[发明专利]一种基于特征节点增量式宽度学习的电机故障诊断方法

摘要

本发明公开一种基于特征节点增量式宽度学习的电机故障诊断方法，该方法采用特征节点增量式宽度学习方法来诊断感应电动机故障。特征节点增量式宽度学习（IBL）的结构简洁，可以有效地重新训练网络。本发明结合了特征提取（粒子群优化‑变异模态分解和时域统计特征）、特征节点增量式宽度学习和非负矩阵分解来构成一个三相电动机的智能诊断方法。实验结果表明该方法在诊断三相电动机故障时优于其他算法。此外，通过非负矩阵分解(NMF)简化的IBL误差小、系统更稳定。

主权项

1.一种基于特征节点增量式宽度学习电机故障诊断方法，其特征在于，包括以下步骤：S1：数据采集和数据处理；采集定子绕组A电流信号，定子绕组B电流信号或定子绕组C电流信号中任意两组电流信号和一个声波信号，记为x₁,x₂,x₃，将所采集的两路电流信号和声波信号进行滤波；将滤波后的数据分成两组，其中一组电流信号数据进行时域统计特征，将声波信号数据分别进行时域统计特征和粒子群优化‑变异模态分解；最后将处理后的数据分为三组独立的数据集：包括训练数据集、验证数据集和测试数据集；分别记为x_{k‑Proc‑Train}、x_{k‑Proc‑Vali}和x_{k‑Proc‑Test}；S2：模型训练，即将处理后的x_{k‑Proc‑Train}进行宽度学习，训练得到系统模型，宽度学习训练的过程为：使用经过处理的训练数据集x_{k‑Proc‑Train}来训练宽度学习网络，宽度学习网络的输出是诊断的准确率；当输出的准确率大于等于设定的目标准确率时，即得到训练模型；当输出的准确率小于设定的目标准确率时，系统进入增量学习；S3：特征节点增量式学习，即通过增加特征节点的数目，将处理后的x_{k‑Proc‑Vali}进行增量学习，特征节点增量式学习过程为：使用经过处理的验证数据集x_{k‑Proc‑Vali}来训练特征节点增量式宽度学习网络，特征节点增量式宽度学习网络输出的是故障诊断的准确率；当输出的准确率不在设定的目标准确率±M％时，系统继续增量学习；当输出的准确率在设定的目标准确率±M％时，即得到特征节点增量式训练模型；S4：采用NMF方法对由步骤S3训练得到的模型进行简化，得到更稳定的模型，通过测试数据集x_{k‑Proc‑Test}得到输出矩阵，与故障标签对比即可得到电机的故障诊断准确率。