CN108562853A - 基于纠错输出编码支持向量机的电机故障诊断方法和*** - Google Patents
基于纠错输出编码支持向量机的电机故障诊断方法和*** Download PDFInfo
- Publication number
- CN108562853A CN108562853A CN201810268304.4A CN201810268304A CN108562853A CN 108562853 A CN108562853 A CN 108562853A CN 201810268304 A CN201810268304 A CN 201810268304A CN 108562853 A CN108562853 A CN 108562853A
- Authority
- CN
- China
- Prior art keywords
- error correcting
- support vector
- vector machines
- vibration signal
- output codes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供了一种基于纠错输出编码支持向量机的电机故障诊断方法和***,该方法通过获取交流电机的振动信号,通过小波包分解与重构提取所述振动信号的特征向量;将所述振动信号的特征向量作为目标纠错输出编码支持向量机的输入,得到与所述振动信号的特征向量对应的输出向量;将所述输出向量与用于指示故障类别标签对应的二值编码向量进行对比,以判断电机的故障类型。从而解决了传统电机故障诊断方法自主学习能力弱,单独分类器诊断分类能力不足的问题,诊断精度高。
Description
技术领域
本发明涉及电机诊断技术领域,具体地,涉及基于纠错输出编码支持向量机的电机故障诊断方法和***。
背景技术
随着科学技术的进步发展,三马力交流电机在社会生产和日常生活中起着举足轻重的作用。随着工业生产的不断大规模化,生产设备不断向着高速化、大规模化、复杂化、自动化的方向发展。因此,电机一旦发生故障,可能破坏整个工业链的生产进行,损失是不可估量的。所以,对电机进行故障诊断有着很重要的意义。
现有技术中常见的故障诊断方法主要有以下几种:
方法1:喻绍喆等人在《基于贝叶斯网络的电机故障诊断方法研究》中分别阐述了决策树和贝叶斯网络的基本思想和相关算法,通过决策树-贝叶斯网络的转化方法来得到各个故障节点之间的条件概率分布,获得电机故障诊断结果。实验结果表明了随着样本数量的不断增加,电机故障诊断的准确率也不断提高。但是方法1作为评判准则的准确率是受样本数量控制的,在小样本下准确率在60%左右,在大样本下是比较适合的,具有一定的局限性。
方法2:李海等人在《基于EMD和特征融合的电机故障诊断》中基于固有模态函数和特征融合技术相结合的特征向量构造方法,通过1-a-1支持向量机的分类方法对电机故障进行诊断分类,其基本思想是:对k个类别的分类问题,每次仅对k类中的两类进行分类。因此需要建立k(k-1)/2个子分类器,最后输出综合这些2类分类器的结果,应用“投票法”,得票最多的类为新样本所属的类别。方法2中每个支持向量机的训练速度都会随着训练样本数的增加而急剧减慢,因此这种算法的效率相对较低,在求解一个优化问题的过程中需要同时求解n个SVM分类器,因为变量数过多,所以就被限制在小样本问题中求解使用,同时在每个支持向量机进行划分超平面时会存在不可分区域。
方法3:朱文等人在《基于神经网络专家***的电机故障诊断研究》中对领域专家提供的大量故障实例进行学***缓化”,即sigmoid函数的导数对应的斜率接近为0,权重此时无法更新,前向传播时损失函数会稳定在某个值无法下降,可能会对最终的测试结果造成较大的误差,影响最终诊断效果。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于纠错输出编码支持向量机的电机故障诊断方法和***。
第一方面,本发明提供一种基于纠错输出编码支持向量机的电机故障诊断方法,包括:
获取交流电机的振动信号,通过小波包分解与重构提取所述振动信号的特征向量;
将所述振动信号的特征向量作为目标纠错输出编码支持向量机的输入,得到与所述振动信号的特征向量对应的输出向量;
将所述输出向量与用于指示故障类别标签对应的二值编码向量进行对比,以判断电机的故障类型。
可选地,在将所述振动信号的特征向量作为目标纠错输出编码支持向量机的输入,得到与所述振动信号的特征向量对应的输出向量之前,还包括:
选取4种类型的交流电机:正常电机、转子不平衡故障电机、内置不对中故障电机和轴承故障电机;
通过NI cRIO-9030控制***采集所述4种类型的交流电机的振动信号;
