CN108805289A - 一种基于基底神经节的电机故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于基底神经节的电机故障诊断方法。首先，在电机运行的历史数据中提取故障特征值，输入基底神经节中，经过基底神经节中核团的相互作用输出当前最符合的故障类型，完成电机故障的离线学习。然后，将实时电机运行数据进行预处理后输入学习后的基底神经节模型中，实现电机故障的在线诊断。本发明针对电机运行过程中的故障问题，实现了电机的在线自主故障诊断，提高了电机伺服系统的容错能力。

Description

一种基于基底神经节的电机故障诊断方法

技术领域

本发明属于电机故障诊断技术领域，特别是一种基于基底神经节的电机故障诊断方法。

背景技术

随着现代工业技术的不断发展，电机被广泛应用与各个领域中，电机性能的要求也越来越高。电机运行过程中存在着自身部件老化和故障的问题，这些问题不可避免且会对整个电机伺服系统系统产生一定影响。为此，电机故障诊断技术对于整个电机伺服系统系统的安全运行至关重要，该技术可以摆脱传统的人工监控检查环节，进一步提高电机伺服系统的容错能力以及系统的控制性能。

传统的电机故障诊断方法是在一些可以实际测量的参数基础上，用数学的、信号处理的方法进行故障特征的提取来实现诊断。这些方法需要操作人员具有丰富的实践经验和对电机以及相关背景知识的相当了解。同时因为故障特征信号本身很微弱，对传感器的要求也比较高。近年来人工智能方法获得了广泛的认可和应用，如神经网络、模糊逻辑、模糊神经和遗传算法等，这些方法可以很好地处理电机系统模型的非线性和不确定性。目前针对电机运行过程中的故障，研究主要集中在故障估计策略方面，很少涉及电机故障类型的判断方法。基底神经节作为一种人工智能技术，能从已知的数据中进行自主的学习，获得自主判断的能力，从而解决电机电机故障类型的判断问题。

发明内容

本发明的目的在于设计一种基于基底神经节的电机故障诊断方法，用于电机伺服系统自主判断运行过程中发生的故障类型，提高电机伺服系统的容错能力。

实现本发明目的的技术解决方案为：一种基于基底神经节的电机故障诊断方法，从电机运行的历史数据中提取故障特征值，并将其输入基底神经节中，经过基底神经节中核团的相互作用输出当前最符合的故障类型，完成电机故障的离线学习；将电机实时运行数据进行预处理后输入离线学习后的基底神经节模型中，实现电机故障的在线诊断。

本发明基于基底神经节的电机故障诊断方法包括离线学习和在线诊断，优选地，离线学习部分具体步骤为：

步骤1、建立电机运行的历史数据库；

步骤2、根据历史数据库中已有的故障征兆和故障类型之间的经验知识，构造学习样本；

步骤3、构建尖峰神经元网络模型，即基底神经节模型。包括构建纹状体D1(Striatum D1)、纹状体D2(Striatum D2)、苍白球外核GPe、底丘脑核STN和苍白球内核模型GPi，并初始化模型各参数；

