CN116595317A - 基于正交定子电流ga分析及sfo-pnn的电机故障诊断方法 - Google Patents
基于正交定子电流ga分析及sfo-pnn的电机故障诊断方法 Download PDFInfo
- Publication number
- CN116595317A CN116595317A CN202310496839.8A CN202310496839A CN116595317A CN 116595317 A CN116595317 A CN 116595317A CN 202310496839 A CN202310496839 A CN 202310496839A CN 116595317 A CN116595317 A CN 116595317A
- Authority
- CN
- China
- Prior art keywords
- sfo
- sardine
- pnn
- motor
- stator
- 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 63
- 238000003745 diagnosis Methods 0.000 title claims abstract description 46
- 238000004458 analytical method Methods 0.000 title claims abstract description 38
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 230000006698 induction Effects 0.000 claims abstract description 15
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 235000019512 sardine Nutrition 0.000 claims description 78
- 241001125048 Sardina Species 0.000 claims description 72
- 241001137309 Jordanella floridae Species 0.000 claims description 62
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 238000013145 classification model Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 241000555825 Clupeidae Species 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 abstract description 8
- 238000012615 high-resolution technique Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004804 winding Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 244000062804 prey Species 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明公开了一种基于正交定子电流GA分析及SFO‑PNN的电机故障诊断方法。包括：通过选择适当阈值，利用小波技术对电机的早期信号进行去噪处理；其次，采用派克矢量变换技术获取电机定子的正交电流信号；使用高分辨率技术Gabor分析方法对该正交电流信号进一步分析并提取故障特征信号。提出基于旗鱼算法优化的概率神经网络的分类模型，用以获得PNN的最佳参数组合，并将其应用到电机故障诊断过程中，同时，设计相关实验，手动创建不同的电机转子和定子故障，完成对四台感应电机的故障诊断，包括一个转子棒断裂故障、两个转子棒断裂故障、三个转子棒断裂故障、定子短路故障。与现有技术相比，本发明可以显著提高电机故障的诊断精度。
Description
技术领域
本发明涉及电机故障诊断技术领域，具体涉及一种基于正交定子电流GA分析及SFO-PNN的电机故障诊断方法。
背景技术
在工业生产中，感应电动机被广泛使用，在各种工业中都占有重要地位。感应电动机是工业生产过程中的关键元件，它们易于控制，设计坚固，安装程序不复杂，适用于多种工业应用。此外，感应电机不需要单独激励且能产生高的扭转力，这使得感应电机更适合工业应用，可以提高工业生产力和经济效益，电机的平稳运行可以保证工业生产不发生中断。尽管感应电机非常坚固可靠，但是，因长时间运行也会导致电机出现各种意外故障，如机械和电气故障，如果没能在早期发现这些故障，则会导致不必要的停机阶段。
除此以外，这些故障还会导致电机振动增加、效率降低、扭矩降低和过热，导致操作人员受伤、生产干扰和原材料损失等事件。因此必须及时检测电机故障，以防止出现重大生产事故。因此，故障识别在感应电机的维护中变得越来越重要，必须对感应电机的状况进行持续监控。感应电机的故障大致分为轴承损坏、转子故障、定子故障、偏心故障和其他故障，其中，与电相关的损坏是由于热膨胀、机电应力、电机的频繁切换，局部放电等原因引起的，并且，如果长时间运行电机，将导致持续存在这些电气故障，对机器和导线造成永久性损坏，使得工业过程中出现不必要的停顿。
对于电机故障信号的检测方法，一般可以通过使用加速度计或压电传感器检测速度和振动来观察，但使用这种技术识别故障不合适于嘈杂环境下的故障诊断，设备费用较高，且需要人工干预来分析现场数据。除此以外，已有的电机故障检测技术还有振动、化学、温度、声学和噪声等技术，但这些方法一般成本较高、实施较为困难。总体来看，通过监测定子电流来检测电机故障的方法是利用来自电流信号的数据诊断感应电动机的各种故障，不需要任何特殊设备，更为简单方便。另外，针对电机故障信号的分析方法还有频谱分析方法，但一般来说，该方法也需要对信号进行密集的预处理后，才能获得良好的诊断结果。例如，维纳滤波器(WF)、卡尔曼滤波器、预测线性滤波器等，为了消除健康状态下的定子电流的规则频谱分量，需要设计合适的滤波器系数，并且需要大量关于故障的先验知识，但是，由于定子电流频谱不同，电机的运行条件会发生变化，因此很难对这些部件进行估计，且由于带宽和旁瓣问题，多个陷波的系数会被设计的较长，并衰减了所需的故障分量，例如，在使用维纳滤波器(WF)的故障前分量消除过程中，需要关于定子电流谱的完整信息，包括不同来源的噪声，而且，由于侧带的去除，故障参数中会存在振荡。
发明内容
发明目的：针对传统的电机故障诊断方法的精度有限且操作复杂的问题，提出一种基于正交定子电流GA分析及SFO-PNN的电机故障诊断方法，可以显著提高电机故障诊断的精度，适用性好，易于实现，具有良好的推广能力。
技术方案：本发明公开了一种基于正交定子电流GA分析及SFO-PNN的电机故障诊断方法，包括以下步骤：
(1)获取电机的定子电流数据，通过选择适当阈值，利用小波技术对定子电流数据进行去噪处理；采用派克矢量变换PVT技术获取电机定子的正交电流信号；使用高分辨率技术Gabor分析方法对该正交电流信号进一步分析并提取故障特征信号，用以评估故障的影响及其性质；
(2)提出基于旗鱼算法SFO优化的概率神经网络PNN的分类模型SFO-PNN，利用旗鱼算法SFO优化概率神经网络PNN参数；
(3)将所述分类模型SFO-PNN应用到电机故障诊断过程中，创建不同的电机转子和定子故障，完成对感应电机的故障诊断，并获得诊断效果。
进一步地，所述步骤(1)中，利用小波技术对定子电流数据进行去噪处理具体处理步骤如下：
对于所收集到的定子电流数据，利用离散小波分解变换DWT进行去噪，DWT的数学分解表达式如下：
其中，G为低通滤波器、H为高通滤波器、K、n为尺度和平移参数，I(n)为定子电流；
接下来，对于利用以上公式分解后的定子电流，再应用适当的阈值去除不必要噪声，重建新信号，具体如下式：
其中，Id(n)为重建后信号，Im是基频的幅度，α是基波的相位角，Ii是谐波分量，αi是谐波相位差，j是谐波的阶数，包括基波分量f0，fj是谐波频率。
进一步地，所述步骤(1)中，采用派克矢量变换PVT技术获取电机定子的正交电流信号具体操作为：
在PVT中，将定子电流的三相分量分解为两相，即d轴和q轴组份，在这种情况下，去噪后定子的三相电流Id(n)表示如下：
Ida(n)＝Ij cos(2πfjn-φ)
其中，Ida(n)、Idb(n)、Idc(n)分别表示三相电流，Ij表示第j个谐波电流幅度，j是谐波的阶数，包括基波分量，fj是基波频率，φ是定子电压和电流之间的相位差，相应直流分量和正交分量使用以下表达式获得：
当故障发生时，在上述健康电流中会添加新的频率分量，具体表示如下：Ida(n)＝Ij cos(2πfjn-φ)+Ifl cos(2π(fj-ff)n-γl)+Ifr cos(2π(fj-ff)n-γl)
式中，ff是故障频率，γl是故障部件的电压及电流之间的相位差，Ifl和Ifr是故障和γl幅度，根据上式可得：
进一步地，所述步骤(1)中，将去噪后的定子电流的正交分量，即Ida(n)经Gabor分析GA获得对应的谱分量，具体步骤如下：
其中，gx,y(n)是简单函数，由下式决定：
gx,y(n)＝g(n-xT)ej2πyΩn,x,y∈M
g(n)为合成窗口，T为采样时间间隔，Ω为频率采样间隔，也称为时间-频率域的偏移参数，T和Ω大于0，M为尺度和方向参数x、y的取值范围，n为采样点；将合成窗口设置为高斯窗口，用以给出最大能量，高斯函数由下式给出：
其中，ζ为高斯函数形状控制参数，n为数据点，上式的高斯函数是能量归一化的，具体由下式给出：
∑|G(n)|2＝1
时频谱表示全部时阈内的信号谱能量的分布，由下式决定：
其中，Cx,y用作每一级分解的能量测量，如果分析的频率ff在特定时间内具有谐波，则这些系数具有较高的值，最后，将这些系数作为故障的特征，用于进一步的故障诊断。
进一步地，所述步骤(2)中，提出分类模型SFO-PNN，具体步骤如下：
概率神经网络由输入层、模式层、求和层和输出层组成，其中，输入层用于检索输入信号，且不执行任何计算，接下来的两层为模式层、求和层，输出层的神经元数量与目标类别相同，具体实现过程如下：
Step 1：求解模式层的输出
在分类过程中，由输入层中的神经元接收输入信号并将其传递到模式层，在该模式层中，神经元被分为各种类别，并使用以下等式来计算第kth个模式第cth类神经元的输出Fc,k(X)：
其中，Xc,k∈Rn是内核中心，α是平滑参数，用于查找内核感受域的大小；
Step 2：利用求和层求解概率函数
根据模式层的输出，近似条件类概率函数Gc(X)可以通过对Fc,k(X)求和计算获得，具体如下式：
其中，Nc是c模式类的总数；
Step 3：由输出层得到特定类别
最后，基于求和层单元的最大输出，判别具体的特定类别，具体如下式：
Y(X)＝argmax1≤c≤C(Gc)
步骤(2)b：实现旗鱼优化算法SFO，在概率神经网络PNN模型中选择内核中心大小、平滑参数、隐藏节点数量和各层权值，采用旗鱼优化算法SFO对以上参数的最佳组合进行优化计算；
步骤(2)c：建立基于旗鱼优化算法SFO优化的PNN分类模型SFO-PNN
在利用概率神经网络PNN来映射电机故障样本的过程中，由SFO对PNN模型中的内核中心大小、平滑参数、隐藏节点数量和各层权值的最佳组合进行优化计算，基于SFO优化概率神经网络PNN的训练步骤如下：
Step 1：对故障样本进行归一化预处理，然后对每一个样本添加标签；
Step 2：初始化SFO参数，根据上述参数所形成的可行域，随机生成旗鱼和沙丁鱼的位置，并将故障数据样本作为分类器的输入进行训练；
Step 3：假设测试集样本的实际输出与期望相等，则表明分类正确，分类准确的样本个数为Ni，总的测试集样本数为M，通过式计算旗鱼和沙丁鱼每个位置的适应度值，将测试集准确率作为适应度函数；
Step 4：根据适应度的排序，记录初始精英旗鱼和受伤沙丁鱼的适应度以及位置；
Step 5：分别更新旗鱼和沙丁鱼的位置，再重新计算它们个体的适应度值，然后判断是否捕获成功，否则旗鱼和沙丁鱼位置替换；
Step 6：重复Step 5，直至满足最大迭代次数，然后输出最后精英旗鱼的位置，以此得到最优的SFO-PNN的主要的参数的最佳组合，即内核中心大小、平滑参数、隐藏节点数量和各层权值，利用最佳参数组合构建最优的PNN模型。
进一步地，所述旗鱼优化算法SFO的具体操作为：
