CN108931724A - 一种伺服电机故障诊断方法 - Google Patents
一种伺服电机故障诊断方法 Download PDFInfo
- Publication number
- CN108931724A CN108931724A CN201810854136.7A CN201810854136A CN108931724A CN 108931724 A CN108931724 A CN 108931724A CN 201810854136 A CN201810854136 A CN 201810854136A CN 108931724 A CN108931724 A CN 108931724A
- Authority
- CN
- China
- Prior art keywords
- harmony
- servo motor
- vector
- ebf
- neural network
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 42
- 210000002569 neuron Anatomy 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims abstract description 33
- 238000003745 diagnosis Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 61
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 101100177269 Arabidopsis thaliana HCAR gene Proteins 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 201000010099 disease Diseases 0.000 abstract 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract 1
- 230000007257 malfunction Effects 0.000 abstract 1
- 210000004205 output neuron Anatomy 0.000 description 5
- 238000010845 search algorithm Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
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
-
- 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
- G01R31/346—Testing of armature or field windings
-
- 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
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种伺服电机故障诊断方法，包括以下步骤：收集交流伺服电机正常运行和故障状态下数据样本；利用训练样本训练椭球形基函数EBF神经网络；将和声搜索HS算法应用到模糊聚类FCM中形成HS‑KCM算法，从而得到隐含层神经元在输入空间各维上的椭球中心值，进一步得到椭球中心值和每个神经元的输入输出值，再利用BP算法训练隐含层神经元对应输出单元的权值，最后输入测试样本，判断交流伺服电机的运行状态。本发明具有通用性好，准确率高，自学习能力强的优点，解决现有交流伺服电机故障诊断理方法还存在学习能力差，容易发生漏诊和误诊的问题。
Description
技术领域
本发明涉及交流伺服电机故障诊断领域，更具体地说，本发明涉及一种伺服电机故障诊断方法。
背景技术
随着科学技术的高速发展，交流伺服电机的应用范围越来越广泛。因此，交流伺服电机的故障诊断就显得格外重要，且伺服电机结构的复杂程度越来越高，这就给交流伺服电机故障的诊断带来了更大的考验。交流伺服电机故障诊断的现有方法可以分为两类，分别是基于诊断对象数学模型的方法和基于知识库的方法。第一类方法仅适用于那些可以获得精确数学模型，检测对象局限性比较大，第二类方法回避了抽取对象的数学模型的难点，引入诊断信息和专家诊断知识，对所检测的故障信息进行分析，来确定故障的特性，这类方法包括模糊推理方法、神经网络方法等。但模糊推理方法还存在学习能力差，容易发生漏诊和误诊，而EBF神经网络算法因其广泛的适应能力和自学习能力在故障诊断中得到了广泛的应用。EBF神经网络的隐层节点求解神经元椭球中心值和半轴长主要是通过聚类的作用，现在常用的是k均值聚类算法，但是k均值聚类算法的聚类效果往往受初始聚类中心选择的影响，当智能启发式算法与聚类算法结合解决这类问题时能避免这个问题，而且能达到比较好的聚类效果。
