一种基于特征节点增量式宽度学习的电机故障诊断方法与流程

本发明涉及电机故障诊断领域，更具体地，涉及一种基于特征节点增量式宽度学习的三相感应电机故障诊断方法。

背景技术：

三相感应电动机(tpim)为我们日常生活提供主要驱动力。由于tpim成本低，体积小，坚固耐用，维护成本低，越来越多的学者对tpim进行研究。虽然tpim可靠，但是它们也会受到一些不良影响，这些不良影响会导致故障发生，造成严重事故。在严重事故发生之前，人们有必要监控其运行状况。文献表明，感应电动机存在绕组不平衡，定子或转子不平衡，转子条断裂，偏心和轴承缺陷等故障。

随着机器学习的发展，将机器学习应用于传统电机的故障诊断研究越来越多。深度信念网络(deepbeliefnetwork,dbn)、极限学习机(extremelearnmachine,elm)和卷积神经网络(conventionalneuralnetwork,cnn)，目前被广泛用于直流电机和交流电机的故障诊断中。尽管深度学习网络非常强大，但由于涉及大量的超参数和复杂的结构，这些深度学习网络在训练过程中往往耗费大量时间。此外，由于深度学习结构复杂，从理论上分析深层结构非常困难。大多数工作都需要调节参数或增加更多的层来提高精度，所以这样就需要越来越强大的计算资源。为了提高机器学习的训练性能，有研究者提出了一种宽度学习方法。与上面不同的是，宽度学习结构只有两层，一层是输入层，它包含了映射特征和增强节点。另一个是输出层。虽然它是一个简单的结构，但是它可以通过增加特征的节点来提高性能。因此，它可以应用于感应电动机的诊断，提高诊断的训练速度和准确率。

快速傅里叶变换(fft)不适合非平稳信号；短时傅里叶变换(stft)的缺陷会在时间和频率产生内在关联；小波变换(wt)会导致能量泄漏流失。近期，dragomiretskiy等人提出了一种变异模态分解(vmd)方法，该方法假设每个提取模式具有有限的带宽并且在匹配的中心频率附近压缩。每个子模式之前的稀疏度被选择为频谱域中的中心带宽。然而，vmd在实际应用中调制能力在很大程度上依赖于固有参数设置。惩罚α的不同配置和vmd中的子组件k的数量不同会导致各种不同的分解性能。因此，需要优化参数α和k。

传统的数据处理与系统模型训练都是在实验阶段进行的，模型训练完成后，诊断系统模型就不能被修改。电机故障诊断模型的重构将花费大量的训练时间，尤其是深度学习模型，这将大大限制其应用。

技术实现要素：

为了克服现有技术的不足，本发明提出一种基于特征节点增量式宽度学习的电机故障诊断方法，该方法采用特征节点增量式宽度学习方法(ibl)来诊断三相电机故障。ibl的结构简洁，可以有效地训练和重新训练网络；能有效的节约训练时间，提高故障诊断系统的准确率和稳定性。

为了实现上述目的，本发明的技术方案如下：

一种基于特征节点增量式宽度学习电机故障诊断方法，包括以下步骤：

s1：数据采集和数据处理；采集定子绕组a电流信号，定子绕组b电流信号或定子绕组c电流信号中任意两组电流信号和一个声波信号，记为x1,x2,x3，将所采集的两路电流信号和声波信号进行滤波；将滤波后的数据分成两组，其中一组电流信号数据进行时域统计特征，将声波信号数据分别进行时域统计特征和粒子群优化-变异模态分解；最后将处理后的数据分为三组独立的数据集：包括训练数据集、验证数据集和测试数据集；分别记为xk-proc-train、xk-proc-vali和xk-proc-test；

s2：模型训练，即将处理后的xk-proc-train进行宽度学习，训练得到系统模型，宽度学习训练的过程为：

使用经过处理的训练数据集xk-proc-train来训练宽度学习网络，宽度学习网络的输出是诊断的准确率；当输出的准确率大于等于设定的目标准确率时，即得到训练模型；当输出的准确率小于设定的目标准确率时，系统进入增量学习；

