[发明专利]基于多模态PSO搜索MUSIC的感应电机断条检测方法

权利要求书

1.一种基于多模态PSO搜索MUSIC的感应电动机转子断条故障检测方法，其特征在于：将感应电机的实测电流信号作为观测数据，利用多重分类（MUSIC）算法构建噪声子空间和谱峰搜索适应度函数，然后利用多模态骨干微粒群优化算法（多模态PSO）搜索所有谱峰，实现信号各个分量的频率估计，根据电机转速和估计出的频率值判断电机是否处于故障状态，该方法具体步骤如下：

步骤1：测取任意一相定子电流瞬时信号y(n)，数据长度为N；

步骤2：基于M个阵元构建M×N的矩阵，并保证M远大于信号个数P，求取自相关矩阵；

步骤3：将自相关矩阵R_yy进行特征值分解，生成信号子空间S和噪声子空间G；

步骤4：利用噪声子空间G和信号频率向量e(f_i)构建适应度函数；

步骤5：对信号频率向量中的f_i进行实数编码形成种群微粒，利用多模态PSO在频率可行域内进行多谱峰搜索，估计出信号的各个分量的频率值;

步骤6：根据电机转速确认电流信号中是否存在(1±2s)f₁频率分量；如果有，则电机处于断条故障状态；如果没有，则电机处于健康状态。

2.根据权利要求1所述的一种基于多模态PSO搜索的MUSIC频谱估计方法，其特征在于，所述步骤5中的多模态PSO的具体步骤如下：

5.1：算法初始化；

5.2：利用适应度函数，计算每个微粒的适应值；

5.3：更新微粒个体极值；

5.4：更新/确定物种种子；

5.5：计算微粒到各个种子的距离，确定微粒的归属；

5.6：更新微粒位置x_i，其中每个微粒的第j维位置更新公式：；式中N(∙)表示高斯分布；是高斯分布的均值；是高斯分布的标准差；

5.7：若满足停止条件，搜索停止，输出所有全局最优位置和全局最优适应值；否则，返回步骤5.2继续搜索。

3.根据权利要求2所述的多模态PSO，其特征在于，所述5.1中的算法初始化具体包括：随机产生微粒的位置，计算每个微粒适应度值，并将这两者初始化个体极值，设置算法所需参数，包括种群规模、最大迭代代数和物种相似度阈值σ^*。

4.根据权利要求2所述的多模态PSO，其特征在于，所述步骤5.3中个体极值更新方式：将每个微粒当前位置的适应度值与原个体极值比较，如果当前位置更佳则取代原个体极值，否则个体极值保持不变。