[发明专利]基于RBF神经网络的交流电机故障诊断模型构造方法

摘要

本发明公开了一种基于RBF神经网络的交流电机故障诊断模型构造方法，包括以下步骤：建立故障诊断模型；训练故障诊断模型；测试故障诊断模型。由于本发明采用了模块化结构，构成该模型的各模块，即子模型，具有相同的输入个数，故障诊断模型的构造只需将训练好的各子模型的输入端并联连接即可，保证了各子模型之间相互独立。这种连接方式使得故障诊断模型构造简便、灵活。由于本发明故障诊断模型训练只需对子模型进行，因此，大大降低了故障诊断模型训练的难度，为缩短训练时间提供了条件。由于本发明的每一个子模型之间相互独立，故经过训练后的子模型对所学习的特定故障状态更加敏感，这样提高了故障诊断模型的故障识别能力。

主权项

一种基于RBF神经网络的交流电机故障诊断模型构造方法，其特征在于：包括以下步骤：A、建立故障诊断模型A1、确定故障诊断模型的结构首先根据拟诊断交流电机故障种类的个数来确定构成电机故障诊断模型的子模型个数；每个子模型是一个多输入‑单输出的模型，即每个子模型具有多个输入端和单个输出端，且各个子模型的输入端个数相同；将各个子模型的输入端并联连接即构成电机故障诊断模型，所有子模型的输出端个数即构成电机故障诊断模型的输出端个数，亦即，子模型的个数就是电机故障诊断模型的输出端个数；所述的子模型是由一个多输入‑单输出三层神经网络构成；所述的神经网络的输入层节点个数对应子模型的输入端个数，输出层节点个数为1，对应子模型的输出端个数，每一个子模型用来表示电机的一种故障状态；A2、确定故障诊断模型的输入端个数设子模型有m个输入端，亦即故障诊断模型有m个输入端，设m个输入端的输入信号构成一个输入向量x，表示如下：x＝(x1x2…xm)式中，xi为子模型的第i个输入信号，i=1,2,…,m；所述的输入信号为交流电机定子电流信号或交流电机轴的径向振动加速度信号或交流电机轴的轴向振动加速度信号；所述的输入向量为输入信号经过小波包分解所获得的电机故障能量比向量；所述的能量比向量被称作特征向量，特征向量的每一个分量对应着某一频带的信号能量与全频带信号的总能量比；特征向量的元素个数由所分解的信号频带个数确定；特征向量的元素个数即为故障诊断模型的输入个数m，也就是各子模型的输入个数m；A3、确定故障诊断模型的输出端个数设故障诊断模型由n个子模型构成，则其输出向量y由其所包含的所有子模型的输出信号构成，即：y=(y1y2…yn)式中，yj为电机故障诊断模型的第j个输出信号，也就是第j个子模型的输出信号，j=1,2,…,n，每一个子模型的输出端个数固定为1，表示被诊断电机的一种故障状态；A4、确定子模型的隐节点数为简单起见，先用缺省值2或4作为子模型的隐节点数，最终根据训练结果来调整子模型的隐节点数；B、训练故障诊断模型B1、定义子模型的输出状态为每一个子模型定义其所要表示的故障类型，那么训练后的任意一个子模型，只有当输入其对应故障类型能量比向量时，该子模型的输出信号为1，否则输出信号为0；B2、准备子模型训练样本集对每一种故障类型，采用不低于10组的故障数据所生成的能量比向量构成各子模型的训练样本集；B3、训练子模型用所得到的各子模型的训练样本集分别对各子模型进行训练；B4、合成故障诊断模型所有子模型训练结束后，将训练后的各子模型的输入端并联，便构成了所要建立的交流电机故障诊断模型；C、测试故障诊断模型C1、准备故障诊断模型测试样本集用不同于训练样本集的包含所有子模型对应的故障类型的能量比向量构成测试样本集，根据测试样本集各故障能量比向量的排列顺序，对应一张电机状态输出表，这里称为故障诊断模型的理想输出表；表中的每一行对应测试样本集中相应行所表示的故障状态输出，也就是故障诊断模型的理想输出；C2、测试故障诊断模型的故障诊断性能依次连续输入测试样本集中的故障能量比向量，记录模型的输出向量，得到模型的实际输出表，将模型的理想输出表与实际输出表进行对比，来对故障诊断模型的故障诊断性能进行测试与评价；若故障诊断模型的实际输出表与理 想输出表的匹配度大于80%，即认为满足要求，则该故障诊断模型便可投入使用。