一種基于rbf的電機故障檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及電機故障檢測方法，特別是涉及一種基于RBF的電機故障檢測方法。
【背景技術(shù)】
[0002] 電機是一種廣泛運用在工業(yè)生產(chǎn)中的設(shè)備，電機的運行狀況對企業(yè)生產(chǎn)有著重要 意義，電機故障檢測越來越引起人們的注意。
[0003] 傳統(tǒng)的電機測試方法大多只針對單一種類電機，設(shè)計復(fù)雜通用性差，而且測試過 程繁瑣，不利于測試系統(tǒng)的集成化的缺點。而電機電流信號分析法僅對特定的一個或兩個 故障頻率進行分析，判斷電機是否有某個故障，檢測單一，有較大的局限性。且電機電流信 號分析法需要采集頻率，步驟繁瑣，其檢測系統(tǒng)在系統(tǒng)受到干擾時，極易受到外界變化的影 響，在擾動過大時，干擾信號會覆蓋故障信號，導(dǎo)致錯報和漏報可能性很高，檢測可靠性不 能得到保證，檢測性能較差。

【發(fā)明內(nèi)容】

[0004] 發(fā)明目的：本發(fā)明的目的是提供一種通用性好、步驟簡單、抗干擾能力強、檢測性 能好的基于RBF的電機故障檢測方法。
[0005] 技術(shù)方案：為達到此目的，本發(fā)明采用以下技術(shù)方案：
[0006] 本發(fā)明所述的基于RBF的電機故障檢測方法，包括如下的步驟：
[0007] Sl :收集電機運行參數(shù)的歷史數(shù)據(jù)，包括電機正常運行數(shù)據(jù)和故障數(shù)據(jù)；
[0008] S2 :整理步驟Sl中的歷史數(shù)據(jù)，形成樣本，樣本的格式為：每一條數(shù)據(jù)按輸入-輸 出對模式組織，輸入為電機運行參數(shù)，輸出為電機定子電流；樣本包括訓(xùn)練樣本和檢測樣 本，其中，訓(xùn)練樣本包括正常訓(xùn)練樣本和故障訓(xùn)練樣本，檢測樣本包括正常檢測樣本和故障 檢測樣本；
[0009] S3 :根據(jù)訓(xùn)練樣本設(shè)計RBF的結(jié)構(gòu)，包括RBF的輸入值、輸出值、隱藏層節(jié)點數(shù)和核 函數(shù)；
[0010] S4 :對正常訓(xùn)練樣本利用K-均值聚類學(xué)習算法，產(chǎn)生正常訓(xùn)練樣本的聚類中心；
[0011] S5 :將所有正常訓(xùn)練樣本分成多組，組數(shù)η大于RBF輸出權(quán)值的維數(shù)，每組正常訓(xùn) 練樣本依次分別訓(xùn)練RBF網(wǎng)絡(luò)，直到RBF輸出權(quán)值穩(wěn)定；且正常訓(xùn)練樣本每次輸入時只訓(xùn)練 RBF網(wǎng)絡(luò)的一個輸出權(quán)值，連續(xù)輸入一個正常訓(xùn)練樣本直到RBF網(wǎng)絡(luò)的輸出權(quán)值全部更新；
[0012] S6 :將步驟S5中得到的輸出權(quán)值提取主元；
[0013] S7 :根據(jù)RBF的輸出權(quán)值建立PCA模型，對PCA模型計算出相應(yīng)的檢測指標T2統(tǒng) 計量和SPE統(tǒng)計量，并根據(jù)T2統(tǒng)計量和SPE的值是否超出控制限判斷電機運行狀態(tài)。
[0014] 進一步，所述方法還包括以下的步驟：
[0015] S8 :將主元乘以權(quán)值，以對訓(xùn)練樣本所處狀態(tài)判別的最高準確率為目標函數(shù)，采用 梯度下降法計算出主元權(quán)值向量V ;
[0016] S9 :復(fù)制RBF網(wǎng)絡(luò)生成RBF1網(wǎng)絡(luò)，對RBF1網(wǎng)絡(luò)學(xué)習檢測樣本，以檢測樣本的輸入作 為RBF網(wǎng)絡(luò)的輸入，RBF1N絡(luò)的輸出作為RBF網(wǎng)絡(luò)的輸出，訓(xùn)練RBF網(wǎng)絡(luò)，同時提取RBF網(wǎng) 絡(luò)的輸出權(quán)值向量，作為主元分析的輸入，判定檢測樣本是否處在故障狀態(tài)。
[0017] 進一步，所述步驟S6中的T2統(tǒng)計量為：
[0019] 其中，Λ = (Iiagb1, λ2,…，λΑ}，w為輸出權(quán)值向量，V為主元權(quán)值向 量，P e RmXA為負載矩陣，P是由S的前A個特征向量組成的，A表示主元的個數(shù)， Si = COv(W) ?+if，數(shù)據(jù)矩陣W e RnX』n個不同組的輸出權(quán)值向量組成，T α2表示置 η - I 信度為α的T2統(tǒng)計限，η為正常訓(xùn)練樣本被分成的組數(shù)，且η大于RBF輸出權(quán)值的維數(shù)。
[0020] 進一步，所述步驟S6中的SPE統(tǒng)計量為：
[0021] SPE = I I (I-vPPV)w| |2^ δ α2 ⑵
[0022] 式中，I為單位矩陣，w為輸出權(quán)值向量，ν為主兀權(quán)值向量，P e RmXA為負載矩陣， P是由S的前A個特征向量組成的，A表示主元的個數(shù)，S = eov(驚^數(shù)據(jù)矩陣 η-I W GRnxni* η個不同組的輸出權(quán)值向量組成，δ α2表示置信水平為α時SPE的控制限，η 為正常訓(xùn)練樣本被分成的組數(shù)，且η大于RBF輸出權(quán)值的維數(shù)。
[0023] 進一步，所述δ α2為：
[0025] 式中：
> A j為數(shù)據(jù)矩陣W的協(xié)方差矩陣的特 征值，A為主元的個數(shù)，Ca為標準正態(tài)分布在置信水平α下的閾值，m是RBF輸出權(quán)值的維 數(shù)。
[0026] 有益效果：本發(fā)明提供的基于RBF的電機故障檢測方法通用性好能夠在各種電機 中使用，抗干擾能力強不用因為電機工作環(huán)境的環(huán)境噪聲來對模型做針對改進，檢測性能 好錯檢率、漏檢率低。
【附圖說明】
[0027] 圖1為本發(fā)明的RBF網(wǎng)絡(luò)示意圖。
【具體實施方式】
[0028] 下面結(jié)合附圖和實施例，對本發(fā)明的技術(shù)方案做進一步的闡述。
[0029] 本發(fā)明提供的基于RBF的電機故障檢測方法，包括如下的步驟：
[0030] Sl :收集電機運行參數(shù)的歷史數(shù)據(jù)，包括電機正常運行數(shù)據(jù)和故障數(shù)據(jù)；
[0031] S2 :整理步驟Sl中的歷史數(shù)據(jù)，形成樣本，樣本的格式為：每一條數(shù)據(jù)按輸入-輸 出對模式組織，輸入為電機運行參數(shù)，包括定子電壓、負載和轉(zhuǎn)子轉(zhuǎn)速，輸出為電機定子電 流；將全部樣本的75%作為訓(xùn)練樣本，余下的25%作為檢測樣本，其中，訓(xùn)練樣本包括正常 訓(xùn)練樣本和故障訓(xùn)練樣本，檢測樣本包括正常檢測樣本和故障檢測樣本；
[0032] S3 :根據(jù)訓(xùn)練樣本設(shè)計RBF的結(jié)構(gòu)，包括RBF的輸入值、輸出值、隱藏層節(jié)點數(shù)和核 函數(shù)；圖1為s個輸入、h個隱節(jié)點、m個輸出結(jié)構(gòu)的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；X = (X1, X2，…，xs)Te 1^為神經(jīng)網(wǎng)絡(luò)輸入向量，w e RA輸出權(quán)值向量，第i個隱節(jié)點的激活函數(shù)為φ i (*)，輸 出層的Σ表示神經(jīng)元的激活函數(shù)為線性函數(shù)。Ii1是網(wǎng)絡(luò)中第i個隱節(jié)點的數(shù)據(jù)中心向量， |*| I表示2-范數(shù)。RBF神經(jīng)網(wǎng)絡(luò)隱節(jié)點的輸入采用距離函數(shù)，激活函數(shù)則用徑向基函數(shù) (如 Gaussian 函數(shù)）；
[0033] S4 :對正常訓(xùn)練樣本利用K-均值聚類學(xué)習算法，產(chǎn)生正常訓(xùn)練樣本的聚類中心；
[0034] S5 :將所有正常訓(xùn)練樣本分成多組（每一組有500個時間上連續(xù)的正常訓(xùn)練樣本， 相鄰組之間，后一個正常訓(xùn)練樣本相對于前一組正常訓(xùn)練樣本向前移動100個樣本），每組 正常訓(xùn)練樣本依次分別訓(xùn)練RBF網(wǎng)絡(luò)，直到RBF輸出權(quán)值穩(wěn)定；為提高網(wǎng)絡(luò)的訓(xùn)練速度和減 少權(quán)值初始值對訓(xùn)練的影響，正常訓(xùn)練樣本每次輸入時只訓(xùn)練RBF網(wǎng)絡(luò)的一個輸出權(quán)值， 連續(xù)輸入一個正常訓(xùn)練樣本直到RBF網(wǎng)絡(luò)的輸出權(quán)值全部更新；
[0035] S6 :將步驟S5中得到的輸出權(quán)值提取主元β i (i = 1，2,…，A);
[0036] S7 :根據(jù)RBF的輸出權(quán)值建立PCA模型，對PCA模型計算出相應(yīng)的檢測指標T2統(tǒng) 計量和SPE統(tǒng)計量，并根據(jù)T2統(tǒng)計量和SPE的值是否超出控制限判斷電機運行狀態(tài)，具體 操作如下：
[0037] 數(shù)據(jù)矩陣W e Rnxni* η個不同組的權(quán)值向量組成。將數(shù)據(jù)矩陣W各列經(jīng)過標準化 處理成零均值和單位方差的變量，可以得到進行標準化后的權(quán)值向量的協(xié)方差矩陣S，并對 該協(xié)方差矩陣S的特征值進行分解并按大小降序排列。協(xié)