[發明專利]一種電機故障診斷方法、系統及設備

在審

• 申請號: 202110939590.4
• 申請日: 2021-08-16
• 公開（公告）號: CN113705396A
• 公開（公告）日: 2021-11-26
• 發明（設計）人: 劉凌;楊宇辰
• 申請（專利權）人: 西安交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08;G06T3/40
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 房鑫

1.一種電機故障診斷方法，其特征在于，包括以下步驟：

獲取待測試電機的時序信號；

對待測試電機的時序信號進行時頻變換，得到時序信號的能量特征指標，作為待測試電機的實值樣本；

對待測試電機的實值樣本進行量子態描述，得到量子態描述的實值樣本；

將量子態描述的實值樣本輸入至預設的電機故障診斷模型，輸出得到待測試電機的故障診斷結果。

2.根據權利要求1所述的一種電機故障診斷方法，其特征在于，待測試電機的時序信號包括待測試電機運行時的三軸加速度信號、電流信號及電壓信號。

3.根據權利要求1所述的一種電機故障診斷方法，其特征在于，對待測試電機的時序信號進行時頻變換，得到時序信號的能量特征指標的過程，具體如下：

采用改進的經驗模態分解方法，對待測試電機的時序信號進行時頻變換，得到時序信號的能量特征指標。

4.根據權利要求1所述的一種電機故障診斷方法，其特征在于，采用量子態描述公式對待測試電機的實值樣本進行量子態描述，得到量子態描述的實值樣本；其中，量子態描述公式如下：

|X＝[|x₁，|x₂，…，|x_i，…，|x_d]^T

其中，X為待測試電機的實值樣本，x_i為待測試電機的實值樣本中的第i維特征；|X為量子態描述的實值樣本，|x_i為待測試電機的實值樣本第i維特征的量子態描述，d為待測試電機的實值樣本的總維數。

5.根據權利要求1所述的一種電機故障診斷方法，其特征在于，預設的電機故障診斷模型為采用改進的麻雀搜索算法優化后的量子衍生概率神經網絡模型；其中，改進的麻雀搜索算法為采用反向學習策略和高斯擾動對麻雀搜索算法進行改進得到。

6.根據權利要求5所述的一種電機故障診斷方法，其特征在于，采用改進的麻雀搜索算法對量子衍生概率神經網絡模型的訓練優化過程，具體如下：

獲取與待測試電機同類型電機的歷史時序信號；

對該同類型電機的歷史時序信號進行時頻變換，得到歷史時序信號的能量特征指標，作為歷史值樣本；

對歷史值樣本進行量子態描述，構建量子態描述的歷史值樣本集；并將量子態描述的歷史值樣本集劃分為訓練集和測試集；

構建量子衍生概率神經網絡模型，并初始化概率神經網絡模型的平滑因子向量；

基于訓練集利用改進的麻雀搜索算法，對量子衍生概率神經網絡模型的平滑因子向量進行尋優，并利用測試集對尋優后的平滑因子向量進行評價，得到最優的平滑因子向量；

將最優的平滑因子向量代入概率神經網絡模型，得到優化后的量子衍生概率神經網絡模型。

7.根據權利要求6所述的一種電機故障診斷方法，其特征在于，利用改進的麻雀搜索算法，對量子衍生概率神經網絡模型的平滑因子向量進行尋優的過程，具體如下：

建立麻雀搜索算法尋優模型；

將量子衍生概率神經網絡的平滑因子向量作為種群個體，并初始化個體位置；設定種群規模、迭代次數、警戒閾值、警戒者比例及發現者比例；

將測試集中測試樣本錯分的個數與測試集中測試樣本的總個數的比值作為麻雀搜索算法尋優模型的適應度函數，遍歷計算個體的適應度，并將種群中所有個體按照適應度進行排序；

選取預設比例的適應度最優個體作為發現者集合，剩余個體作為跟隨者；

在種群中隨機選取預設比例的個體作為警戒者集合，負責偵查預警行為；

利用對立點機制生成發現者反向個體集合；通過反向學習策略對發現者反向個體集合與發現者集合進行對比，通過適應度擇優，代替原發現者集合，得到精英集合；

更新發現者、跟隨者及警戒者的位置；

利用種群高斯擾動策略，對種群中的個體進行高斯擾動，得到擾動后的種群；并將算法迭代次數+1；

判斷算法當前迭代次數是否達到預設最大迭代次數，若滿足，則輸出最優個體及其適應度；否則返回繼續迭代尋優。