CN108805289B - 一种基于基底神经节的电机故障诊断方法 - Google Patents
一种基于基底神经节的电机故障诊断方法 Download PDFInfo
- Publication number
- CN108805289B CN108805289B CN201810432949.7A CN201810432949A CN108805289B CN 108805289 B CN108805289 B CN 108805289B CN 201810432949 A CN201810432949 A CN 201810432949A CN 108805289 B CN108805289 B CN 108805289B
- Authority
- CN
- China
- Prior art keywords
- gpe
- fault
- basal ganglia
- motor
- gpi
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Control Of Electric Motors In General (AREA)
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
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,FSD1,FSD2,FGPe,FSTN,FGpi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,si为各通道故障的特征值,NSD1,NSD2,NGPe,NSTN,NGpi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。wSD1-GPi为纹状体D1和苍白球内核GPi联结权重矩阵,wSD2-GPe为纹状体D2和苍白球外核GPe联结权重矩阵,wSTN-GPe为底丘脑核STN和苍白球外核GPe联结权重矩阵,wGP-STN为底丘脑核STN和苍白球内核GPi联结权重矩阵,wGPe-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NSD1,NSD2,NGPe,NSTN,NGpi,定义核团之间的联结权重矩阵wSD1-GPi、wSD2-GPe、wSTN-GPe、wGPe-STN、wGPe-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 (1)
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,其中:
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,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,FSD1,FSD2,FGPe,FSTN,FGPi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,si为各通道故障的特征值,NSD1,NSD2,NGPe,NSTN,NGPi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,wSD1-GPi为纹状体D1和苍白球内核GPi联结权重矩阵,wSD2-GPe为纹状体D2和苍白球外核GPe联结权重矩阵,wSTN-GPe为底丘脑核STN和苍白球外核GPe联结权重矩阵,wSTN-GPi为底丘脑核STN和苍白球内核GPi联结权重矩阵,wGPe-GPi为苍白球外核GPe和苍白球内核GPi联结权重矩阵,wGPe-STN为苍白球外核GPe和底丘脑核STN联结权重矩阵;
初始化的模型各参数具体为: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NSD1,NSD2,NGPe,NSTN,NGpi,定义核团之间的联结权重矩阵wSD1-GPi、wSD2-GPe、wSTN-GPe、wGPe-STN、wGPe-GPi、 wSTN-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;
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810432949.7A CN108805289B (zh) | 2018-05-08 | 2018-05-08 | 一种基于基底神经节的电机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810432949.7A CN108805289B (zh) | 2018-05-08 | 2018-05-08 | 一种基于基底神经节的电机故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108805289A CN108805289A (zh) | 2018-11-13 |
CN108805289B true CN108805289B (zh) | 2020-11-13 |
Family
ID=64091971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810432949.7A Active CN108805289B (zh) | 2018-05-08 | 2018-05-08 | 一种基于基底神经节的电机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805289B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111082709A (zh) * | 2019-12-18 | 2020-04-28 | 南京理工大学 | 基于基底神经节的电消隙控制方法 |
CN111917349B (zh) * | 2020-06-22 | 2022-06-28 | 广州智能装备研究院有限公司 | 一种永磁同步电机的故障诊断方法及系统 |
CN112271974A (zh) * | 2020-10-10 | 2021-01-26 | 南京理工大学 | 一种基于基底神经节的电机转速估计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102193518A (zh) * | 2011-05-13 | 2011-09-21 | 南京理工大学 | 基于基底神经节的fpga仿生智能控制芯片 |
CN102680017A (zh) * | 2012-05-31 | 2012-09-19 | 潍柴动力股份有限公司 | 一种传感器故障诊断方法及诊断装置 |