发明内容
本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
本发明的目的是提供一种伺服电机故障诊断方法，利用全局搜索能力强的和声搜索算法应用到EBF神经网络隐层结构中使用的模糊聚类方法，从而形成基于和声搜索算法优化的模糊聚类(HS-KCM)算法，并将改进的EBF神经网络用于交流伺服电机故障诊断方法中，能够有效诊断出交流伺服电机出现的定子匝间短路故障、转子断条故障、偏心故障和轴承故障。
为了实现根据本发明的这些目的和其他优点，提供了一种伺服电机故障诊断方法，包括以下步骤：
步骤S11、实时监测交流伺服电机的轴承和机身振动，在交流伺服电机处在正常运行状态和四种故障状态下，分别采集若干特征频段内的振动信号，用小波包能量特征提取出在上述五种状态下各个特征频段中频率成分的能量，将其作为表征电机运行状态的特征向量；
步骤S12、分别收集电机处在上述五种状态下的特征向量并形成数据样本，将每种状态下的部分数据样本作为训练样本，剩余部分数据样本作为测试样本，将训练样本作为输入量进行EBF神经网络的训练；
步骤S13、将测试样本输入到已经训练完成的EBF神经网络中进行测试，得到输出节点的结果，根据该结果判断交流伺服电机的所处状态，如果处于故障状态，则确定对应的故障类型。
优选的，所述步骤S11中，所述特征频段包括：f/4、f/3、f、5f/4、5f/2、3f、7f/2、4f、11f/2频率点左右±0.04f频带范围，四种故障状态包括：电机定子匝间短路故障、转子断条故障、偏心故障、轴承故障，其中，f为电机运行频率，特征向量用T＝[x1,x2,…,x9]表示，xi为第i个特征频段内频率成分的能量。
优选的，所述步骤S11中，采用压电式加速度传感器采集交流伺服电机在特征频段内的振动信号，采用数据信号记录仪对采集到的振动信号进行数据记录。
优选的，所述步骤S12中对EBF神经网络的训练包括以下子步骤：
步骤S21、根据训练样本设计EBF神经网络的结构，其中，EBF神经网络中采用的激活函数为椭球函数；
步骤S22、对训练样本利用HS-KCM算法进行优化，得到隐含层神经元在输入空间各维上的椭球中心值，再通过计算得到相应的椭球半轴长以及每个神经元的输入和输出；
步骤S23、利用BP算法调整隐含层与输出层之间的连接权值，直到使得网络收敛且满足误差要求。
优选的，所述步骤S12中，在每种状态下选取的数据样本数量为100个，其中90个数据样本为训练样本，并作为EBF神经网络的输入进行EBF神经网络的训练，余下10个数据样本作为测试样本。
优选的，所述步骤S12中，对在上述五种状态下采集形成的数据样本进行归一化处理后，进行EBF神经网络的训练和测试，其中采用的归一化计算方式如下式所示：
其中，x(m,n)表示第m个数据样本的第n个数据，L为该数据样本中的最小值，U为该数据样本中的最大值。
优选的，所述步骤S21中，对EBF神经网络输入值、隐含层神经元数目和核函数、输出值进行设计。
优选的，所述EBF神经网络的结构为：EBF神经网络的输入值K＝9、隐含层神经元数目J＝4、核函数是椭球函数、EBF神经网络输出值S＝5。
优选的，所述步骤S22具体包括以下子步骤：
步骤S221、输入训练样本并初始化HS-KCM算法的参数；
步骤S222、确定HS-KCM算法中聚类中心在和声中的编码方式，初始化和声记忆库：每个和声的实值表示每个隐含层神经元在输入向量各维上的椭球中心值，从训练样本中随机选取J＝4个不同数据样本，每个数据样本对应一个聚类中心Ci，将4个聚类中心Ci编码为一个和声，和声用向量形式表达为：X＝Cl＝[C1,C2,C3,C4]＝[c11,c12,…c1K,c21,c22,…c2K,c31,c32,…c3K,c41,c42,…c4K]，按照这样的方式，从训练样本中随机构建HMS个和声，创建形成初始和声记忆库HM，HMS为和声记忆库的大小；
步骤S223、计算每个和声向量的适应度值：将记忆库中每个和声向量解码出来得到4个聚类中心，并按照公式(2)计算得到对应和声向量Xi的适应度值，适应度函数值表示为：
xm是归一化样本数据，Q是样本数据的数量，Cl是每个和声中的聚类中心，J是聚类的数量，C是Cl的集合；
步骤S224、更新控制参数：每次迭代产生1个新的和声，对参数PAR和bw进行更新，参数PAR更新采用混沌映射，更新方式如下：
PAR＝4×PAR(1-PAR)(3)
其中，PAR、bw分别为和声忆库的音调调节概率、音调调节步长；bwmax、bwmin为音调调节步长的上、下界，t是当前迭代次数，T是最大迭代次数，
步骤S225、创建一个新的和声向量Xnew：创建的新和声向量中的每一个分量的产生过程由数学公式表示如下：
