[发明专利]基于语义推理与深度极限学习机的电机状态监测方法

权利要求书

1.一种基于语义推理与深度极限学习机的电机状态监测方法，其特征在于，包括以下步骤：

收集电机相关传感数据，其中包括温度、电流、振动信号，利用快速傅里叶算法进行数据预处理；并将预处理后的数据语义信息化；

利用极限学习机ELM与自动编码器AE相结合，形成极限学习机-自动编码器ELM-AE，通过叠加ELM-AE网络结构形成深度极限学习DELM；

将预处理后的数据输入极限学习机-自动编码器ELM-AE进行模型训练；再通过松鼠搜索算法SSA对深度极限学习机模型进行参数优化，从而对电机状态进行正确分类；

在多个电机设备下利用语义技术构建电机状态本体知识库，使用语义规则推理来判断电机的状态，实现对电机状态的监测、预警以及电机设备操作的信息管理，实现对电机状态监测。

2.根据权利要求1所述的一种基于语义推理与深度极限学习机的电机状态监测方法，其特征在于，所述利用快速傅里叶算法进行数据预处理具体包括：

利用离散傅里叶变换的快速算法FFT将获取的时序信号转换成频域信号进行数据处理,从频域上分析故障特征，获取各类故障信号的频率、振幅和相位，其计算方法是：

x(n)为有限长的离散信号，n是采样序列样值的序号；

X(e^jω)为离散采样值，通常情况下处理的信号是有限长的，取长度为N，N为离散信号的周期；

基于奈奎斯特采样定理确定采样率，采样频率为1024hz采样点数即数据长度，总计1000个数据样本。

3.根据权利要求2所述的一种基于语义推理与深度极限学习机的电机状态监测方法，其特征在于，所述将预处理后的数据语义信息化，具体包括：

根据语义概念和样本数据生成对应的映射规则，将本体中对应的语义概念映射到输入数据中，实现从语义概念到信息数据的语义实例化，最终实现数据语义信息化。

4.根据权利要求1所述的一种基于语义推理与深度极限学习机的电机状态监测方法，其特征在于，所述利用极限学习机ELM与自动编码器AE相结合，形成极限学习机-自动编码器ELM-AE，通过叠加ELM-AE网络结构形成深度极限学习DELM，最后利用松鼠搜索算法SSA对深度极限学习机模型进行优化，具体包括：

极限学习机ELM是一种常用的单隐层前馈神经网络。它由输入层，隐含层，输出层组成，输入层的信息通过连接权值计算传递到隐含层，加工处理后传递给输出层，通过计算最小二乘解一次性确定隐藏层和输出层之间的权值；

自动编码器AE是一种无监督学习网络模型，使输出值与输入值之间的重构误差最小；网络结构上和极限学习机相同也分为三层：输入层、隐藏层、输出层；AE输出层与输入层具有相同的网络节点；隐藏层中编码器负责学习输入信息的隐含特征，解码器将输入信号进行重构，输出层和输入层经过隐藏层对信息进行特征提取后依旧保持着相同的网络节点；

编码的过程属于非线性变换，将输入数据进行编码，使其得到新的特征；f是激活函数，包括sigmoid、tanh和rule函数；W_i、b_i为编码的权重，AE的编码过程可以表示为：

l_i＝f(W_ix+b_i)    (0.2)

解码器的激活函数采用sigmoid函数或常量函数，W′_i、b′_i表示解码器的权重和偏差，AE的解码过程可以表示为：

Y＝f(W_i'l_i+b_i')(0.3)。

5.根据权利要求4所述的一种基于语义推理与深度极限学习机的电机状态监测方法，其特征在于，将深度极限学习机的网络结构分为两部分:(1)无监督逐层特征提取；(2)有监督分类；第一部分利用自编码器作为无监督学习的基础单元对输入数据进行贪婪逐层无监督预训练从输入数据中提取特征,保存ELM-AE由最小二乘法获得的输出权值矩阵,输出层权重对ELM-AE进行初始化；第二部分采用原始的ELM训练网络,结合电机运行状态信息：正常状态、轴承故障、匝间短路故障、转子断条故障；对深度极限学习机的输出层权重进行学习得到实验模型，取得电机状态的分类模型。

6.根据权利要求5所述的一种基于语义推理与深度极限学习机的电机状态监测方法，其特征在于，所述在多个电机设备下利用语义技术构建电机状态本体知识库，使用语义规则推理来判断电机的状态，具体包括：

电机设备对电机状态进行本体知识库建模；本体的构建主要以树状结构构建，主要概念有类、属性以及实例；以电机状态为主体其子类包括状态分类、故障原因以及维护策略；状态分类，将深度极限学习机模型根据数据得出的结果为依据，判定是否出现故障以及故障点；故障原因，将根据故障点以及数据信息，提供可能故障的原因。维护策略则根据故障原因提供可实施的方案；类与类之间具有明显的差异性；属性包括对象和数据属性，对象属性展示的是类与类或是个体与个体之间的关系，数据属性则将个体与数据对应起来；其中电机状态具有对象属性包括电流关系、温度、振动关系；数据属性为安培、摄氏度、振动速度；电机状态集成对象和数据的关系；实例则是现实中类的具体数量和例子，本体模型还可以为电机设备数据信息进行存储；利用本体描述语言OWL表示电机状态和评价标准，利用本体建模工具构建包含了电机运行数据和深度极限学习机分类结果的电机本体知识库和关系库，使用语义规则推理来判断电机的状态。