基于稀疏分解与邻域蜂群算法的电机故障诊断方法技术

本发明专利技术公开了一种基于稀疏分解与邻域蜂群算法的电机故障诊断方法，利用IM

【技术实现步骤摘要】
基于稀疏分解与邻域蜂群算法的电机故障诊断方法


[0001]本专利技术属于电机故障诊断
，特别是一种基于稀疏分解与邻域蜂群算法的电机故障诊断方法。

技术介绍

[0002]制造生产设备普遍存在的电机故障问题，目前，精密机械加工企业一般的解决方法是：一方面，进行计划性的检修，即定期对电动机进行全面检修和清扫工作，并尽全力规范生产设备的操作标准，加强对操作人员与维修人员的培养，使得他们熟悉设备结构，了解设备所用电机的性能，懂得基本保养措施，从而加强设备保养和维护，确保生产设备正常运行，提高使用年限，但是，在实际实施过程中，操作人员更换较为频繁，电机数量过多，安装位置不便等因素都会导致该种方式维护不到位，另外，这种传统方法对预防意外故障具有一定的积极作用，但也具有很大的盲目性。由于不能确定电动机是否存在故障，因此，某些电动机已有的故障隐患可能漏检，而本来没有隐患的电动机则可能由于拆卸、重装时的意外而造成人为的故障隐患，除此以外，计划检修要耗费大量的人力、物力、财力和时间，各类资源不仅没有得到合理的利用，还减少了企业的正常生产时间，降低了生产效率，实际上也给企业造成了很大的经济损失。传统的故障诊断方法均存在一些缺陷，比如，对先验知识过度依赖，泛化能力受到一定的约束等，已经不能满足目前电机故障监测的要求。