s3：特征节点增量式学习，即通过增加特征节点的数目，将处理后的xk-proc-vali进行增量学习，特征节点增量式学习过程为：

使用经过处理的验证数据集xk-proc-vali来训练特征节点增量式宽度学习网络，特征节点增量式宽度学习网络输出的是故障诊断的准确率；当输出的准确率不在设定的目标准确率±m％时，系统继续增量学习；当输出的准确率在设定的目标准确率±m％时，即得到特征节点增量式训练模型；在本发明中m取2.5。

s4：采用nmf方法对由步骤s3训练得到的模型进行简化，得到更稳定的模型，通过测试数据集xk-proc-test得到输出矩阵，与故障标签对比即可得到电机的故障诊断准确率。

优选的，所述步骤s1中的数据采集方式为：采用示波器采集电流信号，麦克风采集声音信号。

优选的，所述步骤s1中，对采集的数据进行限幅滤波后再将其分别分为三个独立的数据集。

优选的，所述步骤s1中对声波信号的数据处理过程为：采用粒子群优化-变异模态分解(pso-vdm)和时域统计方法(tdsf)提取信号特征；

采用粒子群优化-变异模态分解后，由于变异模态分解后每个固有模态函数维数不变，需要降低维数，则应用样本熵(se)统计其特征，即采用样本熵来计算每个固有模式函数的代表性特征；其特征结果分别保存为xk-se-train、xk-se-vali和xk-se-test；为了保证所有的特征都有贡献，xk-se-train、xk-se-vali和xk-se-test中的每个特征都进行[0，1]归一化处理。

优选的，步骤s1还包括：对采集两组电流信号分别增加10个时域统计特征，并进行[0,1]归一化处理，再与经过样本熵处理得到的声波特征合并得到处理后的训练数据集、验证数据集和测试数据集，经过处理的训练数据集、验证数据集和测试数据集分别被命名为xk-proc-train、xk-proc-vali和xk-proc-test。

优选的，对电流信号和声音信号增加10个特征为：平均值、标准差、均方根、峰值、偏度、峰度、波峰系数、间隙系数、形状系数和脉冲系数。

优选的，宽度学习训练的过程具体为：

使用经过处理的训练数据集xk-proc-train来训练宽度学习网络，令x＝xk-proc-train，即输入特征集合x，设其有n个样本，各样本均为m维；

对于n个特征映射，其映射特性zi表示为式(1)：

zi＝φ(xwei+βei),i＝1…,n(1)

其中wei表示第i个输入特征的随机权重矩阵，βei表示第i个输入特征的随机偏移矩阵，φ是映射函数，zⁿ≡[z1，…，zn]表示所有特征节点的映射集合；

对于增强节点，hm表示第m组增强节点的增强特征：

hm≡ξ(zⁿwhm+βhm)(2)

whm表示第m组增强节点的随机权重矩阵，βhm表示第m组增强节点的随机偏移矩阵，ξ是增强映射函数，h^m≡[h1，…，hm]表示所有增强节点的映射集合；所有增强连接权重表示为w^m≡[wh1，…，whm]；

因此，输出矩阵y表示为方程：

y＝[zⁿ|h^m]w^m(3)

