基于改进模糊C均值聚类的交流异步电机故障诊断方法技术

一种基于改进模糊C均值聚类的交流异步电机故障诊断方法，先同步采集交流异步电机定子三相电流信号；结合Park变换和互相关分析构造参考信号来抑制电流基频分量，突出故障特征；提取包括样本熵在内的时域指标和频域指标构成电流信号高维特征向量；通过最大似然估计计算电流信号高维特征向量本征维数并基于PCA降维对故障特征进行二次提取；基于加权欧式距离和高斯核函数改进准模糊C均值聚类算法相似性度量准则；利用萤火虫算法优化模糊C均值聚类初始聚类中心；将降维后的故障特征向量输入到改进模糊C均值聚类中进行故障类型分类；本发明专利技术在利用电流信号检测电机故障方面具有准确度高、鲁棒性强的优点。

【技术实现步骤摘要】
基于改进模糊C均值聚类的交流异步电机故障诊断方法
本专利技术涉及机械故障诊断与监测领域，具体涉及基于改进模糊C均值聚类的交流异步电机故障诊断方法。
技术介绍
交流异步电机是工业中应用最为广泛的驱动部件，其工作状态将直接影响设备运行的安全性及稳定性。电机的故障诊断可以看作是一个模式识别的过程，分为故障特征提取和数据分类两个阶段。由于在电机定子电流信号中电流基频分量占主导地位，因此故障特征易被其掩盖而难以提取，传统基频分量参考信号构造方法中又存在频率和初始相位估计误差问题。模糊聚类技术时当今聚类研究的热点，模糊聚类中的数据样本并非只属于某一特定类，对硬聚类的局限性做了一定程度的改进。它将聚类过程转化为基于目标函数的优化过程，通过连续迭代以计算最优划分结果。鉴于其优良的可操作性，模糊C均值聚类算法(Fuzzyc-means,FCM)被广泛应用于数据挖掘、人工智能、图像处理和故障诊断等领域。标准FCM算法也存在以下问题，以欧式距离作为样本数据的相似性度量简单直观，计算方便，但其只能反映数据间的直接距离关系，在处理多维复杂数据时会产生较大误差，降低聚类精度。FCM算法的目标函数是一个存在大量局部极值点的非凸函数，如果无法选择合适初始聚类中心将导致错误聚类结果。
技术实现思路
为了克服上述现有技术的缺点，本专利技术的目的在于提供一种基于改进模糊C均值聚类的交流异步电机故障诊断方法，具有准确度高、鲁棒性强的优点。为了达到上述目的，本专利技术采取的技术方案为：一种基于改进模糊C均值聚类的交流异步电机故障诊断方法，包括以下步骤：步骤1：同步采集交流异步电机定子三相电流信号iU、iV、iW；步骤2：结合Park变换和互相关分析构造参考信号来抑制电流基频分量，突出故障特征；步骤3：提取包括样本熵在内的时域指标和频域指标构成高维特征向量；步骤4：通过最大似然估计计算高维特征向量本征维数并基于PCA降维对故障特征进行二次提取；步骤5：基于加权欧式距离和高斯核函数改进准模糊C均值聚类算法相似性度量准则；步骤6：利用萤火虫算法优化模糊C均值聚类初始聚类中心；步骤7：将降维后的故障特征向量输入到改进模糊C均值聚类中进行故障类型分类。所述的步骤2中参考信号的具体确定方法为：对定子三相电流信号进行VMD分解并分别基频的模态分量iu、iv、iw进行Park变换得到两相电流iα、iβ，并且iβ为iα的90°相移信号，基于iα和iβ分量构造解析信号iz：iz＝iα+j·iβ(1)对解析信号iz求幅角确定参考信号的瞬时相位信息对参考信号和定子电流iu进行互相关分析确定参考信号初始幅值A0。所述的步骤4中为避免特征向量不同特征间数值相差较大，从而抑制数值较小特征，因此在降维前先对高维特征向量进行归一化处理。所述的步骤5中对准模糊C均值聚类算法相似性度量准则的具体改进如下：SG(xi,xj)＝exp(-d(xi,xj)/2σiσj)(2)d(xi,xj)为数据xi与数据xj之间的加权欧式距离，σi和σj分别代表数据xi与数据xj与其相邻p个点之间的平均加权欧式距离，定义如下：f为数据特征维数，ωk为权重，和分别为数据xi与数据xj的第k维数据，σk和分别为第k个特征的标准偏差和平均值。所述的步骤5中利用萤火虫算法优化模糊C均值聚类初始聚类中心时将初始聚类中心位置作为编码对象，其中任意一个萤火虫的编码定义为：xi＝(xi1,xi2,xi3,...,xij)，xij表示在第i种聚类方式下的第j个聚类中心，萤火虫的个数n代表了聚类方式的个数。所述的步骤5中利用萤火虫算法优化模糊C均值聚类初始聚类中心时适应度函数设计如下：式中Com，Ove，Sep分别用来评价聚类结果的类内紧致度，类间分离度和重合度，定义如下：式中表示当前聚类方式下聚类中心的平均值；c为聚类个数；vi表示第i个聚类中心；m表示模糊加权指数；uij表示第i个数据样本对第j类的隶属度；ovepqj＝1-|upj-uqj|表示第j个样本相对于p类和q类的重合度；来调节交叠部分的所占比例；适应度函数值越小代表当前聚类方式下的聚类效果越好。所述的步骤6中利用萤火虫算法优化模糊C均值聚类初始聚类中心时具体步骤为：步骤6.1：初始化萤火虫个数n并编码n种聚类中心组合方式；步骤6.2：迭代更新每个萤火虫的适应度值；步骤6.3：在每个萤火虫邻域内搜索邻居；步骤6.4：对萤火虫位置，邻域进行更新；步骤6.5：不断迭代，直到满足终止条件，否则转到步骤5.2；步骤6.6：输出最优萤火虫位置作为最优初始聚类中心。所述的步骤7中对特征向量进行分类时，以特征向量与聚类中心的海明贴近度为判别依据。本专利技术的有益效果是：本专利技术提出的结合Park变换和互相关分析的电流基频分量抑制方法可以综合利用电机定子三相电流之间的相位信息，通过简单数学运算直接确定参考信号的瞬时相位，从而有效避免了传统参考信号构造方法中频率和初始相位估计误差问题。本专利技术基于加权欧式距离和高斯核函数改进FCM算法相似性度量准则能够突破标准FCM算法以欧式距离作为样本数据的相似性度量只能反映数据间的直接距离关系，无法反映数据整体分布的局限性。本专利技术通过萤火虫算法优化初始聚类中心可以有效避免标准FCM算法对初始聚类中心敏感，容易陷入局部最优的问题，并进一步增加聚类精度的效率。本专利技术能够有效提取交流异步电机定子电流信号故障特征，从而进一步加强交流异步电机的在线故障诊断。附图说明图1本专利技术方法的流程图。图2本专利技术基于萤火虫算法优化初始聚类中心的流程图。图3中(a)，(b)，(c)，(d)和(e)分别为正常、转子断条故障、轴弯曲故障、电压不平衡故障和定子绕组匝间短路故障电机电流信号和参考信号对比图。图4中(a)，(b)，(c)，(d)和(e)分别为正常、转子断条故障、轴弯曲故障、电压不平衡故障和定子绕组匝间短路故障电机剩余信号波形图。图5为PCA降维特征二次提取结果图。图6为改进FCM算法聚类结果图。具体实施方式下面就附图对本专利技术作进一步详细说明。如图1所示，一种基于改进模糊C均值聚类的交流异步电机故障诊断方法，包括以下步骤：步骤1：同步采集交流异步电机定子三相电流信号iU、iV、iW；步骤2：结合Park变换和互相关分析构造参考信号来抑制电流基频分量，突出故障特征；步骤3：提取包括样本熵在内的时域指标和频域指标构成高维特征向量；步骤4：通过最大似然估计计算高维特征向量本征维数并基于PCA降维对故障特征进行二次提取；步骤5：基于加权欧式距离和高斯核函数改进准模糊C均值聚类算法相似性度量准则；步骤6：利用萤火虫算法优化FCM聚类初始本文档来自技高网...

【技术保护点】
1.一种基于改进模糊C均值聚类的交流异步电机故障诊断方法，其特征在于，包括以下骤：/n步骤1：同步采集交流异步电机定子三相电流信号i

【技术特征摘要】
1.一种基于改进模糊C均值聚类的交流异步电机故障诊断方法，其特征在于，包括以下骤：
步骤1：同步采集交流异步电机定子三相电流信号iU、iV、iW；
步骤2：结合Park变换和互相关分析构造参考信号来抑制电流基频分量，突出故障特征；
步骤3：提取包括样本熵在内的时域指标和频域指标构成高维特征向量；
步骤4：通过最大似然估计计算高维特征向量本征维数并基于PCA降维对故障特征进行二次提取；
步骤5：基于加权欧式距离和高斯核函数改进准模糊C均值聚类算法相似性度量准则；
步骤6：利用萤火虫算法优化模糊C均值聚类初始聚类中心；
步骤7：将降维后的故障特征向量输入到改进模糊C均值聚类中进行故障类型分类。


2.根据权利要求1所述一种基于改进模糊C均值聚类的交流异步电机故障诊断方法，其特征在于，所述的步骤2中参考信号的具体确定方法为：对定子三相电流信号进行VMD分解并分别基频的模态分量iu、iv、iw进行Park变换得到两相电流iα、iβ，并且iβ为iα的90°相移信号，基于iα和iβ分量构造解析信号iz：
iz＝iα+j·iβ(1)
对解析信号iz求幅角确定参考信号的瞬时相位信息
对参考信号和定子电流iu进行互相关分析确定参考信号初始幅值A0。


3.根据权利要求1所述一种基于改进模糊C均值聚类的交流异步电机故障诊断方法，其特征在于，所述的步骤4中在降维前先对高维特征向量进行归一化处理。


4.根据权利要求1所述一种基于改进模糊C均值聚类的交流异步电机故障诊断方法，其特征在于，所述的步骤5中对准模糊C均值聚类算法相似性度量准则的具体改进如下：
SG(xi,xj)＝exp(-d(xi,xj)/2σiσj)(2)
d(xi,xj)为数据xi与数据xj之间的加权欧式距离，σi和σj分别代表数据xi与数据xj与其相邻p个点之间的平均加权欧式距离，定义如下：












f为数据特征维数，ωk为权重，和分别为数据...

【专利技术属性】
技术研发人员：刘飞，李睿彧，梁霖，徐光华，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61