其中r1、rand()均为随机产生的0到1之间的实数，HMCR为和声忆库保留概率、音调调节概率；Lb、Ub分别是归一化后训练样本数据的最小值、最大值；如果是从和声记忆库中选择的，则其进行基音调整操作，基音调整过程表述如下：
其中r2是随机产生的0到1之间的实数；
按照步骤S223的方式，评估新生成的和声向量Xnew的适应度函数值；
步骤S226、和声记忆库的更新：根据每个和声向量的适应度值，将新生成的和声向量与和当前声记忆库HM中的和声向量进行比较，当新生成的和声向量优于当前和声记忆库中的任何一个和声向量时，则将新生成的和声向量代替当前和声记忆库中的该和声向量，形成新的和声记忆库HMnew；
步骤S227、检查HS-FCM算法的终止条件：判断当前迭代次数t是否大于最大迭代次数T，如果满足该条件，则执行步骤S228，否则返回步骤S224；
步骤S228、根据适应度函数值选取最终和声记忆库HM中最优和声向量，解码得到4个聚类中心，即得到4个隐含层神经元分别在输入空间9个维度上的对应椭球中心值；
步骤S229、利用椭球中心值计算椭球半轴长，进一步得到每个隐含层神经元的输入和输出。
与现有技术相比，本发明包含的有益效果在于：
1、采用和声搜索算法优化模糊聚类中心，有效增强了其搜索能力，提高了优化效率；
2、利用更强的模式识别能力椭球基函数神经网络(EBFNN)用于交流伺服电机故障诊断的中，提供一种通用性好、步骤简单、准确性高的的交流伺服电机故障诊断建模方法。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
附图说明
图1为本发明的EBF网络示意图；
图2为改进的HS-KCM算法中聚类中心在和声中的编码方式示意图；
图3为本发明电机故障诊断方法的流程示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明文字能够据以实施。
如图1-3所示，本发明提供了一种基于HS-KCM的EBF神经网络算法的交流伺服电机故障诊断方法，包括以下步骤：
步骤S11、进行样本数据的选取和处理，具体的进行故障特征向量的提取：电机处于故障状态时，信号中某些频带内能量会增大，而另外一些频带内能量会减少，各频率成分的能量中包含着丰富的故障信息，某种或某几种频率成分能量的改变即可代表一种故障状态，而故障频段往往发生在电源频率的分数倍和整数倍处，因此，实时监测交流伺服电机的轴承和机身振动，采用压电式加速度传感器分别采集交流伺服电机处在正常运行和四种故障状态下在f/4、f/3、f、5f/4、5f/2、3f、7f/2、4f、11f/2频率点左右±0.04f频带范围内的振动信号，其中四种故障状态包括电机定子匝间短路故障、转子断条故障、偏心故障、轴承故障振动信号，然后用数据信号记录仪来进行数据记录，最后用小波包能量特征提取出在上述五种状态下9个特征频段中频率成分的能量，将其作为表征电机运行状态的特征向量；其中，f为电机运行频率，特征向量用T＝[x1,x2,…,x9]表示，xi为第i个特征频段内频率成分的能量。
步骤S12、分别收集电机正常运行和四种故障状态下的特征向量并形成数据样本，将每种状态下的部分数据样本作为训练样本，剩余部分数据样本作为测试样本，将训练样本作为EBF神经网络结构的输入进行EBF神经网络结构的训练；本实施例中，在每种状态下选取的样本数为100个，其中90个样本为训练样本，作为EBF神经网络结构的输入进行EBF神经网络结构的训练，余下10个样本作为测试样本，则训练样本的总数为450个，测试样本的总数为50个。
步骤S13、对训练完成的EBF神经网络进行测试：将测试样本输入到已经训练完成的EBF神经网络得到输出节点的结果，根据该结果判断交流伺服电机的所处状态，也就是判断交流伺服电机处于正常运行状态还是故障状态，如果处于故障状态，则确定对应的故障类型，即可完成对电机故障的诊断。
所述步骤S12中对EBF神经网络的训练包括以下子步骤：
步骤S21、根据训练样本设计EBF神经网络的结构，包括对EBF神经网络的输入值、隐含层神经元数目和核函数、输出值的设计，本实施例中，如图1所示，所述EBF神经网络的结构为：K＝9个输入维度、J＝4个隐含层神经元、核函数是椭球函数、S＝5个输出单元结构，也就是说EBF神经网络的输入值K＝9、隐含层神经元数目J＝4、EBF神经网络输出值S＝5、激活函数为椭球函数，C94和b94分别是第4个隐含层神经元在输入空间第9维上的椭球中心值和椭球半轴长，w45表示第四个隐含层神经元与第五个输出单元的连接权值，5个输出单元理想输出结果所代表的意义如表1所示：
表1
步骤S22、对训练样本利用HS-KCM算法进行优化，得到隐含层神经元在输入空间各维上的椭球中心值，再通过进一步计算得到相应的椭球半轴长以及每个神经元的输入和输出；该椭球基函数神经网络的输入训练数据样本为9行450列，输入向量为9维，隐含层神经元数目为4；
步骤S23、利用BP算法调整隐含层与输出层之间的连接权值，从而达到使网络收敛且满足误差要求；BP算法的学习过程可以分为两个阶段，首先，通过前面计算得到的椭球中心值、半轴长和数据样本前向计算出隐含层的输出，利用初始连接权值进一步得到输出层的实际输出，计算得到实际输出和期望输出的误差，若网络未收敛或误差不满足要求，则进行下一步，即：误差从输出层到隐含层反相传播，将此误差分摊给隐含层各神经元，并按照梯度下降原则调整隐含层与输出层之间的连接权值，之后重复上述两个阶段，直到满足误差给定精度要求或达到训练次数为止。
上述技术方案中，对在上述五种状态下采集形成的数据样本进行归一化处理后，进行EBF神经网络的训练和测试，本实施例中，采用的归一化计算方式如下：
其中，x(m,n)表示第m个数据样本的第n个数据，L为该数据样本中的最小值，U为该数据样本中的最大值。
上述技术方案中，所述步骤S22具体包括以下子步骤：
步骤S221、输入训练样本和初始化HS-KCM算法的参数；本实施例中，设定迭代次数T＝100，t＝1,2,…T，和声记忆库大小HMS＝20，i＝1,2,…HMS，j＝1,2…,9×4，和声记忆库保留概率HMCR＝0.95，音调调节步长bw最大值和最小值分别为0.1和0.4，音调调节概率PAR初始值为一个0到1之间随机产生的实数；
步骤S222、确定HS-KCM算法中聚类中心在和声中的编码方式，初始化和声记忆库：每个和声的实值表示每个隐含层神经元在输入向量各维上的椭球中心值，输入向量维度K＝9，神经元个数J＝4个(J个聚类中心)在和声中的编码方式如图2，那么从训练样本中随机选取J＝4个不同数据样本，每个数据样本对应一个聚类中心Ci，将4个聚类中心Ci编码为一个和声，和声用向量形式表达为：X＝Cl＝[C1,C2,C3,C4]＝[c11,c12,…c1K,c21,c22,…c2K,c31,c32,…c3K,c41,c42,…c4K]，并放入初始和声记忆库里，按照这样的方式，从训练样本中随机选择HMS个和声，创建初始和声记忆库HM，HMS为和声记忆库的大小；
步骤S223、计算每个和声向量的适应度值：将记忆库中每个和声向量解码出来得到4个聚类中心，并按照公式(2)计算得到对应和声向量Xi的适应度值，适应度函数值表示为：
xm是归一化样本数据，Q是样本数据的数量，Cl是每个和声中的聚类中心，J是聚类的数量，C是Cl的集合；
步骤S224、更新控制参数：每次迭代产生1个新的和声，对参数PAR和bw进行更新，参数PAR更新采用混沌映射，更新方式如下：
PAR＝4×PAR(1-PAR) (3)
其中bwmax，bwmin为音调调节步长的上、下界，
步骤S225、创建一个新的和声向量Xnew：创建的新和声向量中的每一个分量由以下方式产生，即保留和声记忆库中分量，和声记忆考虑，音调微调，随机选择音调，产生过程由数学公式表示如下：
其中r1、rand()均为随机产生的0到1之间的实数，HMCR为和声忆库保留概率、音调调节概率；Lb、Ub分别是归一化后训练样本数据的最小值、最大值；如果是从和声记忆库中选择的，则其进行基音调整操作，基音调整过程表述如下：
其中r2是随机产生的0到1之间的实数；
按照步骤S223的方式，评估新生成的和声向量Xnew的适应度函数值；并重复步骤S225，直到生成HMS个新分量；
步骤S226、和声记忆库的更新：根据每个和声向量的适应度值，将新生成的和声向量与和当前声记忆库HM中的和声向量进行比较，当新生成的和声向量优于当前和声记忆库中的任何一个和声向量时，则将新生成的和声向量代替当前和声记忆库中的该和声向量，形成新的和声记忆库HMnew；
步骤S227、检查HS-FCM算法的终止条件：判断当前迭代次数t是否大于最大迭代次数T，如果满足该条件，则执行步骤S228，否则返回步骤S224；
步骤S228、根据适应度函数值选取最终和声记忆库HM中最优和声向量，解码得到4个聚类中心，即得到4个隐含层神经元分别在输入空间9个维度上的对应椭球中心值；
步骤S229、利用椭球中心值计算椭球半轴长，进一步得到每个隐含层神经元的输入和输出，计算半轴长的公式描述为：
其中，bpq(p＝1,2,...,9；q＝1,2,3,4)表示第q个隐含层神经元在输入向量第p维上的椭球半轴长，zp表示在输入空间p维上所有训练样本数据距中心值的最大绝对值，Cpq表示第q个隐含层神经元在输入向量第p维上的椭球中心值，R＝9为输入空间维度；进一步得到第q个隐含层神经元的输入和输出：
其中β为sigmoid曲线的斜率调节参数，其值大于零，且β值越大，椭球基函数单元输出值趋于零的速度也越快。
上述技术方案中，步骤S23中，利用BP算法调整隐含层与输出层之间的连接权值的公式进行推导如下：
令误差函数为：
其中，S＝5为输出神经元个数，td为第d个输出神经元的理想输出，yd为第d个输出神经元的实际输出，SSE对第d个输出神经元的输出求导有：
所以有：
其中，wdq(d＝l,2,3,4,5；q＝l，2，3,4)为第d个输出神经元与第q个隐含层神经元之间的连接权值，hq为第q个隐含层神经元的输出，因而连接权值的参数调整算法为：
wdq(k+1)＝wdq(k)+lw(td-yd)hq (13)
其中，lw为学习率，其值大于零；
得到EBF神经网络的第d个输出单元的结果：
由上所述，本发明将一种和声搜索(HS)算法应用到EBF(椭球形基函数)神经网络隐层结构使用的模糊聚类(FCM)方法中，并将其改进的椭球基函数神经网络(EBFNN)用于交流伺服电机故障诊断中，采用和声搜索算法优化模糊聚类中心，有效增强了其搜索能力，提高了优化效率；另外，利用更强的模式识别能力椭球基函数神经网络(EBFNN)用于交流伺服电机故障诊断的中，提供一种通用性好、步骤简单、准确性高的的交流伺服电机故障诊断建模方法。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易的实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
Claims (9)
1.一种伺服电机故障诊断方法，其特征在于，包括以下步骤：
步骤S11、实时监测交流伺服电机的轴承和机身振动，在交流伺服电机处在正常运行状态和四种故障状态下，分别采集若干特征频段内的振动信号，用小波包能量特征提取出在上述五种状态下各个特征频段中频率成分的能量，将其作为表征电机运行状态的特征向量；
步骤S12、分别收集电机处在上述五种状态下的特征向量并形成数据样本，将每种状态下的部分数据样本作为训练样本，剩余部分数据样本作为测试样本，将训练样本作为输入量进行EBF神经网络的训练；
步骤S13、将测试样本输入到已经训练完成的EBF神经网络中进行测试，得到输出节点的结果，根据该结果判断交流伺服电机的所处状态，如果处于故障状态，则确定对应的故障类型。
2.如权利要求1所述的伺服电机故障诊断方法，其特征在于，所述步骤S11中，所述特征频段包括：f/4、f/3、f、5f/4、5f/2、3f、7f/2、4f、11f/2频率点左右±0.04f频带范围，四种故障状态包括：电机定子匝间短路故障、转子断条故障、偏心故障、轴承故障，其中，f为电机运行频率，特征向量用T＝[x1,x2,…,x9]表示，xi为第i个特征频段内频率成分的能量。
3.如权利要求2所述的伺服电机故障诊断方法，其特征在于，所述步骤S11中，采用压电式加速度传感器采集交流伺服电机在特征频段内的振动信号，采用数据信号记录仪对采集到的振动信号进行数据记录。
4.如权利要求2所述的伺服电机故障诊断方法，其特征在于，所述步骤S12中对EBF神经网络的训练包括以下子步骤：
步骤S21、根据训练样本设计EBF神经网络的结构，其中，EBF神经网络中采用的激活函数为椭球函数；
步骤S22、对训练样本利用HS-KCM算法进行优化，得到隐含层神经元在输入空间各维上的椭球中心值，再通过计算得到相应的椭球半轴长以及每个神经元的输入和输出；
步骤S23、利用BP算法调整隐含层与输出层之间的连接权值，直到使得网络收敛且满足误差要求。
5.如权利要求4所述的伺服电机故障诊断方法，其特征在于，所述步骤S12中，在每种状态下选取的数据样本数量为100个，其中90个数据样本为训练样本，并作为EBF神经网络的输入进行EBF神经网络的训练，余下10个数据样本作为测试样本。
6.如权利要求5所述的伺服电机故障诊断方法，其特征在于，所述步骤S12中，对在上述五种状态下采集形成的数据样本进行归一化处理后，进行EBF神经网络的训练和测试，其中采用的归一化计算方式如下式所示：
其中，x(m,n)表示第m个数据样本的第n个数据，L为该数据样本中的最小值，U为该数据样本中的最大值。
7.如权利要求6所述的伺服电机故障诊断方法，其特征在于，所述步骤S21中，对EBF神经网络输入值、隐含层神经元数目和核函数、输出值进行设计。
8.如权利要求7所述的伺服电机故障诊断方法，其特征在于，所述EBF神经网络的结构为：EBF神经网络的输入值K＝9、隐含层神经元数目J＝4、核函数是椭球函数、EBF神经网络输出值S＝5。
9.如权利要求8所述的伺服电机故障诊断方法，其特征在于，所述步骤S22具体包括以下子步骤：
步骤S221、输入训练样本并初始化HS-KCM算法的参数；
步骤S222、确定HS-KCM算法中聚类中心在和声中的编码方式，初始化和声记忆库：每个和声的实值表示每个隐含层神经元在输入向量各维上的椭球中心值，从训练样本中随机选取J＝4个不同数据样本，每个数据样本对应一个聚类中心Ci，将4个聚类中心Ci编码为一个和声，和声用向量形式表达为：X＝Cl＝[C1,C2,C3,C4]＝[c11,c12,…c1K,c21,c22,…c2K,c31,c32,…c3K,c41,c42,…c4K]，按照这样的方式，从训练样本中随机构建HMS个和声，创建形成初始和声记忆库HM，HMS为和声记忆库的大小；
步骤S223、计算每个和声向量的适应度值：将记忆库中每个和声向量解码出来得到4个聚类中心，并按照公式(2)计算得到对应和声向量Xi的适应度值，适应度函数值表示为：
xm是归一化样本数据，Q是样本数据的数量，Cl是每个和声中的聚类中心，J是聚类的数量，C是Cl的集合；
步骤S224、更新控制参数：每次迭代产生1个新的和声，对参数PAR和bw进行更新，参数PAR更新采用混沌映射，更新方式如下：
PAR＝4×PAR(1-PAR) (3)
其中，PAR、bw分别为和声忆库的音调调节概率、音调调节步长；bwmax、bwmin为音调调节步长的上、下界，t是当前迭代次数，T是最大迭代次数，
步骤S225、创建一个新的和声向量Xnew：创建的新和声向量中的每一个分量的产生过程由数学公式表示如下：
其中r1、rand()均为随机产生的0到1之间的实数，HMCR为和声忆库保留概率、音调调节概率；Lb、Ub分别是归一化后训练样本数据的最小值、最大值；如果是从和声记忆库中选择的，则其进行基音调整操作，基音调整过程表述如下：
其中r2是随机产生的0到1之间的实数；
按照步骤S223的方式，评估新生成的和声向量Xnew的适应度函数值；
步骤S226、和声记忆库的更新：根据每个和声向量的适应度值，将新生成的和声向量与和当前声记忆库HM中的和声向量进行比较，当新生成的和声向量优于当前和声记忆库中的任何一个和声向量时，则将新生成的和声向量代替当前和声记忆库中的该和声向量，形成新的和声记忆库HMnew；
步骤S227、检查HS-FCM算法的终止条件：判断当前迭代次数t是否大于最大迭代次数T，如果满足该条件，则执行步骤S228，否则返回步骤S224；
步骤S228、根据适应度函数值选取最终和声记忆库HM中最优和声向量，解码得到4个聚类中心，即得到4个隐含层神经元分别在输入空间9个维度上的对应椭球中心值；
步骤S229、利用椭球中心值计算椭球半轴长，进一步得到每个隐含层神经元的输入和输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810854136.7A CN108931724A (zh) | 2018-07-30 | 2018-07-30 | 一种伺服电机故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810854136.7A CN108931724A (zh) | 2018-07-30 | 2018-07-30 | 一种伺服电机故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108931724A true CN108931724A (zh) | 2018-12-04 |
Family
ID=64444300
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810854136.7A Pending CN108931724A (zh) | 2018-07-30 | 2018-07-30 | 一种伺服电机故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108931724A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109633369A (zh) * | 2018-12-08 | 2019-04-16 | 国网山东省电力公司德州供电公司 | 一种基于多维数据相似性匹配的电网故障诊断方法 |
| CN109905291A (zh) * | 2019-02-26 | 2019-06-18 | 北京精密机电控制设备研究所 | 基于rs422通信的高可靠双频率数模同步测控系统 |
| CN110109015A (zh) * | 2019-05-31 | 2019-08-09 | 中南大学 | 一种基于深度学习的异步电动机故障监测与诊断方法 |
| CN110376522A (zh) * | 2019-09-03 | 2019-10-25 | 宁夏西北骏马电机制造股份有限公司 | 一种数据融合的深度学习网络的电机故障诊断方法 |
| CN111538960A (zh) * | 2020-04-22 | 2020-08-14 | 西安交通大学 | 基于改进模糊c均值聚类的交流异步电机故障诊断方法 |
| CN111582463A (zh) * | 2020-06-08 | 2020-08-25 | 佛山金华信智能科技有限公司 | 伺服电机故障识别及模型训练方法、装置、介质及终端 |
| CN113703371A (zh) * | 2021-09-01 | 2021-11-26 | 山西华控伟业科技有限公司 | 一种设备故障的检测装置及检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103294849A (zh) * | 2013-05-08 | 2013-09-11 | 大连交通大学 | 基于rbf神经网络的交流电机故障诊断模型构造方法 |