技术实现思路

[0003]专利技术目的：本专利技术针对上述现有技术中存在的问题，提供了一种基于稀疏分解与邻域蜂群算法的电机故障诊断方法，保证系统具有更高的精度和更少的特征，提高故障诊断的精确度和效率。/>[0004]技术方案：本专利技术提供了一种基于稀疏分解与邻域蜂群算法的电机故障诊断方法，包括如下步骤：
[0005]步骤1：利用稀疏分解IM
‑
HHT提取直流电机特征及信号分析；将电机采样信号经稀疏分解去噪处理，利用正交匹配追踪算法，对电机信号进行处理前去噪，从过完备字典DCT中选择若干最优原子，并将选择出的原子线性组合，然后利用经验模态分解EMD，将给定的信号分解为若干固有模态函数IMF，再利用相关性参数，去除假性IMF，最后进行Hilbert变换，得到原始信号的Hilbert谱；
[0006]步骤2：基于聚类型欧氏距离判定方法进行特征选取；
[0007]步骤3：基于方形邻域选择人工蜂群SS
‑
ABC算法对电机信号特征因子排序；所述方形邻域选择人工蜂群SS
‑
ABC算法为利用方形邻域选择方法代替原始ABC算法的概率选择，修改构建搜索策略，实现方形邻域选择人工蜂群SS
‑
ABC算法的改进；
[0008]步骤4：通过径向基RBF分类器对电机故障进行分类识别。
[0009]进一步地，所述步骤1中稀疏分解去噪处理，利用正交匹配追踪算法，对电机信号进行处理前去噪的具体操作为：
[0010](1)表征待分解信号及模型
[0011][0012]其中，f
i
为待分解信号，F＝{f1，f2，...f
n
}为待分解信号矩阵，m为所选原子的个数，D＝{d1，d2，...d
n
}为过完备字典，d
i
为所选原子，x
i
为所选原子对应的稀疏系数。将所选择的m个原子线性组合即可对信号稀疏表示；
[0013]在满足公式(1)的条件下寻找x
i
的最稀疏表示值，即寻求具有最少非零值的解决方案，模型如下：
[0014][0015]其中，||
·
||0为l0范数，即x
i
中非零元素的数目，X＝{x
i
}为稀疏系数矩阵，ε为误差；
[0016](2)稀疏分解
[0017]在过完备原子库D中选出N维信号矩阵F与原子d1之间内积绝对值的最大值，此时的d1为最优原子，即满足：
[0018]|<F，d1>|＝sup|<F，d
i
>|
ꢀꢀꢀꢀ
(3)
[0019]其中，|<F，d1>|表示信号矩阵F与原子d1内积的绝对值；
[0020]对信号矩阵F进行多次分解后信号可表示为：
[0021][0022]随着分解次数的增加，残余信号的信号值将近似为零，待分解信号矩阵F可表示为：
[0023][0024]进一步地，所述步骤1中的过完备字典DCT的选择如下：
[0025]根据离散余弦变换得到DCT字典，通过对称信号扩展用实数代替复数在实数域上进行分析，一维DCT变换可以通过下式来计算得到：
[0026][0027]其中，d(k)为第k个DCT原子，k为频率因子，f(n)为给定的信号序列，N表示输入信号长度；矩阵形式表示如下：
[0028]D＝C
N
f
ꢀꢀꢀꢀ
(7)
[0029]C
N
为DCT系数矩阵，再对其在频域进行精细抽样即可得到过完备字典。
[0030]进一步地，所述步骤1中利用经验模态分解EMD，将给定的信号分解为若干固有模态函数IMF，再利用相关性参数，去除假性IMF，最后进行Hilbert变换，得到原始信号的Hilbert谱的具体操作为：
[0031]1)将给定的信号利用经验模态分解EMD分解为若干固有模态函数IMF；
[0032]设x(t)表示输入的原始函数，且通过EMD被分解n个IMF，EMD模型定义如下：
[0033][0034]2)定义相关性参数，去除假性IMF
[0035]设EMD分解产生的IMF分量为x，电机故障信号为y，则定义相关性参数为r：
[0036][0037]其中：其中：
[0038]3)完成Hilbert变换，获得相应的Hilbert谱；
[0039]对每一个电机状态信号的IMF进行Hilbert变换，获得电机状态信号的Hilbert谱；HT模型定义如下：：
[0040][0041]式中，Pv为警告值，用于避免当τ＝t以及τ＝
±
∞时出现异常，则希尔伯特谱定义如下：
[0042][0043]式中，h
l
(t)表示IMF，H
l
(t)可通过希尔伯特变换获得，a
l
(t)是瞬时振幅，θ
l
(t)是瞬时相位角。
[0044]进一步地，所述步骤2找那个基于聚类型欧氏距离判定方法进行特征选取的具体操作包括：
[0045]1)计算第m个特征的所有样本的方差和平均值
[0046][0047]其中，
[0048]2)计算第C类样本的第m个特征的方差和平均值
[0049][0050]其中，
[0051]3)计算聚类中心g
c
在第m个特征处的加权方差
[0052][0053]其中，
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏分解与邻域蜂群算法的电机故障诊断方法，其特征在于，包括如下步骤：步骤1：利用稀疏分解IM
‑
HHT提取直流电机特征及信号分析；将电机采样信号经稀疏分解去噪处理，利用正交匹配追踪算法，对电机信号进行处理前去噪，从过完备字典DCT中选择若干最优原子，并将选择出的原子线性组合，然后利用经验模态分解EMD，将给定的信号分解为若干固有模态函数IMF，再利用相关性参数，去除假性IMF，最后进行Hilbert变换，得到原始信号的Hilbert谱；步骤2：基于聚类型欧氏距离判定方法进行特征选取；步骤3：基于方形邻域选择人工蜂群SS
‑
ABC算法对电机信号特征因子排序；所述方形邻域选择人工蜂群SS
‑
ABC算法为利用方形邻域选择方法代替原始ABC算法的概率选择，修改构建搜索策略，实现方形邻域选择人工蜂群SS
‑
ABC算法的改进；步骤4：通过径向基RBF分类器对电机故障进行分类识别。2.根据权利要求1所述的基于稀疏分解与邻域蜂群算法的电机故障诊断方法，其特征在于，所述步骤1中稀疏分解去噪处理，利用正交匹配追踪算法，对电机信号进行处理前去噪的具体操作为：(1)表征待分解信号及模型其中，f
i
为待分解信号，F＝{f1，f2，...f
n
}为待分解信号矩阵，m为所选原子的个数，D＝{d1，d2，...d
n
}为过完备字典，d
i
为所选原子，x
i
为所选原子对应的稀疏系数，将所选择的m个原子线性组合即可对信号稀疏表示；在满足公式(1)的条件下寻找x
i
的最稀疏表示值，即寻求具有最少非零值的解决方案，模型如下：其中，||
·
||0为l0范数，即x
i
中非零元素的数目，X＝{x
i
}为稀疏系数矩阵，ε为误差；(2)稀疏分解在过完备原子库D中选出N维信号矩阵F与原子d1之间内积绝对值的最大值，此时的d1为最优原子，即满足：|<F，d1>|＝sup|<F，d
i
>|
ꢀꢀꢀꢀ
(3)其中，|<F，d1>|表示信号矩阵F与原子d1内积的绝对值；对信号矩阵F进行多次分解后信号可表示为：随着分解次数的增加，残余信号的信号值将近似为零，待分解信号矩阵F可表示为：3.根据权利要求1所述的基于稀疏分解与邻域蜂群算法的电机故障诊断方法，其特征
在于，所述步骤1中的过完备字典DCT的选择如下：根据离散余弦变换得到DCT字典，通过对称信号扩展用实数代替复数在实数域上进行分析，一维DCT变换可以通过下式来计算得到：其中，d(k)为第k个DCT原子，k为频率因子，f(n)为给定的信号序列，N表示输入信号长度；矩阵形式表示如下：D＝C
N
f
ꢀꢀꢀꢀ
(7)C
N
为DCT系数矩阵，再对其在频域进行精细抽样即可得到过完备字典。4.根据权利要求1所述的基于稀疏分解与邻域蜂群算法的电机故障诊断方法，其特征在于，所述步骤1中利用经验模态分解EMD，将给定的信号分解为若干固有模态函数IMF，再利用相关性参数，去除假性IMF，最后进行Hilbert变换，得到原始信号的Hilbert谱的具体操作为：1)将给定的信号利用经验模态分解EMD分解为若干固有模态函数IMF；设x(t)表示输入的原始函数，且通过EMD被分解n个IMF，EMD模型定义如下：2)定义相关性参数，去除假性IMF设EMD分解产生的IMF分量为x，电机故障信号为y，则定义相关性参数为r：其中：其中：3)完成Hilbert变换，获得相应的Hilbert谱；对每一个电机状态信号的IMF进行Hilbert变换，获得电机状态信号的Hilbert谱；HT模型定义如下：：式中，Pv为警告值，用于避免当τ＝t以及τ＝
±
∞时出现异常，则希尔伯特谱定义如下：式中，h
l
(t)表示IMF，H
l
(t)可通过希尔伯特变换获得，a
l
(t)是瞬时振幅，θ
l
(t)是瞬时相位角。5.根据权利要求1所述的基于稀疏分解与邻域蜂群算法的电机故障诊断方法，其特征在于，所述步骤2找那个基于聚类型欧氏距离判定方法进行特征选取的具体操作包括：
1)计算第m个特征的所有样本的方差和平均值和平均值其中，2)计算第C类样本的第m个特征的方差和平均值和平均值其中，3)计算聚类中心g
c
在第m个特征处的加权方差在第m个特征处的加权方差其中，4)计算第m个特征的类间距离d
bm
和类内距离...

【专利技术属性】
技术研发人员：戴峻峰，常波，
申请(专利权)人：淮阴工学院，
类型：发明
国别省市：