一種基于雙邊型直線電機的故障信息融合診斷方法
【專利摘要】本發(fā)明公開了一種基于雙邊型直線電機的故障信息融合診斷方法，通過數據層融合、特征層融合、決策層融合以及兩級診斷的方式，主要針對雙邊型直線電機的氣隙偏心故障、繞組匝間短路故障、繞組溫度異常故障以及振動異常故障；其中數據層采用了park矢量融合方法以及改進的基8FFT算法；特征層采用了模糊人工神經網絡法和模糊判定法。本發(fā)明將park矢量融合方法、改進的基8FFT算法、模糊人工神經網絡法、模糊判定法結合在一起，提高了雙邊型直線電機各種故障的診斷能力。
【專利說明】一種基于雙邊型直線電機的故障信息融合診斷方法

【技術領域】
[0001]本發(fā)明涉及一種基于雙邊型直線電機的故障信息融合診斷方法，基于改進的基8FFT算法、模糊神經網絡算法、模糊判定法，對雙邊型直線電機的氣隙偏心故障、繞組匝間短路故障、繞組溫度異常故障以及振動異常故障進行診斷，屬于電工【技術領域】。

【背景技術】
[0002]自19世紀初發(fā)明發(fā)電機和電動機以來，由于電能使用方便和旋轉機械性能的不斷提高，電機技術得到了迅速發(fā)展，現在電動機應用面廣且量大，由于應用環(huán)境、方式的不同，一些雙邊型直線電機故障經常出現。雙邊型直線電機故障不僅僅影響了企業(yè)的生產，有時可能對所驅動的負載造成不同程度的破壞。比如:關鍵驅動電機發(fā)生嚴重故障時，就會嚴重影響產品的質量，影響產品生產的工期等?，F階段為了保證其可靠的運行，應對現在的雙邊型直線電機進行現場在線監(jiān)測，以便能及時發(fā)現電機運行狀況的問題，以免造成不必要的重大損失。因此，隨著世界各國對煤礦安全問題的持續(xù)關注，對于實現“安全年”的重要議題，對于雙邊型電機運行狀況的在線監(jiān)測是非常必要的。
[0003]現在的電機故障診斷算法都是利用傳統(tǒng)的FFT算法診斷氣隙偏心故障的，其算法較為復雜，計算量較大，耗費的時間較長；利用神經網絡算法來診斷繞組匝間短路故障，雖然具有并行運算、分布式信息存儲、容錯能力強以及具備自適應學習功能等一系列優(yōu)點，但對于表達基于規(guī)則的知識，對處理結構化的知識則無能為力；直接利用溫度曲線和振動曲線的瞬時值去判定繞組溫度異常故障和軸承振動故障，對于隨機性和不確定性的突發(fā)故障沒有很好的效果。
[0004]現在工程上采用的電機故障診斷方法在要求不高的場合下可以得到良好的效果，但對于穩(wěn)定性、可靠性和準確性要求比較高的場合傳統(tǒng)的在線檢測和故障診斷系統(tǒng)就不能夠滿足要求了。
[0005]因此，發(fā)明一種更為有效地提高雙邊型電機故障診斷的性能新方法成為亟需解決的課題。


