欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020109683381
申请人: 湖南科技大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于转矩信号模糊智能学习的PMSM退磁故障诊断方法,其特征在于:包括以下步骤:(1)采集永磁同步电机PMSM不同退磁故障下的转矩脉动信号;

(2)计算采集到的所有转矩脉动信号的模糊隶属度;

(3)利用小波包分解对采集到的转矩脉动信号进行分解与重构,得到一系列小波包系数;

(4)计算所得小波包系数的能量,构造具有模糊隶属度的特征向量样本集,并划分训练集和测试集;

(5)构造模糊极限学习机FELM,并将训练集输入FELM进行训练;

所述步骤(5)中,模糊极限学习机FELM是在极限学习机ELM中融入模糊理论,将输入样本模糊化;构造模糊极限学习机FELM的具体过程为:(5‑1)对于一个有u个输入节点,L个隐含层节点,v个输出层节点的单隐层前馈神经网络,假设有M个样本{(X1,Y1),(X2,Y2),…,(XM,YM)},Xτ为第τ个样本,Yτ为样本Xτ对应的标签,τ=1,2,…,M,则神经网络第τ个样本的输出yτ为:其中,βμ为第μ个隐含层神经元到输出层的权重向量,Wμ为输入层到第μ个隐含层神经元的权重向量,bμ为第μ个隐含层神经元的偏置,μ=1,2,…,L,G为激活函数,Wμ·Xτ表示Wμ和Xτ的内积;

(5‑2)对于每一个样本Xτ,网络的输出误差最小,即:因此,为使总的输出误差最小,神经网络的目标函数表示为:(5‑3)上式转化为:

Hβ=O

其中,H为隐含层的输出矩阵,β为隐含层到输出层的权重矩阵,O为期望输出,且:其中,βL′表示βL的转置,y′M表示yM的转置;

(5‑4)由于Wμ和bμ被ELM随机初始化并固定,所以β的最优解 也被唯一确定为:+

其中,H为H的广义逆;

(5‑5)通过上式求解得出:

其中,H′表示H的转置,C表示惩罚因子;

(5‑6)融入模糊理论的β求解目标为:

其中,S为归一化后的模糊隶属度;

(6)将测试集输入训练好的FELM,并计算分类精度。

2.根据权利要求1所述的基于转矩信号模糊智能学习的PMSM退磁故障诊断方法,其特征在于,所述步骤(1)中,转矩脉动信号为D={(x1,t1),(x2,t2),…,(xN,tN)},其中xi为第i个转矩脉动信号,ti为xi对应的退磁故障类别,ti=a,a=1,2,…,A,A为故障类别数,i=1,

2,…,N,N为转矩信号样本数。

3.根据权利要求2所述的基于转矩信号模糊智能学习的PMSM退磁故障诊断方法,其特征在于,所述步骤(2)中,模糊隶属度指将不同故障转矩脉动信号映射到同一个[0,1]区间内,来表示转矩脉动信号的倾向性;步骤(2)具体步骤为:(2‑1)对所有故障转矩脉动信号D分别进行快速傅里叶变换FFT,得到转矩信号的频谱;

(2‑2)按照下式计算转矩信号的模糊隶属度S(x):其中,z为转矩脉动信号频谱分量数值均值平方的倒数,且 为频谱上第j个频率点的频率值,j=1,2,…,n,n为频谱上所有频率点的个数;f为不同故障状态下转矩信号对应频谱的频率,且按照以下原则选取:对正常状态下的信号选取其基频频率的最高值,对退磁故障状态下的信号选取其高频谐波频率的最高值;

(2‑3)把f与z带入隶属度计算公式,得到所有转矩信号的模糊隶属度为:S(x)=[S1,S2,…,SN]

其中,Si为第i个转矩脉动信号对应的模糊隶属度,i=1,2,…,N;

(2‑4)对所有隶属度进行归一化:

其中, 为所有转矩脉动信号模糊隶属度的总和,S为归一化后的模糊隶属度,si为第i个转矩脉动信号对应的归一化的模糊隶属度。

4.根据权利要求3所述的基于转矩信号模糊智能学习的PMSM退磁故障诊断方法,其特征在于,所述步骤(3)中,第r+1层小波包分解递推公式如下:其中, 表示第r+1层第2k个子频带的小波包系数序列, 表示第r+1层第

2k+1个子频带的小波包系数序列,q表示其长度; 表示第r层第k个子频带的小波包系数序列,m表示其长度;h与g分别为小波包分解的低通、高通滤波器系数;

小波包重构的递推公式为:

其中, 与 分别是小波包重构的低通、高通滤波器系数。

5.根据权利要求4所述的基于转矩信号模糊智能学习的PMSM退磁故障诊断方法,其特征在于,所述步骤(4)具体步骤为:(4‑1)对转矩脉动信号进行p层小波包分解与重构,并对重构得到的第p层第l组小波包系数进行能量计算:Ep,l表示重构得到的第p层第l组小波包系数的能量, 表示第p层第l个子频带的小波包系数序列,b表示该小波包系数序列的长度;

则得到转矩脉动信号特征向量T为:

(4‑2)对T进行归一化:

E表示小波包系数的能量, 表示归一化的转矩脉动信号特征向量,则具有模糊隶属度的特征向量样本集为 为第i个归一化的特征向量样本;

(4‑3)将具有模糊隶属度的特征向量样本集划分为训练集和测试集。

6.根据权利要求5所述的基于转矩信号模糊智能学习的PMSM退磁故障诊断方法,其特征在于:所述步骤(6)中,分类精度CA定义为:其中, 为FELM进行故障诊断时第ρ个样本xρ预测的标签,tρ为xρ的真标签,ρ=1,2,L,Ρ,Ρ为诊断样本总数;当 等于tρ时, 为1;当 不等于tρ时, 为0;

为诊断正确的数量。