CN116595449A - 基于改进ssa优化支持向量机的异步电机故障诊断方法 - Google Patents
基于改进ssa优化支持向量机的异步电机故障诊断方法 Download PDFInfo
- Publication number
- CN116595449A CN116595449A CN202310659943.4A CN202310659943A CN116595449A CN 116595449 A CN116595449 A CN 116595449A CN 202310659943 A CN202310659943 A CN 202310659943A CN 116595449 A CN116595449 A CN 116595449A
- Authority
- CN
- China
- Prior art keywords
- support vector
- vector machine
- asynchronous motor
- iteration
- ssa
- 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.)
- Granted
Links
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 84
- 238000003745 diagnosis Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005457 optimization Methods 0.000 title claims abstract description 46
- 241000287127 Passeridae Species 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 230000000739 chaotic effect Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 12
- 241000272201 Columbiformes Species 0.000 claims description 10
- 241000254158 Lampyridae Species 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000002789 length control Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 12
- 230000006872 improvement Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 244000062645 predators Species 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002431 foraging effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005070 ripening Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- 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]
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种基于改进SSA优化支持向量机的异步电机故障诊断方法，方法包括以下步骤：一、获取异步电机振动信号；二、对异步电机振动信号进行傅里叶变换，得到频域信号，对频域信号进行特征提取，得到故障特征向量；三、将故障特征向量导入到预先训练好的改进SSA优化支持向量机模型中，输出异步电机故障的诊断结果；本发明首先通过Tent混沌映射对麻雀种群初始化，并对改进后的发现者、加入者和侦查者的位置进行更新，将得到的最优位置和最佳适应度值分别赋值给支持向量机中的惩罚参数与核参数，通过改进SSA优化支持向量机算法中的惩罚参数与核参数来大大提高了模型训练的速度，并实现了故障诊断准确度的提高。
Description
技术领域
本发明属于异步电机故障诊断技术领域，具体涉及一种基于改进SSA优化支持向量机的异步电机故障诊断方法。
背景技术
随着科学技术的发展和人们生活水平的提高，异步电机成为生活中不可或缺的一部分。当异步电机长期处于高强度的环境下工作时，难免会出现各种故障，同时会使电机无法正常运行，轻则导致生产停工，降低经济效益，重则还会威胁到工作人员的生命。因此，对异步电机进行故障诊断，实现对异步电机的状态识别具有重要意义。
异步电机故障诊断方法可以分为基于统计的故障诊断技术、基于模型的故障诊断技术和基于数据的故障诊断技术。由于基于数据的故障诊断技术是对数据直接进行处理，对人为因素和专家知识依赖较少，具有普遍适用性且能达到较高的诊断精度，因此现有的故障诊断方法研究中，大多采用此方法。针对数据的故障诊断方法主要是指人工智能算法，包括BP神经网络、遗传算法、支持向量机等，能够提高故障诊断的准确度，这也是改善异步电机故障诊断的研究热点之一。
BP神经网络算法学习收敛速度太慢，误差函数可能存在多个局部极小值，在训练过程中，容易陷入局部极小值。遗传算法在进化过程中局部搜索能力较差，容易陷入“早熟”的现象。支持向量机的惩罚参数和核函数的选择、模型训练和测试速度慢等问题仍尚未很好的解决。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于改进SSA优化支持向量机的异步电机故障诊断方法，其通过优化支持向量机算法的惩罚参数和核参数，降低了异步电机故障诊断所需要的时间，提高了异步电机故障诊断的准确度。
为解决上述技术问题，本发明采用的技术方案是：一种基于改进SSA优化支持向量机的异步电机故障诊断方法，该方法包括以下步骤：
步骤一、获取异步电机振动信号；
步骤二、对异步电机振动信号进行傅里叶变换，得到频域信号，对频域信号进行特征提取，得到故障特征向量；
步骤三、将故障特征向量导入到预先训练好的改进SSA优化支持向量机模型中，输出异步电机故障的诊断结果；
所述改进SSA优化支持向量机模型中，通过Tent混沌映射对麻雀种群初始化；采用鸽群优化算法中的地图因子对发现者位置进行更新，且在发现者位置更新时加入非线性惯性权重；采用萤火虫优化算法中的吸引跟随策略对加入者位置进行更新；在侦察者位置更新时对步长控制参数进行优化；将改进SSA得到的全局最优位置作为支持向量机中的惩罚参数，得到的最佳适应度值作为支持向量机中的核参数。
上述的基于改进SSA优化支持向量机的异步电机故障诊断方法，步骤一中获取的异步电机振动信号包括正常、短路故障、气隙偏心故障与转子断条故障时的异步电机振动信号；
步骤二中所述对频域信号进行特征提取，得到故障特征向量时，提取13个特征参数作为故障特征向量，13个特征参数分别为平均值、标准差、偏度、峭度、最大值、最小值、峰峰值、均方根值、振幅因数、波形因数、冲击因数、裕度因数和能量。
上述的基于改进SSA优化支持向量机的异步电机故障诊断方法，所述改进SSA优化支持向量机模型的训练过程为：
步骤S1、将采集的多组异步电机振动信号数据，65％～80％作为训练集，20％～35％作为测试集；
步骤S2、对训练集和测试集中的异步电机振动信号进行傅里叶变换，得到频域信号，对频域信号进行特征提取，得到故障特征向量；
步骤S3、初始化支持向量机模型的参数，并设定改进SSA中麻雀的总数量n、发现者的麻雀数量n1、加入者的麻雀数量n2、侦查者的麻雀数量n3、最大迭代次数T、警报值R2、安全阈值ST；
步骤S4、采用Tent混沌映射初始化麻雀种群；
步骤S5、计算初始种群的适应度值并对适应度值进行排序，将适应度值最大的个体确定为最优适应度个体，将适应度值最小的个体确定为最差适应度个体；
步骤S6、采用鸽群优化算法中的地图因子对发现者位置进行更新，且在发现者位置更新时加入非线性惯性权重；采用萤火虫优化算法中的吸引跟随策略对加入者位置进行更新；在侦察者位置更新时对步长控制参数进行优化；改进SSA算法中，当发现者、加入者、侦察者的新位置的适应度值优于之前的适应度值时，更新为新位置；
步骤S7、获得当前更新后的位置，当新位置优于上一次迭代的旧位置时，就进行更新操作，否则不进行更新操作，并继续进行迭代操作直到满足迭代终止条件为止，最终从全局中获得最优位置以及最佳适应度值；
步骤S8、将改进SSA算法得到的全局最优位置作为支持向量机中的惩罚参数，得到的最佳适应度值作为支持向量机中的核参数。
上述的基于改进SSA优化支持向量机的异步电机故障诊断方法，步骤S6中发现者的位置更新表达式为：
其中，t为当前迭代次数，t+1为当前迭代次数的下一次迭代次数，j＝1，2，3，…，d，d表示待优化问题变量的维数；i＝1，2，3，…，n1，为迭代t次时第i只发现者麻雀的第j维的位置，/>为迭代t+1次时第i只发现者麻雀的第j维的位置，ω为惯性权重，R为地图因子，rand为随机数，/>为第t次迭代发现者的最佳位置，Q为服从正态分布的随机数，L为d维单位向量。
上述的基于改进SSA优化支持向量机的异步电机故障诊断方法，所述惯性权重ω的取值通过公式计算，其中，t为当前迭代次数，T为最大迭代次数。
上述的基于改进SSA优化支持向量机的异步电机故障诊断方法，步骤S6中加入者的位置更新表达式为：
其中，t为当前迭代次数，t+1为当前迭代次数的下一次迭代次数，j＝1，2，3，…，d，d表示待优化问题变量的维数；k＝1，2，3，…，n2，为迭代t次时第k只加入者麻雀的第j维的位置，/>为迭代t+1次时第k只加入者麻雀的第j维的位置；/>为第t次迭代全体加入者最差位置，/>为第t次迭代全体加入者最优位置；Q为服从正态分布的随机数，β为吸引度，rand为随机数，α为步长因子且α∈[0,1]。
上述的基于改进SSA优化支持向量机的异步电机故障诊断方法，所述吸引度β的取值通过公式计算，其中，β0为最大吸引度，e为自然对数，γ为光强吸引系数，r为第k只加入者麻雀位置和此时全体加入者最优位置之间的距离。
上述的基于改进SSA优化支持向量机的异步电机故障诊断方法，步骤S6中侦查者的位置更新表达式为：
其中，t为当前迭代次数，t+1为当前迭代次数的下一次迭代次数，j＝1，2，3，…，d，d表示待优化问题变量的维数；m＝1，2，3，…，n3，为迭代t次时第m只侦查者麻雀的第j维的位置，/>为迭代t+1次时第m只侦查者麻雀的第j维的位置；/>为第t次迭代全局最差位置，/>为第t次迭代全局最优位置；J为步长控制参数，K为移动方向的控制系数；fm为当前侦察者麻雀的适应度值，fg为当前全局最佳的适应度值。
上述的基于改进SSA优化支持向量机的异步电机故障诊断方法，所述步长控制参数J的取值通过公式计算，其中，t为当前迭代次数，T为最大迭代次数。
上述的基于改进SSA优化支持向量机的异步电机故障诊断方法，所述移动方向的控制系数K的取值通过公式计算，其中，t为当前迭代次数，T为最大迭代次数。
本发明与现有技术相比具有以下优点：
1、相较于经验模态分解和小波分解等故障特征提取方法，本文采用直接对频域信号进行特征提取，最大可能的保留了故障信号的原始信息，而提取13个特征参数，又尽可能保证了提取特征的完整性。针对单一改进的不足，本文采用多种策略对麻雀搜索算法进行改进，引入鸽群优化算法中的地图因子和萤火虫优化算法中的吸引跟随策略分别对发现者与加入者位置进行更新的同时，为了增加种群多样性，又在发现者位置更新时引入非线性惯性权重；然后，为了平衡算法在全局探索和局部开发时期的能力，在侦察者位置更新时对步长控制参数J和K进行优化改进。改进的SSA具有稳定性好、全局搜索能力强和收敛速度快等特点，所以本文提出了一种基于改进SSA优化支持向量机的模型对异步电机进行故障诊断，克服了支持向量机在训练过程中训练时间较长和参数难以选择的缺点，提高了支持向量机算法的全局寻优能力，通过优化支持向量机算法的惩罚参数和核参数，提高了模型诊断的准确度和减少了模型诊断所需要的时间。
2、本发明采用了MatlabR2020a软件进行仿真测试，采用相同的数据集分别在改进SSA优化支持向量机模型和改进前的SSA优化支持向量机模型中进行训练。实验结果显示，对于正常、气隙偏心故障和转子断条故障三种状态，改进前后诊断准确率都是100％，对于短路故障，改进后比改进前故障诊断准确率高一些，整体故障诊断准确率都在98％以上。从诊断时间来看，改进后的明显比改进前少了更多，在效率上提升了61％左右，时间方面有很大的提升。由此可以充分的说明改进的SSA优化支持向量机模型的诊断效果优于改进前的模型，降低了异步电机故障诊断所需要的时间，提高了异步电机故障诊断的准确度。
3、本发明将训练集数据导入到改进SSA优化支持向量机模型中进行模型训练，训练过程中，首先通过Tent混沌映射对麻雀种群初始化，然后计算每个麻雀的适应度，并对改进后的发现者、加入者和侦查者的位置进行更新，将得到的最优位置和最佳适应度值分别赋值给支持向量机中的惩罚参数与核参数，从而得到改进的SSA优化支持向量机模型，通过改进SSA优化支持向量机算法中的惩罚参数与核参数来大大提高了模型训练的速度，并在一定程度上实现了故障诊断准确度的提高。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图；
图2为现有技术中SSA优化SVM诊断结果图；
图3为本发明改进SSA优化SVM诊断结果图。
具体实施方式
如图1所示，本发明的基于改进SSA优化支持向量机的异步电机故障诊断方法，其特征在于，该方法包括以下步骤：
步骤一、获取异步电机振动信号；
步骤二、对异步电机振动信号进行傅里叶变换，得到频域信号，对频域信号进行特征提取，得到故障特征向量；
步骤三、将故障特征向量导入到预先训练好的改进SSA优化支持向量机模型中，输出异步电机故障的诊断结果；
所述改进SSA优化支持向量机模型中，通过Tent混沌映射对麻雀种群初始化；采用鸽群优化算法中的地图因子对发现者位置进行更新，且在发现者位置更新时加入非线性惯性权重；采用萤火虫优化算法中的吸引跟随策略对加入者位置进行更新；在侦察者位置更新时对步长控制参数进行优化；将改进SSA得到的全局最优位置作为支持向量机中的惩罚参数，得到的最佳适应度值作为支持向量机中的核参数。
本实施例中，步骤一中获取的异步电机振动信号包括正常、短路故障、气隙偏心故障与转子断条故障时的异步电机振动信号；
步骤二中所述对频域信号进行特征提取，得到故障特征向量时，提取13个特征参数作为故障特征向量，13个特征参数分别为平均值、标准差、偏度、峭度、最大值、最小值、峰峰值、均方根值、振幅因数、波形因数、冲击因数、裕度因数和能量。
本发明采用直接对频域信号进行特征提取，相较于经验模态分解和小波分解等故障特征提取方法，最大可能的保留了故障信号的原始信息，而提取13个特征参数，又尽可能保证了提取特征的完整性。
支持向量机(SVM)分类本质上是找到一个最优分类超平面，公式为：
其中，ρ表示超平面的法向量，是映射函数的表达式，b为偏置量。
将超平面问题转变成约束条件，目标函数为：
其中，ε为松弛因子，εh为第h个向量的松弛因子，l为向量个数，C为支持向量机中的惩罚参数；
想要正确的分类，||ρ||必须为最小值，用公式表示为：
其中，xh为第h个输入向量，yh为第h个输出向量，s.t.表示约束条件；
最优超平面函数为：
其中，sv为支持向量，ah为第h个样本的Langrange算子，K(xh,yh)为核函数；
核函数表达式为：
其中，g为支持向量的核参数；
通过以上分析可知，SVM的分类性能不仅与惩罚参数C有关，而且还和核参数g息息相关。C越大对出现误差的容忍度就越小，反之又会产生欠拟合的现象，而g则反映出分类的准确率。因此想要提高SVM的诊断精度，就得需要确定最优的C和g。
本实施例中，所述改进SSA优化支持向量机模型的训练过程为：
步骤S1、将采集的多组异步电机振动信号数据，65％～80％作为训练集，20％～35％作为测试集；
步骤S2、对训练集和测试集中的异步电机振动信号进行傅里叶变换，得到频域信号，对频域信号进行特征提取，得到故障特征向量；
步骤S3、初始化支持向量机模型的参数，并设定改进SSA中麻雀的总数量n、发现者的麻雀数量n1、加入者的麻雀数量n2、侦查者的麻雀数量n3、最大迭代次数T、警报值R2、安全阈值ST；
具体实施时，初始化支持向量机模型的参数，是将kernel选择为RBF(高斯核函数)，精度tol设置为1×10-3；
步骤S4、采用Tent混沌映射初始化麻雀种群；增加种群多样性；
步骤S5、计算初始种群的适应度值并对适应度值进行排序，将适应度值最大的个体确定为最优适应度个体，将适应度值最小的个体确定为最差适应度个体；
具体实施时，计算初始种群的适应度值是取改进SSA优化支持向量机模型的五折交叉验证准确率为适应度值；
步骤S6、采用鸽群优化算法中的地图因子对发现者位置进行更新，且在发现者位置更新时加入非线性惯性权重；采用萤火虫优化算法中的吸引跟随策略对加入者位置进行更新；在侦察者位置更新时对步长控制参数进行优化；改进SSA算法中，当发现者、加入者、侦察者的新位置的适应度值优于之前的适应度值时，更新为新位置；
步骤S7、获得当前更新后的位置，当新位置优于上一次迭代的旧位置时，就进行更新操作，否则不进行更新操作，并继续进行迭代操作直到满足迭代终止条件为止(即达到最大迭代次数)，最终从全局中获得最优位置以及最佳适应度值；
步骤S8、将改进SSA算法得到的全局最优位置作为支持向量机中的惩罚参数，得到的最佳适应度值作为支持向量机中的核参数。
本实施例中，步骤S6中发现者的位置更新表达式为：
其中，t为当前迭代次数，t+1为当前迭代次数的下一次迭代次数，j＝1，2，3，…，d，d表示待优化问题变量的维数；i＝1，2，3，…，n1，为迭代t次时第i只发现者麻雀的第j维的位置，/>为迭代t+1次时第i只发现者麻雀的第j维的位置，ω为惯性权重，R为地图因子，rand为随机数，/>为第t次迭代发现者的最佳位置，Q为服从正态分布的随机数，L为d维单位向量。
具体实施时，rand为[0,1]上服从均匀分布的随机数。
当R2<ST时，这意味着此时的觅食环境周围没有捕食者，发现者可以执行广泛的搜索操作。当R2≥ST时，这表示种群中的一些麻雀已经发现了捕食者，并向种群中其它麻雀发出了警报，此时所有麻雀都需要迅速飞到其它安全的地方进行觅食。
本发明将鸽群优化算法中地图算子引入SSA算法中的发现者位置更新过程，鸽群优化算法中鸽子利用磁接收在大脑中塑造地图来感知地球磁场，把太阳的高度当作指南针来调整方向，使算法收敛地更快、更稳定，改善了算法的局部开发和全局探索能力，具有鲁棒性较强等优点，并且使生成的最优路径更平滑、更令人满意。
本实施例中，所述惯性权重ω的取值通过公式计算，其中，t为当前迭代次数，T为最大迭代次数。
惯性权重对SSA算法性能影响巨大，在[0,1]范围内，惯性权重愈大，则全局探索能力愈强、种群的多样性愈丰富；惯性权重愈小，则SSA算法的局部开采能力愈强，收敛速度愈快。
ω的值在[0,1]之间随着迭代次数的增加呈现非线性递减趋势；在迭代前期，ω随着迭代次数的增加保持一定的较小的衰减速度，有利于全局搜索，遍及整个搜索范围，以便找到全局最优的位置；迭代中后期，惯性权重的衰减速度快速上升，有利于加速局部开采过程，以更快的速度朝着全局最优的位置靠拢，在一定程度上加快了收敛速度，提高了最优解的质量，提升了SSA算法的整体寻优能力。
本实施例中，步骤S6中加入者的位置更新表达式为：
其中，t为当前迭代次数，t+1为当前迭代次数的下一次迭代次数，j＝1，2，3，…，d，d表示待优化问题变量的维数；k＝1，2，3，…，n2，为迭代t次时第k只加入者麻雀的第j维的位置，/>为迭代t+1次时第k只加入者麻雀的第j维的位置；/>为第t次迭代全体加入者最差位置，/>为第t次迭代全体加入者最优位置；Q为服从正态分布的随机数，β为吸引度，rand为随机数，α为步长因子且α∈[0,1]。
具体实施时，rand为[0,1]上服从均匀分布的随机数。
时，这表明，适应度值较低的第k个加入者没有获得食物，处于十分饥饿的状态，此时需要飞往其它地方觅食，以获得更多的能量。
本实施例中，所述吸引度β的取值通过公式计算，其中，β0为最大吸引度，e为自然对数，γ为光强吸引系数，r为第k只加入者麻雀位置和此时全体加入者最优位置之间的距离。
由于萤火虫算法很好的收敛速度和收敛精度，能够很好地兼顾局部开发和全局搜索，因此，本发明将萤火虫优化算法中的吸引跟随策略引入到SSA算法中的加入者位置更新中，提高了SSA算法的收敛速度和收敛精度。
本实施例中，步骤S6中侦查者的位置更新表达式为：
其中，t为当前迭代次数，t+1为当前迭代次数的下一次迭代次数，j＝1，2，3，…，d，d表示待优化问题变量的维数；m＝1，2，3，…，n3，为迭代t次时第m只侦查者麻雀的第j维的位置，/>为迭代t+1次时第m只侦查者麻雀的第j维的位置；/>为第t次迭代全局最差位置，/>为第t次迭代全局最优位置；J为步长控制参数，K为移动方向的控制系数；fm为当前侦察者麻雀的适应度值，fg为当前全局最佳的适应度值。
当fm≠fg表示此时的麻雀正处于种群的边缘，极其容易受到捕食者的攻击；当fm＝fg时，这表明处于种群中间的麻雀意识到了危险，需要靠近其它的麻雀以此尽量减少它们被捕食的风险。
本实施例中，所述步长控制参数J的取值通过公式计算，其中，t为当前迭代次数，T为最大迭代次数。
步长控制参数J在迭代前期呈递增后期快速减少的趋势，这有利于SSA算法在前期能充分对搜索空间进行探索，后期可以提高收敛速度；动态调整步长控制参数可以控制其值来平衡SSA算法全局搜索与局部开发能力以提高寻优精度，避免局部极值。
本实施例中，所述移动方向的控制系数K的取值通过公式计算，其中，t为当前迭代次数，T为最大迭代次数。
改进后的移动方向的控制系数K是非线性递减变化的，前期基本上呈线性递减的趋势，这是为了使SSA算法在迭代早期阶段，种群具有较高的多样性，有更高的探索全局空间的能力；因此，控制参数的值应保持为较大的值，并且持续时间较长，有利于精细的对每个空间进行搜索。后期呈快速下降的趋势，加速了局部搜索的能力，使得所有麻雀向最优位置靠拢，加快了收敛速度。
为了验证本发明能够产生的技术效果，进行了实验验证。实验时，改进SSA优化支持向量机模型的训练过程如下：
步骤S1中，将采集的480组异步电机振动信号数据，360组数据作为训练集，120组数据作为测试集；
步骤S2中，作为训练集的360组数据中，正常、短路故障、气隙偏心故障与转子断条故障四种状态各120组；作为测试集的120组数据中，正常、短路故障、气隙偏心故障与转子断条故障四种状态各30组；异步电机故障数据标书及样本分布如表1所示：
表1异步电机样本分布表
| 样本类型 | 标签 | 训练样本数据/长度 | 测试样本数据/长度 |
| 正常 | 1 | 90/1024 | 30/1024 |
| 短路故障 | 2 | 90/1024 | 30/1024 |
| 气隙偏心故障 | 3 | 90/1024 | 30/1024 |
| 转子断条故障 | 4 | 90/1024 | 30/1024 |
步骤S3中，设定改进SSA中麻雀的总数量n、发现者的麻雀数量为n1、加入者的麻雀数量为n2、侦查者的麻雀数量为n3、最大迭代次数T为30、警报值R2为0.6；
训练得到改进SSA优化支持向量机模型后，将测试集导入到改进SSA优化支持向量机模型中，统计输出异步电机的120组故障诊断结果，得到最终的诊断准确率；且在异步电机诊断完成之后，得到诊断过程所需要的时间；将得到的异步电机故障诊断的结果和诊断过程所需要的时间与改进前的模型进行对比，来评估此改进SSA优化支持向量机模型的性能。诊断结果如表2所示：
表2基于改进SSA优化支持向量机的异步电机故障识别结果表
为使实验结果更具有说服力，对同一数据进行10次实验，然后取其平均值，可以看出平均识别准确率为99％；诊断所需时间从9.54秒减少到3.72秒，速度提升了61％。结果表明本发明中所阐述的方法具有很好的分类效果和一定的优越性。
另外，还在MATLAB软件中运行程序，得到改进前后的SSA优化SVM的诊断结果如图2所示，改进后的SSA优化SVM的诊断结果如图3所示，从图2和图3可以看出，改进后的SSA优化SVM在短路故障诊断中具有更高的准确率，整体故障识别准确率高于改进前。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (10)
1.一种基于改进SSA优化支持向量机的异步电机故障诊断方法，其特征在于，该方法包括以下步骤：
步骤一、获取异步电机振动信号；
步骤二、对异步电机振动信号进行傅里叶变换，得到频域信号，对频域信号进行特征提取，得到故障特征向量；
步骤三、将故障特征向量导入到预先训练好的改进SSA优化支持向量机模型中，输出异步电机故障的诊断结果；
所述改进SSA优化支持向量机模型中，通过Tent混沌映射对麻雀种群初始化；采用鸽群优化算法中的地图因子对发现者位置进行更新，且在发现者位置更新时加入非线性惯性权重；采用萤火虫优化算法中的吸引跟随策略对加入者位置进行更新；在侦察者位置更新时对步长控制参数进行优化；将改进SSA得到的全局最优位置作为支持向量机中的惩罚参数，得到的最佳适应度值作为支持向量机中的核参数。
2.按照权利要求1所述的基于改进SSA优化支持向量机的异步电机故障诊断方法，其特征在于：步骤一中获取的异步电机振动信号包括正常、短路故障、气隙偏心故障与转子断条故障时的异步电机振动信号；
步骤二中所述对频域信号进行特征提取，得到故障特征向量时，提取13个特征参数作为故障特征向量，13个特征参数分别为平均值、标准差、偏度、峭度、最大值、最小值、峰峰值、均方根值、振幅因数、波形因数、冲击因数、裕度因数和能量。
3.按照权利要求1所述的基于改进SSA优化支持向量机的异步电机故障诊断方法，其特征在于：所述改进SSA优化支持向量机模型的训练过程为：
步骤S1、将采集的多组异步电机振动信号数据，65％～80％作为训练集，20％～35％作为测试集；
步骤S2、对训练集和测试集中的异步电机振动信号进行傅里叶变换，得到频域信号，对频域信号进行特征提取，得到故障特征向量；
步骤S3、初始化支持向量机模型的参数，并设定改进SSA中麻雀的总数量n、发现者的麻雀数量n1、加入者的麻雀数量n2、侦查者的麻雀数量n3、最大迭代次数T、警报值R2、安全阈值ST；
步骤S4、采用Tent混沌映射初始化麻雀种群；
步骤S5、计算初始种群的适应度值并对适应度值进行排序，将适应度值最大的个体确定为最优适应度个体，将适应度值最小的个体确定为最差适应度个体；
步骤S6、采用鸽群优化算法中的地图因子对发现者位置进行更新，且在发现者位置更新时加入非线性惯性权重；采用萤火虫优化算法中的吸引跟随策略对加入者位置进行更新；在侦察者位置更新时对步长控制参数进行优化；改进SSA算法中，当发现者、加入者、侦察者的新位置的适应度值优于之前的适应度值时，更新为新位置；
步骤S7、获得当前更新后的位置，当新位置优于上一次迭代的旧位置时，就进行更新操作，否则不进行更新操作，并继续进行迭代操作直到满足迭代终止条件为止，最终从全局中获得最优位置以及最佳适应度值；
步骤S8、将改进SSA算法得到的全局最优位置作为支持向量机中的惩罚参数，得到的最佳适应度值作为支持向量机中的核参数。
4.按照权利要求3所述的基于改进SSA优化支持向量机的异步电机故障诊断方法，其特征在于：步骤S6中发现者的位置更新表达式为：
其中，t为当前迭代次数，t+1为当前迭代次数的下一次迭代次数，j＝1，2，3，…，d，d表示待优化问题变量的维数；i＝1，2，3，…，n1，为迭代t次时第i只发现者麻雀的第j维的位置，/>为迭代t+1次时第i只发现者麻雀的第j维的位置，ω为惯性权重，R为地图因子，rand为随机数，/>为第t次迭代发现者的最佳位置，Q为服从正态分布的随机数，L为d维单位向量。
5.按照权利要求4所述的基于改进SSA优化支持向量机的异步电机故障诊断方法，其特征在于：所述惯性权重ω的取值通过公式 计算，其中，t为当前迭代次数，T为最大迭代次数。
6.按照权利要求3所述的基于改进SSA优化支持向量机的异步电机故障诊断方法，其特征在于：步骤S6中加入者的位置更新表达式为：
其中，t为当前迭代次数，t+1为当前迭代次数的下一次迭代次数，j＝1，2，3，…，d，d表示待优化问题变量的维数；k＝1，2，3，…，n2，为迭代t次时第k只加入者麻雀的第j维的位置，/>为迭代t+1次时第k只加入者麻雀的第j维的位置；/>为第t次迭代全体加入者最差位置，/>为第t次迭代全体加入者最优位置；Q为服从正态分布的随机数，β为吸引度，rand为随机数，α为步长因子且α∈0,1。
7.按照权利要求6所述的基于改进SSA优化支持向量机的异步电机故障诊断方法，其特征在于：所述吸引度β的取值通过公式计算，其中，β0为最大吸引度，e为自然对数，γ为光强吸引系数，r为第k只加入者麻雀位置和此时全体加入者最优位置之间的距离。
8.按照权利要求3所述的基于改进SSA优化支持向量机的异步电机故障诊断方法，其特征在于：步骤S6中侦查者的位置更新表达式为：
其中，t为当前迭代次数，t+1为当前迭代次数的下一次迭代次数，j＝1，2，3，…，d，d表示待优化问题变量的维数；m＝1，2，3，…，n3，为迭代t次时第m只侦查者麻雀的第j维的位置，/>为迭代t+1次时第m只侦查者麻雀的第j维的位置；/>为第t次迭代全局最差位置，/>为第t次迭代全局最优位置；J为步长控制参数，K为移动方向的控制系数；fm为当前侦察者麻雀的适应度值，fg为当前全局最佳的适应度值。
9.按照权利要求8所述的基于改进SSA优化支持向量机的异步电机故障诊断方法，其特征在于：所述步长控制参数J的取值通过公式 计算，其中，t为当前迭代次数，T为最大迭代次数。
10.按照权利要求8所述的基于改进SSA优化支持向量机的异步电机故障诊断方法，其特征在于：所述移动方向的控制系数K的取值通过公式计算，其中，t为当前迭代次数，T为最大迭代次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310659943.4A CN116595449B (zh) | 2023-06-06 | 2023-06-06 | 基于改进ssa优化支持向量机的异步电机故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310659943.4A CN116595449B (zh) | 2023-06-06 | 2023-06-06 | 基于改进ssa优化支持向量机的异步电机故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116595449A true CN116595449A (zh) | 2023-08-15 |
| CN116595449B CN116595449B (zh) | 2023-12-12 |
Family
ID=87607930
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310659943.4A Active CN116595449B (zh) | 2023-06-06 | 2023-06-06 | 基于改进ssa优化支持向量机的异步电机故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116595449B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117388681A (zh) * | 2023-12-07 | 2024-01-12 | 国网辽宁省电力有限公司 | 一种高压隔离开关故障诊断方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111323220A (zh) * | 2020-03-02 | 2020-06-23 | 武汉大学 | 风力发电机齿轮箱故障诊断方法及系统 |
| CN113934982A (zh) * | 2021-10-18 | 2022-01-14 | 河北工业大学 | 基于振-电信号融合的断路器操作机构机械寿命预测方法 |
| CN114330111A (zh) * | 2021-12-06 | 2022-04-12 | 江南大学 | 基于麻雀搜索算法和模拟电荷法的输电线电场计算方法 |
| CN114969995A (zh) * | 2021-11-22 | 2022-08-30 | 昆明理工大学 | 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法 |
| CN115392714A (zh) * | 2022-08-25 | 2022-11-25 | 国网河北省电力有限公司电力科学研究院 | 一种基于fassa-svm的输电线路故障评估方法 |
| CN115392629A (zh) * | 2022-07-11 | 2022-11-25 | 新疆新能集团有限责任公司乌鲁木齐电力建设调试所 | 一种基于改进svr的煤矸石发热量软测量方法 |
| CN115452362A (zh) * | 2022-10-21 | 2022-12-09 | 淮阴工学院 | 一种齿轮箱故障诊断方法 |
| CN115577639A (zh) * | 2022-10-27 | 2023-01-06 | 南京邮电大学 | 基于麻雀搜索法优化支持向量机的变压器故障诊断方法 |
| CN115618261A (zh) * | 2022-09-22 | 2023-01-17 | 国网江苏省电力有限公司南京供电分公司 | 一种基于nca与ssa-kelm的光伏接入配电网漏电识别方法 |
| CN116048022A (zh) * | 2023-01-31 | 2023-05-02 | 江南大学 | 一种基于多目标麻雀算法的污水处理过程优化控制方法 |
-
2023
- 2023-06-06 CN CN202310659943.4A patent/CN116595449B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111323220A (zh) * | 2020-03-02 | 2020-06-23 | 武汉大学 | 风力发电机齿轮箱故障诊断方法及系统 |
| US20210270244A1 (en) * | 2020-03-02 | 2021-09-02 | Wuhan University | Method and system for fault diagnosis of gearbox of wind turbine generator |
| CN113934982A (zh) * | 2021-10-18 | 2022-01-14 | 河北工业大学 | 基于振-电信号融合的断路器操作机构机械寿命预测方法 |
| CN114969995A (zh) * | 2021-11-22 | 2022-08-30 | 昆明理工大学 | 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法 |
| CN114330111A (zh) * | 2021-12-06 | 2022-04-12 | 江南大学 | 基于麻雀搜索算法和模拟电荷法的输电线电场计算方法 |
| CN115392629A (zh) * | 2022-07-11 | 2022-11-25 | 新疆新能集团有限责任公司乌鲁木齐电力建设调试所 | 一种基于改进svr的煤矸石发热量软测量方法 |
| CN115392714A (zh) * | 2022-08-25 | 2022-11-25 | 国网河北省电力有限公司电力科学研究院 | 一种基于fassa-svm的输电线路故障评估方法 |
| CN115618261A (zh) * | 2022-09-22 | 2023-01-17 | 国网江苏省电力有限公司南京供电分公司 | 一种基于nca与ssa-kelm的光伏接入配电网漏电识别方法 |
| CN115452362A (zh) * | 2022-10-21 | 2022-12-09 | 淮阴工学院 | 一种齿轮箱故障诊断方法 |
| CN115577639A (zh) * | 2022-10-27 | 2023-01-06 | 南京邮电大学 | 基于麻雀搜索法优化支持向量机的变压器故障诊断方法 |
| CN116048022A (zh) * | 2023-01-31 | 2023-05-02 | 江南大学 | 一种基于多目标麻雀算法的污水处理过程优化控制方法 |
Non-Patent Citations (6)
| Title |
|---|
| ANDI TANG 等: "A Chaos Sparrow Search Algorithm with Logarithmic Spiral and Adaptive Step for Engineering Problems", 《COMPUTER MODELING IN ENGINEERING & SCIENCES》, vol. 130, no. 1 * |
| CHENGTIAN OUYANG 等: "Adaptive Spiral Flying Sparrow Search Algorithm", 《SCIENTIFIC PROGRAMMING》 * |
| 尹德鑫 等: "认知工业物联网中基于麻雀搜索算法的频谱分配策略", 《数据采集与处理》, pages 374 - 375 * |
| 方旺盛 等: "基于K-means聚类的麻雀搜索算法研究", 《计算机仿真》, vol. 39, no. 9 * |
| 李昕燃 等: "基于改进麻雀算法优化支持向量机的滚动轴承故障诊断研究", 《震动与冲击》, pages 107 - 108 * |
| 陈涛 等: "电子侦察卫星作战效能FASSA-SVＲ评估模型", vol. 30, no. 2, pages 52 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117388681A (zh) * | 2023-12-07 | 2024-01-12 | 国网辽宁省电力有限公司 | 一种高压隔离开关故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116595449B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11816183B2 (en) | Methods and systems for mining minority-class data samples for training a neural network | |
| CN110334741A (zh) | 基于循环神经网络的雷达一维距离像识别方法 | |
| CN109800875A (zh) | 基于粒子群优化和降噪稀疏编码机的化工故障检测方法 | |
| CN102651088B (zh) | 基于A_Kohonen神经网络的恶意代码分类方法 | |
| CN116595449B (zh) | 基于改进ssa优化支持向量机的异步电机故障诊断方法 | |
| CN109493874A (zh) | 一种基于卷积神经网络的生猪咳嗽声音识别方法 | |
| CN109597401A (zh) | 一种基于数据驱动的设备故障诊断方法 | |
| CN110108992B (zh) | 基于改进随机森林算法的电缆局放故障识别方法、系统 | |
| CN110309771B (zh) | 一种基于gbdt-insgaii的eas声磁系统标签识别算法 | |
| CN115659665A (zh) | 一种基于野马优化算法的电压暂降源信号降噪与识别的方法 | |
| CN109740734B (zh) | 一种利用优化神经元空间排布的卷积神经网络的图像分类方法 | |
| CN109864737A (zh) | 一种心电信号中p波识别方法和系统 | |
| CN109376699A (zh) | 一种基于卷积神经网络的指纹识别方法 | |
| CN112729826A (zh) | 一种人工鱼群-蛙跳优化极限学习机的轴承故障诊断方法 | |
| CN113869145A (zh) | 轻量级梯度提升机和麻雀搜索的电路故障诊断方法及系统 | |
| CN114091334A (zh) | 基于改进蝙蝠算法和支持向量机的局部放电故障诊断方法 | |
| CN110570114A (zh) | 基于可变循环神经网络的电能质量扰动识别方法、系统及介质 | |
| CN112362292A (zh) | 对风洞试验数据进行异常检测的方法 | |
| CN109711460A (zh) | 初始聚类中心的获取方法及装置 | |
| CN114139937A (zh) | 一种室内热舒适数据生成方法、系统、设备及介质 | |
| CN110619644B (zh) | 获取ct图像中肿瘤位置和轮廓的数据处理系统及电子设备 | |
| CN115186564A (zh) | 基于特征融合和改进粒子群算法的模拟电路故障诊断方法 | |
| CN114841553A (zh) | 发电机旋转整流器故障诊断方法、系统、设备及存储介质 | |
| CN112738724A (zh) | 一种区域目标人群的精准识别方法、装置、设备和介质 | |
| Pradana et al. | Comparison of Multi Layer Perceptron, Random Forest & Logistic Regression on Students Performance Test |
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 |