步骤4、提取学习样本中的不同故障特征值，并将其输入基底神经节中，调节多巴胺因子；

步骤5、重复步骤4，直到基底神经节能够准确判断故障类型，完成训练，将所得基底神经节模型存入知识库中。

优选地，在线诊断部分具体步骤为：

步骤1、从实时数据库中接收电机运行数据。

步骤2、对实时的电机运行数据进行预处理，得到不同时刻的故障特征值。

步骤3、根据不同任务要求从知识库中取出对应的基底神经节模型。

步骤4、将故障特征值输入至选取的基底神经节模型中，利用基底神经节对电机故障进行诊断，输出诊断结果。

步骤5、判断诊断结果是否存在于历史知识库中，若存在，则进行容错控制；反之，则进入电机故障的离线学习。

本发明与现有技术相比，其显著优点为：

(1)本发明根据实时的电机运行数据进行电机故障诊断，采用了基底神经节模型对故障特征进行学习，省去了繁琐的程序判断过程，实现了电机的自主故障诊断。

(2)本发明所设计的基底神经节故障诊断方法，可以有效避免由于电机运行数据误差而导致的故障诊断误差，具有较好的鲁棒性与容错能力。

附图说明

图1为基于基底神经节的电机故障诊断原理图。

图2为基于基底神经节的离线自主学习结构框图。

图3为基于基底神经节的在线实时故障诊断流程图。

具体实施方式

下面结合附图对本发明作进一步说明。

结合图1～3，一种基于基底神经节的电机故障诊断方法，将基底神经节模型应用于电机故障类型的判断过程中。首先进行电机故障诊断的离线学习，其具体工作步骤如下：

步骤1、测量电机不同运行状态下的速度、电流、力矩等信息，建立电机运行的历史数据库；

步骤2、根据历史数据库中已有的故障征兆和故障类型之间的经验知识，建立故障征兆与故障类型之间的对应关系，从而构造出学习样本，用于之后基底神经节的训练学习；

步骤3、构建尖峰神经元网络模型，即基底神经节模型。包括构建纹状体D1(Striatum D1)、纹状体D2(Striatum D2)、苍白球外核GPe、底丘脑核STN和苍白球内核模型GPi，并初始化模型各参数；

进一步的实施例中，构建的基底神经节模型具体包括：

纹状体D1:

纹状体D2:

苍白球外核GPe:

底丘脑核STN:

苍白球内核GPi:

式中，i为故障通道下标，n为核团中的神经元下标。v，u为尖峰神经元模型的两个状态变量，v为神经元的膜电位，u为向电压提供负反馈的膜恢复变量。a，b是尖峰神经元模型常量参数，F_SD1，F_SD2，F_GPe，F_STN，F_Gpi分别为纹状体D1、纹状体D2、苍白球外核GPe、底丘脑核STN、苍白球内核GPi核团中产生尖峰的神经元的下标组成的集合，λ为多巴胺神经元的影响因子，s_i为各通道故障的特征值，N_SD1，N_SD2，N_GPe，N_STN，N_Gpi分别为纹状体D1、纹状体D2、苍白球外核GPe、底丘脑核STN、苍白球内核GPi神经元的数量。w_SD1-GPi为纹状体D1和苍白球内核GPi联结权重矩阵，w_SD2-GPe为纹状体D2和苍白球外核GPe联结权重矩阵，w_STN-GPe为底丘脑核STN和苍白球外核GPe联结权重矩阵，w_GP-STN为底丘脑核STN和苍白球内核GPi联结权重矩阵，w_GPe-GPi为苍白球外核GPe和苍白球内核GPi联结权重矩阵。

进一步的实施例中，初始化模型各参数具体为：初始化各核团神经元数目，即初始化纹状体D1、纹状体D2、苍白球外核GPe、底丘脑核STN、苍白球内核GPi神经元数目N_SD1，N_SD2，N_GPe，N_STN，N_Gpi，定义核团之间的联结权重矩阵w_SD1-GPi、w_SD2-GPe、w_STN-GPe、w_GPe-STN、w_GPe-GPi，选取多巴胺的影响因子λ，设置神经元的参数a，b。

步骤4、提取学习样本中的不同故障特征值，并将其输入基底神经节中，调节多巴胺因子；

步骤5、重复步骤4，直到基底神经节能够准确判断故障类型，完成训练，将所得基底神经节模型存入知识库中。

在完成了基底神经节故障诊断的离线学习后，电机进入在线故障诊断模式，具体步骤为：

步骤1、从实时数据库中接收电机运行数据。

步骤2、对实时的电机运行数据进行预处理，得到不同时刻的故障特征值。

步骤3、根据不同任务要求从知识库中取出对应的基底神经节模型。

步骤4、将故障特征值输入至选取的基底神经节模型中，利用基底神经节对电机故障进行诊断，输出诊断结果。

步骤5、判断诊断结果是否存在于历史知识库中，若存在，则进行容错控制；反之，则进入电机故障的离线学习。

Claims (5)

