[发明专利]一种基于BP神经网络的直流电机故障检测方法在审
| 申请号： | 202111129547.8 | 申请日： | 2021-09-26 |
| 公开（公告）号： | CN113933706A | 公开（公告）日： | 2022-01-14 |
| 发明（设计）人： | 许振明;陈冬冬;肖龙;类欣雅;陈诗丹 | 申请（专利权）人： | 闽南理工学院 |
| 主分类号： | G01R31/34 | 分类号： | G01R31/34;G06N3/04;G06N3/08;G06N3/06 |
| 代理公司： | 福州市景弘专利代理事务所(普通合伙) 35219 | 代理人： | 林祥翔;黄以琳 |
| 地址： | 362700 *** | 国省代码： | 福建;35 |
| 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 bp 神经网络 直流电机 故障 检测 方法 | ||
1.一种基于BP神经网络的直流电机故障检测方法，其特征在于，包括：
步骤S1：对直流电机的故障机理进行分析，得到理论模型基础；
步骤S2：采集直流电机原始数据；
步骤S3：对采集到的直流电机原始数据预处理，得到初始数据结论；
步骤S4：对直流电机的状态进行状态监测，获得状态信息；
步骤S5：根据初始数据结论和状态信息进行故障判断，得到诊断结果；
步骤S6：将诊断结果发送给用户进行反馈。
2.根据权利要求1所述的基于BP神经网络的直流电机故障检测方法，其特征在于，在所述步骤S2中采集的直流电机原始数据包括电流信号和电压信号。
3.根据权利要求1所述的基于BP神经网络的直流电机故障检测方法，其特征在于，所述步骤S1对直流电机的故障机理进行分析，而得到理论模型基础的方法包括：
步骤S11：给定学习样本集；
步骤S12：求隐层、输出层各单元输出；
步骤S13：对整体样本集计算总体误差E；
步骤S14：判断总体误差E是否满足要求，如果满足要求结束，即得到理论模型基础，否则执行步骤S15；
步骤S15：反向计算各单元一般化误差；
步骤S16：调整各层间的权值，执行步骤S12。
4.根据权利要求1所述的基于BP神经网络的直流电机故障检测方法，其特征在于：在所述步骤S3：对采集到的直流电机原始数据预处理，得到初始数据结论中，通过解直流电机动态微分方程组和分析其电枢电流谐波获得故障诊断所需的特征参量，并分析特征参量和电机参数以及电机参数和电机故障类型之间的关系；对直流电机进行故障分类。
5.根据权利要求4所述的基于BP神经网络的直流电机故障检测方法，其特征在于：对直流电机进行故障分类具体包括对工业用大功率直流电机最易发的故障进行细分和故障现象及原因分析。
6.根据权利要求1所述的基于BP神经网络的直流电机故障检测方法，其特征在于：在执行步骤S6：将诊断结果发送给用户进行反馈之前还执行如下步骤：
步骤S51：优化前网络训练；
步骤S52：优化前故障诊断测试；
步骤S53：对网络进行优化；
步骤S54：优化后网络训练；
步骤S55：优化后故障诊断测试。
7.根据权利要求3所述的基于BP神经网络的直流电机故障检测方法，其特征在于：所述总体误差E采用下式(1)计算：
其中，Ep为第p个样本的误差，N为样本数量，Ep采用下式(2)计算：
其中，为第p个样本输出层的输出基准值，为第p个样本中输出层第k个神经元输出，m为输出层神经元的数量。
8.根据权利要求3所述的基于BP神经网络的直流电机故障检测方法，其特征在于：所述隐层各单元输出oj采用下式(3)计算：
其中，ωij为输入层到隐层的权值，θj为隐层的阈值，n为输入层的神经元数量。
9.根据权利要求3所述的基于BP神经网络的直流电机故障检测方法，其特征在于：所述输出层各单元输出ok采用下式(4)计算：
其中，υjk为隐层到输出层的权值，θk为输出层的阈值，q为隐层的神经元数量。
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闽南理工学院，未经闽南理工学院许可，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/202111129547.8/1.html，转载请声明来源钻瓜专利网。
