[发明专利]基于稀疏分解与邻域蜂群算法的电机故障诊断方法

权利要求书

1.一种基于稀疏分解与邻域蜂群算法的电机故障诊断方法，其特征在于，包括如下步骤：

步骤1：利用稀疏分解IM-HHT提取直流电机特征及信号分析；将电机采样信号经稀疏分解去噪处理，利用正交匹配追踪算法，对电机信号进行处理前去噪，从过完备字典DCT中选择若干最优原子，并将选择出的原子线性组合，然后利用经验模态分解EMD，将给定的信号分解为若干固有模态函数IMF，再利用相关性参数，去除假性IMF，最后进行Hilbert变换，得到原始信号的Hilbert谱；

步骤2：基于聚类型欧氏距离判定方法进行特征选取；

步骤3：基于方形邻域选择人工蜂群SS-ABC算法对电机信号特征因子排序；所述方形邻域选择人工蜂群SS-ABC算法为利用方形邻域选择方法代替原始ABC算法的概率选择，修改构建搜索策略，实现方形邻域选择人工蜂群SS-ABC算法的改进；

步骤4：通过径向基RBF分类器对电机故障进行分类识别。

2.根据权利要求1所述的基于稀疏分解与邻域蜂群算法的电机故障诊断方法，其特征在于，所述步骤1中稀疏分解去噪处理，利用正交匹配追踪算法，对电机信号进行处理前去噪的具体操作为：

(1)表征待分解信号及模型

其中，f_i为待分解信号，F＝{f₁，f₂，...f_n}为待分解信号矩阵，m为所选原子的个数，D＝{d₁，d₂，...d_n}为过完备字典，d_i为所选原子，x_i为所选原子对应的稀疏系数，将所选择的m个原子线性组合即可对信号稀疏表示；

在满足公式(1)的条件下寻找x_i的最稀疏表示值，即寻求具有最少非零值的解决方案，模型如下：

其中，||·||₀为l₀范数，即x_i中非零元素的数目，X＝{x_i}为稀疏系数矩阵，ε为误差；

(2)稀疏分解

在过完备原子库D中选出N维信号矩阵F与原子d₁之间内积绝对值的最大值，此时的d₁为最优原子，即满足：

|F，d₁|＝sup|F，d_i| (3)

其中，|F，d₁|表示信号矩阵F与原子d₁内积的绝对值；

对信号矩阵F进行多次分解后信号可表示为：

随着分解次数的增加，残余信号的信号值将近似为零，待分解信号矩阵F可表示为：

3.根据权利要求1所述的基于稀疏分解与邻域蜂群算法的电机故障诊断方法，其特征在于，所述步骤1中的过完备字典DCT的选择如下：

根据离散余弦变换得到DCT字典，通过对称信号扩展用实数代替复数在实数域上进行分析，一维DCT变换可以通过下式来计算得到：

其中，d(k)为第k个DCT原子，k为频率因子，f(n)为给定的信号序列，N表示输入信号长度；矩阵形式表示如下：

D＝C_Nf (7)

C_N为DCT系数矩阵，再对其在频域进行精细抽样即可得到过完备字典。