通过小波包分解与重构提取所述4种类型交流电机振动信号的特征向量;
为所述4种类型的交流电机的振动信号的特征向量分别添加不同的标签,并将添加标签后的特征向量进行交叉验证后,划分为:训练集数据和测试集数据;其中,训练集数据和测试集数据均设置有用于指示故障类型的标签;
通过所述训练集数据对初始纠错输出编码支持向量机进行训练,得到训练好的纠错输出编码支持向量机;
通过所述测试集数据对所述训练好的纠错输出编码支持向量机进行测试,以得到通过测试的目标纠错输出编码支持向量机。
可选地,所述通过小波包分解与重构提取所述4种类型交流电机振动信号的特征向量,包括:
选取小波包分解的初始层数;
通过小波包对所述4种类型的交流电机的振动信号进行降噪处理,得到降噪信号;
绘制所述降噪信号的功率谱图与1/3倍频程谱图;
根据所述降噪信号的功率谱与1/3倍频程谱的能量分布确定小波包分解的最终层数,并进行小波包重构处理后得到重构后的信号;
根据所述重构后的信号绘制小波包能量谱图;其中,所述小波包能量谱图即为所述4种类型的交流电机的振动信号的特征向量。
可选地,所述通过所述训练集数据对初始纠错输出编码支持向量机进行训练,得到训练好的纠错输出编码支持向量机,包括:
以用于指示故障类型的标签的准确率作为评价指标,通过交叉网格搜索获取所述初始纠错输出编码支持向量机中的最优参数,所述最优参数包括:核函数kernel、核函数参数gamma、惩罚参数C;
将训练数据集作为所述初始纠错输出编码支持向量机的输入,将所述初始纠错输出编码支持向量机输出的编码输出向量与用于指示故障类型的标签对应的二值编码向量逐一进行对比;并根据汉明距离最小的原则,将最接近于编码输出向量的二值编码向量对应的用于指示故障类型的标签作为诊断的结果;
当所述用于指示故障类型的标签的准确率大于预设阈值时,保存所述纠错输出编码支持向量机中的最优参数,得到训练好的纠错输出编码支持向量机。
可选地,所述通过所述测试集数据对所述训练好的纠错输出编码支持向量机进行测试,以得到通过测试的目标纠错输出编码支持向量机,包括:
将测试集数据作为训练好的纠错输出编码支持向量机的输入,以用于指示故障类型的标签的准确率作为评价指标,当所述训练好的纠错输出编码支持向量机的编码输出向量与用于指示故障类型的标签对应的二值编码向量一致时,测试通过,否则,测试失败。
可选地,所述获取交流电机的振动信号,通过小波包分解与重构提取所述振动信号的特征向量,包括:
通过NI cRIO-9030性能检测控制***采集所述交流电机的振动信号;
选取小波包分解的初始层数;
通过小波包对所述交流电机的振动信号进行降噪处理,得到降噪信号;
绘制所述降噪信号的功率谱图与1/3倍频程谱图;
根据所述降噪信号的功率谱与1/3倍频程谱的能量分布确定小波包分解的最终层数,并进行小波包重构处理后得到重构后的信号;
根据所述重构后的信号绘制小波包能量谱图;其中,所述小波包能量谱图即为所述交流电机的振动信号的特征向量。
第二方面,本发明提供一种基于纠错输出编码的电机故障诊断***,包括:处理器和存储器,所述存储器中存储有程序指令,所述处理器用于调取所述程序指令以执行如第一方面中任一项所述的基于纠错输出码的电机故障诊断方法。
根据本发明提供的基于纠错输出编码支持向量机的电机故障诊断方法与现有技术相比,本发明具有如下的有益效果:
本发明提供了一种基于纠错输出码的电机故障诊断方法和***,该方法通过获取待诊断电机的振动信号,通过小波包分解与重构提取所述振动信号的特征向量;将特征向量作为纠错输出编码支持向量机的输入,输出的编码输出向量与用于指示故障类别的标签对应的二值编码向量逐一进行对比。根据汉明距离最小的原则,最接近编码输出向量的二值编码向量对应的用于指示故障类别的标签即为预测类别,达到电机故障诊断的目的。解决了传统电机故障诊断方法自主学习能力弱,单独分类器诊断分类能力不足的问题;诊断精度高。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明实施例一提供的基于纠错输出编码支持向量机的电机故障诊断方法的原理架构示意图;
图2为本发明实施例二提供的基于纠错输出编码支持向量机的电机故障诊断方法的流程图;
图3为本发明实施例三提供的基于纠错输出编码支持向量机的电机故障诊断方法的流程图;
图4为本发明实施例四提供的基于纠错输出编码支持向量机的电机故障诊断方法的流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
图1为本发明实施例一提供的基于纠错输出码的电机故障诊断方法的原理架构示意图;如图1所示,首先选取4种类型交流电机:正常电机、转子不平衡故障电机、内置不对中故障电机和轴承故障电机。通过NI cRIO-9030性能检测***设置采样频率为10.24ks/s,电机转动频率为15Hz。根据实验方案确定振动信号的采集时间为7分钟。由于采样频率远大于电机转动固有频率,确定4种类型电机分别选取1秒数据点作为分析。通过NI-9234采集模块采集实验电机端盖处振动信号,此端盖处传感器振动信号分为与端盖相切方向,沿端盖径向方向。本实施例采集径向方向的振动信号,同时输出径向方向振动信号。
图2为本发明实施例二提供的基于纠错输出码的电机故障诊断方法的流程图,图2所示的方法可以包括:
S101、获取交流电机的振动信号,通过小波包分解与重构提取所述振动信号的特征向量。
本实施例中,首先可以通过NI cRIO-9030性能检测控制***采集所述交流电机的振动信号;然后选取小波包分解的初始层数;通过小波包对所述交流电机的振动信号进行降噪处理,得到降噪信号;绘制所述降噪信号的功率谱图与1/3倍频程谱图;根据所述降噪信号的功率谱与1/3倍频程谱的能量分布确定小波包分解的最终层数,并进行小波包重构处理后得到重构后的信号;根据所述重构后的信号绘制小波包能量谱图;其中,所述小波包能量谱图即为所述交流电机的振动信号的特征向量。本实施例中,由于小波包在降噪过程中,将模拟信号在高低频都进行了更精细的分解,而多分辨分析没有在高频部分进行细分,弥补了其在高频部分一些有用的频率丢失,从而使信号在重构后发生较大的畸变的不足。为了使信号在正则部分平滑掉噪声,信号锐变部分细节得以更好的保留,同时将突变部分和噪声能够被有效地区分开来,最终本实施例确定选用无偏似然估计原理所得到的自适应阈值,以作为去噪阈值。常用的小波基系列有Harr小波、db系列、coif系列和sym系列。由于db系列小波有较好的正交性、时频紧支撑性和高正规性。同时具有Mallat快速算法的特点,故选用db系列小波。在此系列小波中N越大,滤波性能越好,但时域定位性变差。综合以上因素选取db4小波作为小波基。初步选取小波包分解层数,对4种类型电机振动信号进行降噪处理,得到降噪信号;
本实施例中,通过绘制降噪信号在频域内的功率谱图与1/3倍频程谱图;根据降噪信号的功率谱与1/3倍频程谱图的能量集中频段确定小波包分解层数,进行小波包重构得到重构信号;对重构信号绘制小波包能量谱尺度图。所述小波包能量谱尺度图即为4种类型电机振动信号的特征向量。
具体地,由于电机在发生故障时振动信号所包含的频率成分会发生变化,比较4类电机功率谱与1/3倍频程谱图的能量集中频段重新确定小波包分解层数。根据奈奎斯特采样定理,分析频率上限为采样频率的1/2,根据功率谱图像确定每类电机能量都大致集中在0-160Hz频段。所以确定小波包分解层数应该能够区分0-160Hz频段能量的不同,即确定小波包分解层数n满足:为更精确的表征信号特征,确定小波包分解层数为6。
当小波包分解层数为6层时,获取[6,0]-[6,63]的重构系数,其中,[6,0]表示重构0结点,[6,63]表示重构63结点;
重构后的信号为:
S=S6,0+S6,i+…+S6,63
式中:S表示重构后的信号,S6,0表示结点[6,0]的重构信号,S6,i表示结点[6,i]的重构信号,其中i=0,1,2,…,63;
获取所述重构后的信号对应的能量;假设S6,i对应的能量为E6,i;则:
式中:S6,i(t)表示结点[6,i]关于时间t的重构信号,xi,k表示重构信号S6,i的离散点的幅值;i=0,1,2,…,63;k=1,2,…,n;n为信号采样点数;因此可以得到能量特征向量:[E6,0,E6,1…E6,63]。
将4种类型的交流电机的小波系数下的能量进行归一化,得到小波包能量谱尺度图,所述小波包能量谱尺度图即为4种类型的交流电机振动信号的特征向量。其中,小波包能量谱尺度图的横坐标为小波包序号;纵坐标值代表了各个自带能量在总能量中的比重;Sk表示表示第k个小波包结点能量在总能量中所占的比重,E表示总能量,E6,i表示第i个重构结点所含有的能量。归一化后的特征向量表示为:
S102、将所述振动信号的特征向量作为目标纠错输出编码支持向量机的输入,得到与所述振动信号的特征向量对应的输出向量。
S103、将所述输出向量与用于指示故障类别标签对应的二值编码向量进行对比,以判断电机的故障类型。
本实施例中,将归一化后的特征向量作为纠错输出编码支持向量机的输入,输出的编码输出向量与用于指示故障标签对应的二值编码向量逐一进行对比。根据汉明距离最小的原则,最接近编码输出向量的二值编码向量对应的用于指示故障类别的标签即为预测类别,达到故障诊断的目的。
图3为本发明实施例三提供的基于纠错输出编码支持向量机的电机故障诊断方法的流程图,图3所示的方法在图2所示方法的基础上,在将所述振动信号的特征向量作为目标纠错输出编码支持向量机的输入,得到与所述振动信号的特征向量对应的输出向量之前,还可以包括如下步骤:
S201、选取4种类型的交流电机:正常电机、转子不平衡故障电机、内置不对中故障电机和轴承故障电机。
S202、通过NI cRIO-9030控制***采集所述4种类型的交流电机的振动信号。
S203、通过小波包分解与重构提取所述4种类型交流电机振动信号的特征向量。
本实施例中,首先可以选取小波包分解的初始层数;通过小波包对所述4种类型的交流电机的振动信号进行降噪处理,得到降噪信号;绘制所述降噪信号的功率谱图与1/3倍频程谱图;根据所述降噪信号的功率谱与1/3倍频程谱的能量分布确定小波包分解的最终层数,并进行小波包重构处理后得到重构后的信号;根据所述重构后的信号绘制小波包能量谱图;其中,所述小波包能量谱图即为所述4种类型的交流电机的振动信号的特征向量。
S204、为所述4种类型的交流电机的振动信号的特征向量分别添加不同的标签,并将添加标签后的特征向量进行交叉验证后,划分为:训练集数据和测试集数据;其中,训练集数据和测试集数据均设置有用于指示故障类型的标签。
S205、通过所述训练集数据对初始纠错输出编码支持向量机进行训练,得到训练好的纠错输出编码支持向量机。
本实施例中,可以通过以用于指示故障类型的标签的准确率作为评价指标,通过交叉网格搜索获取所述初始纠错输出编码支持向量机中的最优参数,所述最优参数包括:核函数kernel、核函数参数gamma、惩罚参数C;将训练数据集作为所述初始纠错输出编码支持向量机的输入,将所述初始纠错输出编码支持向量机输出的编码输出向量与用于指示故障类型的标签对应的二值编码向量逐一进行对比;并根据汉明距离最小的原则,将最接近于编码输出向量的二值编码向量对应的用于指示故障类型的标签作为诊断的结果;当所述用于指示故障类型的标签的准确率大于预设阈值时,保存所述纠错输出编码支持向量机中的最优参数,得到训练好的纠错输出编码支持向量机。
S206、通过所述测试集数据对所述训练好的纠错输出编码支持向量机进行测试,以得到通过测试的目标纠错输出编码支持向量机。
本实施例中,将测试集数据作为训练好的纠错输出编码支持向量机的输入,以用于指示故障类型的标签的准确率作为评价指标,当所述训练好的纠错输出编码支持向量机的编码输出向量与用于指示故障类型的标签对应的二值编码向量一致时,测试通过,否则,测试失败。
需要说明的是,本实施例不限定样本的数量,理论上样本的数量越多,则训练结果也更精确,但是样本数量的增加会增大计算复杂度。具体地,本实施例中可以获取上述4种类型电机各400个归一化后的特征向量。同时为4种类型电机添加用于指示故障类型的标签,分别为1、2、3、4。对归一化后的特征向量进行5折交叉验证,从而划分得到训练集数据和测试集数据。
具体地,对训练集数据与测试集数据进行标准化,使训练集数据与测试集数据都分布在相同的范围内。通过与用于指示故障类别标签的准确率为评价指标,通过交叉网格搜索对支持向量机参数进行最优搜索。其中kernel选项为:sigmoid、poly、rbf;gamma选项为:0.1、0.125、1、10;C选项为:0.1、1、10、100。得到纠错输出编码支持向量机最优参数为:kernel:rbf;gamma:0.125;C:1。
最优参数对归一化后的测试集数据进行测试,纠错输出编码向量机中支持向量机个数为7;类别数为4;将多分类诊断问题转化为7个二分类问题进行输出+1或-1的二值编码,编码输出向量与所有用于指示故障类别标签对应的二值编码向量逐一进行对比。通过计算汉明距离,最接近于编码输出向量的二值编码向量对应的用于指示故障类别标签即为预测类别。将诊断分类结果与指示故障类别标签进行对比,得出准确率为99.375%,满足诊断分类的要求。
具体地,这里选用汉明距离为比对指标,判定标准满足:
式中:arg表示求得最小值时对应的类别r;yh={1,…Nc};M(r,i)表示第r类对应的二值编码向量第i个元素值,fi(x*)表示待测模式x*对应编码输出向量第i个元素值。
下面结合具体实施例对本发明中的方法做更加详细的说明。
图4为本发明实施例四提供的基于纠错输出编码支持向量机的电机故障诊断方法的流程图。通过NI cRIO-9030性能检测控制***对电机转动频率,采样时间,采样率进行设定,设定电机转动频率为15hz,采样时间为420s,采样率为10ks/s。
将传感器的两个接线连接到NI-9234采集模块的两个端口;分别采集电机扭曲方向与径向方向两个方向的振动信号。
由于本发明分析的是电机径向方向的振动信号,故分别获取四类电机径向端口采集的数据进行分析。
具体实施方式如下:
1)采集4种类型电机振动信号。
2)进行小波包阈值去噪。对4类电机数据初步确定小波包分解层数;确定最优小波基;阈值使用方式和阈值去噪方式。
3)根据上述步骤确定的降噪方式进行小波包去噪。绘制降噪后4种类型电机时域波形,观察降噪程度。
4)绘制降噪后4种类型电机的功率谱与1/3倍频程谱,确定4种类型电机能量集中频段,重新确定小波包分解层数。
5)确定小波包分解层数为6,重复以上步骤获取小波包树。
6)进行小波包重构,获取6层小波包重构结点系数。
7)根据上述步骤获得的小波包重构系数求取各个频带能量并进行归一化绘制小波包能量谱尺度图,得到归一化后的特征向量。
8)重复上述步骤,获取4种类型电机特征向量各400个。
9)对步骤8)的特征向量按列合并,为每类电机分别添加用于指示故障类别的标签:
1、2、3、4。
10)对归一化后的特征向量进行交叉验证得到训练集数据,测试集数据。
11)对上述训练集数据与测试集数据进行归一化,使每个样本数据均分布在同一范围。
12)确定纠错输出编码支持向量机最优参数。通过与用于指示故障类别的标签的准确率为评价指标进行交叉网格搜索。其中kernel选项为:sigmoid、poly、rbf;gamma选项为:0.1、0.125、1、10;C选项为:0.1、1、10、100。支持向量机最优参数为:kernel:rbf;gamma:0.125;C:1;其中准确率得分为99.5%±0.2%。
13)根据确定的最优参数对归一化后的测试集数据进行训练、测试。纠错输出编码支持向量机中支持向量机个数为7;类别数为4;将多分类诊断问题转化为7个二分类问题进行输出+1或-1的二值编码。编码输出向量与所有用于指示故障类别标签对应的二值编码向量逐一进行对比。通过计算汉明距离,最接近于编码输出向量的二值编码向量对应的用于指示故障类别标签即为预测类别。经测试得出准确率为99.375%,满足诊断分类的要求。
本发明中的方法是基于纠错输出编码支持向量机的电机故障诊断方法。通过小波包分解与重构提取特征向量,将其作为纠错输出编码支持向量机输入,得到与所述振动信号的特征向量对应的输出向量,将输出编码输出向量与二值编码向量计算汉明距离的方式进行故障诊断分类。提高了诊断分类准确度的同时弥补了单分类器诊断分类能力的不足。与背景技术的方法3相比,本发明中的方法在诊断精度与准确程度上都显得更为可取,弥补了单模型评估的单一性,不受样本的制约,大样本与小样本均适用。
本发明实施例还提供一种基于纠错输出码的电机故障诊断***,包括:处理器和存储器,所述存储器中存储有程序指令,所述处理器用于调取所述程序指令以执行图2、图3所述的基于纠错输出码的电机故障诊断方法。
需要说明的是,本发明提供的所述基于纠错输出码的电机故障诊断方法中的步骤,可以利用所述基于纠错输出码的电机故障诊断***中对应的模块、装置、单元等予以实现,本领域技术人员可以参照所述***的技术方案实现所述方法的步骤流程,即,所述***中的实施例可理解为实现所述方法的优选例,在此不予赘述。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***及其各个装置以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的***及其各项装置可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (7)
1.一种基于纠错输出编码支持向量机的电机故障诊断方法,其特征在于,包括:
获取交流电机的振动信号,通过小波包分解与重构提取所述振动信号的特征向量;
将所述振动信号的特征向量作为目标纠错输出编码支持向量机的输入,得到与所述振动信号的特征向量对应的输出向量;
将所述输出向量与用于指示故障类别标签对应的二值编码向量进行对比,以判断电机的故障类型。
2.根据权利要求1所述的基于纠错输出编码支持向量机的电机故障诊断方法,其特征在于,在将所述振动信号的特征向量作为目标纠错输出编码支持向量机的输入,得到与所述振动信号的特征向量对应的输出向量之前,还包括:
选取4种类型的交流电机:正常电机、转子不平衡故障电机、内置不对中故障电机和轴承故障电机;
通过NI cRIO-9030控制***采集所述4种类型的交流电机的振动信号;
通过小波包分解与重构提取所述4种类型交流电机振动信号的特征向量;
为所述4种类型的交流电机的振动信号的特征向量分别添加不同的标签,并将添加标签后的特征向量进行交叉验证后,划分为:训练集数据和测试集数据;其中,训练集数据和测试集数据均设置有用于指示故障类型的标签;
通过所述训练集数据对初始纠错输出编码支持向量机进行训练,得到训练好的纠错输出编码支持向量机;
通过所述测试集数据对所述训练好的纠错输出编码支持向量机进行测试,以得到通过测试的目标纠错输出编码支持向量机。
3.根据权利要求2所述的基于纠错输出编码支持向量机的电机故障诊断方法,其特征在于,所述通过小波包分解与重构提取所述4种类型交流电机振动信号的特征向量,包括:
选取小波包分解的初始层数;
通过小波包对所述4种类型的交流电机的振动信号进行降噪处理,得到降噪信号;
绘制所述降噪信号的功率谱图与1/3倍频程谱图;
根据所述降噪信号的功率谱与1/3倍频程谱的能量分布确定小波包分解的最终层数,并进行小波包重构处理后得到重构后的信号;
根据所述重构后的信号绘制小波包能量谱图;其中,所述小波包能量谱图即为所述4种类型的交流电机的振动信号的特征向量。
4.根据权利要求2所述的基于纠错输出编码支持向量机的电机故障诊断方法,其特征在于,所述通过所述训练集数据对初始纠错输出编码支持向量机进行训练,得到训练好的纠错输出编码支持向量机,包括:
以用于指示故障类型的标签的准确率作为评价指标,通过交叉网格搜索获取所述初始纠错输出编码支持向量机中的最优参数,所述最优参数包括:核函数kernel、核函数参数gamma、惩罚参数C;
将训练数据集作为所述初始纠错输出编码支持向量机的输入,将所述初始纠错输出编码支持向量机输出的编码输出向量与用于指示故障类型的标签对应的二值编码向量逐一进行对比;并根据汉明距离最小的原则,将最接近于编码输出向量的二值编码向量对应的用于指示故障类型的标签作为诊断的结果;
当所述用于指示故障类型的标签的准确率大于预设阈值时,保存所述纠错输出编码支持向量机中的最优参数,得到训练好的纠错输出编码支持向量机。
5.根据权利要求2所述的基于纠错输出编码支持向量机的电机故障诊断方法,其特征在于,所述通过所述测试集数据对所述训练好的纠错输出编码支持向量机进行测试,以得到通过测试的目标纠错输出编码支持向量机,包括:
将测试集数据作为训练好的纠错输出编码支持向量机的输入,以用于指示故障类型的标签的准确率作为评价指标,当所述训练好的纠错输出编码支持向量机的编码输出向量与用于指示故障类型的标签对应的二值编码向量一致时,测试通过,否则,测试失败。
6.根据权利要求1-5中任一项所述的基于纠错输出编码支持向量机的电机故障诊断方法,其特征在于,所述获取交流电机的振动信号,通过小波包分解与重构提取所述振动信号的特征向量,包括:
通过NI cRIO-9030性能检测控制***采集所述交流电机的振动信号;
选取小波包分解的初始层数;
通过小波包对所述交流电机的振动信号进行降噪处理,得到降噪信号;
绘制所述降噪信号的功率谱图与1/3倍频程谱图;
根据所述降噪信号的功率谱与1/3倍频程谱的能量分布确定小波包分解的最终层数,并进行小波包重构处理后得到重构后的信号;
根据所述重构后的信号绘制小波包能量谱图;其中,所述小波包能量谱图即为所述交流电机的振动信号的特征向量。
7.一种基于纠错输出编码的电机故障诊断***,其特征在于,包括:处理器和存储器,所述存储器中存储有程序指令,所述处理器用于调取所述程序指令以执行权利要求1-6中任一项所述的基于纠错输出码的电机故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810268304.4A CN108562853A (zh) | 2018-03-29 | 2018-03-29 | 基于纠错输出编码支持向量机的电机故障诊断方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810268304.4A CN108562853A (zh) | 2018-03-29 | 2018-03-29 | 基于纠错输出编码支持向量机的电机故障诊断方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108562853A true CN108562853A (zh) | 2018-09-21 |
Family
ID=63533277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810268304.4A Pending CN108562853A (zh) | 2018-03-29 | 2018-03-29 | 基于纠错输出编码支持向量机的电机故障诊断方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108562853A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395959A (zh) * | 2020-10-30 | 2021-02-23 | 天合云能源互联网技术(杭州)有限公司 | 基于音频特征的电力变压器故障预测与诊断方法及*** |
