一种引入修正函数的神经网络的电机故障预测方法

本发明属于本发明涉及电机故障，具体的说是一种引入修正函数的神经网络的电机故障预测方法。

背景技术：

1、收集电机故障数据对于电机不通故障状态下的故障诊断以及通过对故障数据分析实现电机参数优化从而提升性能有着重要意义，但目前一般得到的电机故障数据集数据量较少，因为一般电机故障后就会维修导致的电机故障数据集较少，不足以支撑使用相关的机器学习算法进行学习分析。

技术实现思路

1、本发明是为了解决上述现有技术存在的不足之处，提出一种引入修正函数的神经网络的电机故障预测方法，以期能更迅速、更准确的利用已有故障数据集进行故障数据集扩充，从而能提高扩充数据的准确性，并有利于后续对于此类型故障的分析研究。

2、本发明为达到上述发明目的，采用如下技术方案：

3、本发明一种引入修正函数的神经网络的电机故障预测方法的特点在于，包括如下步骤：

4、步骤1、获取设备在某种工作条件下的轴承内圈故障数据集并进行归一化处理，获得归一化后的轴承内圈故障数据集x＝{x1,x2,...,xi,...,xn}，其中，xi表示第i时刻ti的轴承内圈故障数据；n表示采集的时长；

5、步骤2、利用bp神经网络对x进行训练，生成轴承内圈故障预测数据集y＝{y1,y2,...,yi,...,yn}，其中，yi为第i时刻ti的轴承内圈故障预测数据；

6、步骤3、计算第i时刻ti的故障数据差值zi＝yi-xi，从而得到差值数据集z＝{z1,z2,...,zi,...,zn}；

7、步骤4、利用式(1)对zi进行m次多项式拟合，得到m次多项式函数f(ti,w)：

8、

9、式(1)中，wj为第j项多项式的系数；为zi的第j次方；w表示多项式系数集合；

10、步骤5、利用式(2)得到第i时刻ti的误差值ei：

11、

12、步骤6、利用式(3)得到误差平方和e(w)：

13、

14、步骤7、利用式(4)对wk求偏导，使e(w)最小，从而得到式(5)：

15、

16、

17、步骤8、将和代入式(5)中进行求解，得到多项式系数集合w；

18、步骤9、将bp神经网络的预测时刻从i时刻扩充至i+p时刻，并将实际故障数据输入bp神经网络中，从而得到预测到i+p时刻的预测值yi+p，p为任意一正整数；

19、步骤10、将yi+p和f(zi+p,w)相加后，得到第i+p时刻ti+p修正后的轴承内圈故障数据。

20、本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述电机故障预测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

21、本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行所述电机故障预测方法的步骤。

22、与现有技术相比，本发明的有益效果在于：

23、1、本发明通过采用引入修正函数来修正神经网络预测数据，克服了神经网络陷入局部最优导致的误差。

24、2、本发明采用引入修正函数来修正神经网络一次迭代后的预测数据，避免神经网络不断地通过后向传播更改权重，使预测数据时间大大减少。

技术特征：

1.一种引入修正函数的神经网络的电机故障预测方法，其特征在于，包括如下步骤：

2.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1所述电机故障预测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

3.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1所述电机故障预测方法的步骤。

技术总结
本发明公开了一种引入修正函数的神经网络的电机故障预测方法，包括：针对使用神经网络进行电机故障数据训练和预测时，会出现预测后的数据与实际故障数据出入较大、以及故障数据较少等问题，提出在使用神经网络多次训练后引入一修正函数，使得训练后预测的数据更加准确。本发明可以通过多次训练得到一修正函数，之后将预测数据带入修正函数，以完成对电机故障数据的准确扩充。

技术研发人员：鲍晓华,邱浩天,关博凯,冯睿,尹殿凯,甘源
受保护的技术使用者：合肥工业大学
技术研发日：
技术公布日：2024/3/11