[發明專利]基于RBF神經網絡的交流電機故障診斷模型構造方法

有效

• 申請號: 201310167662.3
• 申請日: 2013-05-08
• 公開（公告）號: CN103294849A
• 公開（公告）日: 2013-09-11
• 發明（設計）人: 李文;趙慧敏;楊鑫華;鄧武;李學偉
• 申請（專利權）人: 大連交通大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/02
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 李洪福

技術領域

本發明涉及一種交流電機故障診斷技術，特別是一種基于RBF神經網絡的交流電機故障診斷模型構造方法。

背景技術

感應電機的故障類型大體分為機械故障與電氣故障，又可將這些故障分為軸承故障、定子故障、轉子故障及偏心類故障等多種類型。不同故障具有不同的故障特征，這也是進行故障診斷的主要依據。但需要注意的是，由于感應電機是集機、電、磁一體的復雜設備。因此，故障特征也是極其復雜的。在不同運行條件下，同類型的故障，其特征也會發生改變；不同故障具有類似的故障特征。這些為感應電機的故障診斷帶來了困難。

目前，多數基于神經網絡的電機故障診斷模型，通常采用多輸入/多輸出結構，即用一個復雜神經網絡來構建進行多種故障診斷的模型；神經網絡多采用三層BP（BackPropagation）神經網絡或三層徑向基（RBF，Radial?Basis?Function）神經網絡。RBF神經網絡與BP神經網絡都是非線性多層前向網絡，它們都屬于通用逼近器。三層神經網絡由輸入層、隱層和輸出層構成。

由于RBF神經網絡隱層單元的轉移函數是關于中心對稱的徑向基函數（如高斯函數），這樣三層靜態RBF前饋神經網絡的隱層單元數可以根據研究的具體問題，在訓練階段自適應地調整，使得網絡的適用性更好。對RBF神經網絡通常采用最近鄰聚類方式訓練網絡，這樣網絡隱層單元的分配就僅與訓練樣本的分布及隱層單元的寬度有關，與執行的任務無關。在隱層單元分配的基礎上，輸入與輸出之間的映射關系，通過調整隱層單元和輸出單元之間的權值來實現。

RBF神經網絡與BP神經網絡比較，具有計算量小、收斂速度快、無局部極小等特點。因此，本發明提出了基于RBF神經網絡的模塊化電機故障診斷模型。關于基于神經網絡的電機故障診斷問題研究以下文獻均有報道：

[1]黃丹,黃采倫.基于BP神經網絡模型的電機故障診斷專家系統[J].自動化儀表,2003,24(3):15-17；

[2]郭西進等.基于BP神經網絡的異步電機匝間短路程度研究[J].煤礦機械,2011,32(10):276-278；

[3]張敬齋.RBF神經網絡在水輪發電機故障診斷中的應用[J].計算機仿真,2011,28(12):314-317；

[4]王娟等.基于RBF神經網絡的電機故障診斷的研究[J].系統仿真技術,2009,5(1):36-39；

[5]穆麗娟等.RBF神經網絡在異步電機故障診斷中的應用[J].系統仿真技術,2009,5(1):148-151；

[6]白成榮.電機故障診斷中RBF神經網絡的應用[J].山西建筑,201,37(17):213-214。

為了使神經網絡能夠較好地學習與區分多種故障特征，這個網絡應具有良好的復雜非線性特性映射能力。這樣勢必要求該網絡的隱層應有較多的節點。盡管已有文獻指出了三層神經網絡在理論上是能夠逼近任意非線性特性，可是對一個隱層節點數目較大的網絡，顯然會引起收斂、訓練與再訓練等方面的困難問題。對于由一個多輸入多輸出網絡構成的故障診斷模型至少有以下幾方面的不足：

1）要識別的故障類型越多，構成模型的網絡就越復雜；

2）網絡結構復雜，則網絡收斂與訓練難度相應增大；

3）一旦新增要識別的故障類型或對某故障特征有補充樣本數據，就需要進行網絡再訓練，增加訓練成本。

發明內容

為解決現有技術存在的上述問題，本發明要設計一種可以實現以下目的的基于RBF神經網絡的交流電機故障診斷模型構造方法：

1、具有方便、靈活、可方便組合的模塊化模型結構；

2、降低模型的收斂與訓練難度；

3、模型更新方便快捷。

為了實現上述目的，本發明的技術方案如下：一種基于RBF神經網絡的交流電機故障診斷模型構造方法，包括以下步驟：

A、建立故障診斷模型

A1、確定故障診斷模型的結構

首先根據擬診斷交流電機故障種類的個數來確定構成電機故障診斷模型的子模型個數；每個子模型是一個多輸入-單輸出的模型，即每個子模型具有多個輸入端和單個輸出端，且各個子模型的輸入端個數相同；將各個子模型的輸入端并聯連接即構成電機故障診斷模型，所有子模型的輸出端個數即構成電機故障診斷模型的輸出端個數，亦即，子模型的個數就是電機故障診斷模型的輸出端個數；