CN112560920A (zh) * | 2020-12-10 | 2021-03-26 | 厦门大学 | 一种基于自适应纠错输出编码的机器学习分类方法 |
CN113049249A (zh) * | 2020-12-31 | 2021-06-29 | 山东科技大学 | 一种电机轴承故障诊断方法及*** |
CN116728291A (zh) * | 2023-08-16 | 2023-09-12 | 湖南大学 | 基于边缘计算的机器人打磨***状态监测方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106324502A (zh) * | 2016-08-22 | 2017-01-11 | 哈尔滨理工大学 | 一种基于小波的异步电动机故障分析方法 |
CN107449603A (zh) * | 2016-05-31 | 2017-12-08 | 华北电力大学(保定) | 基于支持向量机的风机故障诊断方法 |
CN107560845A (zh) * | 2017-09-18 | 2018-01-09 | 华北电力大学 | 一种齿轮箱故障诊断建立方法及装置 |
-
2018
- 2018-03-29 CN CN201810268304.4A patent/CN108562853A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107449603A (zh) * | 2016-05-31 | 2017-12-08 | 华北电力大学(保定) | 基于支持向量机的风机故障诊断方法 |
CN106324502A (zh) * | 2016-08-22 | 2017-01-11 | 哈尔滨理工大学 | 一种基于小波的异步电动机故障分析方法 |
CN107560845A (zh) * | 2017-09-18 | 2018-01-09 | 华北电力大学 | 一种齿轮箱故障诊断建立方法及装置 |
Non-Patent Citations (3)
Title |
---|
崔晨: "基于小波包分析和有向无环图支持向量机的电机故障诊断研究", 《煤矿机械》 * |
张柯 等: "小波包分析和最小二乘支持向量机的电机故障诊断", 《研究与设计》 * |
邱绵浩 等: "基于核主元分析与纠错输出编码SVM的齿轮故障诊断", 《振动与冲击》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395959A (zh) * | 2020-10-30 | 2021-02-23 | 天合云能源互联网技术(杭州)有限公司 | 基于音频特征的电力变压器故障预测与诊断方法及*** |
CN112395959B (zh) * | 2020-10-30 | 2024-01-02 | 天合光能股份有限公司 | 基于音频特征的电力变压器故障预测与诊断方法及*** |
CN112560920A (zh) * | 2020-12-10 | 2021-03-26 | 厦门大学 | 一种基于自适应纠错输出编码的机器学习分类方法 |
CN113049249A (zh) * | 2020-12-31 | 2021-06-29 | 山东科技大学 | 一种电机轴承故障诊断方法及*** |
CN116728291A (zh) * | 2023-08-16 | 2023-09-12 | 湖南大学 | 基于边缘计算的机器人打磨***状态监测方法和装置 |
CN116728291B (zh) * | 2023-08-16 | 2023-10-31 | 湖南大学 | 基于边缘计算的机器人打磨***状态监测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | High-voltage circuit breaker fault diagnosis using a hybrid feature transformation approach based on random forest and stacked autoencoder | |
Dai et al. | Dissolved gas analysis of insulating oil for power transformer fault diagnosis with deep belief network | |
CN108535648A (zh) | 电机故障诊断方法和*** | |