【發(fā)明內容】

[0006]發(fā)明目的:為了克服現有技術中存在的不足，本發(fā)明提供一種基于雙邊型直線電機的故障信息融合診斷方法，通過改進的基8FFT算法、模糊人工神經網絡法、模糊判定法分別對雙邊型直線電機的氣隙偏心故障、繞組匝間短路故障、繞組溫度異常故障以及振動異常故障進行診斷，可有效地提高診斷的穩(wěn)定性、可靠性和準確性。
[0007]技術方案:為實現上述目的，本發(fā)明采用的技術方案為:
[0008]一種基于雙邊型直線電機的故障信息融合診斷方法，基于改進的基8FFT算法、模糊神經網絡算法、模糊判定法，對雙邊型直線電機的氣隙偏心故障、繞組匝間短路故障、繞組溫度異常故障以及振動異常故障進行診斷，具體為:
[0009](I)氣隙偏心故障診斷:首先對三相電流的C相電流進行采樣得到單相電流，通過改進的基8FFT算法來診斷氣隙偏心故障；
[0010](2)繞組匝間短路故障診斷:首先對三相電流采用Park矢量融合方法得到Park矢量軌跡圖像，同時對三相電壓使用Park矢量電壓融合方法得到電壓Park矢量軌跡，然后根據得到的Park矢量軌跡圖像和電壓Park矢量軌跡得到電壓校正Park矢量軌跡，接著使用極坐標系像素法對電壓校正Park矢量軌跡提取特征矢量，并以提取的特征矢量作為模糊神經網絡的輸入層，通過模糊神經網絡來診斷繞組匝間短路故障；
[0011](3)繞組溫度異常故障診斷:首先得到和繞組溫度相關的溫度曲線，通過采樣的方法得到其瞬時值和瞬時變化率作為模糊判定的輸入精確量，通過模糊判定來診斷繞組溫度異常故障；
[0012](4)振動異常故障診斷:首先得到和振動參數有關的振動曲線，通過采樣的方法得到其瞬時值和瞬時變化率作為模糊判定的輸入精確量，通過模糊判定來診斷振動異常故障。
[0013]具體的，在進行氣隙偏心故障診斷時，具體包括如下步驟:
[0014](11)將單個周期內的單相電流的輸入序列按照由大到小進行快速排序得到I (η)，對I (η)進行DFT得到N點DFT，即DFT [I (η) ] = I (k)，以I (k)作為輸出序列；將輸入序列按照由大到小進行快速排序，代替了數字信號處理理論中的碼位倒置方法，通過軟件可以簡單、快速實現，適合通過DSP實現；
[0015](12)根據輸出序列I (k)，將N點DFT先分成兩個N/2點DFT，再分成四個N/4點DFT，繼續(xù)分成八個N/8點DFT，直至最終得到8點DFT ;每分一次，稱為一級運算，對于每一級運算，首先計算前一半序列的DFT值，根據DFT的共軛性質得到后一半序列的DFT值；
[0016]I (k)可以表示為:
[0017]I (k) = Ir (k)+J-1i (k), k = O, I,..., N-1
[0018]其中Ir (k)是I(k)的實部，IiGO是I(k)的虛部，由DFT的定義可知:
[0019]i(k) = ^i(n)e 人、'=乞/.(")cos[(今)"女]—./[/.(")sin[(今)"々],/: = O,丨,…,/V —I
[0020]于是有:
[0021]/,.⑷=[/(/?)cos[(#)/?々],/,.⑷= -[/_⑷左],A: = 0,1,..., iV —I
?NN
n=01 v?=0丄y
[0022]由于余弦函數是偶函數,正弦函數是奇函數,并且它們都是周期函數,則有:
[0023]Ir (N-l-k) = Ir (k), k = O, I,..., N-1
[0024]Ii (N-1-k) = -1i (k), k = O, I,..., N-1
[0025]根據上述推導可知，I (k)具有共軛性，根據傳統(tǒng)FFT的奇偶虛實性及其運算特點出發(fā)，本發(fā)明將部分乘法運算轉化為加法運算，即根據前一半序列的DFT值計算后一半序列的DFT值，這樣能夠減少近一半的計算量，從而降低FFT算法的復雜度，提高運算的實時性，有利于編程實現，能夠減小程序運行的復雜度；
[0026]以最終得到8點DFT進行說明，首先計算每個8點DFT前4點DFT值的實部(余弦值)和虛部(正弦值)并存放于數組文件中，再根據下面的關系計算該8點DFT后4點DFT值的實部(余弦值)和虛部(正弦值)并存放于數組文件中:
[0027]Ir(k) = Ir(k+4)，k = 0，1，...，3
[0028]Ii (k) = -1i (k+4)，k = 0，1，...，3
[0029]由于實部(余弦值)和虛部(正弦值)只有l(wèi)、0、-l、-Vi/2、V^/2幾個值，因此僅需使用加減和極少量的乘法運算即可計算得到后4點DFT值的實部(余弦值)和虛部(正弦值)；
[0030]在下一步的基8FFT蝶形單元運算時，會頻繁使用到DFT值的實部(余弦值)和虛部(正弦值)，因此，將計算得到的DFT值存入數組文件中并寫入文件，在需要時可以從文件中一次讀取，避免頻繁調動，可以在時間上極大地提高效率，滿足雙邊型直線電機故障檢測實時性、快速性的要求；
[0031](13)每個8點DFT作為一個基8FFT蝶形單元的輸入，通過基8FFT蝶形單元計算得到單相電流的特征頻率，分析單相電流的特征頻率中是否存在故障特征頻率，從而診斷氣隙偏心故障。
[0032]具體的，所述步驟(13)中，分析單相電流的特征頻率中是否存在故障特征頻率，具體為:以fiimf；作為故障特征頻率，其中為電源頻率，f；為轉子旋轉頻率，m為轉子旋轉頻率的系數；判斷單相電流的特征頻率中是否存在頻率值為的頻率成分，若存在該頻率成分，則計算該頻率成分幅值與電源頻率幅值的比值，若比值小于10 %，則診斷存在氣隙偏心故障。本發(fā)明采用改進的基8FFT算法簡單易行，并且計算得到結果便于和故障特征頻率進行比較；在進行比較時，本發(fā)明沒有單純地依靠有無特征頻率來判斷氣隙偏心故障，而是結合了特征頻率成分的相對大小進行診斷。
[0033]具體的，在進行繞組匝間短路故障診斷時，模糊神經網絡采用基于Mamdani模型的五層模糊神經網絡結構:第一層為輸入層，第二層為語言變量層，第三層為模糊規(guī)則層，第四層為歸一化層，第五層為輸出層；這使得繞組匝間短路故障的判定更為有效；模糊神經網絡結構屬于無模型的估計器和非線性動力學系統(tǒng)，是處理雙邊直線電機Park矢量軌跡的極坐標系像素這種具有不確定性和非線性問題的有利工具。
[0034]具體的，所述模糊神經網絡中:
[0035]第一層為輸入層:該層的各個節(jié)點直接與像素輸入向量的各個分量Xi連接，起著將輸入值X= [Xl，X2，…，Χ_]τ傳送到下一層的作用；其中像素輸入向量即為提取的特征矢量，該層的節(jié)點數為N1 = 400 ；
[0036]第二層為語言變量層:該層的每個節(jié)點代表一個語言變量值(如NB、PS等)，用于計算各個輸入分量屬于各語言變量值模糊集合的語言值隸屬函數< 三卜' ( V,)，μΑ 是Xi的第j個語言變量值的隸屬函數，其中i = 1，2，…，N1, j = I, 2，..., Iiii,Hii是Xi的模糊分