假设旗鱼分布在搜索空间，而沙丁鱼的位置有助于在搜索空间中找到d个最优解，其中，具有最佳适应度的旗鱼被命名为“精英”旗鱼，第ith次迭代的位置由提供，对于沙丁鱼来说，受影响的是第ith次迭代中的具有较好的适应度值的位置，即/>在优化过程中，对于每次迭代，沙丁鱼和旗鱼的位置都被最大化；具体实现过程如下：
Step 1：更新旗鱼位置
在第(i+1)th次迭代中，利用沙丁鱼的前一个位置精英旗鱼通过下式更新其当前位置/>
其中，表示第Slfth条精英旗鱼的前一个位置，rnd定义为0-1之间任意值，μi表示调整系数，具体定义如下式：
μi＝2×rnd×Prd-Prd
其中，Prd描述猎物的密度，表示所有迭代中的猎物数量，Prd的测量值由下式确定：
NumSlf和NumSrd分别表示旗鱼和沙丁鱼的数量，它们之间的关系满足下式：
NumSlf＝NumSrd×Prcnt
其中，Prcnt定义了初始旗鱼种群的沙丁鱼种群的比例，且沙丁鱼的数量高于旗鱼的数量；
Step 2：更新沙丁鱼位置
在所有迭代中，沙丁鱼按照下式进行位置更新：
ATK＝A×(1-(2×itr×k))
其中，和/>表示沙丁鱼的前一个位置和当前位置，/>表示第Slfth条精英旗鱼的前一个位置，ATK表示旗鱼在itr迭代时的攻击效率，沙丁鱼位置和数量的更新都基于ATK；根据ATK，可以获得位置更新后的沙丁鱼数量γ和变量数量δ，具体由以下公式确定：
γ＝NumSrd×ATK
δ＝ν×ATK
其中，ν表示更新前变量的值，NumSrd表示更新前的沙丁鱼数量；
Step 3：攻击交替策略
在SFO中，当旗鱼捕获猎物时，如果发现沙丁鱼更健康，也就是说，与旗鱼相比，沙丁鱼更适合食用，旗鱼就会最大限度地增加位置，并从种群中消失，在这种情况下，为了提升捕获率，将被捕沙丁鱼的最新位置替代旗鱼的位置，公式如下所示：
表示第i次迭代中的沙丁鱼当前位置，/>表示第i次迭代中的旗鱼当前位置，f(Srdi)、f(Slfti)分别表示第i次迭代时，沙丁鱼以及旗鱼所对应的适应度值。
进一步地，所述步骤(3)电机转子和定子故障包括：一个转子棒断裂故障、两个转子棒断裂故障、三个转子棒断裂故障以及定子短路故障。
有益效果：
1、本发明在特征提取阶段，采用派克矢量变换(PVT)技术来获取电机正交电流信号，可以大大简化发电机的电磁关系的微分方程，便于特征分析，提高特征提取阶段的处理速度。然后，使用高分辨率技术(Gabor分析方法)对其进行分析并提取特征。Gabor分析方法与人类视觉系统中的细胞视觉刺激响应非常相似，在提取目标的局部空间和频率域信息方面具有优良的性能，能够提供良好的方向选择和尺度选择。利用Gabor变换方法可以达到时频局部化的目的，能同时提供信号的整体信息与变化的局部信息，包括时域和频域的局部化的信息。利用正交定子电流及Gabor方法的良好特性，本专利中提取了更具代表性的感应电机的故障信号特征，从而进一步提高了电机故障诊断的分辨率。
2、本发明在故障分类阶段，采用基于旗鱼算法(SFO)优化的概率神经网络(PNN)作为分类模型(SFO-PNN)，概率神经网络分类器遵循统计学的贝叶斯分类器概念，它给出了基于模式分类问题的答案，能够解决多分类问题，并以二分法的形式将其分解，其主要优点是学习过程简单、训练速度快、分类更准确、容错性好。另外，在分类过程中，如果分类速度过大，会导致分类错误，概率神经网络(PNN)分类器有助于协调训练速度和测试速度，从而避免由于速度过快而带来的分类错误，因此，本专利将PNN分类器用于分析电机的故障状态并生成校正结果。在概率神经网络(PNN)模型中存在几个影响其优化结果的主要的参数，即内核中心大小、平滑参数、隐藏节点数量和各层权值。实际上，选择合适的参数组合既费时又困难。为了使用概率神经网络(PNN)模型获得最佳参数，本专利采用旗鱼优化算法(SFO)对以上参数的最佳组合进行优化计算。SFO是一种基于种群的元启式优化算法，具有寻优能力强，收敛快的优点。
3、本发明实验表明，针对4种电机故障类型，即一个转子断条故障、两个转子断条故障、三个转子断条故障以及定子绕组短路故障，平均分类精度和召回率分别为91.7％，91.8％，可见，所提出方法具有良好的故障诊断效果，并且，这种基于电流检测的故障诊断方法，适用性好，易于实现，具有良好的推广能力。
附图说明
图1是基于正交定子电流GA分析及SFO-PNN的电动机故障诊断方法实现过程；
图2是基于正交定子电流GA分析的电机故障信号提取方法的实现过程；
图3是概率神经网络PNN的体系结构；
图4是SFO算法的具体工作流程；
图5是基于SFO算法优化PNN的故障诊断流程；
图6是去噪后的三相定子的电流波形(转子断裂故障)；
图7是经PVT处理后的定子电流谱(定子故障)；
图8是经PVT处理后的定子电流谱(转子故障)。
具体实施方式
为了更好地解释本发明，以便于理解，下面对本发明的技术方案作详细描述。以下实施例是对本发明的解释，而本发明并不局限于以下实施例。
针对常规电机故障诊断方法精度有限且操作复杂的问题，本专利提出一种基于正交定子电流GA分析及SFO-PNN的电机故障诊断方法，图1所示为本发明实施例中基于正交定子电流GA分析及SFO-PNN的电动机故障诊断方法的实现过程。
首先，使用电流互感器收集电机的定子电流，并送入计算机进行处理，对于收集的定子电流数据，先进行特征提取，具体过程如下：利用离散小波分解变换(DWT)进行去噪。然后，通过PVT完成相位转换，从而将去噪后的定子电流从3相位分量转换为2相位分量，即d轴和q轴组份，再利用Gabor方法对经PVT处理后的正交电流进一步分析并提取特征，接下来，建立基于旗鱼算法优化的概率神经网络的分类模型(SFO-PNN)，对提取后的电机故障信号进行故障分类，从而完成对电机故障的诊断。
结合图1，基于正交定子电流GA分析及SFO-PNN的电机故障诊断方法，包括以下步骤：
步骤1：获取电机的定子电流数据，通过选择适当阈值，利用小波技术对定子电流数据进行去噪处理；采用派克矢量变换PVT技术获取电机定子的正交电流信号；使用高分辨率技术Gabor分析方法对该正交电流信号进一步分析并提取故障特征信号，用以评估故障的影响及其性质。具体处理步骤如下：
步骤(1)a：分析电气故障对定子电流的影响
电气故障会产生故障谐波并分布在电流频谱上，这些故障谐波的幅值非常小且是隐藏的，由处于初始状态的常规组件执行。转子故障产生的故障谐波由(1)给出：
fBRB＝f0(1+2ks) (1)
式中，fBRB是由于转子断裂引起的故障谐波，f0为供电频率，s为滑差百分比，k＝±1,±2,±3,…。如果k为负值，对应频率为左侧频带(LSF)，如果k为正值，则对应右侧频带(RSF)。谱接近度是直线的，取决于电机的滑差值和额定值，在低滑差值下，当电机处于满载状态，电机为高速或高额定功率，LSF和RSF非常接近基波分量，并导致谱拖尾，因此，对这些故障谐波的检测非常重要。
由射频(RF)引起的定子电流的故障谐波，由(2)决定：
其中，
尽管(1)和(2)产生的故障谐波不同，但它们都产生了基波分量及其谐波边带。这些频率非常接近基频，并且需要高分辨率的处理方法。
另一类是电气故障，其中，定子匝间故障是主要问题，如果不及早发现，故障会迅速增长，这些故障也会产生故障特征谐波，定子匝间故障产生的故障谐波由下式给出：
其中，n＝1,2,3,…，p为极数，l＝1,3,5,…。
可见，通过n和l的适当组合可以计算故障频率。当滑移非常低时，如电动机处于空载状态，这些频率需要重点考虑。这些故障主要是由定子绕组中的电压不平衡或匝间短路引起的，从而产生由n和l组合的故障谐波。
在正常运行条件下，电机的定子电流由(4)式决定：
其中，Im是基频的幅度，α是基波的相位角，Ii是谐波分量，fi是谐波频率，αi是谐波相位差，G(n)是来自传感设备的噪声。
步骤(1)b：收集定子电流数据
根据以上步骤的分析，使用电流互感器收集电机的定子电流，并送入计算机进行处理，实验对象选取正常和故障状态下的鼠笼式电机。将笼式电机的转子分别钻1个、2个和3个孔，每个孔为5毫米，从而手动创建三种转子断裂故障，即转子断裂故障1、转子断裂故障2、转子断裂故障3，接下来，再将定子绕组短路，获得定子短路故障，然后，使用10kHz的采样频率采集相应的定子电流，每次记录500个样本并存储，用于数据收集，完成对所提出的故障检测方案的实验验证。
步骤(1)c：小波去噪
首先，使用电流互感器收集电机的定子电流，并送入计算机中进行处理，对于收集的定子电流数据，利用离散小波分解变换(DWT)进行去噪。DWT的数学分解表达式如下。
其中，G为低通滤波器、H为高通滤波器、K、n为尺度和平移参数，I(n)为定子电流。
接下来，对(3)式中的定子电流，利用(5)和(6)式子进行分解，选择适当的阈值去除不必要的噪声并重建新信号，具体如下式：
其中，Id(n)为重建后信号，Im是基频的幅度，α是基波的相位角，Ii是谐波分量，αi是谐波相位差，j是谐波的阶数，包括基波分量f0，fj是谐波频率。
步骤(1)d：派克矢量变换(PVT)处理
在PVT中，将定子电流的三相分量分解为两相，即d轴和q轴组份。在这种情况下，去噪后的定子三相电流Id(n)表示如下：
Ida(n)＝Ijcos(2πfjn-φ) (8)
其中，Ida(n)、Idb(n)、Idc(n)分别表示三相电流，Ij表示第j个谐波电流幅度，j是谐波的阶数，包括基波分量，fj是基波频率，φ是定子电压和电流之间的相位差。
相应直流分量和正交分量使用以下表达式获得。
当故障发生时，在上述健康电流会中添加新的频率分量，具体表示如下：
Ida(n)＝Ijcos(2πfjn-φ)+Iflcos(2π(fj-ff)n-γl)+Ifrcos(2π(fj-ff)n-γl)(13)
式中，ff是故障频率，γl是故障部件的电压及电流之间的相位差，Ifl和Ifr是故障和γl幅度。根据(13)-(14)式子可得：
根据此分析，再将去噪后的定子电流的正交分量(即Ida(n))经Gabor分析，可以获得对应的谱分量，具体如步骤步骤(1)e。
步骤(1)e：Gabor分析并提取特征
经PVT处理后的电机定子的正交电流，再通过Gabor方法进一步分析，Gabor是一种时频分析方法，主要专注于转换和调制，用于将主要任务划分为一系列简单的处理模块。具体处理过程如下：
其中，gx,y(n)是简单函数，由下式决定：
gx,y(n)＝g(n-xT)ej2πyΩn,x,y∈M (18)
g(n)为合成窗口，T为采样时间间隔，Ω为频率采样间隔，也称为时间-频率域的偏移参数，T和Ω大于0，M为尺度和方向参数x、y的取值范围，n为采样点。在这项工作中，将合成窗口设置为高斯窗口，用以给出最大能量。高斯函数由下式给出：
其中，ζ为高斯函数形状控制参数，n为数据点。
(19)式中的高斯函数是能量归一化的，具体由下式给出：
∑|G(n)|2＝1 (20)
时频谱表示全部时阈内的信号谱能量的分布，由下式决定：
其中，Cx,y用作每一级分解的能量测量，如果分析的频率ff在特定时间内具有谐波，则这些系数具有较高的值，最后，将这些系数作为故障的特征，用于进一步的故障诊断。
图2为基于正交定子电流GA分析的电机故障信号提取方法的实现过程。
步骤2：提出基于旗鱼算法(SFO)优化的概率神经网络(PNN)的分类模型(SFO-PNN)，用以获得PNN的最佳参数组合，并将其应用到电机故障诊断过程中。具体步骤如下：
步骤(2)a：建立概率神经网络(PNN)
本专利将PNN分类器用于分析电机的故障状态，概率神经网络PNN体系结构如图3所示。由图3可见，概率神经网络由输入层、模式层、求和层和输出层组成。其中，输入层用于检索输入信号，且不执行任何计算，接下来的两层为模式层、求和层，输出层的神经元数量与目标类别相同。具体步骤如下：
Step 1：求解模式层的输出
在分类过程中，由输入层中的神经元接收输入信号并将其传递到模式层，在该模式层中，神经元被分为各种类别，并使用式(22)计算第kth个模式第cth类神经元的输出Fc,k(X)。
其中，Xc,k∈Rn是内核中心，α是平滑参数，用于查找内核感受域的大小。
Step 2：利用求和层求解概率函数
根据模式层的输出，近似条件类概率函数Gc(X)可以通过对Fc,k(X)求和计算获得，具体如下式：
其中，Nc是c模式类的总数。
Step 3：由输出层得到特定类别
最后，基于求和层单元的最大输出，判别具体的特定类别，具体如下式：
Y(X)＝argmax1≤c≤C(Gc) (24)
步骤(2)b：实现旗鱼优化算法(SFO)
在概率神经网络(PNN)模型中存在几个影响优化结果的主要的参数，即内核中心大小、平滑参数、隐藏节点数量和各层权值。实际上，选择合适的参数组合既费时又困难。为了使得PNN获得最佳参数，本专利采用旗鱼优化算法(SFO)对以上参数的最佳组合进行优化计算。SFO是一种基于种群的元启式优化算法，具有寻优能力强，收敛快的优点，其灵感来自一群捕猎的旗鱼。基于一组狩猎旗鱼交替攻击的原理，算法的实现过程由两个方面组成，一是旗鱼种群加强对最优个体的搜索，即精英旗鱼，二是沙丁鱼种群的多样化搜索。随着旗鱼狩猎进程的发展以及沙丁鱼的辅助作用，可以得到精英旗鱼在搜索空间中的位置，即最优解。在该算法中，旗鱼和沙丁鱼均是找到解决方案的因素，旗鱼是分散在搜索空间中的主要因素，沙丁鱼可以在该区域内协同寻找最佳位置。事实上，沙丁鱼在搜索空间时会被旗鱼吃掉，旗鱼会由此更新自己的位置，以便找到更好的解决方案。
假设旗鱼分布在搜索空间，而沙丁鱼的位置有助于在搜索空间中找到d个最优解，其中，具有最佳适应度的旗鱼被命名为“精英”旗鱼，第ith次迭代的位置由提供。对于沙丁鱼来说，受影响的是第ith次迭代中的具有较好适应度值的位置，即/>在优化过程中，对于每次迭代，沙丁鱼和旗鱼的位置都被最大化。具体实现过程如下：
Step 1：更新旗鱼位置
在第(i+1)th次迭代，利用沙丁鱼的前一个位置精英旗鱼通过等式(25)更新其当前位置/>
其中，表示第Slfth条精英旗鱼的前一个位置，rnd定义为0-1之间任意值，μi表示调整系数，具体定义如等式(26)：
μi＝2×rnd×Prd-Prd (26)
其中，Prd描述猎物的密度，表示所有迭代中的猎物数量，Prd的测量值由等式(27)确定。
NumSlf和NumSrd分别表示旗鱼和沙丁鱼的数量，它们之间的关系满足式子(28)所示：
NumSlf＝NumSrd×Prcnt (28)
Prcnt定义了初始旗鱼种群的沙丁鱼种群的比例，且沙丁鱼的数量高于旗鱼的数量。
Step 2：更新沙丁鱼位置
在所有迭代中，沙丁鱼按照等式(29)(30)进行位置更新：
ATK＝A×(1-(2×itr×k)) (30)
其中，和/>表示沙丁鱼的前一个位置和当前位置，/>表示第Slfth条精英旗鱼的前一个位置，ATK表示旗鱼在itr迭代时的攻击效率。沙丁鱼位置和数量的更新都基于ATK。ATK的最小化有助于算法的收敛。根据ATK，可以获得位置更新后的沙丁鱼数量(γ)和变量数量(δ)，具体由方程(31)-(32)确定。
γ＝NumSrd×ATK (31)
δ＝ν×ATK (32)
ν表示更新前变量的值，NumSrd表示更新前的沙丁鱼数量。
Step 3：攻击交替策略
在SFO中，当旗鱼捕获猎物时，如果发现沙丁鱼更健康，也就是说，与旗鱼相比，沙丁鱼更适合食用，旗鱼就会最大限度地增加位置，并从种群中消失，在这种情况下，为了提升捕获率，将被捕沙丁鱼的最新位置替代旗鱼的位置，公式如(33)所示：
表示第i次迭代中的沙丁鱼当前位置，/>表示第i次迭代中的旗鱼当前位置，f(Srdi)、f(Slfti)分别表示第i次迭代中的沙丁鱼及旗鱼所对应的适应度值。
这种攻击交替策略可以随机选择旗鱼和沙丁鱼，从而确保对搜索区域的正确识别。由于旗鱼的攻击能力在所有迭代中会降低，并且提供了逃离旗鱼的机会，该特点使得算法具有更强的开发能力，而ATK变量则有助于权衡勘探和开发之间的能力。
SFO算法的具体工作流程如图4。
步骤(2)c：建立基于旗鱼优化算法(SFO)优化的PNN分类模型(SFO-PNN)
在利用概率神经网络(PNN)来映射电机故障样本的过程中，由SFO对PNN模型中的主要的参数的最佳组合进行优化计算，即内核中心大小、平滑参数、隐藏节点数量和各层权值。基于SFO优化概率神经网络的训练步骤如下：
Step 1：对故障样本进行归一化预处理，然后对每一个样本添加标签。
Step 2：初始化SFO参数，根据上述参数所形成的可行域，随机生成旗鱼和沙丁鱼的位置，并将故障数据样本作为分类器的输入进行训练。
Step 3：假设测试集样本的实际输出与期望相等，则表明分类正确，分类准确的样本个数为Ni，总的测试集样本数为M，通过式计算旗鱼和沙丁鱼每个位置的适应度值，将测试集准确率作为适应度函数。
Step 4：根据适应度的排序，记录初始精英旗鱼和受伤沙丁鱼的适应度及其位置。
Step 5：根据式(25)至(28)和(29)至(32)分别更新旗鱼和沙丁鱼的位置，再重新计算它们个体的适应度值，然后通过式(33)判断是否捕获成功，否则旗鱼和沙丁鱼位置替换。
Step 6：重复Step 5，直至满足最大迭代次数，然后输出精英旗鱼的位置，以此得到最优SFO-PNN主要参数的最佳组合，即内核中心大小、平滑参数、隐藏节点数量和各层权值，利用最佳参数组合构建最优的PNN模型，用训练好的模型对故障进行特征映射，完成故障分类。
基于SFO算法优化PNN的故障诊断流程如图5所示。
步骤(3)，基于以上技术，搭建实验平台，完成对电机故障分类的具体实施，通过手动创建不同的电机转子和定子故障，实现对四台感应电机的故障诊断，包括一个转子棒断裂故障、两个转子棒断裂故障、三个转子棒断裂故障、定子短路故障，并获得了良好的诊断效果。主要完成以下测试实验：
Step 1：选取实验对象、采集测试数据
使用电流互感器收集电机的定子电流，并送入计算机进行处理，实验对象选取正常和故障状态下的鼠笼式电机。将笼式电机的转子分别钻1个、2个和3个孔，每个孔为5毫米，从而手动创建三种转子断裂故障，即转子断裂故障1、转子断裂故障2、转子断裂故障3，接下来，再将定子绕组短路，获得定子短路故障，然后，使用10kHz的采样频率采集相应的定子电流，每次记录500个样本并存储，用于数据收集，完成对所提出的故障检测方案的实验验证。
实验中，将三相感应鼠笼式电机作为实验对象，其参数是2HP、四极、65Hz、420V、1490rpm，电机满载电流为4.0A。实验总共在4种不同负载条件下进行，相应的参数如下：
电机运行速度：1488转/分、1472转/分、1460转/分和1425转/分；
电机运行电流：3.2A、3.1A、3.9A和3.8A，实验过程中产生的各种故障的谐波如表1所示。
表1各种故障引起的故障频率(Hz)
| 故障类型 | 1488转/分 | 1472转/分 | 1460转/分 | 1425转/分 |
| 转子断裂故障1 | 50.3Hz | 50HzHz | 51.0Hz | 55.1Hz |
| 转子断裂故障2 | 49.3Hz | 49.12Hz | 48.1Hz | 48.3Hz |
| 转子断裂故障3 | 61.1Hz | 61.23Hz | 60.8Hz | 61.80Hz |
| 定子短路故障 | -33.1Hz | -36.1Hz | -36.5Hz | -35.0Hz |
Step 2：实验过程及结果分析
实验中，在负载处捕捉不同条件下的三相定子电流，但是，从处于时域的三相定子电流中并没有准确发现故障的迹象，尽管定子或转子故障会产生可检测的振动，也很难在时域被及时识别。此外，时域的定子电流信号不仅受故障影响，也对负载和噪声很敏感，而且，时域的电机电流健康状态还存在信号变形的问题，由此会引起故障误报。因此，实施中，首先利用小波方法对所采集的信号进行去噪处理。
在转子断裂故障的状态下，去噪后的三相定子电流波形如图6所示。由图6可见，由于使用了小波方法，定子电流的失真被极大地去除，信号变得更为平滑。
同时，在电机处于不同故障状态下，又获得经PVT处理后的定子电流谱(定子故障)，如图7，以及经PVT处理后的定子电流谱(转子故障)如图8。
最后，随机不同故障信号的100个数据，提取对应的故障特征，并送入基于SFO-PNN的分类器模型，从而完成电机故障类型的分类。算法迭代次数为500。测试结果见表2。
表2故障诊断分类效果
| 故障类型 | 精度 | 召回率 | 测试数据 |
| 转子断裂故障1 | 90.1 | 91 | 100 |
| 转子断裂故障2 | 92.5 | 91.5 | 100 |
| 转子断裂故障3 | 92 | 93 | 100 |
| 定子短路故障 | 92 | 91.6 | 100 |
| 平均 | 91.7 | 91.8 | 400 |
由表2可见，对于三种转子断裂故障以及定子短路故障，所提出的方法均可以获得正确的诊断结果，故障的分类精度和召回率类似，分别为91.7％，91.8％，表现良好。由此可见，使用基于正交定子电流GA分析及SFO-PNN的电动机故障诊断方法能够实现对电机的三种转子断裂故障及定子短路故障的正确诊断，该方法对于不同故障的分类效果均有效，具有良好的应用前景。
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于正交定子电流GA分析及SFO-PNN的电机故障诊断方法，其特征在于，包括以下步骤：
(1)获取电机的定子电流数据，通过选择适当阈值，利用小波技术对定子电流数据进行去噪处理；采用派克矢量变换PVT技术获取电机定子的正交电流信号；使用高分辨率技术Gabor分析方法对该正交电流信号进一步分析并提取故障特征信号，用以评估故障的影响及其性质；
(2)提出基于旗鱼算法SFO优化的概率神经网络PNN的分类模型SFO-PNN，利用旗鱼算法SFO优化概率神经网络PNN参数；
(3)将所述分类模型SFO-PNN应用到电机故障诊断过程中，创建不同的电机转子和定子故障，完成对感应电机的故障诊断，并获得诊断效果。
2.根据权利要求1所述的一种基于正交定子电流GA分析及SFO-PNN的电机故障诊断方法，其特征在于，所述步骤(1)中，利用小波技术对定子电流数据进行去噪处理具体处理步骤如下：
对于所收集到的定子电流数据，利用离散小波分解变换DWT进行去噪，DWT的数学分解表达式如下：
其中，G为低通滤波器、H为高通滤波器、K、n为尺度和平移参数，I(n)为定子电流；
接下来，对于利用以上公式分解后的定子电流，再应用适当的阈值去除不必要噪声，重建新信号，具体如下式：
其中，Id(n)为重建后信号，Im是基频的幅度，α是基波的相位角，Ii是谐波分量，αi是谐波相位差，j是谐波的阶数，包括基波分量f0，fj是谐波频率。
3.根据权利要求2所述的一种基于正交定子电流GA分析及SFO-PNN的电机故障诊断方法，其特征在于，所述步骤(1)中，采用派克矢量变换PVT技术获取电机定子的正交电流信号具体操作为：
在PVT中，将定子电流的三相分量分解为两相，即d轴和q轴组份，在这种情况下，去噪后定子的三相电流Id(n)表示如下：
Ida(n)＝Ijcos(2πfjn-φ)
其中，Ida(n)、Idb(n)、Idc(n)分别表示三相电流，Ij表示第j个谐波电流幅度，j是谐波的阶数，包括基波分量，fj是基波频率，φ是定子电压和电流之间的相位差，相应直流分量和正交分量使用以下表达式获得：
当故障发生时，在上述健康电流中会添加新的频率分量，具体表示如下：
Ida(n)＝Ijcos(2πfjn-φ)+Iflcos(2π(fj-ff)n-γl)+Ifrcos(2π(fj-ff)n-γl)
式中，ff是故障频率，γl是故障部件的电压及电流之间的相位差，Ifl和Ifr是故障和γl幅度，根据上式可得：
4.根据权利要求3所述的一种基于正交定子电流GA分析及SFO-PNN的电机故障诊断方法，其特征在于，所述步骤(1)中，将去噪后的定子电流的正交分量，即Ida(n)经Gabor分析GA获得对应的谱分量，具体步骤如下：
其中，gx,y(n)是简单函数，由下式决定：
g(n)为合成窗口，T为采样时间间隔，Ω为频率采样间隔，也称为时间-频率域的偏移参数，T和Ω大于0，M为尺度和方向参数x、y的取值范围，n为采样点；将合成窗口设置为高斯窗口，用以给出最大能量，高斯函数由下式给出：
其中，ζ为高斯函数形状控制参数，n为数据点，上式的高斯函数是能量归一化的，具体由下式给出：
∑|G(n)|2＝1
时频谱表示全部时阈内的信号谱能量的分布，由下式决定：
其中，Cx,y用作每一级分解的能量测量，如果分析的频率ff在特定时间内具有谐波，则这些系数具有较高的值，最后，将这些系数作为故障的特征，用于进一步的故障诊断。
5.根据权利要求1所述的一种基于正交定子电流GA分析及SFO-PNN的电机故障诊断方法，其特征在于，所述步骤(2)中，提出分类模型SFO-PNN，具体步骤如下：
概率神经网络由输入层、模式层、求和层和输出层组成，其中，输入层用于检索输入信号，且不执行任何计算，接下来的两层为模式层、求和层，输出层的神经元数量与目标类别相同，具体实现过程如下：
Step1：求解模式层的输出
在分类过程中，由输入层中的神经元接收输入信号并将其传递到模式层，在该模式层中，神经元被分为各种类别，并使用以下等式来计算第kth个模式第cth类神经元的输出Fc,k(X)：
其中，Xc,k∈Rn是内核中心，α是平滑参数，用于查找内核感受域的大小；
Step2：利用求和层求解概率函数
根据模式层的输出，近似条件类概率函数Gc(X)可以通过对Fc,k(X)求和计算获得，具体如下式：
其中，Nc是c模式类的总数；
Step3：由输出层得到特定类别
最后，基于求和层单元的最大输出，判别具体的特定类别，具体如下式：
Y(X)＝argmax1≤c≤C(Gc)
步骤(2)b：实现旗鱼优化算法SFO，在概率神经网络PNN模型中选择内核中心大小、平滑参数、隐藏节点数量和各层权值，采用旗鱼优化算法SFO对以上参数的最佳组合进行优化计算；
步骤(2)c：建立基于旗鱼优化算法SFO优化的PNN分类模型SFO-PNN
在利用概率神经网络PNN来映射电机故障样本的过程中，由SFO对PNN模型中的内核中心大小、平滑参数、隐藏节点数量和各层权值的最佳组合进行优化计算，基于SFO优化概率神经网络PNN的训练步骤如下：
Step1：对故障样本进行归一化预处理，然后对每一个样本添加标签；
Step2：初始化SFO参数，根据上述参数所形成的可行域，随机生成旗鱼和沙丁鱼的位置，并将故障数据样本作为分类器的输入进行训练；
Step3：假设测试集样本的实际输出与期望相等，则表明分类正确，分类准确的样本个数为Ni，总的测试集样本数为M，通过式计算旗鱼和沙丁鱼每个位置的适应度值，将测试集准确率作为适应度函数；
Step4：根据适应度的排序，记录初始精英旗鱼和受伤沙丁鱼的适应度以及位置；
Step5：分别更新旗鱼和沙丁鱼的位置，再重新计算它们个体的适应度值，然后判断是否捕获成功，否则旗鱼和沙丁鱼位置替换；
Step6：重复Step5，直至满足最大迭代次数，然后输出最后精英旗鱼的位置，以此得到最优的SFO-PNN的主要的参数的最佳组合，即内核中心大小、平滑参数、隐藏节点数量和各层权值，利用最佳参数组合构建最优的PNN模型。
6.根据权利要求5所述的一种基于正交定子电流GA分析及SFO-PNN的电机故障诊断方法，其特征在于，所述旗鱼优化算法SFO的具体操作为：
假设旗鱼分布在搜索空间，而沙丁鱼的位置有助于在搜索空间中找到d个最优解，其中，具有最佳适应度的旗鱼被命名为“精英”旗鱼，第ith次迭代的位置由提供，对于沙丁鱼来说，受影响的是第ith次迭代中的具有较好的适应度值的位置，即/>在优化过程中，对于每次迭代，沙丁鱼和旗鱼的位置都被最大化；具体实现过程如下：
Step1：更新旗鱼位置
在第(i+1)th次迭代中，利用沙丁鱼的前一个位置精英旗鱼通过下式更新其当前位置/>
其中，表示第Slfth条精英旗鱼的前一个位置，rnd定义为0-1之间任意值，μi表示调整系数，具体定义如下式：
μi＝2×rnd×Prd-Prd
其中，Prd描述猎物的密度，表示所有迭代中的猎物数量，Prd的测量值由下式确定：
NumSlf和NumSrd分别表示旗鱼和沙丁鱼的数量，它们之间的关系满足下式：
NumSlf＝NumSrd×Prcnt
其中，Prcnt定义了初始旗鱼种群的沙丁鱼种群的比例，且沙丁鱼的数量高于旗鱼的数量；
Step2：更新沙丁鱼位置
在所有迭代中，沙丁鱼按照下式进行位置更新：
ATK＝A×(1-(2×itr×k))
其中，和/>表示沙丁鱼的前一个位置和当前位置，/>表示第Slfth条精英旗鱼的前一个位置，ATK表示旗鱼在itr迭代时的攻击效率，沙丁鱼位置和数量的更新都基于ATK；根据ATK，可以获得位置更新后的沙丁鱼数量γ和变量数量δ，具体由以下公式确定：
γ＝NumSrd×ATK
δ＝ν×ATK
其中，ν表示更新前变量的值，NumSrd表示更新前的沙丁鱼数量；
Step3：攻击交替策略
在SFO中，当旗鱼捕获猎物时，如果发现沙丁鱼更健康，也就是说，与旗鱼相比，沙丁鱼更适合食用，旗鱼就会最大限度地增加位置，并从种群中消失，在这种情况下，为了提升捕获率，将被捕沙丁鱼的最新位置替代旗鱼的位置，公式如下所示：
表示第i次迭代中的沙丁鱼当前位置，/>表示第i次迭代中的旗鱼当前位置，f(Srdi)、f(Slfti)分别表示第i次迭代时，沙丁鱼以及旗鱼所对应的适应度值。
7.根据权利要求1至6任一所述的一种基于正交定子电流GA分析及SFO-PNN的电机故障诊断方法，其特征在于，所述步骤(3)电机转子和定子故障包括：一个转子棒断裂故障、两个转子棒断裂故障、三个转子棒断裂故障以及定子短路故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310496839.8A CN116595317A (zh) | 2023-05-05 | 2023-05-05 | 基于正交定子电流ga分析及sfo-pnn的电机故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310496839.8A CN116595317A (zh) | 2023-05-05 | 2023-05-05 | 基于正交定子电流ga分析及sfo-pnn的电机故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116595317A true CN116595317A (zh) | 2023-08-15 |
Family
ID=87589134
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310496839.8A Pending CN116595317A (zh) | 2023-05-05 | 2023-05-05 | 基于正交定子电流ga分析及sfo-pnn的电机故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116595317A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117290777A (zh) * | 2023-11-22 | 2023-12-26 | 无锡中科光电技术有限公司 | 一种基于优化bp神经网络的大气臭氧短临预报系统 |
| CN117388693A (zh) * | 2023-12-06 | 2024-01-12 | 北京汇思慧能科技有限公司 | 故障检测方法、设备和存储介质 |
| CN117741429A (zh) * | 2023-12-15 | 2024-03-22 | 广东海洋大学 | 确定船舶交流电机健康指数的方法、装置、介质及设备 |
-
2023
- 2023-05-05 CN CN202310496839.8A patent/CN116595317A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117290777A (zh) * | 2023-11-22 | 2023-12-26 | 无锡中科光电技术有限公司 | 一种基于优化bp神经网络的大气臭氧短临预报系统 |
| CN117388693A (zh) * | 2023-12-06 | 2024-01-12 | 北京汇思慧能科技有限公司 | 故障检测方法、设备和存储介质 |
| CN117388693B (zh) * | 2023-12-06 | 2024-04-02 | 北京汇思慧能科技有限公司 | 故障检测方法、设备和存储介质 |
| CN117741429A (zh) * | 2023-12-15 | 2024-03-22 | 广东海洋大学 | 确定船舶交流电机健康指数的方法、装置、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116595317A (zh) | 基于正交定子电流ga分析及sfo-pnn的电机故障诊断方法 | |
| Yang et al. | SuperGraph: Spatial-temporal graph-based feature extraction for rotating machinery diagnosis | |
| Shifat et al. | ANN assisted multi sensor information fusion for BLDC motor fault diagnosis | |
| Zhang et al. | Bearing fault diagnosis using multi-scale entropy and adaptive neuro-fuzzy inference | |
| 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 | |
| Glowacz | Diagnostics of DC and induction motors based on the analysis of acoustic signals | |
| Wu et al. | Faulted gear identification of a rotating machinery based on wavelet transform and artificial neural network | |
| Glowacz | Diagnostics of synchronous motor based on analysis of acoustic signals with the use of line spectral frequencies and K-nearest neighbor classifier | |
| Glowacz | Diagnostics of rotor damages of three-phase induction motors using acoustic signals and SMOFS-20-EXPANDED | |
| Głowacz | Diagnostics of direct current machine based on analysis of acoustic signals with the use of symlet wavelet transform and modified classifier based on words | |
| Hadi Salih et al. | Induction motor fault monitoring and fault classification using deep learning probablistic neural network | |
| Głowacz et al. | Recognition of armature current of DC generator depending on rotor speed using FFT, MSAF-1 and LDA | |
| CN105971901A (zh) | 一种基于完备总体经验模态分解与随机森林的离心泵故障诊断方法 | |
| CN112819059B (zh) | 一种基于流行保持迁移学习的滚动轴承故障诊断方法 | |
| Seera et al. | Motor fault detection and diagnosis using a hybrid FMM-CART model with online learning | |
| CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
| Konar et al. | Knowledge extraction using data mining for multi-class fault diagnosis of induction motor | |
| CN114004252A (zh) | 一种轴承故障诊断的方法、装置以及设备 | |
| Haroun et al. | Misalignment fault detection and diagnosis using AR model of torque signal | |
| CN109100648A (zh) | 基于CNN-ARMA-Softmax的海流发电机叶轮缠绕故障融合诊断方法 | |
| CN114112398A (zh) | 一种变速工况下滚动轴承故障诊断方法 | |
| CN108918111A (zh) | 基于k-近邻贝叶斯多标签分类的断路器机械故障诊断方法 | |
| Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
| Ferreira et al. | An application of machine learning approach to fault detection of a synchronous machine | |
| Zaman et al. | Fault diagnosis for variable frequency drive-fed induction motors using wavelet packet decomposition and greedy-gradient max-cut learning |
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 |