[发明专利]基于组群式稀疏自编码及群智能的电机故障检测方法

说明书

本发明公开了一种基于组群式稀疏自编码及群智能的电机故障检测方法，包括：（1）针对直流电机故障信号，通过张力控制器的输出电流控制磁粉制动器实现对电机负载转矩的调节，采集电机故障信号；（2）建立一种组群式稀疏自编码器实现框架，并使用M‑M方法求解，利用该稀疏特征提取网络对原始输入电机故障数据进行特征提取；（3）对群智能算法进行改进，提出SS‑PSO算法；（4）建立SS‑PSO‑ANN深度分类器模型；（5）针对基于组群式稀疏自编码器实现框架网络提取出的优质稀疏特征，利用SS‑PSO‑ANN分类器进行电机故障的有效诊断。本发明针对直流电机匝间短路与转子退磁的常见故障，实现电机的自主故障诊断，从而避免由于故障影响电机的运行效率甚至损毁电机造成事故的情况。

技术领域

本发明涉及电机故障诊断技术领域，具体涉及一种基于组群式稀疏自编码及群智能的电机故障检测方法。

背景技术

电动机已成为工业生产中最广泛的基本动力设备。电机故障不仅会影响生产，而且还可能引起重大安全事故。因此，如何及时诊断和排除故障，预防事故发生，确保电机安全、可靠、高效运转显得尤为重要。

传统的故障诊断方法有基于小波包分析的方法、特征向量法或基于希尔伯特黄变换等方法。但是，由于电机故障机理复杂，其故障特征信号不明显，且故障信号具有非线性与非平稳性，使得以上传统特征提取方法均存在一些缺陷，比如，特征向量法的计算过于复杂，且对先验知识过度依赖，基于希尔伯特黄变换或小波变换等信号处理方法，在进行故障特征提取中，其泛化能力受到一定的约束，已经不能满足目前电机故障监测的要求。随着人工智能的发展，深度学习成为机器学习算法研究中的一个重要分支，深度学习模型是基于多层神经网络的层次结构的模型，可以从大数据中自动学习、表达数据本质与隐含规律的数据特征，对于电机故障信号在特征提取方面出现的问题，深度学习可以提供较好的解决方案。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于组群式稀疏自编码及群智能的电机故障检测方法，克服了故障诊断中人们主观思维对维修过程和故障诊断依据的影响，提高故障诊断的精确度和效率。

技术方案：本发明提供了一种基于组群式稀疏自编码及群智能的电机故障检测方法，包括如下步骤：

步骤1，采集来自电机的故障信号，包括电机正常状态、绕组匝间短路、转子局部退磁三类情况下的直流母线电流和相电流，建立以故障数据为基础的故障案例库；

步骤2，建立一种组群式稀疏自编码器(GSAE)实现框架，并使用Majorization-Minimization(M-M)方法求解，利用该稀疏特征提取网络对原始输入电机故障数据进行特征提取；所述组群式稀疏自编码器实现框架具体如下：

1)设定输入参数及类别

设X为输入数据，则：

X＝{X₁，…，X_c}

其中，X₁是第一类(class1)，X₂是第二类(class2)，c是类的数量，{n₁，n₂，…n_c}是每一类中的数据点数，数据组织的规则是：属于类别1的列最先出现，然后是类别2的数据列，依此类推，一直到最后类别c的数据列；

2)定义损失函数

引入基于正则化的l_2，1-范数来定义损失函数，定义如下：