[发明专利]一种基于特征节点增量式宽度学习的电机故障诊断方法

权利要求书

1.一种基于特征节点增量式宽度学习电机故障诊断方法，其特征在于，包括以下步骤：

S1：数据采集和数据处理；采集定子绕组A电流信号，定子绕组B电流信号或定子绕组C电流信号中任意两组电流信号和一个声波信号，记为x₁,x₂,x₃，将所采集的两路电流信号和声波信号进行滤波；将滤波后的数据分成两组，其中一组电流信号数据进行时域统计特征，将声波信号数据分别进行时域统计特征和粒子群优化-变异模态分解(PSO-VMD)；最后将处理后的数据分为三组独立的数据集：包括训练数据集、验证数据集和测试数据集，分别记为x_k-Proc-Train、x_k-Proc-Vali和x_k-Proc-Test；

S2：模型训练，即将处理后的x_k-Proc-Train进行宽度学习，训练得到系统模型，宽度学习训练的过程为：

使用经过处理的训练数据集x_k-Proc-Train来训练宽度学习网络，宽度学习网络的输出是诊断的准确率；当输出的准确率大于或等于设定的目标准确率时，即得到训练模型；当输出的准确率小于设定的目标准确率时，系统进入增量学习；

S3：特征节点增量式学习，即通过增加特征节点的数目，将处理后的x_k-Proc-Vali进行增量学习，特征节点增量式学习过程为：

使用经过处理的验证数据集x_k-Proc-Vali来训练特征节点增量式宽度学习网络，特征节点增量式宽度学习网络输出的是故障诊断的准确率；当输出的准确率不在设定的目标准确率[－2.5％，2.5％]时，系统继续增量学习；当输出的准确率在设定的目标准确率[－2.5％，2.5％]时，即得到特征节点增量式训练模型；

S4：采用非负矩阵分解(NMF)方法对由步骤S3训练得到的模型进行简化，得到更稳定的模型，通过测试数据集x_k-Proc-Test得到输出矩阵，与故障标签对比即可得到电机的故障诊断准确率；

所述步骤S1中对声波信号的数据处理过程为：采用粒子群优化-变异模态分解(PSO-VMD)和时域统计方法(TDSF)提取信号特征；

利用粒子群优化-变异模态分解(PSO-VMD)对原始信号进行分解为：训练数据、验证数据和测试数据，训练数据标记为x_{k-PSO-VMD-Train}，验证数据标记为x_{k-PSO-VMD-Vali}，测试数据标记为x_{k-PSO-VMD-Test}，

采用粒子群优化-变异模态分解(PSO-VMD)后，由于变异模态分解后每个固有模态函数维数不变，需要降低维数，则应用样本熵(SE)统计其特征，即采用样本熵来计算每个固有模式函数的代表性特征；其特征结果分别保存为x_k-SE-Train、x_k-SE-Vali和x_k-SE-Test；为了保证所有的特征都有贡献，x_k-SE-Train、x_k-SE-Vali和x_k-SE-Test中的每个特征都进行[0，1]归一化处理；

步骤S1还包括：对采集两组电流信号分别增加10个时域统计特征，并进行[0,1]归一化处理，再与经过样本熵处理得到的声波特征合并得到处理后的训练数据集、验证数据集和测试数据集，经过处理的训练数据集、验证数据集和测试数据集分别被命名为x_k-Proc-Train、x_k-Proc-Vali和x_k-Proc-Test；

对电流信号和声音信号增加10个特征为：平均值、标准差、均方根、峰值、偏度、峰度、波峰系数、间隙系数、形状系数和脉冲系数。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1中的数据采集方式为：采用示波器采集电流信号，麦克风采集声音信号。

3.根据权利要求1所述的方法，其特征在于，所述步骤S1中，对采集的数据进行限幅滤波后再将其分别分为三个独立的数据集。