[发明专利]一种基于神经网络模型的马达故障诊断装置及其方法

权利要求书

1.一种基于神经网络模型的马达故障诊断方法，其特征在于，包括如下步骤：

步骤一、采集输入信号：利用信号采集模块采集马达的电流及电压信号，并计算马达电机的转速电气参数；

步骤二、输入信号向量表示：对采集的电压、电流信号进行频谱分析，找出电压、电流信号的特征值，并用向量表示；

步骤三、bp神经网络的建立与训练：建立三层前馈神经网络，对bp神经网络进行模型训练，利用BP算法不断修正bp神经网络的权值与阈值，使得模拟值与故障实测值趋于一致；

步骤四、马达故障诊断：将步骤三中训练好的bp神经网络嵌入马达控制器中，把实时测量的马达的电流、电压和转速值作为输入值输入bp神经网络，得到不同电气参数下的故障模式，从而对马达故障进行诊断。

2.根据权利要求1所述的一种基于神经网络模型的马达故障诊断方法，其特征在于：步骤三中，bp神经网络的训练步骤包括：

B1：根据马达控制器监测的数据，提取反映马达的故障特征的参数信息作为输入数据；

B2：将特征参数所反映的故障类型作为输出；

B3：训练bp神经网络，将训练集输入向量和目标向量样本分别作为输入和输出，调整bp神经网络的权值向量和阈值向量，重复步骤四的操作，直到神经网络的输出达到稳定；

B4：将测试样本送入bp神经网络，当输入的测试样本与bp神经网络的某个输入向量相一致时，输出马达故障的所属的故障类型，bp神经网络设计成功，否则说明bp神经网络设计不成功，返回B3重新训练bp神经网络。

3.根据权利要求2所述的一种基于神经网络模型的马达故障诊断方法，其特征在于：步骤四中，马达故障诊断步骤包括：

C1：将训练好的马达故障信息的权值向量和阈值向量存储到bp神经网络中，并将训练好的bp神经网络导入到马达控制器中；

C2：输入采集到的马达的电气数值的特征值向量，利用设计成功的bp神经网络进行模式识别和诊断，从而输出该向量所属的马达故障类型。

4.根据权利要求1所述的一种基于神经网络模型的马达故障诊断方法，其特征在于：步骤三中，bp神经网络的建立及其修正步骤包括：

A1：根据给定的输入、输出训练样本集，确定bp神经网络的输入层、输出层及隐含层节点数，构建bp神经网络的拓扑结构；

A2：设置bp神经网络算法的群体规模N、交叉概率P_c和变异概率P_m，将bp神经网络的权值向量和阈值向量编码成浮点数表示的字符串，在[-1，1]之间随机产生N条染色体作为初始种群；

A3：对种群中的染色体进行译码，并根据公式计算第i条染色体的误差平方和Ei和第i个个体的适应度值f_i的值；其中，i∈{1，2，...，N}，k为目标个数为大于1的自然数，n为种群个数，q为神经网络每条染色体期望目标输出值；y为每条染色体的实际输出值；

A4：计算种群中的最大适应度值f_max和平均适应度值f_avg，并将适应度为f_max的染色体对应的神经网络的权值向量和阈值向量记为B₁，判断f_max是否满足精度要求；

A5：若f_max的误差精度E≤0.001，满足精度要求，通过对适应度为f_max的染色体进行译码，得到bp神经网络的权值向量和阈值向量B₁，此时模型达到稳定，结束算法过程；

A6：若f_max的误差精度E＞0.001，则E不满足要求，进行遗传选择操作，并对交叉概率P_c和变异概率P_m进行自适应调整，采用改进的交叉和变异算子执行遗传操作，产生新的一代群体；

A7：对bp神经网络的权值向量和阈值向量B₁通过反向传播计算，求出各层神经元的误差信号，应用IGA-BP混合算法对B₁反复调整后记为B₂；

A8：从父代群体和新一代群体及B₂中挑选出N个染色体来形成下一代新群体，然后转去步骤A3执行。