一种基于rbf的电机故障检测方法
【技术领域】
[0001] 本发明涉及电机故障检测方法，特别是涉及一种基于RBF的电机故障检测方法。
【背景技术】
[0002] 电机是一种广泛运用在工业生产中的设备，电机的运行状况对企业生产有着重要 意义，电机故障检测越来越引起人们的注意。
[0003] 传统的电机测试方法大多只针对单一种类电机，设计复杂通用性差，而且测试过 程繁琐，不利于测试系统的集成化的缺点。而电机电流信号分析法仅对特定的一个或两个 故障频率进行分析，判断电机是否有某个故障，检测单一，有较大的局限性。且电机电流信 号分析法需要采集频率，步骤繁琐，其检测系统在系统受到干扰时，极易受到外界变化的影 响，在扰动过大时，干扰信号会覆盖故障信号，导致错报和漏报可能性很高，检测可靠性不 能得到保证，检测性能较差。
【发明内容】
[0004] 发明目的：本发明的目的是提供一种通用性好、步骤简单、抗干扰能力强、检测性 能好的基于RBF的电机故障检测方法。
[0005] 技术方案：为达到此目的，本发明采用以下技术方案：
[0006] 本发明所述的基于RBF的电机故障检测方法，包括如下的步骤：
[0007] Sl :收集电机运行参数的历史数据，包括电机正常运行数据和故障数据；
[0008] S2 :整理步骤Sl中的历史数据，形成样本，样本的格式为：每一条数据按输入-输 出对模式组织，输入为电机运行参数，输出为电机定子电流；样本包括训练样本和检测样 本，其中，训练样本包括正常训练样本和故障训练样本，检测样本包括正常检测样本和故障 检测样本；
[0009] S3 :根据训练样本设计RBF的结构，包括RBF的输入值、输出值、隐藏层节点数和核 函数；
[0010] S4 :对正常训练样本利用K-均值聚类学习算法，产生正常训练样本的聚类中心；
[0011] S5 :将所有正常训练样本分成多组，组数η大于RBF输出权值的维数，每组正常训 练样本依次分别训练RBF网络，直到RBF输出权值稳定；且正常训练样本每次输入时只训练 RBF网络的一个输出权值，连续输入一个正常训练样本直到RBF网络的输出权值全部更新；
[0012] S6 :将步骤S5中得到的输出权值提取主元；
[0013] S7 :根据RBF的输出权值建立PCA模型，对PCA模型计算出相应的检测指标T2统 计量和SPE统计量，并根据T2统计量和SPE的值是否超出控制限判断电机运行状态。
[0014] 进一步，所述方法还包括以下的步骤：
[0015] S8 :将主元乘以权值，以对训练样本所处状态判别的最高准确率为目标函数，采用 梯度下降法计算出主元权值向量V ;
[0016] S9 :复制RBF网络生成RBF1网络，对RBF1网络学习检测样本，以检测样本的输入作 为RBF网络的输入，RBF1N络的输出作为RBF网络的输出，训练RBF网络，同时提取RBF网 络的输出权值向量，作为主元分析的输入，判定检测样本是否处在故障状态。
[0017] 进一步，所述步骤S6中的T2统计量为：
[0019] 其中，Λ = (Iiagb1, λ2,…，λΑ}，w为输出权值向量，V为主元权值向 量，P e RmXA为负载矩阵，P是由S的前A个特征向量组成的，A表示主元的个数， Si = COv(W) ?+if，数据矩阵W e RnX』n个不同组的输出权值向量组成，T α2表示置 η - I 信度为α的T2统计限，η为正常训练样本被分成的组数，且η大于RBF输出权值的维数。
[0020] 进一步，所述步骤S6中的SPE统计量为：
[0021] SPE = I I (I-vPPV)w| |2^ δ α2 ⑵
[0022] 式中，I为单位矩阵，w为输出权值向量，ν为主兀权值向量，P e RmXA为负载矩阵， P是由S的前A个特征向量组成的，A表示主元的个数，S = eov(驚^数据矩阵 η-I W GRnxni* η个不同组的输出权值向量组成，δ α2表示置信水平为α时SPE的控制限，η 为正常训练样本被分成的组数，且η大于RBF输出权值的维数。
[0023] 进一步，所述δ α2为：
[0025] 式中：
> A j为数据矩阵W的协方差矩阵的特 征值，A为主元的个数，Ca为标准正态分布在置信水平α下的阈值，m是RBF输出权值的维 数。
[0026] 有益效果：本发明提供的基于RBF的电机故障检测方法通用性好能够在各种电机 中使用，抗干扰能力强不用因为电机工作环境的环境噪声来对模型做针对改进，检测性能 好错检率、漏检率低。
【附图说明】
[0027] 图1为本发明的RBF网络示意图。
【具体实施方式】
[0028] 下面结合附图和实施例，对本发明的技术方案做进一步的阐述。
[0029] 本发明提供的基于RBF的电机故障检测方法，包括如下的步骤：
[0030] Sl :收集电机运行参数的历史数据，包括电机正常运行数据和故障数据；
[0031] S2 :整理步骤Sl中的历史数据，形成样本，样本的格式为：每一条数据按输入-输 出对模式组织，输入为电机运行参数，包括定子电压、负载和转子转速，输出为电机定子电 流；将全部样本的75%作为训练样本，余下的25%作为检测样本，其中，训练样本包括正常 训练样本和故障训练样本，检测样本包括正常检测样本和故障检测样本；
[0032] S3 :根据训练样本设计RBF的结构，包括RBF的输入值、输出值、隐藏层节点数和核 函数；图1为s个输入、h个隐节点、m个输出结构的RBF神经网络结构；X = (X1, X2，…，xs)Te 1^为神经网络输入向量，w e RA输出权值向量，第i个隐节点的激活函数为φ i (*)，输 出层的Σ表示神经元的激活函数为线性函数。Ii1是网络中第i个隐节点的数据中心向量， |*| I表示2-范数。RBF神经网络隐节点的输入采用距离函数，激活函数则用径向基函数 (如 Gaussian 函数）；
[0033] S4 :对正常训练样本利用K-均值聚类学习算法，产生正常训练样本的聚类中心；
[0034] S5 :将所有正常训练样本分成多组（每一组有500个时间上连续的正常训练样本， 相邻组之间，后一个正常训练样本相对于前一组正常训练样本向前移动100个样本），每组 正常训练样本依次分别训练RBF网络，直到RBF输出权值稳定；为提高网络的训练速度和减 少权值初始值对训练的影响，正常训练样本每次输入时只训练RBF网络的一个输出权值， 连续输入一个正常训练样本直到RBF网络的输出权值全部更新；
[0035] S6 :将步骤S5中得到的输出权值提取主元β i (i = 1，2,…，A);
[0036] S7 :根据RBF的输出权值建立PCA模型，对PCA模型计算出相应的检测指标T2统 计量和SPE统计量，并根据T2统计量和SPE的值是否超出控制限判断电机运行状态，具体 操作如下：
[0037] 数据矩阵W e Rnxni* η个不同组的权值向量组成。将数据矩阵W各列经过标准化 处理成零均值和单位方差的变量，可以得到进行标准化后的权值向量的协方差矩阵S，并对 该协方差矩阵S的特征值进行分解并按大小降序排列。协