北电力大学 | 一种风电机组齿轮箱健康状态实时动态监控方法 |
| CN102944418A (zh) * | 2012-12-11 | 2013-02-27 | 东南大学 | 一种风电机组叶片故障诊断方法 |
| CN103425994A (zh) * | 2013-07-19 | 2013-12-04 | 淮阴工学院 | 一种用于模式分类的特征选择方法 |
| CN105204493A (zh) * | 2015-09-11 | 2015-12-30 | 北京电子工程总体研究所 | 一种旋转机械设备状态监测与故障诊断方法 |
| US20170364800A1 (en) * | 2016-06-16 | 2017-12-21 | Qatar University | Method and apparatus for performing motor-fault detection via convolutional neural networks |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110426634A (zh) * | 2019-09-10 | 2019-11-08 | 上海大制科技有限公司 | 一种用于驱动系统的异常预测的方法及设备 |
| CN110426634B (zh) * | 2019-09-10 | 2020-08-18 | 大制(苏州)科技有限公司 | 一种用于驱动系统的异常预测的方法及设备 |
| CN116011745A (zh) * | 2022-12-20 | 2023-04-25 | 速度时空信息科技股份有限公司 | 一种基于云服务的生态修复方案优化方法及系统 |
| CN116011745B (zh) * | 2022-12-20 | 2024-02-13 | 速度科技股份有限公司 | 一种基于云服务的生态修复方案优化方法及系统 |
| CN116500441A (zh) * | 2023-06-30 | 2023-07-28 | 无锡中基电机制造有限公司 | 一种电机故障检测定位方法及系统 |
| CN116500441B (zh) * | 2023-06-30 | 2023-08-29 | 无锡中基电机制造有限公司 | 一种电机故障检测定位方法及系统 |
| CN117145752A (zh) * | 2023-10-26 | 2023-12-01 | 意朗智能科技(南通)有限公司 | 用于空压机的过滤故障识别方法及系统 |
| CN117145752B (zh) * | 2023-10-26 | 2024-01-30 | 意朗智能科技(南通)有限公司 | 用于空压机的过滤故障识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108375729B (zh) | 2019-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108375729B (zh) | 基于Fisher判别的电机SOM聚类退化状态评估方法 | |
| CN109952614B (zh) | 生物粒子的分类系统和方法 | |
| CN112529042B (zh) | 一种基于双重注意力多示例深度学习的医学图像分类方法 | |
| Demir et al. | Learning the topological properties of brain tumors | |
| CN104933444B (zh) | 一种面向多维属性数据的多层聚类融合机制的设计方法 | |
| CN108596211B (zh) | 一种基于集中学习与深度网络学习的遮挡行人再识别方法 | |
| CN111832608B (zh) | 一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法 | |
| CN107133569A (zh) | 基于泛化多标记学习的监控视频多粒度标注方法 | |
| CN108333468B (zh) | 一种有源配电网下不良数据的识别方法及装置 | |
| Shen et al. | A deep multi-label learning framework for the intelligent fault diagnosis of machines | |
| CN106326915B (zh) | 一种基于改进核Fisher的化工过程故障诊断方法 | |
| CN108647707B (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
| CN104751186A (zh) | 一种基于bp网络和小波变换的虹膜图像质量分类方法 | |
| CN108762503A (zh) | 一种基于多模态数据采集的人机交互系统 | |
| CN108416373A (zh) | 一种基于正则化Fisher阈值选择策略的不平衡数据分类系统 | |
| CN113255591A (zh) | 一种基于随机森林和融合特征的轴承故障诊断方法 | |
| CN111325410A (zh) | 基于样本分布的通用故障预警系统及其预警方法 | |
| CN110580510A (zh) | 一种聚类结果评价方法和系统 | |
| Zhang et al. | Whole slide image classification via iterative patch labelling | |
| CN111914912B (zh) | 一种基于孪生条件对抗网络的跨域多视目标识别方法 | |
| CN112381174A (zh) | 一种针对多电极阵列的神经信号分类方法 | |
| CN109800854A (zh) | 一种基于概率神经网络的复合绝缘子憎水性等级判定方法 | |
| CN115690677A (zh) | 基于局部直觉模糊支持向量机的异常行为识别方法 | |
| CN115392710A (zh) | 一种基于数据过滤的风电机组运行决策方法及系统 | |
| CN108256569A (zh) | 一种复杂背景下的对象识别方法及使用的计算机技术 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yang Shunkun Inventor after: Tan Lin Inventor after: Bian Chong Inventor after: Xu Qingyang Inventor after: Gou Xiaodong Inventor after: Xie Yushu Inventor after: Yao Qi Inventor after: Liu Wenjing Inventor after: Li Daqing Inventor before: Yang Shunkun Inventor before: Bian Chong Inventor before: Xu Qingyang Inventor before: Gou Xiaodong Inventor before: Xie Yushu Inventor before: Yao Qi Inventor before: Liu Wenjing Inventor before: Li Daqing |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |