CN111474476B - 一种电机故障预测方法 - Google Patents
一种电机故障预测方法 Download PDFInfo
- Publication number
- CN111474476B CN111474476B CN202010204598.1A CN202010204598A CN111474476B CN 111474476 B CN111474476 B CN 111474476B CN 202010204598 A CN202010204598 A CN 202010204598A CN 111474476 B CN111474476 B CN 111474476B
- Authority
- CN
- China
- Prior art keywords
- motor
- matrix
- data
- test data
- fault
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000011159 matrix material Substances 0.000 claims abstract description 66
- 238000012360 testing method Methods 0.000 claims abstract description 42
- 238000012706 support-vector machine Methods 0.000 claims abstract description 24
- 230000009467 reduction Effects 0.000 claims abstract description 16
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 39
- 238000000513 principal component analysis Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000002405 diagnostic procedure Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims 2
- 238000011946 reduction process Methods 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种电机故障预测方法,包括以下步骤:S1、使电机以规定的运转模式运转,采集电机的振动信号作为标定数据;S2、对步骤S1采集的数据进行降噪处理,对降噪后的信号进行时域分析得到时域指标,并构造特征矩阵;S3、使所述电机再次以所述规定的运转模式运转,再次测定电机振动信号作为测试数据,对测试数据进行降噪处理,对降噪后的信号进行时域分析得到时域指标,并构造特征矩阵;S4、用步骤S1的标定数据作为练习数据,生成一类支持向量机法的映射空间的正常区域;使用所述测试数据作为追加的标定数据,使用二分类支持向量机法构造若干个二分类器生成新的映射空间的异常区域;S5、对电机进行诊断。
Description
技术领域
本发明属于电机故障预测领域,具体涉及一种电机故障预测方法。
背景技术
随着科技的不断发展,工业生产也在不断进步,电机作为工业生产中使用较多的电力设备, 在实际运行过程中,往往会因为各种影响而出现各种各样的故障,不仅会使电机本身受损,甚至 还会造成停产等严重损失。在电机出现故障的前期能够迅速有效地识别故障模式,找到故障 原因是十分重要的。
专利名称为电机故障诊断方法和系统(申请号:201810268354.2)公开了一种电机故障 诊断方法和系统,该方法通过获取交流电机的振动信号,并提取所述振动信号的特征向量; 将所述振动信号的特征向量作为目标Softmax回归模型的输入,通过所述目标Softtmax回归 模型进行电机的故障诊断。该系统实现了对交流电机进行精准分类诊断的目的,但是不能实 现对电机故障的预测。
专利名称为电机故障诊断方法及系统(申请号:201811590223.2)公开了一种电机故障 诊断方法及系统,以及时发现电机运行的异常情况并进行故障诊断,但该诊断系统不能实现 对电机故障的预测。
传统的电机故障诊断系统只能进行故障诊断,不能根据以往的测试数据预测电机的故障 发生时期。本发明提出一种电机故障预测方法,可以预知电机故障的时间。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种电机故障预测方法,可以根 据以往的测试数据预测电机的故障发生时期。
本发明至少通过如下技术方案之一实现。
一种电机故障预测方法,包括以下步骤:
S1、使电机以规定的运转模式运转,采集电机的振动信号作为标定数据;
S2、对步骤S1采集的数据进行降噪处理,对降噪后的信号进行时域分析得到时域指标, 并构造特征矩阵;
S3、在所述电机的运转后,使所述电机再次以所述规定的运转模式运转,再次测定电机 振动信号作为测试数据,对测试数据进行降噪处理,对降噪后的信号进行时域分析得到时域 指标,并构造特征矩阵;
S4、用步骤S1的标定数据作为训练数据,生成一类支持向量机法的映射空间的正常区域; 使用所述测试数据作为追加的标定数据,使用二分类支持向量机法构造若干个二分类器生成 新的映射空间的异常区域;
S5、基于步骤S3的测试数据是否包含于支持向量机法的所述映射空间的所述区域,对电 机进行诊断。
进一步地,所述降噪处理为主成分分析(PCA),PCA降噪的步骤为:
1、根据测得的振动信号X1=[x(1),x(2),…,x(N)],x(1)~x(N)为振动加速度信号,构造汉 克尔矩阵(Hankel Matrix)X:
X为m×n阶矩阵,N为数据长度,当数据长度N为奇数时,m=(N+1)/2,n=(N+1)/2,当 数据长度N为偶数时,m=N/2,n=N/2+1;
设xmn和x(N)具有一一对应关系,将矩阵X表示为
2、将矩阵X表示为X=[x1,x2,…,xm]T,其中xi∈x1~xm,xi为汉克尔矩阵X的行向量,每个 向量xi中均含有n个样本,即xi=(xi1,xi2,…,xin),对矩阵X进行主成分分析,得l个新的变 量yi,i=1~l,l≤m,其中,yi∈Rl×n,R为实数集;根据PCA的定义,αi=(αi1,αi2,…,αim)T为 X的协方差矩阵中由大到小排列的第i个特征值对应的特征向量,αi1~αim为特征向量αi的元 素,对应表达式如下:
其中,αi满足:
由主成分分析的原理可知,协方差矩阵C的特征方程如下:
Cαi=λiαi
式中,λi为矩阵C的特征值,αi为与λi对应的特征向量;
3、为衡量特征向量所对应的比例,定义贡献率ηl,并通过协方差的特征值λi来衡量贡献 率,以此衡量主成分对原始数据信息的保留度:
4、根据设定的贡献率ηl,选前l个成分进行重构,得近似矩阵为
进一步地,所述时域指标为能量、峭度、均方值。
进一步地,步骤S4的一类支持向量机法即一类SVM法训练过程包括以下步骤:
(1)规范化特征矩阵T=[t1,…,tP]T的列向量成零均值单位方差,其中P为训练样本,t1~tP为时域特征;
(2)基于特征矩阵T训练一类SVM模型:
其中,β=[β1,...,βP]T为优化权值向量,β1~βP为优化权值系数,通过求解式(2)得到 β1~βP的值;
式(2)中,Hbc=K(tb,tc)为核函数,tb、tc∈T,c∈[1,P],tb、tc均为目标向量,T为特征矩阵,核函数选择径向基核函数为
其中,σ为标准差;
(3)计算偏移量b:
其中:tz为松弛因子ξz=0对应的支持向量,tz的个数为ns,tc表示目标向量,βc为优化 权值系数,设定置信水平v,验证数据组T1=[t1',…,tP1']T,其中P1为 验证数据数,t1'~tP1'为时域特征,然后根据验证数据组计算测量统计值F(t),
进一步地,步骤S5是基于所述测试数据的所述映射空间的位置的历时变化,将所述测试 数据从所述正常区域脱离的时期预测作为所述电机的故障发生时期。
进一步地,当新样本tt到来时,步骤S5的诊断过程包括以下步骤:
1)根据tt的均值和方差规范化新的样本得到样本t',t'为新样本的时域特征向量。
2)计算距离检测量:
3)按照下述逻辑判断是否发生故障:如果F1(t)>Jth,Jth取第v×P1个测量统计值F(t)的 值,则系统发生了故障;否则,系统工作正常。
进一步地,步骤S4的二分类支持向量机法即二分类SVM法训练过程包括以下步骤:
(2)二分类SVM模型为:
式(3)中,函数选择径向基核函数为
其中g∈[1,L],σ为标准差;
(3)计算偏移量b':
(4)将测试数据集(xd',yd')代入式(3)中,计算f(xd',yd')的值,将f(xd',yd')=+1的 数据分为一类故障,将f(xd',yd')=-1的数据分为另一类故障。
进一步地,对于不同电机的故障类型用二分类SVM法进行分类,对测试数据在所述映 射空间的位置的历时变化曲线进行故障类型标志,不同的故障预测发生时期即为电机不同故 障的发生时间。
与现有的技术相比,本发明的有益效果为:
根据本发明的电机故障预测方法,可以实现对电机正常与否的诊断,预测电机故障的时 期。通过对电机的不同故障类型的故障预测曲线进行故障类型标志,可预测不同故障类型的 故障发生时间。
附图说明
图1是本发明第一实施例基于诊断结果的故障时期预测的说明图;
图2是本发明实施例使用二分类SVM法的故障诊断流程的框图;
图3是本发明第二实施例的基于诊断结果的故障时期预测的说明图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描 述。
一种电机故障预测方法,包括以下步骤:
S1、标定步骤:使直驱电机以规定的运转模式运转,采集电机的振动信号作为标定数据;
S2、信号处理步骤:对步骤S1采集的数据进行降噪处理,对降噪后的信号进行时域分析 得到时域指标,并构造特征矩阵;
S3、测试步骤:在所述电机的运转后,使所述电机再次以所述规定的运转模式运转,再 次测定电机振动信号作为测试数据,对测试数据进行降噪处理,对降噪后的信号进行时域分 析得到时域指标,并构造特征矩阵;
S4、生成步骤:用步骤S1的标定数据作为练习数据,生成一类支持向量机法的映射空间 的正常区域;使用所述测试数据作为追加的标定数据,使用二分类支持向量机法构造多个二 分类器生成新的映射空间的异常区域;
S5、诊断步骤:基于步骤S3的测试数据是否包含于支持向量机法的所述映射空间的所述 区域,来进行所述电机的诊断,在所述映射空间位置的历时变化,将所述测试数据从所述正 常区域脱离的时期预测作为不同电机的故障发生时期。
所用降噪处理为主成分分析(PCA),PCA降噪的步骤为:
1、根据测得的振动信号X1=[x(1),x(2),…,x(N)],x(1)~x(N)为振动加速度信号,构造汉克 尔矩阵(Hankel Matrix)X。
X为m×n阶矩阵,N为数据长度,当数据长度N为奇数时,m=(N+1)/2,n=(N+1)/2,当 数据长度N为偶数时,m=N/2,n=N/2+1;
设xmn,xmn和x(N)具有一一对应关系,将矩阵X表示为
2、将矩阵X表示为X=[x1,x2,…,xm]T,其中xi∈x1~xm,xi为汉克尔矩阵X的行向量,每个 向量xi中均含有n个样本,即xi=(xi1,xi2,…,xin),对矩阵X进行主成分分析,得l个新的变 量yi,i=1,2,…,l(l≤m),其中,yi∈Rl×n(R为实数集),由PCA的定义可知,αi=(αi1,αi2,…,αim)T为X的协方差矩阵中的第i个特征值(由大到小排列)对应的特征向量,αi1~αim为特征向量 αi的元素,对应表达式如下:
其中,αi满足:
由主成分分析的原理可知,协方差矩阵C的特征方程如下:
Cαi=λiαi
式中,λi为矩阵C的特征值,αi为与λi对应的特征向量。
通过(C-λiE)αi=0,其中,E为单位矩阵,可以求得αi=(αi1,αi2,…,αim)T的值。
3、为衡量特征向量所对应的比例,定义贡献率ηl,并通过协方差的特征值λi来衡量贡献 率,以此衡量主成分对原始数据信息的保留度:
4、根据设定的贡献率ηl,选前l个成分进行重构,得近似矩阵为
信号降噪后再进行时域分析,得到时域指标,为了较好的描述信号的突变情况,选用能 量、峭度、均方值作为时域指标。
所述S4步骤中的一类SVM(supportVectorMac)法又称一类支持向量机法,能够进行使用 正常时的直驱电机的标定数据、即正常数据作为练习数据的机器学习。因此无需将直驱电机 破坏而取得异常数据。
一类SVM法训练过程分为以下几步:
(1)规范化特征矩阵T=[t1,…,tP]T的列向量成零均值单位方差,其中P为训练样本,t1~tP为时域特征。
(2)基于目标矩阵T训练一类SVM模型:
其中,β=[β1,…,βP]T为优化权值向量,β1~βP为优化权值系数,通过求解式(2)得到 β1~βP的值;
式(2)中,Hbc=K(tb,tc)为核函数,tb、tc∈T,c∈[1,P],tb、tc均为目标向量,T为特征矩阵,核函数选择径向基核函数为
其中,σ为标准差;
(3)计算偏移量b:
其中:tz为松弛因子ξz=0对应的支持向量,tz的个数为ns,tc表示目标向量,βc为优化 权值系数,设定置信水平v,验证数据组T1=[t1',…,tP1']T,其中P1为 验证数据数,t1'~tP1'为时域特征,然后根据验证数据组计算测量统计值F(t),
当新样本tt到来时,步骤S5的诊断过程包括以下步骤:
1)根据tt的均值和方差规范化新的样本得到样本t',t'为新样本的时域特征向量。
2)计算距离检测量:
3)按照下述逻辑判断是否发生故障:如果F1(t)>Jth(Jth取第v×P1个测量统计值F(t)的 值),则系统发生了故障;否则,系统工作正常。
图1示出了本发明的第一实施例。图1是基于诊断结果的故障时期预测的说明图,横轴 表示时间,纵轴表示阈值Jth减去一类SVM识别器的诊断结果(F(t))的值。
图1的折线I是利用实线将向一类SVM识别器输入从直驱电机的初始状态t0到当前t1 的多次的测试数据时Jth-F(t)的值标绘连结而形成的。如折线I所示,在直至当前t1为止, 标绘的折线包含于诊断结果F(t)<Jth的正常区域。
需要说明的是,测试数据的取得间隔可以取任意的时间,而且,取得间隔可以是一定间 隔,也可以是不定期。各个标绘的值随着时间的经过而处于减少倾向,当延长该倾向时,如 虚线II所示,在时间t2的时刻预测为诊断结果F(t)>Jth。
需要说明的是,预测可以是基于折线I的外插法,也可以采用其他的任意适合的方法。
这样,可以将由于诊断结果的时间推移而测试数据从正常区域脱离的时期预测作为直驱 电机的故障发生时期。这种情况下,时间t2被预测为直驱电机的故障发生时期。因此,可知 在时间t2之前,需要采取检修等对策。
图2示出了使用测试数据作为追加的标定数据,使用二分类支持向量机法构造多个二分 类器生成新的映射空间的异常区域。
需要说明的是,由测试数据的追加产生的最新的正常数据库的更新可以定期进行,也可 以不定期进行。
二分类支持向量机法即二分类SVM法训练过程包括以下步骤:
(1)测试数据集(xd',yd'),d=1,2,…,L,xd'∈Rn为输入数据,L为二分类SVM训练样本 数,Rn为实数集,yd'={-1,+1}为输出类别;
(2)二分类SVM模型为:
式(3)中,函数选择径向基核函数为
其中g∈[1,L],σ为标准差;
(3)计算偏移量b':
(4)将测试数据集(xd',yd')代入式(3)中,计算f(xd',yd')的值,将f(xd',yd')=+1的 数据分为一类故障,将f(xd',yd')=-1的数据分为另一类故障。
在进行故障诊断时,先将异常测试数据输入第一分类器1(SVM1),若判别式输出为1, 则判定测试数据属于故障1,分类结束;判别式输出为-1,则将异常测试数据输入给第二分类 器2(SVM2),进行上述判断,以此类推,直到分类结束。若最终输出为-1,则说明测试样本所属类别不在这k类故障之中。
图3示出了本发明的第二实施例。图3是基于诊断结果的故障时期预测的说明图,横轴 表示时间,纵轴表示阈值Jth减去一类SVM识别器的诊断结果F(t)的值。
在第二实施例中,对多个直驱电机进行测试,运用一类SVM法对直驱电机进行诊断, 图3的折线I、III、V是将向一类SVM识别器输入从直驱电机的初始状态t0到当前t1的多次的测试数据时Jth-F(t)的值标绘连结而形成的。如折线I、III、V所示,在直至当前t1为止,标绘的折线包含于诊断结果F(t)<Jth的正常区域。需要说明的是,测试数据的取得间隔可以取任意的时间,而且,取得间隔可以是一定间隔,也可以是不定期。各个标绘的值随着时间的经过而处于减少倾向,当延长该倾向时,如虚线II、IV、VI所示,在时间t2、t3、t4 的时刻预测为诊断结果F(t)>Jth。
预测可以是基于折线I、III、V的外插法,也可以采用其他的任意适合的方法。
这样,可以将由于诊断结果的时间推移而测试数据从正常区域脱离的时期预测作为直驱 电机的故障发生时期。这种情况下,时间t2、t3、t4被预测为直驱电机的故障发生时期。
通过图2所示的二分类SVM法分别对时间t2、t3、t4的直驱电机进行故障诊断,识别出 其故障类型,分别对折线I、II和III、IV和V、VI进行故障类型标记,分别为故障1、故障2、故障3,进而可以得到各种故障类型的寿命曲线,对于在以后的工作中,当在t2时间出现故障,就可以判断其为故障1,当在t3时间出现故障,就可以判断其为故障2,可以提高故 障诊断的效率。
上述为本发明较佳的实施方式,但本发明的实施方式并不受上述内容的限制,其他的任何 未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换 方式,都包含在本发明的保护范围之内。
Claims (5)
1.一种电机故障预测方法,其特征在于,包括以下步骤:
S1、使电机以规定的运转模式运转,采集电机的振动信号作为标定数据;
S2、对步骤S1采集的数据进行降噪处理,对降噪后的信号进行时域分析得到时域指标,并构造特征矩阵;
S3、在所述电机的运转后,使所述电机再次以所述规定的运转模式运转,再次测定电机振动信号作为测试数据,对测试数据进行降噪处理,对降噪后的信号进行时域分析得到时域指标,并构造特征矩阵;
S4、用步骤S1的标定数据作为训练数据,生成一类支持向量机法的映射空间的正常区域;使用所述测试数据作为追加的标定数据,使用二分类支持向量机法构造若干个二分类器生成新的映射空间的异常区域;
S5、基于步骤S3的测试数据是否包含于支持向量机法的所述映射空间的所述区域,对电机进行诊断;
所述步骤S4的一类支持向量机法即一类SVM法训练过程包括以下步骤:
(1)规范化特征矩阵T=[t1,Λ,tP]T的列向量成零均值单位方差,其中P为训练样本,t1~tP为时域特征;
(2)基于特征矩阵T训练一类SVM模型:
其中,β=[β1,K,βP]T为优化权值向量,β1~βP为优化权值系数,通过求解式(2)得到β1~βP的值;
式(2)中,Hbc=K(tb,tc)为核函数,tb、tc∈T,c∈[1,P],tb、tc均为目标向量,T为特征矩阵,核函数选择径向基核函数为
其中,σ为标准差;
(3)计算偏移量b:
其中:tz为松弛因子ξz=0对应的支持向量,tz的个数为ns,tc表示目标向量,βc为优化权值系数,设定置信水平v,验证数据组T1=[t1',Λ,tP1']T,其中P1为验证数据数,t1'~tP1'为时域特征,然后根据验证数据组计算测量统计值F(t),
所述步骤S5基于所述测试数据的所述映射空间的位置的历时变化,将所述测试数据从所述正常区域脱离的时期预测作为所述电机的故障发生时期;
当新样本tt到来时,所述步骤S5的诊断过程包括以下步骤:
1)根据tt的均值和方差规范化新的样本得到样本t’,t'为新样本的时域特征向量;
2)计算距离检测量:
3)按照下述逻辑判断是否发生故障:如果F1(t)>Jth,Jth取第v×P1个测量统计值F(t)的值,则系统发生了故障;否则,系统工作正常。
2.根据权利要求1所述的电机故障预测方法,其特征在于,所述降噪处理为主成分分析(PCA),PCA降噪的步骤为:
a1、根据测得的振动信号X1=[x(1),x(2),Λ,x(N)],x(1)~x(N)为振动加速度信号,构造汉克尔矩阵(Hankel Matrix)X:
X为m×n阶矩阵,N为数据长度,当数据长度N为奇数时,m=(N+1)/2,n=(N+1)/2,当数据长度N为偶数时,m=N/2,n=N/2+1;
设xmn和x(N)具有一一对应关系,将矩阵X表示为
a2、将矩阵X表示为X=[x1,x2,Λ,xm]T,其中xi∈x1~xm,xi为汉克尔矩阵X的行向量,每个向量xi中均含有n个样本,即xi=(xi1,xi2,Λ,xin),对矩阵X进行主成分分析,得l个新的变量yi,i=1~l,l≤m,其中,yi∈Rl×n,R为实数集;根据PCA的定义,αi=(αi1,αi2,Λ,αim)T为X的协方差矩阵中由大到小排列的第i个特征值对应的特征向量,αi1~αim为特征向量αi的元素,对应表达式如下:
其中,αi满足:
由主成分分析的原理可知,协方差矩阵C的特征方程如下:
Cαi=λiαi
式中,λi为矩阵C的特征值,αi为与λi对应的特征向量;
a3、为衡量特征向量所对应的比例,定义贡献率ηl,并通过协方差的特征值λi来衡量贡献率,以此衡量主成分对原始数据信息的保留度:
a4、根据设定的贡献率ηl,选前l个成分进行重构,得近似矩阵为
3.根据权利要求2所述的电机故障预测方法,其特征在于,所述时域指标为能量、峭度、均方值。
4.根据权利要求3所述的电机故障预测方法,其特征在于,步骤S4的二分类支持向量机法即二分类SVM法训练过程包括以下步骤:
(41)测试数据集(xd',yd'),d=1,2,Λ,L,xd'∈Rn为输入数据,L为二分类SVM训练样本数,Rn为实数集,yd'={-1,+1}为输出类别;
(42)二分类SVM模型为:
式(3)中,函数选择径向基核函数为
其中g∈[1,L],σ为标准差;
(43)计算偏移量b':
(44)将测试数据集(xd',yd')代入式(3)中,计算f(xd',yd')的值,将f(xd',yd')=+1的数据分为一类故障,将f(xd',yd')=-1的数据分为另一类故障。
5.根据权利要求4所述的电机故障预测方法,其特征在于,对于不同电机的故障类型用二分类SVM法进行分类,对测试数据在所述映射空间的位置的历时变化曲线进行故障类型标志,不同的故障预测发生时期即为电机不同故障的发生时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010204598.1A CN111474476B (zh) | 2020-03-22 | 2020-03-22 | 一种电机故障预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010204598.1A CN111474476B (zh) | 2020-03-22 | 2020-03-22 | 一种电机故障预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111474476A CN111474476A (zh) | 2020-07-31 |
CN111474476B true CN111474476B (zh) | 2021-06-08 |
Family
ID=71749408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010204598.1A Active CN111474476B (zh) | 2020-03-22 | 2020-03-22 | 一种电机故障预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111474476B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113721121B (zh) * | 2021-09-02 | 2024-04-19 | 长江存储科技有限责任公司 | 一种用于半导体工艺的故障检测方法及装置 |
CN116793653B (zh) * | 2023-06-21 | 2024-02-27 | 北京谛声科技有限责任公司 | 一种基于声信号的旋转设备全生命周期监测方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103558547A (zh) * | 2013-11-01 | 2014-02-05 | 东南大学 | 一种永磁同步电机的智能故障诊断方法 |
KR101490636B1 (ko) * | 2013-12-24 | 2015-02-06 | 울산대학교 산학협력단 | 유도전동기의 결함 분류 방법 및 장치 |
CN105137354A (zh) * | 2015-08-27 | 2015-12-09 | 江苏科技大学 | 一种基于神经网络电机故障检测方法 |
CN107247230A (zh) * | 2017-07-03 | 2017-10-13 | 浙江大学 | 一种基于支持向量机和数据驱动的旋转电机状态监测方法 |
CN108960423A (zh) * | 2018-06-22 | 2018-12-07 | 青岛鹏海软件有限公司 | 基于机器学习的电机监测系统 |
CN110261773A (zh) * | 2019-07-01 | 2019-09-20 | 南京航空航天大学 | 一种航空发电机故障征兆提取方法及系统 |
-
2020
- 2020-03-22 CN CN202010204598.1A patent/CN111474476B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103558547A (zh) * | 2013-11-01 | 2014-02-05 | 东南大学 | 一种永磁同步电机的智能故障诊断方法 |
KR101490636B1 (ko) * | 2013-12-24 | 2015-02-06 | 울산대학교 산학협력단 | 유도전동기의 결함 분류 방법 및 장치 |
CN105137354A (zh) * | 2015-08-27 | 2015-12-09 | 江苏科技大学 | 一种基于神经网络电机故障检测方法 |
CN107247230A (zh) * | 2017-07-03 | 2017-10-13 | 浙江大学 | 一种基于支持向量机和数据驱动的旋转电机状态监测方法 |
CN108960423A (zh) * | 2018-06-22 | 2018-12-07 | 青岛鹏海软件有限公司 | 基于机器学习的电机监测系统 |
CN110261773A (zh) * | 2019-07-01 | 2019-09-20 | 南京航空航天大学 | 一种航空发电机故障征兆提取方法及系统 |
Non-Patent Citations (4)
Title |
---|
SUPPORT VECTOR MACHINES FOR DETECTION OF ANALYZER FAULTS – A CASE STUDY;Mats Nikus,;《IFAC Proceedings Volumes》;20061231;第1-6页 * |
交流电机定子绝缘故障诊断与在线监测技术综述;郑大勇;《中国电机工程学报》;20190120;第395-406页 * |
基于支持向量机多分类器的永磁同步电机故障诊断系统研究;梁洪;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200115;第15-26、43-54页 * |
采用深度学习的异步电机故障诊断方法;王丽华;《西安交通大学学报》;20171031;第128-133页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111474476A (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353482B (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
JP7167084B2 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
