[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

说明书

本发明公开一种基于特征节点增量式宽度学习的电机故障诊断方法，该方法采用特征节点增量式宽度学习方法来诊断感应电动机故障。特征节点增量式宽度学习（IBL）的结构简洁，可以有效地重新训练网络。本发明结合了特征提取（粒子群优化‑变异模态分解和时域统计特征）、特征节点增量式宽度学习和非负矩阵分解来构成一个三相电动机的智能诊断方法。实验结果表明该方法在诊断三相电动机故障时优于其他算法。此外，通过非负矩阵分解(NMF)简化的IBL误差小、系统更稳定。

技术领域

本发明涉及电机故障诊断领域，更具体地，涉及一种基于特征节点增量式宽度学习的三相感应电机故障诊断方法。

背景技术

三相感应电动机(TPIM)为我们日常生活提供主要驱动力。由于TPIM成本低，体积小，坚固耐用，维护成本低，越来越多的学者对TPIM进行研究。虽然TPIM可靠，但是它们也会受到一些不良影响，这些不良影响会导致故障发生，造成严重事故。在严重事故发生之前，人们有必要监控其运行状况。文献表明，感应电动机存在绕组不平衡，定子或转子不平衡，转子条断裂，偏心和轴承缺陷等故障。

随着机器学习的发展，将机器学习应用于传统电机的故障诊断研究越来越多。深度信念网络(deep belief network,DBN)、极限学习机(extreme learn machine,ELM)和卷积神经网络(conventional neural network,CNN)，目前被广泛用于直流电机和交流电机的故障诊断中。尽管深度学习网络非常强大，但由于涉及大量的超参数和复杂的结构，这些深度学习网络在训练过程中往往耗费大量时间。此外，由于深度学习结构复杂，从理论上分析深层结构非常困难。大多数工作都需要调节参数或增加更多的层来提高精度，所以这样就需要越来越强大的计算资源。为了提高机器学习的训练性能，有研究者提出了一种宽度学习方法。与上面不同的是，宽度学习结构只有两层，一层是输入层，它包含了映射特征和增强节点。另一个是输出层。虽然它是一个简单的结构，但是它可以通过增加特征的节点来提高性能。因此，它可以应用于感应电动机的诊断，提高诊断的训练速度和准确率。

快速傅里叶变换(FFT)不适合非平稳信号；短时傅里叶变换(STFT)的缺陷会在时间和频率产生内在关联；小波变换(WT)会导致能量泄漏流失。近期，Dragomiretskiy等人提出了一种变异模态分解(VMD)方法，该方法假设每个提取模式具有有限的带宽并且在匹配的中心频率附近压缩。每个子模式之前的稀疏度被选择为频谱域中的中心带宽。然而，VMD在实际应用中调制能力在很大程度上依赖于固有参数设置。惩罚α的不同配置和VMD中的子组件K的数量不同会导致各种不同的分解性能。因此，需要优化参数α和K。

传统的数据处理与系统模型训练都是在实验阶段进行的，模型训练完成后，诊断系统模型就不能被修改。电机故障诊断模型的重构将花费大量的训练时间，尤其是深度学习模型，这将大大限制其应用。

发明内容

为了克服现有技术的不足，本发明提出一种基于特征节点增量式宽度学习的电机故障诊断方法，该方法采用特征节点增量式宽度学习方法(IBL)来诊断三相电机故障。IBL的结构简洁，可以有效地训练和重新训练网络；能有效的节约训练时间，提高故障诊断系统的准确率和稳定性。

为了实现上述目的，本发明的技术方案如下：

一种基于特征节点增量式宽度学习电机故障诊断方法，包括以下步骤：