400
割數，該層的節(jié)點數為M;



/:1
[0037]第三層為模糊規(guī)則層:該層的每個節(jié)點代表一條模糊規(guī)則，是用來匹配模糊規(guī)則的前提條件，用于計算每條規(guī)則的適用度，即?=ηι?η{/4?,...，/4°〗}或…，其中 i! e {I, 2，...，mj , i2 e {I, 2，...，m2},......, i400 e U, 2，…m4。。}, j = I, 2，…，m,
400
m ^ Y[Hii，該層的節(jié)點數為N3 = m ;
1-1

_m
[0038]第四層為歸一化層:該層用于實現歸一化運算，即《；=?//1%() = 1，2，"_，《)，該







/-1
層的節(jié)點數為N4 = N3 = m ;

W_
[0039]第五層為輸出層:該層用于實現清晰化運算，即力


M
相當于Yi的第j個語言值隸屬函數的中心值，r為輸出層輸出的元素的個數，輸出層輸出的元素的值的大小是判斷是否有繞組匝間短路故障診的依據。
[0040]從神經網絡中可直接從樣本中進行有效的學習，它具有并行運算、分布式信息存儲、容錯能力強以及具備自適應學習功能等一系列優(yōu)點；模糊系統(tǒng)適于表達基于規(guī)則的知識，對處理結構化的知識更為有效；模糊神經網絡法把模糊邏輯與神經網絡適當地結合起來，吸取兩者的長處，對繞組匝間短路故障形成有效的診斷。
[0041]具體的，在進行繞組溫度異常故障診斷時，具體包括如下步驟:
[0042](31)根據溫度曲線，每隔一段時間測出溫度的瞬時值和瞬時變化率，瞬時值和瞬時變化率為精確量；
[0043](32)將精確量進行模糊化處理，對偏差和偏差變化率這種語言變量的模糊化處理，采用正大PB、正中PM、正小PS、零O、負小NS、負中匪和負大NB這7個語言變量來描述，偏差和偏差變化率的隸屬函數采用gauss型函數(三角型函數)；
[0044](33)對模糊化處理的結果，采用模糊控制器根據模糊規(guī)則進行模糊推理，所述模糊控制器為雙輸入單輸出的模糊控制器，兩個輸入量e和:為瞬時值和瞬時變化率，輸出量為U，模糊規(guī)則采用的模糊條件語句為:


參
[0045]If e and e riiL n u
[0046]模糊推理方法為Mamdani法，這種方法本質上是一種基于似然推理的合成推理法貝U，只不過對模糊蘊含關系取不同的表示形式而已，其突出之處就是將模糊蘊含關系A —B用A和B的直積來表示，即A — B = AXB ;
[0047](34)根據模糊推理后得到的結果，將偏差和偏差變化率的隸屬函數進行去模糊化后輸出精確值，根據輸出的精確值診斷繞組溫度異常故障。
[0048]具體的，在進行振動異常常故障診斷時，具體包括如下步驟:
[0049](41)根據振動曲線，每隔一段時間測出振動的瞬時值和瞬時變化率，瞬時值和瞬時變化率為精確量；
[0050](42)將精確量進行模糊化處理，對偏差和偏差變化率這種語言變量的模糊化處理，采用正大PB、正中PM、正小PS、零O、負小NS、負中匪和負大NB這7個語言變量來描述，偏差和偏差變化率的隸屬函數采用gauss型函數(三角型函數);
[0051](43)對模糊化處理的結果，采用模糊控制器根據模糊規(guī)則進行模糊推理，所述模糊控制器為雙輸入單輸出的模糊控制器，兩個輸入量e和；為瞬時值和瞬時變化率，輸出量為U，模糊規(guī)則采用的模糊條件語句為:
[0052]e und e then u
[0053]模糊推埋萬法為Mamdani法，這種方法本質上是一種基于似然推理的合成推理法貝U，只不過對模糊蘊含關系取不同的表示形式而已，其突出之處就是將模糊蘊含關系A —B用A和B的直積來表示，即A — B = AXB ;
[0054](44)根據模糊推理后得到的結果，將偏差和偏差變化率的隸屬函數進行去模糊化后輸出精確值，根據輸出的精確值診斷振動異常故障。
[0055]針對繞組溫度異常故障診斷和振動異常故障診斷時，本發(fā)明所采用的模糊控制器應用Mamdani法設置了 49條模糊控制語句，每一條這樣的模糊語句只代表某一特定情況下的一個對策。模糊控制器不僅考慮了溫度曲線和振動曲線的瞬時值，同時綜合考慮了這兩種曲線變化程度的快慢，對繞組溫度異常故障和振動異常故障正兩種不確定性和隨機性的故障進行診斷有著較好的效果。
[0056]采用模糊控制器進行溫度異常故障診斷和振動異常故障診斷時，在得到每一條模糊條件語句的模糊關系RiQ = 1,2,-,m)之后，由于存在語句之間的“或”關系，可以計算




m
出整個控制系統(tǒng)模糊規(guī)則的總模糊關系為R = RiV R； V-VRm = V R1，其中m為語句數。






Z=I
[0057]若給定模糊控制器的輸入語言變量論域上的模糊子集E和EC，以及控制規(guī)則包含的每一條模糊語句決定的模糊關系Ri (i = 1，2，…，m)，則其輸出語言變量論域上的模糊子集U可以表示為:
[0058]
U =(廠X EC)o/?, v(/；x EC) o V …V (/::X EC) o Rm = v(Kx l:C)。R






/=1
[0059]其中，“ V ”表示取大運算，取兩數的最大值；“ X ”表示直積，設X，y為任意兩個集合，稱XXY = {(X，y) |x e X或y e Y}為x, y的直積；“ ο ”表示關系的合成運算，表示為 Mq = Mk。s = Mk O Ms，若將 Mq, Me, Ms 分別寫成 Mq = Iiqij]，Me = [rik]，Ms = [skJ]，貝Ij
η
ck=^Srik Λ~)，i = I，2，...，m，k = I，2,...，n，j = I, 2，…，p。
[0060]有益效果:本發(fā)明提供的基于雙邊型直線電機的故障信息融合診斷方法，與低基數的FFT算法相比，以基-8為代表的高基數的FFT算法具有更少的乘法和加法運算單元，可以大幅度提高運算速度；本發(fā)明通過模糊判定法，突破了以往判定繞組溫度故障和軸承振動故障只從模糊曲線和振動曲線有沒有超過閾值來判斷，增加了對著兩種曲線的變化率進行智能的判斷，從而對診斷提供了一種更可靠的解決方案；改進的基8FFT算法，在時間上極大地提高了效率，可以滿足雙邊型直線電機故障檢測實時性、快速性的要求。

【專利附圖】

【附圖說明】
[0061]圖1為本發(fā)明方法的實現流程圖；
[0062]圖2為基8FFT蝶形單元結構圖；
[0063]圖3為基于Mamdani模型的模糊神經網絡結構圖；
[0064]圖4為溫度或振動曲線瞬時值隸屬函數圖；
[0065]圖5為溫度或振動曲線瞬時值變化率隸屬函數圖；
[0066]圖6為輸出量隸屬函數圖；
[0067]圖7為輸入輸出特性曲面。

【具體實施方式】
[0068]下面結合附圖對本發(fā)明作更進一步的說明。
[0069]如圖1所示為一種基于雙邊型直線電機的故障信息融合診斷方法，通過數據層融合、特征層融合、決策層融合以及兩級診斷的方式，主要針對雙邊型直線電機的氣隙偏心故障、繞組匝間短路故障、繞組溫度異常故障以及振動異常故障；其中數據層采用了 park矢量融合方法以及改進的基8FFT算法；特征層采用了模糊人工神經網絡法和模糊判定法，具體為:
[0070](I)氣隙偏心故障診斷:首先對三相電流的C相電流進行采樣得到單相電流，通過改進的基8FFT算法來診斷氣隙偏心故障；
[0071](2)繞組匝間短路故障診斷:首先對三相電流采用Park矢量融合方法得到Park矢量軌跡圖像，同時對三相電壓使用Park矢量電壓融合方法得到電壓Park矢量軌跡，然后根據得到的Park矢量軌跡圖像和電壓Park矢量軌跡得到電壓校正Park矢量軌跡，接著使用極坐標系像素法對電壓校正Park矢量軌跡提取特征矢量，并以提取的特征矢量作為模糊神經網絡的輸入層，通過模糊神經網絡來診斷繞組匝間短路故障；
[0072](3)繞組溫度異常故障診斷:首先得到和繞組溫度相關的溫度曲線，通過采樣的方法得到其瞬時值和瞬時變化率作為模糊判定的輸入精確量，通過模糊判定來診斷繞組溫度異常故障；
[0073](4)振動異常故障診斷:首先得到和振動參數有關的振動曲線，通過采樣的方法得到其瞬時值和瞬時變化率作為模糊判定的輸入精確量，通過模糊判定來診斷振動異常故障。
[0074]氣隙偏心故障診斷
[0075](11)將單個周期內的單相電流的輸入序列按照由大到小進行快速排序得到
I(η)，對I (η)進行DFT得到N點DFT，即DFT [I (η) ] = I (k)，以I (k)作為輸出序列。
[0076]將C相電流利用電流傳感器測定出數值后，再經過A/D轉，轉換后的輸入序列再按照采樣器的時鐘頻率按8r、8r+l、8r+2、8r+3、8r+4、8r+5、8r+6、8r+7來抽取，對于任意一個N = 8m點DFT，可以采用M次分解，最后取整分解成8點DFT的組合，最好能將采樣時間設定為采樣周期的8的整數倍。
[0077]根據DFT的定義:



Λ—-1
[0078]I(k) = DFT[i(n)] = Tj, /t = 0,1,2,…,TV — I


?-O
[0079]其中i(n)為釆樣得到的單相電流序列，= /令'將按8r、8r+l、8r+2、8r+3、
8r+4、8r+5、8r+6、8r+7分成八個子序列:
[0080]i(8r) = a (r)
[0081]i (8r+l) = b (r)
[0082]i (8r+2) = c (r)
[0083]i (8r+3) = d (r)
[0084]i (8r+4) = e (r)
[0085]i (8r+5) = f (r)
[0086]i (8r+6) = g (r)
[0087]i (8r+7) = h (r)
[0088]其中r = 0，l,…，|-1 ；再利用系數f ^的周期性和對稱性得到:

【權利要求】
1.一種基于雙邊型直線電機的故障信息融合診斷方法，其特征在于:基于改進的基8FFT算法、模糊神經網絡算法、模糊判定法，對雙邊型直線電機的氣隙偏心故障、繞組匝間短路故障、繞組溫度異常故障以及振動異常故障進行診斷，具體為: (1)氣隙偏心故障診斷:首先對三相電流的C相電流進行采樣得到單相電流，通過改進的基8FFT算法來診斷氣隙偏心故障； (2)繞組匝間短路故障診斷:首先對三相電流采用Park矢量融合方法得到Park矢量軌跡圖像，同時對三相電壓使用Park矢量電壓融合方法得到電壓Park矢量軌跡，然后根據得到的Park矢量軌跡圖像和電壓Park矢量軌跡得到電壓校正Park矢量軌跡，接著使用極坐標系像素法對電壓校正Park矢量軌跡提取特征矢量，并以提取的特征矢量作為模糊神經網絡的輸入層，通過模糊神經網絡來診斷繞組匝間短路故障； (3)繞組溫度異常故障診斷:首先得到和繞組溫度相關的溫度曲線，通過采樣的方法得到其瞬時值和瞬時變化率作為模糊判定的輸入精確量，通過模糊判定來診斷繞組溫度異常故障； (4)振動異常故障診斷:首先得到和振動參數有關的振動曲線，通過采樣的方法得到其瞬時值和瞬時變化率作為模糊判定的輸入精確量，通過模糊判定來診斷振動異常故障。
2.根據權利要求1所述的基于雙邊型直線電機的故障信息融合診斷方法，其特征在于:在進行氣隙偏心故障診斷時，具體包括如下步驟: (11)將單個周期內的單相電流的輸入序列按照由大到小進行快速排序得到I(n)，對I (η)進行DFT得到N點DFT，即DFT [I (η) ] = I (k)，以I (k)作為輸出序列； (12)根據輸出序列I(k)，將N點DFT先分成兩個N/2點DFT，再分成四個N/4點DFT，繼續(xù)分成八個N/8點DFT，直至最終得到8點DFT ;每分一次，稱為一級運算，對于每一級運算，首先計算前一半序列的DFT值，根據DFT的共軛性質得到后一半序列的DFT值； (13)每個8點DFT作為一個基8FFT蝶形單元的輸入，通過基8FFT蝶形單元計算得到單相電流的特征頻率，分析單相電流的特征頻率中是否存在故障特征頻率，從而診斷氣隙偏心故障。
3.根據權利要求2所述的基于雙邊型直線電機的故障信息融合診斷方法，其特征在于:所述步驟(13)中，分析單相電流的特征頻率中是否存在故障特征頻率，具體為:以fiimf；作為故障特征頻率，其中為電源頻率，f；為轉子旋轉頻率，m為轉子旋轉頻率的系數；判斷單相電流的特征頻率中是否存在頻率值為的頻率成分，若存在該頻率成分，則計算該頻率成分幅值與電源頻率幅值的比值，若比值小于10%，則診斷存在氣隙偏心故障。
4.根據權利要求1所述的基于雙邊型直線電機的故障信息融合診斷方法，其特征在于:在進行繞組匝間短路故障診斷時，模糊神經網絡采用基于Mamdani模型的五層模糊神經網絡結構:第一層為輸入層，第二層為語言變量層，第三層為模糊規(guī)則層，第四層為歸一化層，第五層為輸出層。
5.根據權利要求4所述的基于雙邊型直線電機的故障信息融合診斷方法，其特征在于:所述模糊神經網絡中: 第一層為輸入層:該層的各個節(jié)點直接與像素輸入向量的各個分量Xi連接，起著將輸入值X= [X1, X2，…，X4Jt傳送到下一層的作用；其中像素輸入向量即為提取的特征矢量，該層的節(jié)點數為N1 = 400 ； 第二層為語言變量層:該層的每個節(jié)點代表一個語言變量值，用于計算各個輸入分量屬于各語言變量值模糊集合的語言值隸屬函數W (.V,),//, (^是七的第彳個語言變量值的隸屬函數，其中i = 1，2，…，N1, j = I, 2，…，IV HIi是Xi的模糊分割數,該層的節(jié)點數
400為 = Σ/；/Ζ ;
/-1 第三層為模糊規(guī)則層:該層的每個節(jié)點代表一條模糊規(guī)則，是用來匹配模糊規(guī)則的前提條件，用于計算每條規(guī)則的適用度，即= min{//(',/4',...，=Z^…/4$ ,其中








