CN108805289A - 一种基于基底神经节的电机故障诊断方法 - Google Patents
一种基于基底神经节的电机故障诊断方法 Download PDFInfo
- Publication number
- CN108805289A CN108805289A CN201810432949.7A CN201810432949A CN108805289A CN 108805289 A CN108805289 A CN 108805289A CN 201810432949 A CN201810432949 A CN 201810432949A CN 108805289 A CN108805289 A CN 108805289A
- Authority
- CN
- China
- Prior art keywords
- gpe
- gpi
- fault
- stn
- basal ganglion
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种基于基底神经节的电机故障诊断方法。首先,在电机运行的历史数据中提取故障特征值,输入基底神经节中,经过基底神经节中核团的相互作用输出当前最符合的故障类型,完成电机故障的离线学习。然后,将实时电机运行数据进行预处理后输入学习后的基底神经节模型中,实现电机故障的在线诊断。本发明针对电机运行过程中的故障问题,实现了电机的在线自主故障诊断,提高了电机伺服***的容错能力。
Description
技术领域
本发明属于电机故障诊断技术领域,特别是一种基于基底神经节的电机故障诊断方法。
背景技术
随着现代工业技术的不断发展,电机被广泛应用与各个领域中,电机性能的要求也越来越高。电机运行过程中存在着自身部件老化和故障的问题,这些问题不可避免且会对整个电机伺服******产生一定影响。为此,电机故障诊断技术对于整个电机伺服******的安全运行至关重要,该技术可以摆脱传统的人工监控检查环节,进一步提高电机伺服***的容错能力以及***的控制性能。
传统的电机故障诊断方法是在一些可以实际测量的参数基础上,用数学的、信号处理的方法进行故障特征的提取来实现诊断。这些方法需要操作人员具有丰富的实践经验和对电机以及相关背景知识的相当了解。同时因为故障特征信号本身很微弱,对传感器的要求也比较高。近年来人工智能方法获得了广泛的认可和应用,如神经网络、模糊逻辑、模糊神经和遗传算法等,这些方法可以很好地处理电机***模型的非线性和不确定性。目前针对电机运行过程中的故障,研究主要集中在故障估计策略方面,很少涉及电机故障类型的判断方法。基底神经节作为一种人工智能技术,能从已知的数据中进行自主的学习,获得自主判断的能力,从而解决电机电机故障类型的判断问题。
发明内容
本发明的目的在于设计一种基于基底神经节的电机故障诊断方法,用于电机伺服***自主判断运行过程中发生的故障类型,提高电机伺服***的容错能力。
实现本发明目的的技术解决方案为:一种基于基底神经节的电机故障诊断方法,从电机运行的历史数据中提取故障特征值,并将其输入基底神经节中,经过基底神经节中核团的相互作用输出当前最符合的故障类型,完成电机故障的离线学习;将电机实时运行数据进行预处理后输入离线学习后的基底神经节模型中,实现电机故障的在线诊断。
本发明基于基底神经节的电机故障诊断方法包括离线学习和在线诊断,优选地,离线学习部分具体步骤为:
步骤1、建立电机运行的历史数据库;
步骤2、根据历史数据库中已有的故障征兆和故障类型之间的经验知识,构造学习样本;
步骤3、构建尖峰神经元网络模型,即基底神经节模型。包括构建纹状体D1(Striatum D1)、纹状体D2(Striatum D2)、苍白球外核GPe、底丘脑核STN和苍白球内核模型GPi,并初始化模型各参数;
步骤4、提取学习样本中的不同故障特征值,并将其输入基底神经节中,调节多巴胺因子;
步骤5、重复步骤4,直到基底神经节能够准确判断故障类型,完成训练,将所得基底神经节模型存入知识库中。
优选地,在线诊断部分具体步骤为:
步骤1、从实时数据库中接收电机运行数据。
步骤2、对实时的电机运行数据进行预处理,得到不同时刻的故障特征值。
步骤3、根据不同任务要求从知识库中取出对应的基底神经节模型。
步骤4、将故障特征值输入至选取的基底神经节模型中,利用基底神经节对电机故障进行诊断,输出诊断结果。
步骤5、判断诊断结果是否存在于历史知识库中,若存在,则进行容错控制;反之,则进入电机故障的离线学习。
本发明与现有技术相比,其显著优点为:
(1)本发明根据实时的电机运行数据进行电机故障诊断,采用了基底神经节模型对故障特征进行学习,省去了繁琐的程序判断过程,实现了电机的自主故障诊断。
(2)本发明所设计的基底神经节故障诊断方法,可以有效避免由于电机运行数据误差而导致的故障诊断误差,具有较好的鲁棒性与容错能力。
附图说明
图1为基于基底神经节的电机故障诊断原理图。
图2为基于基底神经节的离线自主学习结构框图。
图3为基于基底神经节的在线实时故障诊断流程图。
具体实施方式
下面结合附图对本发明作进一步说明。
结合图1~3,一种基于基底神经节的电机故障诊断方法,将基底神经节模型应用于电机故障类型的判断过程中。首先进行电机故障诊断的离线学习,其具体工作步骤如下:
步骤1、测量电机不同运行状态下的速度、电流、力矩等信息,建立电机运行的历史数据库;
步骤2、根据历史数据库中已有的故障征兆和故障类型之间的经验知识,建立故障征兆与故障类型之间的对应关系,从而构造出学习样本,用于之后基底神经节的训练学习;
