[发明专利]基于纠错输出编码支持向量机的电机故障诊断方法和系统

说明书

本发明提供了一种基于纠错输出编码支持向量机的电机故障诊断方法和系统，该方法通过获取交流电机的振动信号，通过小波包分解与重构提取所述振动信号的特征向量；将所述振动信号的特征向量作为目标纠错输出编码支持向量机的输入，得到与所述振动信号的特征向量对应的输出向量；将所述输出向量与用于指示故障类别标签对应的二值编码向量进行对比，以判断电机的故障类型。从而解决了传统电机故障诊断方法自主学习能力弱，单独分类器诊断分类能力不足的问题，诊断精度高。

技术领域

本发明涉及电机诊断技术领域，具体地，涉及基于纠错输出编码支持向量机的电机故障诊断方法和系统。

背景技术

随着科学技术的进步发展，三马力交流电机在社会生产和日常生活中起着举足轻重的作用。随着工业生产的不断大规模化，生产设备不断向着高速化、大规模化、复杂化、自动化的方向发展。因此，电机一旦发生故障，可能破坏整个工业链的生产进行，损失是不可估量的。所以，对电机进行故障诊断有着很重要的意义。

现有技术中常见的故障诊断方法主要有以下几种：

方法1：喻绍喆等人在《基于贝叶斯网络的电机故障诊断方法研究》中分别阐述了决策树和贝叶斯网络的基本思想和相关算法，通过决策树-贝叶斯网络的转化方法来得到各个故障节点之间的条件概率分布，获得电机故障诊断结果。实验结果表明了随着样本数量的不断增加，电机故障诊断的准确率也不断提高。但是方法1作为评判准则的准确率是受样本数量控制的，在小样本下准确率在60％左右，在大样本下是比较适合的，具有一定的局限性。

方法2：李海等人在《基于EMD和特征融合的电机故障诊断》中基于固有模态函数和特征融合技术相结合的特征向量构造方法，通过1-a-1支持向量机的分类方法对电机故障进行诊断分类，其基本思想是：对k个类别的分类问题，每次仅对k类中的两类进行分类。因此需要建立k(k-1)/2个子分类器，最后输出综合这些2类分类器的结果，应用“投票法”，得票最多的类为新样本所属的类别。方法2中每个支持向量机的训练速度都会随着训练样本数的增加而急剧减慢，因此这种算法的效率相对较低，在求解一个优化问题的过程中需要同时求解n个SVM分类器，因为变量数过多，所以就被限制在小样本问题中求解使用，同时在每个支持向量机进行划分超平面时会存在不可分区域。

方法3：朱文等人在《基于神经网络专家系统的电机故障诊断研究》中对领域专家提供的大量故障实例进行学习，自动从领域专家的事例中提取知识，知识也隐含地分布储存在神经网络中，一定程度上克服了传统专家系统研制中存在的知识获取瓶颈的问题。但方法3存在一些局限性：专家系统的建立主要还是依靠该领域专家们的实例，很难建立起比较完善的知识库。而神经网络在对样本进行获取时，选取sigmoid函数作为激励函数时，随着迭代次数的增加，在进行反向传播更新权重时，对sigmoid函数对应的权重求导时可能会陷入“平缓化”，即sigmoid函数的导数对应的斜率接近为0，权重此时无法更新，前向传播时损失函数会稳定在某个值无法下降，可能会对最终的测试结果造成较大的误差，影响最终诊断效果。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于纠错输出编码支持向量机的电机故障诊断方法和系统。

第一方面，本发明提供一种基于纠错输出编码支持向量机的电机故障诊断方法，包括：

获取交流电机的振动信号，通过小波包分解与重构提取所述振动信号的特征向量；

将所述振动信号的特征向量作为目标纠错输出编码支持向量机的输入，得到与所述振动信号的特征向量对应的输出向量；

将所述输出向量与用于指示故障类别标签对应的二值编码向量进行对比，以判断电机的故障类型。

可选地，在将所述振动信号的特征向量作为目标纠错输出编码支持向量机的输入，得到与所述振动信号的特征向量对应的输出向量之前，还包括：