1.一种基于基底神经节的电机故障诊断方法，其特征在于，从电机运行的历史数据中提取故障特征值，并将其输入基底神经节中，经过基底神经节中核团的相互作用输出当前最符合的故障类型，完成电机故障的离线学习；将电机实时运行数据进行预处理后输入离线学习后的基底神经节模型中，实现电机故障的在线诊断。

2.根据权利要求1所述的电机故障的离线学习，其特征在于，采用基底神经节对不同故障类型进行离线判断学习，具体步骤为：

步骤1、建立电机运行的历史数据库；

步骤2、根据历史数据库中已有的故障征兆和故障类型之间的经验知识，构造学习样本；

步骤3、构建尖峰神经元网络模型，即基底神经节模型。包括构建纹状体D1(StriatumD1)、纹状体D2(Striatum D2)、苍白球外核GPe、底丘脑核STN和苍白球内核模型GPi，并初始化模型各参数；

步骤4、提取学习样本中的不同故障特征值，并将其输入基底神经节中，调节多巴胺因子；

步骤5、重复步骤4，直到基底神经节能够准确判断故障类型，完成训练，将所得基底神经节模型存入知识库中。

3.根据权利要求2所述的电机故障的离线学习，其特征在于，步骤3中构建的基底神经节模型具体包括：

纹状体D1:

纹状体D2:

苍白球外核GPe:

底丘脑核STN:

苍白球内核GPi:

式中，i为故障通道下标，n为核团中的神经元下标。v，u为尖峰神经元模型的两个状态变量，v为神经元的膜电位，u为向电压提供负反馈的膜恢复变量。a，b是尖峰神经元模型常量参数，F_SD1，F_SD2，F_GPe，F_STN，F_Gpi分别为纹状体D1、纹状体D2、苍白球外核GPe、底丘脑核STN、苍白球内核GPi核团中产生尖峰的神经元的下标组成的集合，λ为多巴胺神经元的影响因子，s_i为各通道故障的特征值，N_SD1，N_SD2，N_GPe，N_STN，N_Gpi分别为纹状体D1、纹状体D2、苍白球外核GPe、底丘脑核STN、苍白球内核GPi神经元的数量。w_SD1-GPi为纹状体D1和苍白球内核GPi联结权重矩阵，w_SD2-GPe为纹状体D2和苍白球外核GPe联结权重矩阵，w_STN-GPe为底丘脑核STN和苍白球外核GPe联结权重矩阵，w_GP-STN为底丘脑核STN和苍白球内核GPi联结权重矩阵，w_GPe-GPi为苍白球外核GPe和苍白球内核GPi联结权重矩阵。

4.根据权利要求2所述的电机故障的离线学习，其特征在于，步骤3中初始化模型各参数具体为：初始化各核团神经元数目，即初始化纹状体D1、纹状体D2、苍白球外核GPe、底丘脑核STN、苍白球内核GPi神经元数目N_SD1，N_SD2，N_GPe，N_STN，N_Gpi，定义核团之间的联结权重矩阵w_SD1-GPi、w_SD2-GPe、w_STN-GPe、w_GPe-STN、w_GPe-GPi，选取多巴胺的影响因子λ，设置神经元的参数a，b。

5.根据权利要求1所述的电机故障的在线诊断，其特征在于，将实时电机运行数据进行预处理后输入学习后的基底神经节模型中，实现在线诊断，具体步骤为：

步骤1、从实时数据库中接收电机的运行数据。

步骤2、对电机实时运行数据进行预处理，得到不同时刻的故障特征值。

步骤3、根据不同任务要求从知识库中取出对应的基底神经节模型。

步骤4、将故障特征值输入至选取的基底神经节模型中，利用基底神经节对电机故障进行诊断，输出诊断结果。

步骤5、判断诊断结果是否存在于历史知识库中，若存在，则进行容错控制；反之，则进入电机故障的离线学习。