基于稀疏分解与邻域蜂群算法的电机故障诊断方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115015752A(43)申请公布日2022.09.06(21)申请号202210618232.8(22)申请日2022.06.01(71)申请人淮阴工学院地址223000江苏省淮安市经济技术开发区枚乘东路1号(72)发明人戴峻峰常波(74)专利代理机构淮安市科文知识产权事务所32223专利代理师吴晶晶(51)Int.Cl.G01R31/34(2006.01)G06K9/00(2022.01)G06K9/62(2022.01)G06N3/00(2006.01)G06N3/08(2006.01)权利要求书5页说明书15页附图7页(54)发明名称基于稀疏分解与邻域蜂群算法的电机故障诊断方法(57)摘要本发明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‑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，从过完备字典中选择若干最优原子线性组合；利用经验模态分解，将给定的信号分解为若干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；基于聚类型欧氏距离判定方法特征选取；利用方形邻域选择人工蜂群算法完成对电机信号特征因子的排序；通过径向基分类器对电机故障进行分类识别。与现有技术相比，本发明针对直流电机轴承故障、定子绕组故障和转子故障，能够实现电机的自主故障诊断。CN115015752ACN115015752A权利要求书1/5页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，fi为待分解信号，F＝{f1，f2，...fn}为待分解信号矩阵，m为所选原子的个数，D＝{d1，d2，...dn}为过完备字典，di为所选原子，xi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xi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xi中非零元素的数目，X＝{xi}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，di>|(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2CN115015752A权利要求书2/5页在于，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＝CNf(7)CN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