CN111474475B (zh) | 一种电机故障诊断系统及方法 | |
Dai et al. | Machinery health monitoring based on unsupervised feature learning via generative adversarial networks | |
CN112036301B (zh) | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 | |
US11669080B2 (en) | Abnormality detection device, abnormality detection method, and program | |
JP6851558B1 (ja) | 異常診断方法、異常診断装置および異常診断プログラム | |
CN111474476B (zh) | 一种电机故障预测方法 | |
CN111538311B (zh) | 一种基于数据挖掘的机械设备柔性多状态自适应预警方法及装置 | |
CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及系统 | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
KR20200005206A (ko) | 기계 학습 기반의 설비 이상 분류 시스템 및 방법 | |
CN111337244A (zh) | 一种风机齿轮箱输入轴故障监测和诊断的方法及装置 | |
Song et al. | Data and decision level fusion-based crack detection for compressor blade using acoustic and vibration signal | |
CN115098962A (zh) | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 | |
Wang et al. | An intelligent process fault diagnosis system based on Andrews plot and convolutional neural network | |
CN112541524B (zh) | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 | |
CN116204825A (zh) | 一种基于数据驱动的生产线设备故障检测方法 | |
CN110532698B (zh) | 一种基于数据模型的工业设备振动特征值趋势预测方法 | |
CN114021275A (zh) | 一种基于深度卷积模糊系统的滚动轴承故障诊断方法 | |
CN112880726A (zh) | 基于变分模态分解样本熵的传感器故障诊断方法和装置 | |
RU2648413C1 (ru) | Способ управления режимами на основе нейросетевого диагностирования неисправностей и технического состояния электроприводного газоперекачивающего агрегата | |
CN116956197B (zh) | 基于深度学习的能源设施故障预测方法、装置及电子设备 | |
Soualhi et al. | Remaining useful life estimation of turbofan engines using adaptive fault detection learning | |
CN118051743B (zh) | 一种航空发动机气路故障诊断方法和装置 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240105 Address after: 510900 Yuanzhougang Village, Taiping Town, Conghua District, Guangzhou City, Guangdong Province (Factory A01) Patentee after: GUANGZHOU HALEI DAILY NECESSITIES CO.,LTD. Address before: 510640 No. five, 381 mountain road, Guangzhou, Guangdong, Tianhe District Patentee before: SOUTH CHINA University OF TECHNOLOGY |