[发明专利]一种基于OBLGWO‑DBN模型的航空发电机故障特征提取方法在审
| 申请号： | 201710628171.2 | 申请日： | 2017-07-28 |
| 公开（公告）号： | CN107247231A | 公开（公告）日： | 2017-10-13 |
| 发明（设计）人： | 崔江;师鸽 | 申请（专利权）人： | 南京航空航天大学 |
| 主分类号： | G01R31/34 | 分类号： | G01R31/34 |
| 代理公司： | 南京经纬专利商标代理有限公司32200 | 代理人： | 曹芸 |
| 地址： | 210017 江*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 基于 oblgwo dbn 模型 航空 发电机 故障 特征 提取 方法 | ||
1.一种基于OBLGWO-DBN模型的航空发电机故障特征提取方法，其特征在于，包括以下步骤：
(1) 故障模式分析及测试信号选取：对航空发电机的故障模式类型、数目以及待测信号进行分析和确定；
(2) 信号采集：通过传感器采集航空发电机在各种工作状态下的待测信号，并传输给计算机进行数据存储；
(3) 数据预处理：将所采集到的数据按照设定长度进行截取成为数据段，每个数据段为一个样本；把所有的样本分为训练样本集和测试样本集；
(4) 网络训练：利用训练样本集对深度置信网络进行训练，并使用OBL算法和GWO算法对网络模型参数进行优化，得到一个OBLGWO-DBN模型；
(5) 网络测试：将测试样本集输入OBLGWO-DBN模型，计算分类正确率指标。
2.根据权利要求1中所述的一种基于OBLGWO-DBN模型的航空发电机故障特征提取方法，其特征在于：所述步骤(4)中具体过程如下：
深度置信网络模型的初始权值矩阵、可见层结点偏置以及隐含层结点偏置参数采用OBL进行初始化，后续训练中用灰狼优化算法对这些参数进行寻优。
3.根据权利要求1所述的一种基于OBLGWO-DBN模型的航空发电机故障特征提取方法，其特征在于，步骤（1）中所述航空发电机的故障模式包括定子绕组故障、转子绕组故障、旋转整流器故障和轴承故障。
4.根据权利要求3所述的一种基于OBLGWO-DBN模型的航空发电机故障特征提取方法，其特征在于，所述旋转整流器故障分为单管故障和双管故障。
5.根据权利要求1所述的一种基于OBLGWO-DBN模型的航空发电机故障特征提取方法，其特征在于，步骤（2）中的传感器为电流传感器、电压传感器或振动传感器。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于南京航空航天大学，未经南京航空航天大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201710628171.2/1.html，转载请声明来源钻瓜专利网。