| CN104881871A (zh) * | 2015-05-22 | 2015-09-02 | 湖南大学 | 基于改进多目标和声搜索算法的交通图像分割方法 |
| CN106324502A (zh) * | 2016-08-22 | 2017-01-11 | 哈尔滨理工大学 | 一种基于小波的异步电动机故障分析方法 |
| CN107015112A (zh) * | 2017-04-10 | 2017-08-04 | 福州大学 | 一种基于改进和声算法的配电线路故障区段定位方法 |
-
2018
- 2018-07-30 CN CN201810854136.7A patent/CN108931724A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103294849A (zh) * | 2013-05-08 | 2013-09-11 | 大连交通大学 | 基于rbf神经网络的交流电机故障诊断模型构造方法 |
| CN104881871A (zh) * | 2015-05-22 | 2015-09-02 | 湖南大学 | 基于改进多目标和声搜索算法的交通图像分割方法 |
| CN106324502A (zh) * | 2016-08-22 | 2017-01-11 | 哈尔滨理工大学 | 一种基于小波的异步电动机故障分析方法 |
| CN107015112A (zh) * | 2017-04-10 | 2017-08-04 | 福州大学 | 一种基于改进和声算法的配电线路故障区段定位方法 |
Non-Patent Citations (4)
| Title |
|---|
| 战非 等: "基于混沌和声的云计算调度算法", 《计算机工程与设计》 * |
| 李俊杰: "基于EBF神经网络的变压器内部故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 李征璐: "基于小波包和模糊神经网络电机故障诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 王华秋 等: "一种改进的和声搜索模糊聚类算法", 《重庆理工大学学报(自然科学)》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109633369A (zh) * | 2018-12-08 | 2019-04-16 | 国网山东省电力公司德州供电公司 | 一种基于多维数据相似性匹配的电网故障诊断方法 |
| CN109905291A (zh) * | 2019-02-26 | 2019-06-18 | 北京精密机电控制设备研究所 | 基于rs422通信的高可靠双频率数模同步测控系统 |
| CN109905291B (zh) * | 2019-02-26 | 2020-09-18 | 北京精密机电控制设备研究所 | 基于rs422通信的高可靠双频率数模同步测控系统 |
| CN110109015A (zh) * | 2019-05-31 | 2019-08-09 | 中南大学 | 一种基于深度学习的异步电动机故障监测与诊断方法 |
| CN110376522A (zh) * | 2019-09-03 | 2019-10-25 | 宁夏西北骏马电机制造股份有限公司 | 一种数据融合的深度学习网络的电机故障诊断方法 |
| CN111538960A (zh) * | 2020-04-22 | 2020-08-14 | 西安交通大学 | 基于改进模糊c均值聚类的交流异步电机故障诊断方法 |
| CN111538960B (zh) * | 2020-04-22 | 2022-06-21 | 西安交通大学 | 基于改进模糊c均值聚类的交流异步电机故障诊断方法 |
| CN111582463A (zh) * | 2020-06-08 | 2020-08-25 | 佛山金华信智能科技有限公司 | 伺服电机故障识别及模型训练方法、装置、介质及终端 |
| CN111582463B (zh) * | 2020-06-08 | 2024-02-09 | 佛山金华信智能科技有限公司 | 伺服电机故障识别及模型训练方法、装置、介质及终端 |
| CN113703371A (zh) * | 2021-09-01 | 2021-11-26 | 山西华控伟业科技有限公司 | 一种设备故障的检测装置及检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108931724A (zh) | 一种伺服电机故障诊断方法 | |