步骤3、构建尖峰神经元网络模型,即基底神经节模型。包括构建纹状体D1(Striatum D1)、纹状体D2(Striatum D2)、苍白球外核GPe、底丘脑核STN和苍白球内核模型GPi,并初始化模型各参数;
进一步的实施例中,构建的基底神经节模型具体包括:
纹状体D1:
纹状体D2:
苍白球外核GPe:
底丘脑核STN:
苍白球内核GPi:
式中,i为故障通道下标,n为核团中的神经元下标。v,u为尖峰神经元模型的两个状态变量,v为神经元的膜电位,u为向电压提供负反馈的膜恢复变量。a,b是尖峰神经元模型常量参数,FSD1,FSD2,FGPe,FSTN,FGpi分别为纹状体D1、纹状体D2、苍白球外核GPe、底丘脑核STN、苍白球内核GPi核团中产生尖峰的神经元的下标组成的集合,λ为多巴胺神经元的影响因子,si为各通道故障的特征值,NSD1,NSD2,NGPe,NSTN,NGpi分别为纹状体D1、纹状体D2、苍白球外核GPe、底丘脑核STN、苍白球内核GPi神经元的数量。wSD1-GPi为纹状体D1和苍白球内核GPi联结权重矩阵,wSD2-GPe为纹状体D2和苍白球外核GPe联结权重矩阵,wSTN-GPe为底丘脑核STN和苍白球外核GPe联结权重矩阵,wGP-STN为底丘脑核STN和苍白球内核GPi联结权重矩阵,wGPe-GPi为苍白球外核GPe和苍白球内核GPi联结权重矩阵。
进一步的实施例中,初始化模型各参数具体为:初始化各核团神经元数目,即初始化纹状体D1、纹状体D2、苍白球外核GPe、底丘脑核STN、苍白球内核GPi神经元数目NSD1,NSD2,NGPe,NSTN,NGpi,定义核团之间的联结权重矩阵wSD1-GPi、wSD2-GPe、wSTN-GPe、wGPe-STN、wGPe-GPi,选取多巴胺的影响因子λ,设置神经元的参数a,b。
步骤4、提取学习样本中的不同故障特征值,并将其输入基底神经节中,调节多巴胺因子;
步骤5、重复步骤4,直到基底神经节能够准确判断故障类型,完成训练,将所得基底神经节模型存入知识库中。
在完成了基底神经节故障诊断的离线学习后,电机进入在线故障诊断模式,具体步骤为:
步骤1、从实时数据库中接收电机运行数据。
步骤2、对实时的电机运行数据进行预处理,得到不同时刻的故障特征值。
步骤3、根据不同任务要求从知识库中取出对应的基底神经节模型。
步骤4、将故障特征值输入至选取的基底神经节模型中,利用基底神经节对电机故障进行诊断,输出诊断结果。
步骤5、判断诊断结果是否存在于历史知识库中,若存在,则进行容错控制;反之,则进入电机故障的离线学习。
Claims (5)
1.一种基于基底神经节的电机故障诊断方法,其特征在于,从电机运行的历史数据中提取故障特征值,并将其输入基底神经节中,经过基底神经节中核团的相互作用输出当前最符合的故障类型,完成电机故障的离线学习;将电机实时运行数据进行预处理后输入离线学习后的基底神经节模型中,实现电机故障的在线诊断。
2.根据权利要求1所述的电机故障的离线学习,其特征在于,采用基底神经节对不同故障类型进行离线判断学习,具体步骤为:
步骤1、建立电机运行的历史数据库;
步骤2、根据历史数据库中已有的故障征兆和故障类型之间的经验知识,构造学习样本;
步骤3、构建尖峰神经元网络模型,即基底神经节模型。包括构建纹状体D1(StriatumD1)、纹状体D2(Striatum D2)、苍白球外核GPe、底丘脑核STN和苍白球内核模型GPi,并初始化模型各参数;
步骤4、提取学习样本中的不同故障特征值,并将其输入基底神经节中,调节多巴胺因子;
步骤5、重复步骤4,直到基底神经节能够准确判断故障类型,完成训练,将所得基底神经节模型存入知识库中。
3.根据权利要求2所述的电机故障的离线学习,其特征在于,步骤3中构建的基底神经节模型具体包括:
纹状体D1:
纹状体D2:
苍白球外核GPe:
底丘脑核STN:
苍白球内核GPi:
式中,i为故障通道下标,n为核团中的神经元下标。v,u为尖峰神经元模型的两个状态变量,v为神经元的膜电位,u为向电压提供负反馈的膜恢复变量。a,b是尖峰神经元模型常量参数,FSD1,FSD2,FGPe,FSTN,FGpi分别为纹状体D1、纹状体D2、苍白球外核GPe、底丘脑核STN、苍白球内核GPi核团中产生尖峰的神经元的下标组成的集合,λ为多巴胺神经元的影响因子,si为各通道故障的特征值,NSD1,NSD2,NGPe,NSTN,NGpi分别为纹状体D1、纹状体D2、苍白球外核GPe、底丘脑核STN、苍白球内核GPi神经元的数量。wSD1-GPi为纹状体D1和苍白球内核GPi联结权重矩阵,wSD2-GPe为纹状体D2和苍白球外核GPe联结权重矩阵,wSTN-GPe为底丘脑核STN和苍白球外核GPe联结权重矩阵,wGP-STN为底丘脑核STN和苍白球内核GPi联结权重矩阵,wGPe-GPi为苍白球外核GPe和苍白球内核GPi联结权重矩阵。
4.根据权利要求2所述的电机故障的离线学习,其特征在于,步骤3中初始化模型各参数具体为:初始化各核团神经元数目,即初始化纹状体D1、纹状体D2、苍白球外核GPe、底丘脑核STN、苍白球内核GPi神经元数目NSD1,NSD2,NGPe,NSTN,NGpi,定义核团之间的联结权重矩阵wSD1-GPi、wSD2-GPe、wSTN-GPe、wGPe-STN、wGPe-GPi,选取多巴胺的影响因子λ,设置神经元的参数a,b。
5.根据权利要求1所述的电机故障的在线诊断,其特征在于,将实时电机运行数据进行预处理后输入学习后的基底神经节模型中,实现在线诊断,具体步骤为:
步骤1、从实时数据库中接收电机的运行数据。
步骤2、对电机实时运行数据进行预处理,得到不同时刻的故障特征值。
步骤3、根据不同任务要求从知识库中取出对应的基底神经节模型。
步骤4、将故障特征值输入至选取的基底神经节模型中,利用基底神经节对电机故障进行诊断,输出诊断结果。
步骤5、判断诊断结果是否存在于历史知识库中,若存在,则进行容错控制;反之,则进入电机故障的离线学习。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810432949.7A CN108805289B (zh) | 2018-05-08 | 2018-05-08 | 一种基于基底神经节的电机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810432949.7A CN108805289B (zh) | 2018-05-08 | 2018-05-08 | 一种基于基底神经节的电机故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108805289A true CN108805289A (zh) | 2018-11-13 |
CN108805289B CN108805289B (zh) | 2020-11-13 |
Family
ID=64091971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810432949.7A Active CN108805289B (zh) | 2018-05-08 | 2018-05-08 | 一种基于基底神经节的电机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805289B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111082709A (zh) * | 2019-12-18 | 2020-04-28 | 南京理工大学 | 基于基底神经节的电消隙控制方法 |
CN111917349A (zh) * | 2020-06-22 | 2020-11-10 | 广州智能装备研究院有限公司 | 一种永磁同步电机的故障诊断方法及*** |
CN112271974A (zh) * | 2020-10-10 | 2021-01-26 | 南京理工大学 | 一种基于基底神经节的电机转速估计方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5640103A (en) * | 1994-06-30 | 1997-06-17 | Siemens Corporate Research, Inc. | Radial basis function neural network autoassociator and method for induction motor monitoring |
CN102193518A (zh) * | 2011-05-13 | 2011-09-21 | 南京理工大学 | 基于基底神经节的fpga仿生智能控制芯片 |
CN102680017A (zh) * | 2012-05-31 | 2012-09-19 | 潍柴动力股份有限公司 | 一种传感器故障诊断方法及诊断装置 |
CN103033211A (zh) * | 2012-12-17 | 2013-04-10 | 天津职业技术师范大学 | 一种发动机曲轴位置传感器故障诊断方法 |
CN104685516A (zh) * | 2012-08-17 | 2015-06-03 | 高通技术公司 | 用于在尖峰神经元网络中实现基于事件的更新的装置和方法 |
CN106682316A (zh) * | 2016-12-29 | 2017-05-17 | 北京工业大学 | 一种基于尖峰径向基神经网络的出水总磷实时监测*** |
-
2018
- 2018-05-08 CN CN201810432949.7A patent/CN108805289B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5640103A (en) * | 1994-06-30 | 1997-06-17 | Siemens Corporate Research, Inc. | Radial basis function neural network autoassociator and method for induction motor monitoring |
CN102193518A (zh) * | 2011-05-13 | 2011-09-21 | 南京理工大学 | 基于基底神经节的fpga仿生智能控制芯片 |
CN102680017A (zh) * | 2012-05-31 | 2012-09-19 | 潍柴动力股份有限公司 | 一种传感器故障诊断方法及诊断装置 |
CN104685516A (zh) * | 2012-08-17 | 2015-06-03 | 高通技术公司 | 用于在尖峰神经元网络中实现基于事件的更新的装置和方法 |
CN103033211A (zh) * | 2012-12-17 | 2013-04-10 | 天津职业技术师范大学 | 一种发动机曲轴位置传感器故障诊断方法 |
CN106682316A (zh) * | 2016-12-29 | 2017-05-17 | 北京工业大学 | 一种基于尖峰径向基神经网络的出水总磷实时监测*** |
Non-Patent Citations (4)
Title |
---|
R. BAYIR ETAL.: "Serial wound starter motor faults diagnosis using artificial neural network", 《PROCEEDINGS OF THE IEEE INTERNATIONAL CONFERENCE ON MECHATRONICS, 2004》 * |
周慧: "基于神经网络的感应电机故障诊断技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
王义萍 等: "基底神经节的尖峰神经元网络模型及其在机器人中的应用", 《南京理工大学学报(自然科学版)》 * |
赵月明: "基于遗传_神经网络的电机故障网络化在线诊断的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111082709A (zh) * | 2019-12-18 | 2020-04-28 | 南京理工大学 | 基于基底神经节的电消隙控制方法 |
CN111917349A (zh) * | 2020-06-22 | 2020-11-10 | 广州智能装备研究院有限公司 | 一种永磁同步电机的故障诊断方法及*** |
CN111917349B (zh) * | 2020-06-22 | 2022-06-28 | 广州智能装备研究院有限公司 | 一种永磁同步电机的故障诊断方法及*** |
CN112271974A (zh) * | 2020-10-10 | 2021-01-26 | 南京理工大学 | 一种基于基底神经节的电机转速估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108805289B (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108344564B (zh) | 一种基于深度学习的主轴特性试验台状态识别及预测方法 | |
CN108805289A (zh) | 一种基于基底神经节的电机故障诊断方法 | |
CN102707256B (zh) | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 | |
CN109444740B (zh) | 一种风电机组的故障状态智能监测与诊断方法 | |
CN103983453B (zh) | 一种航空发动机的执行机构和传感器故障诊断的区分方法 | |
CN111737909B (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
CN108896296A (zh) | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 | |
CN109141847A (zh) | 一种基于mscnn深度学习的飞机***故障诊断方法 | |
CN113128561A (zh) | 一种机床轴承故障诊断方法 | |
CN107560849A (zh) | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 | |
CN107797537A (zh) | 一种应用于自动化生产线的故障预测与健康管理方法 | |
CN108569607A (zh) | 基于双向门控循环神经网络的电梯故障预警方法 | |
CN110554657A (zh) | 一种数控机床运行状态健康诊断***及诊断方法 | |
WO2022003208A1 (de) | Verarbeitung von zustandsdaten einer batterie zur alterungsschätzung | |
CN110515781B (zh) | 一种复杂***状态监测及故障诊断方法 | |
CN113188794B (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
CN105137354B (zh) | 一种基于神经网络电机故障检测方法 | |
CN112763215B (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
CN108090606A (zh) | 设备故障发现方法及*** | |
CN109828552A (zh) | 一种基于宽度学习***的间歇过程故障监测与诊断方法 | |
CN108805195A (zh) | 一种基于二值深层神经网络的电机群故障诊断方法 | |
CN110705114B (zh) | 一种无训练样本的通风故障诊断方法 | |
CN104216397A (zh) | 智能驱动桥***故障识别与检测的方法 | |
CN111177916A (zh) | 一种基于机器深度学习的卫星机电类产品寿命预测方法 | |
CN116502526A (zh) | 基于改进pso-grnn神经网络称重传感器故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |