[发明专利]一种基于VMD与胶囊网络的电机故障程度识别方法

权利要求书

1.一种基于VMD与胶囊网络的电机故障程度识别方法，其特征在于，包括下述步骤：

步骤一：获取定子绕组三相接线端电流数据，对数据添加标签，将数据划分为训练集和测试集；

步骤二：对数据进行信号预处理；

步骤三：建立胶囊网络，对其进行训练；

步骤四：将测试数据输入训练好的VMD胶囊网络，获取诊断结果。

2.根据权利要求1所述的一种基于VMD与胶囊网络的电机故障程度识别方法，其特征在于，步骤二中对数据进行预处理，为对信号进行归一化处理，消除数量级的影响，将归一化的信号由子序列划分，使用变分模态分解算法对子序列进行处理，生成若干限带本征模式序列，并构造多维限带本征模态函数矩阵，每个限带本征模态函数作为矩阵的一个行向量，VMD方法具体分解过程如下：1)初始化ak、wk、λ和m＝0；2)m＝m+1,进入循环；3)根据ak和wk的更新公式进行更新，直到分解个数达到K时停止内循环；4)根据λ的更新公式更新λ；5)给定精度δ，若满足停止条件，迭代停止，整个循环结束，输出K个窄带IMF分量。

3.根据权利要求1所述的一种基于VMD与胶囊网络的电机故障程度识别方法，其特征在于，步骤三中构建胶囊神经网络，设置迭代次数，计算预测向量，应用一个转换矩阵w_ij将输入f_i通过公式f_ji＝w_ij·f_i转换为预测向量；通过动态路由算法实现从主胶囊层到数字胶囊层；采用RAdam优化器对最终损失进行优化；采用自编码器进行重构。

4.根据权利要求1所述的一种基于VMD与胶囊网络的电机故障程度识别方法，其特征在于，步骤四中将带预测故障数据使用归一化以及变分模态分解进行数据预处理，输入搭建好的胶囊神经网络进行故障程度诊断，通过判断胶囊向量最大的模长对应的索引值，判断出电机故障程度。

5.根据权利要求1所述的一种基于VMD与胶囊网络的电机故障程度识别方法，其特征在于，采用先进的胶囊神经网络结合变分模态分解建立神经网络模型，以及采用最新提出的RAdam优化器对损失函数进行优化，该方法鲁棒性好，准确率高，收敛速度快。