CN103033211A (zh) * | 2012-12-17 | 2013-04-10 | 天津职业技术师范大学 | 一种发动机曲轴位置传感器故障诊断方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5574387A (en) * | 1994-06-30 | 1996-11-12 | Siemens Corporate Research, Inc. | Radial basis function neural network autoassociator and method for induction motor monitoring |
US9460387B2 (en) * | 2011-09-21 | 2016-10-04 | Qualcomm Technologies Inc. | Apparatus and methods for implementing event-based updates in neuron networks |
CN106682316A (zh) * | 2016-12-29 | 2017-05-17 | 北京工业大学 | 一种基于尖峰径向基神经网络的出水总磷实时监测系统 |
-
2018
- 2018-05-08 CN CN201810432949.7A patent/CN108805289B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102193518A (zh) * | 2011-05-13 | 2011-09-21 | 南京理工大学 | 基于基底神经节的fpga仿生智能控制芯片 |
CN102680017A (zh) * | 2012-05-31 | 2012-09-19 | 潍柴动力股份有限公司 | 一种传感器故障诊断方法及诊断装置 |
CN103033211A (zh) * | 2012-12-17 | 2013-04-10 | 天津职业技术师范大学 | 一种发动机曲轴位置传感器故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
Serial wound starter motor faults diagnosis using artificial neural network;R. Bayir etal.;《Proceedings of the IEEE International Conference on Mechatronics, 2004》;20041213;第3卷;第1-3页 * |
基于神经网络的感应电机故障诊断技术研究;周慧;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20111215;第51-52页 * |
基于遗传_神经网络的电机故障网络化在线诊断的研究;赵月明;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20070915;第40-42页 * |
基底神经节的尖峰神经元网络模型及其在机器人中的应用;王义萍 等;《南京理工大学学报(自然科学版)》;20101231;第34卷(第6期);第717-722页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108805289A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805289B (zh) | 一种基于基底神经节的电机故障诊断方法 | |
DE102017108169B4 (de) | Produktionssystem, das einen Bestimmungswert einer Variablen in Bezug auf eine Produktabweichung festlegt | |
DE102017000536B4 (de) | Zellsteuereinheit zum Feststellen einer Ursache einer Anomalie bei einer Fertigungsmaschine | |
CN111596604A (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
CN109297689B (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
CN109934130A (zh) | 基于深度学习的卫星故障在轨实时故障诊断方法及系统 | |
CN109141847A (zh) | 一种基于mscnn深度学习的飞机系统故障诊断方法 | |
CN108898215A (zh) | 一种基于二型模糊神经网络的污泥膨胀智能辨识方法 | |
CN109131348A (zh) | 一种基于生成式对抗网络的智能车驾驶决策方法 | |
CN107147342A (zh) | 一种感应电机参数辨识系统及方法 | |
CN107168292B (zh) | 基于elm算法的水下航行器电路故障诊断方法 | |
CN108090606A (zh) | 设备故障发现方法及系统 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN106610584A (zh) | 一种基于神经网络与专家系统的再制造工序质量控制方法 | |
CN107025341A (zh) | 一种光伏逆变器故障诊断方法 | |
CN110441686B (zh) | 一种基于实时车况负载下的电机测试系统及其监测方法 | |
CN112763215B (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
CN117076899A (zh) | 一种磨毛机运行故障监测识别方法及系统 | |
CN110376884B (zh) | 一种新能源汽车驱动电机动态抗干扰控制器的构造方法 | |
CN116910513A (zh) | 一种基于cwgan-gp和双流cnn模型的离心泵转子故障诊断方法 | |
CN112163474A (zh) | 一种基于模型融合的齿轮箱智能诊断方法 | |
CN116822091A (zh) | 一种融合参数化模型与机器学习的机床进给轴位置预测方法 | |
CN104200266B (zh) | 一种基于可拓神经网络的烘房加热系统故障诊断方法 | |
CN115329911A (zh) | 一种基于sae二分类模型的含upfc电力系统安全校正方法 | |
CN114115199A (zh) | 新能源环卫车辆的监测及故障诊断系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |