[發明專利]基于粒子群優化支持向量機的電機故障模式診斷方法

在審

• 申請號: 201911079679.7
• 申請日: 2019-11-07
• 公開（公告）號: CN110969096A
• 公開（公告）日: 2020-04-07
• 發明（設計）人: 李志軍;盧應強;曾毅;張建學;陳果;袁雪;曹玲燕
• 申請（專利權）人: 國電南京自動化股份有限公司;江蘇國電南自海吉科技有限公司;安徽華電六安電廠有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G01R31/34;G06N3/00
• 代理公司: 南京知識律師事務所 32207
• 代理人: 張蘇沛

本發明涉及基于粒子群優化支持向量機的電機故障模式診斷方法，其特征在于：使用基于小波分析和建立粒子群優化(PSO)最小二乘支持向量機(LS?SVM)的方法來診斷電機故障類型，該方法以小波分析的提取信號為輸入，使用LS?SVM建立非線性系統模型并輸出故障類型,通過輸出反饋和偏差校正減少預測誤差,由PSO滾動優化獲得非線性系統的控制量，在非線性系統數學模型未知的情況下設計出有效地準確判斷出故障模式。經過測試，將PSO?LS?SVM算法和小波分析用于電機的故障診斷，結果明顯優于SVM算法和之前的神經網絡在電機的故障診斷的應用，不僅更快地收斂于最優解，而且很大程度地提高了電機故障診斷的精度。

技術領域

本發明涉及電力設備狀態診斷領域，具體涉及基于粒子群優化支持向量機的電機故障模式診斷方法。

背景技術

電機作為現代工業的主要能源動力設備，其作用不言而喻。如果拖動生產設備的電機出現故障，將使生產過程中斷，造成巨大的經濟損失。轉子不對中、軸承碰摩是電機運行最容易出現的故障模式，也引起電力事故的主要原因之一。因此，優化完善電極故障模式診斷的方法，對提高電機運行可靠性和安全性具有重要意義。

電機是一種復雜的旋轉機械，故障種類多而且難以辨別。目前，輸入的特征信號多采用傅里葉變換對噪聲信號分析。但針對實際電機振動診斷信號中可能的包含的早期微弱信號與大量的非平穩信號，傳統FFT頻譜分析難以給出比較滿意的結果。電機故障診斷算法多采用基于神經網絡，神經網絡雖然有較好的非線性逼近能力,但仍存在網絡拓撲結構難以確定、收斂速度慢、容易陷入局部極小等問題。

而本發明采用了一種基于粒子群優化支持向量機(LS-SVM)的電機故障模式診斷方法。 LS-SVM作為一種通用函數逼近器可以以任意精度逼近非線性系統,是非線性系統建模的有力工具。PSO是近年來發展起來的一種多變量隨機迭代搜索方法,可快速有效的解決目標函數的優化問題。考慮到小波變換可以解決有奇異變化的信號，小波分解可以把高頻和低頻波按不同的波帶分解清楚。該方法以小波分析的提取信號為輸入，使用LS-SVM建立非線性系統模型并輸出故障類型,通過輸出反饋和偏差校正減少預測誤差,由PSO滾動優化獲得非線性系統的控制量.該方法能在非線性系統數學模型未知的情況下設計出有效地準確判斷出故障模式。

發明內容

本發明為了解決上述技術問題，提供了一種基于粒子群優化支持向量機的電機故障模式診斷方法，其在保證準確率的同時，大大縮短時間，以確保及時發現電機故障，使安全穩定運行。

本發明通過下述技術方案實現：

基于小波分析和粒子群優化支持向量機的電機故障模式診斷方法，依次包括以下步驟：

(1)分別選取正常、轉子不對中、軸承碰摩三類電機狀態的振動信號，提取不同狀態下的N個范圍頻帶振動信號分別進行小波分析，其中，N為大于1的自然數。

(2)構造空間輸入向量：提取不同狀態下小波分解后的頻帶信號總能量作為特征數據，構造特征輸入向量作為訓練集和測試集。

(3)建立支持向量機模型：建立粒子群優化(PSO)最小二乘支持向量機(LS-SVM)。

(4)基于PSO的LS-SVM故障診斷模型，將特征信號的一部分作為訓練樣本，將剩余特征信號作為測試樣本進行驗證，對電機的相關故障進行診斷。