Rajabi et al. | Fault diagnosis in industrial rotating equipment based on permutation entropy, signal processing and multi-output neuro-fuzzy classifier | |
CN108562853A (zh) | 基于纠错输出编码支持向量机的电机故障诊断方法和*** | |
Li et al. | Enhanced generative adversarial networks for fault diagnosis of rotating machinery with imbalanced data | |
CN102289682B (zh) | 基于集成学习Bagging算法的变压器故障诊断方法 | |
Chen et al. | Hierarchical deep convolution neural networks based on transfer learning for transformer rectifier unit fault diagnosis | |
CN106556781A (zh) | 基于深度学习的局部放电缺陷图像诊断方法及*** | |
CN110161343A (zh) | 一种智能列车外部受电装置的非侵入式实时动态监测方法 | |
Pei et al. | Intelligent bearing fault diagnosis based on Teager energy operator demodulation and multiscale compressed sensing deep autoencoder | |
CN109034127A (zh) | 一种频谱异常检测方法、装置和电子设备 | |
CN114239725B (zh) | 一种面向数据投毒攻击的窃电检测方法 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
Shukla et al. | Power quality disturbances classification based on Gramian angular summation field method and convolutional neural networks | |
CN115456107A (zh) | 一种时间序列异常检测***及方法 | |
Lee et al. | An enhanced binary particle swarm optimization for optimal feature selection in bearing fault diagnosis of electrical machines | |
Fahim et al. | A novel wavelet aided probabilistic generative model for fault detection and classification of high voltage transmission line | |
CN116956215A (zh) | 一种传动***故障诊断方法及*** | |
Dai et al. | Fault Diagnosis of Data‐Driven Photovoltaic Power Generation System Based on Deep Reinforcement Learning | |
Luo et al. | Multi-mode non-Gaussian variational autoencoder network with missing sources for anomaly detection of complex electromechanical equipment | |
Wang et al. | Distilling the knowledge of multiscale densely connected deep networks in mechanical intelligent diagnosis | |
Pu et al. | Sliced Wasserstein cycle consistency generative adversarial networks for fault data augmentation of an industrial robot | |
CN113688857A (zh) | 一种基于生成对抗网络的电力巡检图像中异物检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180921 |