400Ii e {1,2，...，HiJa2 e {l，2，...，m2},......，i400 e {1，2，…m400}, j = 1，2，…，m, m = ]~[ Sni ,








/=1該層的節(jié)點數為N3 = m ;
_m 第四層為歸一化層:該層用于實現歸一化運算，即,Σ#./=1，2，…，"2)，該層的






/=1節(jié)點數為N4 = N3 = m ；

m- 第五層為輸出層:該層用于實現清晰化運算，即力= ιυ，其中Wij相當于Yi的第j個語言值隸屬函數的中心值，r為輸出層輸出的元素的個數，輸出層輸出的元素的值的大小是判斷是否有繞組匝間短路故障診的依據。
6.根據權利要求1所述的基于雙邊型直線電機的故障信息融合診斷方法，其特征在于:在進行繞組溫度異常故障診斷時，具體包括如下步驟: (31)根據溫度曲線，每隔一段時間測出溫度的瞬時值和瞬時變化率，瞬時值和瞬時變化率為精確量； (32)將精確量進行模糊化處理，對偏差和偏差變化率這種語言變量的模糊化處理，采用正大PB、正中PM、正小PS、零O、負小NS、負中匪和負大NB這7個語言變量來描述，偏差和偏差變化率的隸屬函數采用gauss型函數；(33)對模糊化處理的結果，采用模糊控制器根據模糊規(guī)則進行模糊推理，所述模糊控制器為雙輸入單輸出的模糊控制器，兩個輸入量e和:為瞬時值和瞬時變化率，輸出量為U，模糊規(guī)則采用的模糊條件語句為: If e and e then u 模糊推理方法為Mamdani法，將模糊蘊含關系A — B用A和B的直積來表示，即A — B=AXB ； (34)根據模糊推理后得到的結果，將偏差和偏差變化率的隸屬函數進行去模糊化后輸出精確值，根據輸出的精確值診斷繞組溫度異常故障。
7.根據權利要求1所述的基于雙邊型直線電機的故障信息融合診斷方法，其特征在于:在進行振動異常故障診斷時，具體包括如下步驟: (41)根據振動曲線,每隔一段時間測出振動的瞬時值和瞬時變化率,瞬時值和瞬時變化率為精確量； (42)將精確量進行模糊化處理，對偏差和偏差變化率這種語言變量的模糊化處理，采用正大PB、正中PM、正小PS、零O、負小NS、負中匪和負大NB這7個語言變量來描述，偏差和偏差變化率的隸屬函數采用gauss型函數； (43)對模糊化處理的結果，采用模糊控制器根據模糊規(guī)則進行模糊推理，所述模糊控制器為雙輸入單輸出的模糊控制器，兩個輸入量e和:為瞬時值和瞬時變化率，輸出量為U，模糊規(guī)則采用的模糊條件語句為: If e and e then u 模糊推理方法為Mamdani法，將模糊蘊含關系A — B用A和B的直積來表示，即A — B=AXB ； (44)根據模糊推理后得到的結果，將偏差和偏差變化率的隸屬函數進行去模糊化后輸出精確值，根據輸出的精確值診斷振動異常故障。
【文檔編號】G01R31/34GK104166095SQ201410439278
【公開日】2014年11月26日 申請日期:2014年8月29日 優(yōu)先權日:2014年8月29日
【發(fā)明者】胡敏強, 徐鳴飛, 余海濤, 黃磊 申請人:東南大學