[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

说明书

本发明涉及一种基于VMD与胶囊网络的电机故障程度识别方法。首先对变分态分解、胶囊网络和RAdam优化器进行了简单介绍，然后对本发明实现过程进行了详细的说明，该方法包括如下步骤：(1)数据采集。采集电流信号，对不同故障程度添加标签，将数据集划分为训练集和测试集(2)信号预处理。使用归一化以及变分模态分解对数据进行预处理(3)建立胶囊网络。利用训练样本进行训练(4)进行故障程度诊断。将待诊断的电机电流信号进行预处理输入到训练完成的胶囊网络中，输出电机的故障程度。本发明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，本方法鲁棒性好，准确率高，收敛速度快。

技术领域

本发明涉及一种异步电机故障程度识别的新方法，具体涉及一种基于变分模态分解(Variational Mode Decomposition，VMD)与胶囊网络的电机故障程度识别方法。

背景技术

三相异步电机结构简单、维护方便、可靠性高等特点被广泛应用到工业生产中。但由于电机的长期运行，电机中的一些部件会逐渐劣化，容易引起故障，电机的故障不仅可能会对整个电机本身造成伤害，而且会造成整个系统的不稳定，甚至会造成安全隐患。因此，如何有效地早期诊断电机是否存在故障并防止故障扩大，保证设备安全稳定运行十分必要且具有重要意义，作为各行业机械设备中广泛采用的动力元件，异步电动机的工作状况直接影响着机械设备的正常工作或生产过程的正常运行，对电动机进行合理适当的维护、故障处理及维修是提高电动机的利用率、工作可靠性、最大限度地发挥电动机动力性。

发明内容

本发明的目的是为了解决传统异步电机故障分析存在鲁棒性较差，错误识别率较高等问题，提出了基于VMD与胶囊网络的电机故障程度识别方法。本文主要针对异步电机中不同程度故障进行研究。首先采集异步发电机的正常数据和不同程度故障数据，利用变分模态分解对数据进行预处理，建立胶囊网络模型，利用训练样本对其进行训练，使其能对测试数据进行故障程度识别。

创新点：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。

为实现上述的目的，本发明采用如下技术方案：

一种基于VMD与胶囊网络的电机故障程度识别方法。它包括数据预处理模块、变分模态分解、胶囊神经网络。其中，数据预处理是将采集到的原始电流信号数据归一化处理，消除数量级的影响，变分模态分解是为了进行去噪处理，胶囊网络模型用于判断电机故障程度，该模型用自编码器对网络进行重构，选择边缘损失作为模型的优化目标。

本发明主要利用如下技术：

1.变分模态分解

变分模态分解是一种新的信号分解估计方法，其整体框架是变分问题，使得每个模态的估计带宽之和最小，其中假设每个模态是具有不同中心频率的有限带宽，为解决这一变分问题，采用了交替方向乘子法，不断更新各模态及其中心频率，逐步将各模态解调到相应的基频带，最终各个模态及相应的中心频率被一同提取出来。能有效避免模态混叠、过包络、欠包络、边界效应等问题，具有较好的复杂数据分解精度及较好的抗噪声干扰等优点。

VMD的分解过程是变分问题的求解过程，该算法可分为变分问题的构造和求解，其中涉及了3个重要概念：经典维纳滤波、希尔伯特变换和频率混合。

调频信号公式如下：

中心频率公式如下：

拉格朗日乘数公式如下：

停止条件公式如下：