y是属于的输出矩阵；

使用公式(3)能计算出w^m＝[zⁿ|h^m]⁺y。

优选的，在步骤s2的模型训练过程中，当输出的准确率小于设定的目标准确率时，能通过增加特征节点数使模型输出的准确率大于或等于设定值，继而得到训练模型；

在学习过程中增加特征节点，设初始输入特征向量和增强节点的复合连接为a^m＝[zⁿ|h^m]，额外增加特征节点后的特征矩阵为：

其中为增加特征节点后的连接权重；为特征节点后的偏差，即能得出新矩阵的伪逆矩阵表示如下：

其中过渡矩阵

中间矩阵

其中

新的权重为：

将处理的验证数据集xk-proc-vali作为输入集合x，基于输入x和新的权重即可得到特征节点增量式宽度学习模型。

优选的，步骤s4中在对测试数集合进行测试前还包括对由步骤s4获得的模型进行nmf结构简化，设简化前的权重矩阵为由于输入的数据集是规一化的，所以权重矩阵是非负数矩阵，假设有非负矩阵和另外一非负矩阵则得到：

w^m≈iw^r(7)

其中w^m是原始矩阵，右矩阵w^r是系数矩阵，左矩阵i是基础矩阵；

新的权重矩阵w^r≈i⁺w^m，利用新的权重矩阵能简化步骤s4获得的模型。

与现有相比，本发明的有益效果为：本发明提出一种基于特征节点增量式宽度学习方法，该方法可以通过增加特征节点的数目来重新训练模型，提高系统准确率。由于增加特征节点式的宽度学习训练速度快，可以在线训练，大大提高其应用领域。另外，为了提高精度，本发明采用信号处理方法实现有用故障特征的提取。

附图说明

图1为本发明的结构示意图。

图2特征节点增量式宽度学习网络示意图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。根据本发明提供的技术方案如图1所示，该方法包括四个步骤：(a)数据采集和数据处理，(b)宽度学习，(c)特征节点增量式宽度学习，(d)nmf结构简化。

一种基于特征节点增量式宽度学习的电机故障诊断方法，包括如下步骤：

第一步：三相电动机数据采集和数据处理

采用数字设备采集数字信号。它们分别是定子绕组a电流信号，定子绕组b电流信号和声波信号，分别记为x1,x2,x3。采用数字限幅滤波器来减少干扰。对于每个信号，以声音信号为例，信号x3采集的数据被分为三个独立的数据集，包括训练数据集、验证数据集和测试数据集。

利用pso-vmd对原始信号进行分解为：训练数据、验证数据和测试数据。训练数据应该标记为xk-pso-vmd-train，验证数据标记为xk-pso-vmd-vali，测试数据标记为xk-pso-vmd-test。考虑到提取特征中存在无关信息和冗余信息，采用样本熵(se)统计算法对xk-pso-vmd-train、xk-pso-vmd-vali和xk-pso-vmd-test进行特征提取。结果分别保存为xk-se-train、xk-se-vali和xk-se-test。除了信号特征外，在信号特征中加入了10个时域统计特征(tdsf)。为了确保所有的特性都有均匀的贡献，每个特性都被规一化为[0,1]。最后xk-proc-train、xk-proc-vali和xk-proc-test将分别标记为处理后的训练数据集、验证数据集和测试数据集。

第二步：宽度学习训练

在宽度学习模块中，首先通过使用宽度学习模型训练数据集xk-proc-train。其次训练后的bl模型输出为训练模型的训练准确率。如果训练准确率大于设定的目标百分比(tp)，模型就会完成。否则，宽度学习将通过增加特征节点进行增量式宽度学习。

宽度学习是基于传统随机向量函数神经网络。使用经过处理的训练数据集xk-proc-train来训练宽度学习网络，令x＝xk-proc-train，即输入特征集合x，设其有n个样本，各样本均为m维；

对于n个特征映射，其映射特性zi表示为式(1)：

zi＝φ(xwei+βei),i＝1…,n(1)

其中wei表示第i个输入特征的随机权重矩阵，βei表示第i个输入特征的随机偏移矩阵，φ是映射函数，zⁿ≡[z1，…，zn]表示所有特征节点的映射集合；

对于增强节点，hm表示第m组增强节点的增强特征：

hm≡ξ(zⁿwhm+βhm)(2)

whm表示第m组增强节点的随机权重矩阵，βhm表示第m组增强节点的随机偏移矩阵，ξ是增强映射函数，h^m≡[h1，…，hm]表示所有增强节点的映射集合；所有增强连接权重表示为w^m≡[wh1，…，whm]；

因此，输出矩阵y表示为方程：

y＝[zⁿ|h^m]w^m(3)

y是属于的输出矩阵；

使用公式(3)能很容易地计算w^m＝[zⁿ|h^m]⁺y。

第三步：增加特征节点增量式宽度学习

在一定的条件下，为了提高系统的准确率需要额外增加节点，在学习过程中增加“特征节点”。假设起初时输入特征向量和特征节点的复合连接为a^m＝[zⁿ|h^m]，额外增加特征节点后的特征为：

其中为增加特征节点后的连接权重；为增加特征节点后的偏差，即能得出新矩阵的伪逆矩阵表示如下：

其中过渡矩阵

中间矩阵

其中

新的权重为：

将处理的验证数据集xk-proc-vali作为输入集合x，基于输入x和新的权重即可得到特征节点增量式宽度学习模型。特征节点增量式算法不需要计算整个a^m+1，而只需计算额外增加特征节点的伪逆就可以实现增量学习，从而可以提高网络重新训练的速度。

第四步：nmf结构简化降低电机故障诊断系统的误差率

在增量学习中增加了特征节点之后，由于初始化不足或过多的输入数据，可能存在冗余的节点或数据。一般来说，这种结构可以通过一系列低阶近似方法来简化。本发明选择非负矩阵分解(nmf)为特征节点增量式宽度学习模型提供结构简化。

设简化前的权重矩阵为由于输入的数据集是规一化的，所以权重矩阵是非负数矩阵，假设有非负矩阵和另外一非负矩阵则可以得到：

w^m≈iw^r(7)

其中w^m可以分解成两个小矩阵。m为增强特征值的维数，n为样本数，r为降秩。w^m是一个原始矩阵。右边的矩阵w^r是系数矩阵。左边的矩阵i称为基本矩阵。原矩阵的列向量为左矩阵中所有列向量的加权和，权系数为右矩阵对应列向量的元素。一般应选择r小于m，从而实现原始矩阵的降维，用系数矩阵w^r代替原始矩阵得到数据特征的降维矩阵：

w^r≈i⁺w^m

由此利用新的权重矩阵可以简化步骤s4获得的简化模型。

本发明提出了一种新的电机故障诊断方法。该方法将特征提取、宽度学习、特征节点增量式宽度学习和nmf-ibl相结合对电机故障进行诊断，提高了系统的测试精度，减少了平均测试误差，缩短了训练时间和再训练时间。首先，该方法从绕组a&b电流和声学信号中提取原始样本数据，然后通过限幅滤波器、pso-vmd、sampen、tdsf和归一化处理这些样本数据。其次，本发明将这些处理后的数据输入到宽度学习网络模型中，并对其网络进行训练。如果测试精度不理想，则采用特征节点增量式宽度学习再训练模型。最后，利用nmf方法来简化网络结构。实验结果表明，基于特征节点增量式宽度学习和非负矩阵分解(nmf)的电机故障诊断方法在提高诊断精度和训练速度方面是有效的。本发明的创新点如下:

1.提出了一种新的诊断三相感应电动机定子和转子故障的方法。

2.应用pso-vmd、sampen、tdsf相结合的特征提取技术，提高了系统诊断的准确性。

3.提出一种基于特征节点增量宽度学习的重新训练方法提高了测试精度和训练速度。

4.采用非负矩阵分解(nmf)简化了ibl结构，降低了系统的平均测试误差。

综上：本发明结合了特征提取(粒子群优化-变异模态分解和时域统计特征)、特征节点增量式宽度学习和非负矩阵分解来构成一个三相电动机的智能诊断方法。实验结果表明该方法在诊断三相电动机故障时优于其他算法。此外，通过非负矩阵分解(nmf)简化的ibl误差小、系统更稳定。