[发明专利]基于RBF神经网络的交流电机故障诊断模型构造方法

说明书

技术领域

本发明涉及一种交流电机故障诊断技术，特别是一种基于RBF神经网络的交流电机故障诊断模型构造方法。

背景技术

感应电机的故障类型大体分为机械故障与电气故障，又可将这些故障分为轴承故障、定子故障、转子故障及偏心类故障等多种类型。不同故障具有不同的故障特征，这也是进行故障诊断的主要依据。但需要注意的是，由于感应电机是集机、电、磁一体的复杂设备。因此，故障特征也是极其复杂的。在不同运行条件下，同类型的故障，其特征也会发生改变；不同故障具有类似的故障特征。这些为感应电机的故障诊断带来了困难。

目前，多数基于神经网络的电机故障诊断模型，通常采用多输入/多输出结构，即用一个复杂神经网络来构建进行多种故障诊断的模型；神经网络多采用三层BP（BackPropagation）神经网络或三层径向基（RBF，Radial Basis Function）神经网络。RBF神经网络与BP神经网络都是非线性多层前向网络，它们都属于通用逼近器。三层神经网络由输入层、隐层和输出层构成。

由于RBF神经网络隐层单元的转移函数是关于中心对称的径向基函数（如高斯函数），这样三层静态RBF前馈神经网络的隐层单元数可以根据研究的具体问题，在训练阶段自适应地调整，使得网络的适用性更好。对RBF神经网络通常采用最近邻聚类方式训练网络，这样网络隐层单元的分配就仅与训练样本的分布及隐层单元的宽度有关，与执行的任务无关。在隐层单元分配的基础上，输入与输出之间的映射关系，通过调整隐层单元和输出单元之间的权值来实现。

RBF神经网络与BP神经网络比较，具有计算量小、收敛速度快、无局部极小等特点。因此，本发明提出了基于RBF神经网络的模块化电机故障诊断模型。关于基于神经网络的电机故障诊断问题研究以下文献均有报道：

[1]黄丹,黄采伦.基于BP神经网络模型的电机故障诊断专家系统[J].自动化仪表,2003,24(3):15-17；

[2]郭西进等.基于BP神经网络的异步电机匝间短路程度研究[J].煤矿机械,2011,32(10):276-278；

[3]张敬斋.RBF神经网络在水轮发电机故障诊断中的应用[J].计算机仿真,2011,28(12):314-317；

[4]王娟等.基于RBF神经网络的电机故障诊断的研究[J].系统仿真技术,2009,5(1):36-39；

[5]穆丽娟等.RBF神经网络在异步电机故障诊断中的应用[J].系统仿真技术,2009,5(1):148-151；

[6]白成荣.电机故障诊断中RBF神经网络的应用[J].山西建筑,201,37(17):213-214。

为了使神经网络能够较好地学习与区分多种故障特征，这个网络应具有良好的复杂非线性特性映射能力。这样势必要求该网络的隐层应有较多的节点。尽管已有文献指出了三层神经网络在理论上是能够逼近任意非线性特性，可是对一个隐层节点数目较大的网络，显然会引起收敛、训练与再训练等方面的困难问题。对于由一个多输入多输出网络构成的故障诊断模型至少有以下几方面的不足：

1）要识别的故障类型越多，构成模型的网络就越复杂；

2）网络结构复杂，则网络收敛与训练难度相应增大；

3）一旦新增要识别的故障类型或对某故障特征有补充样本数据，就需要进行网络再训练，增加训练成本。

发明内容

为解决现有技术存在的上述问题，本发明要设计一种可以实现以下目的的基于RBF神经网络的交流电机故障诊断模型构造方法：

1、具有方便、灵活、可方便组合的模块化模型结构；

2、降低模型的收敛与训练难度；

3、模型更新方便快捷。

为了实现上述目的，本发明的技术方案如下：一种基于RBF神经网络的交流电机故障诊断模型构造方法，包括以下步骤：

A、建立故障诊断模型

A1、确定故障诊断模型的结构

首先根据拟诊断交流电机故障种类的个数来确定构成电机故障诊断模型的子模型个数；每个子模型是一个多输入-单输出的模型，即每个子模型具有多个输入端和单个输出端，且各个子模型的输入端个数相同；将各个子模型的输入端并联连接即构成电机故障诊断模型，所有子模型的输出端个数即构成电机故障诊断模型的输出端个数，亦即，子模型的个数就是电机故障诊断模型的输出端个数；