[发明专利]基于Fisher判别的电机SOM聚类退化状态评估方法

摘要

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。

主权项

1.一种基于Fisher判别的电机SOM聚类退化状态评估方法，其特征在于：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，分别构建故障样本集、非故障样本集以及标准正常样本集；步骤2、对故障样本集、非故障样本集以及标准正常样本集进行特征表示，计算能有效表征电机电信号的特征统计量，并融合特征统计量，构建维数相同的电机故障特征样本集、非故障特征样本集以及标准正常特征样本集，从而剔除样本集中不必要的原始信息；步骤3、使用Fisher判别方法计算分析故障特征样本集中不同故障模式数据之间Fisher判别值、不同故障模式数据与标准正常特征样本集数据的Fisher判别值；针对得到的Fisher判别值，采取“过半选择”的方式，得到能有效表示电机故障的特征维度；步骤4、使用Fisher判别方法进一步计算分析故障特征样本集中不同故障模式的各维度数据，得到电机的退化状态评估指标；步骤5、根据Fisher判别得到的有效故障特征维度，对非故障特征样本集进行降维处理；进一步，采用降维方法对非故障特征样本集继续进行降维处理，得到低维输入样本集；步骤6、使用SOM神经网络、FCM以及K‑means方法对低维输入样本集进行多次数无监督聚类学习，将三种方法得到的各次聚类学习结果进行汇总，构建退化态聚类频谱；步骤7、运用退化态选择策略对所有样本的退化态聚类频谱进行分析，得到电机设备的多类退化状态及所属样本集；步骤8、使用多类退化状态样本集生成一维退化状态评估指标分布图，根据分布图对各退化态的评估指标属性值及分布趋势进行分析，评估各退化状态之间可能存在的关联关系；步骤9、对可能存在关联关系的退化状态样本集数据进行分析，计算备选关联退化态特征样本集中各退化态、标准正常特征样本集、故障特征样本集中各故障模式数据的评估指标平均值；计算各备选关联退化态样本与标准正常样本的欧式距离；计算各故障样本与标准正常样本的欧式距离，以生成二维退化状态评估指标对比图；使用对比图对备选关联退化态的关联关系、关联退化态与故障状态之间的演化关系进行评估，确定关联退化态随时间积累而最终演化的故障状态，从而得到电机有效的退化状态；步骤10、使用关联退化态特征样本集、故障特征样本集以及标准正常特征样本集数据生成三维特征空间分布图，通过显现空间内各类型数据点集间的距离与分布，更为直观地表示关联退化态、故障以及标准正常样本间的关系；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，该方法基于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；然后对电信号非故障数据进行降维处理，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，采用以SOM神经网络为主，FCM与K‑means为辅的方法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，依次使用一维‑二维‑三维评估图对多类型退化状态进行评估分析，得到有效类型的退化状态，从而完成对电机设备退化状态的识别与评估。