| Neupane et al. | Bearing fault detection and diagnosis using case western reserve university dataset with deep learning approaches: A review | |
| US11544917B2 (en) | Power electronic circuit fault diagnosis method based on optimizing deep belief network | |
| Li et al. | Understanding and improving deep learning-based rolling bearing fault diagnosis with attention mechanism | |
| Biggio et al. | Prognostics and health management of industrial assets: Current progress and road ahead | |
| CN112885372B (zh) | 电力设备故障声音智能诊断方法、系统、终端及介质 | |
| Tao et al. | Bearing fault diagnosis method based on stacked autoencoder and softmax regression | |
| Pietila et al. | Intelligent systems approaches to product sound quality evaluations–A review | |
| Guan et al. | An incremental approach to genetic-algorithms-based classification | |
| CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
| CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
| Das et al. | Diagnosis of valvular heart disease through neural networks ensembles | |
| CN107957551A (zh) | 基于振动和电流信号的堆叠降噪自编码电机故障诊断方法 | |
| CN107122790A (zh) | 基于混合神经网络和集成学习的非侵入式负荷识别算法 | |
| CN113177357B (zh) | 一种电力系统暂态稳定评估方法 | |
| US20030149676A1 (en) | Adaptive learning system and method | |
| Sengur | Support vector machine ensembles for intelligent diagnosis of valvular heart disease | |
| CN113392749A (zh) | 一种基于gaf-vgg的滚动轴承故障诊断方法及装置 | |
| 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 | |
| CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
| Gantert et al. | A supervised approach for corrective maintenance using spectral features from industrial sounds | |
| Lee et al. | An enhanced binary particle swarm optimization for optimal feature selection in bearing fault diagnosis of electrical machines | |
| Cui et al. | Intelligent fault quantitative identification via the improved deep deterministic policy gradient (DDPG) algorithm accompanied with imbalanced sample | |
| Pérez-Pérez et al. | Fault detection and isolation in wind turbines based on neuro-fuzzy qLPV zonotopic observers | |
| CN112330509B (zh) | 模型无关的自适应测试方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181204 |