[发明专利]基于Fisher判别的电机SOM聚类退化状态评估方法

说明书

一种基于Fisher判别的电机SOM聚类退化状态评估方法，步骤如下：1、收集并构建电机各类别样本集；2、对各类别样本集进行特征表示；3、使用Fisher判别方法分析样本集，得到表示故障的特征维度；4、分析故障特征集Fisher判别值，得到退化评估指标；5、对非故障特征集进行降维，得到低维样本集；6、对低维样本集进行SOM聚类，构建退化频谱；7、分析退化频谱，得到多类退化态及所属样本集；8、分析退化态的评估指标，得到备选退化态；9、计算备选退化态与其余类别特征集的评估值，判断有效退化态；10、显现各类别数据的空间分布，直观地表示各类别样本的关系；通过上述步骤，能实现基于Fisher判别的电机SOM聚类退化状态评估方法，完成对电机退化状态的评估。

技术领域

本发明提供一种基于Fisher判别的电机SOM聚类退化状态评估方法，它涉及一种基于Fisher判别的电机SOM聚类退化状态评估方法的实现，属于可靠性、故障诊断工程技术领域。

背景技术

电机作为一种重要的机电类设备，在工业领域内得到了广泛应用，其性能的良好与否，直接影响着系统整体的可靠性。一旦电机出现故障不仅会降低工作效率，还会造成经济损失及安全事故。因此亟需深入开展电机设备的故障诊断研究，保证其运行的可靠性。退化状态是电机在工作过程中，产生的一种介于正常与故障之间的状态，该状态会随着时间的积累而逐渐劣化，最终演化成故障状态。尽管退化状态不是导致设备故障的根本原因，但却会增加设备故障的可能性，因此有必要针对设备进行退化状态的挖掘工作，评估并识别出其潜在的退化状态，预防故障的发生。本发明提出了一种基于费希尔(Fisher)判别的电机SOM聚类退化状态评估方法。该方法首先使用Fisher判别方法对电机的多维故障样本进行分析，提取出能有效表征设备故障的特征维度及退化状态评估指标。其次采用自组织映射(Self Organizing Maps，简称SOM)神经网络等相关聚类方法对已处理的非故障样本进行无监督学习，获取样本的退化态聚类频谱。再次运用退化态选择策略对样本频谱进行分析，得到多类型退化状态样本集。最后根据评估指标从不同角度对退化态样本进行分析，获得电机设备有效的关联退化状态。

该方法基于Fisher判别和SOM技术，融合故障分析与故障处理等相关理论、方法和技术进行实现，在提高电机设备维护性的同时，达到提高复杂设备可靠性、安全性、可用性的目的。

发明内容

(一)本发明目的

目前针对电机设备的退化状态挖掘方法，尽管能够得到多类型的退化状态数据，但却包含了许多无效的退化态类型，无法用于设备的故障预防与识别工作中，对故障诊断的执行效率造成较为严重的影响。因此本发明将克服现有技术的不足，提供一种基于Fisher判别的电机SOM聚类退化状态评估方法。该方法使用Fisher判别方法对电机设备的电信号多维故障数据进行分析，得到能有效表征电机故障的特征维度及退化状态评估指标。然后利用有效故障特征维度，结合相关降维方法对电信号非故障数据进行处理，获取用于聚类学习的低维输入样本集。在此样本集的基础上，采用SOM神经网络、模糊C均值(FuzzyC-Means，简称FCM)以及K均值(K-means)等方法进行无监督学习，生成退化态聚类频谱，并运用退化态选择策略操作退化频谱，获得多类型退化状态样本集。最后，通过退化状态评估指标从不同角度分析退化态样本数据，得到有效类型的退化状态，用于设备的故障预防与诊断。这一方法不仅可以对复杂设备的退化状态进行挖掘与识别，还能对退化状态进行评估，为故障诊断领域提供了一种新的解决方法，并对现有的故障模式识别方法进行了创新。

(二)技术方案

本发明一种基于Fisher判别的电机SOM聚类退化状态评估方法，其步骤如下：

步骤1、收集电机设备的电信号故障样本数据、非故障电信号样本数据以及正常电信号样本数据，分别构建故障样本数据集、非故障样本数据集以及标准正常样本数据集；