基于k均值的RBF神经网络算法的电机故障诊断方法
【技术领域】
[0001] 本发明设及电机故障诊断领域，更具体地说，本发明设及一种基于k均值（k-means)的RBF(Radia 1 Bas i S F^mct ion:径向基函数）神经网络算法的电机故障诊断方法。
【背景技术】
[0002] 电机是现代生产中的重要电气设备，在运转过程中会发生不同程度的振动。当电 机稳定运行时，振动都有一种典型特性和一个允许限值。但是，当电机内部出现故障，例如， 机械故障、转动部分不平衡或电磁等方面的原因，就会引起电机不稳定的振动。运些振动故 障对电机的危害很大，会降低电机的使用寿命，对生产造成重大影响。
[0003] 近年来对于电机故障诊断技术国内外开展了广泛的研究，主要方法主要有W下几 种：
[0004] 1、基于信号变换的诊断方法。运种方法至今仍然是处理大量现场振动故障的主要 方法。采用如便携式测振仪等设备拾取信号，并直接由信号的某些参数或统计量构成诊断 指标，根据对诊断指标的分析W判定设备的运行状态是正常或是异常。此种诊断方法受人 为因素的影响过大，其诊断的可靠性和效率受到较大限制。
[0005] 2、基于专家系统的诊断方法。此方法根据被诊断系统的专家W往积累的经验，将 其归纳成规则，使系统仿真专家推理分析问题和解决问题，从而进行故障诊断。它至少由知 识库、推理机、人机接口Ξ部分组成。但专家系统还是存在着一些自身无法克服的弱点，例 如专家系统的知识库和知识推理过于刚性;难W诊断多重故障；诊断准确率的高低主要取 决于知识库中知识的多少和正确率的高低，有时不同的专家系统可能给出互相矛盾的诊断 结果;且存在着获取知识的瓶颈等等。
[0006] 3、基于模糊理论的诊断方法。在故障诊断领域，模糊属性常常出现，如对征兆的描 述:溫度"偏高"，振动"厉害"等都具有模糊特性。基于模糊理论的诊断方法在一定程度上模 拟人的诊断，利用隶属函数和模糊规则，进行模糊推理就可W实现模糊诊断的智能化。但 是，复杂的诊断系统其模糊诊断知识获取困难，尤其是正确的模糊规则和隶属函数较难确 定，且系统的诊断能力依赖模糊知识库，学习能力差，容易发生漏诊和误诊。
[0007] 4、基于人工神经网络(ANN:Adificial化ural化twork)的诊断方法。人工神经 网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的数学模型。运种网络 依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的 目的。人工神经网络(ANN)具有良好的容错性和非线性特性，信息分布储存、响应速度快，并 且具有自适应学习等一系列优点，是近年来受到广泛重视的一种新型技术。但是，ΑΓ^Ν在故 障诊断中应用亦存在一定的问题，主要是ANN在使用之前需要大量的有代表性的样本供其 学习。
【发明内容】
[000引本发明所要解决的技术问题是针对现有技术中存在上述缺陷，提供一种基于k均 值聚类的RB巧巾经网络算法的电机故障诊断方法，能够有效地检测出机械故障、转动部分不 平衡或电磁等方面的原因所引起的电机的不稳定振动，能准确、有效识别出电机的各种典 型故障。
[0009] 为了实现上述技术目的，根据本发明，提供了一种基于k均值的RB巧巾经网络算法 的电机故障诊断方法，包括：
[0010] 第一步骤:根据k均值聚类算法提取出电机的故障样本集，并利用故障样本集使 RB巧申经网络开始学习训练；
[0011]第二步骤:当RB巧申经网络训练完成W后，使得各个隐节点的数据中屯、相应的输出 权值不再改变，随后使RB巧巾经网络进入工作状态；
[0012] 第Ξ步骤:使得电机测试数据经过归一化处理；
[0013] 第四步骤:将归一化处理后的电机测试数据传递至RB巧巾经网络W形成故障征兆， 然后将故障征兆传递给RB巧巾经网络；
[0014] 第五步骤:将传递进来的故障征兆与RB巧巾经网络中记录的故障特征进行比较；
[0015] 第六步骤:在传递进来的故障征兆与RB巧巾经网络中记录的特定故障特征之间的 相似度大于预定阔值时，RB巧巾经网络输出与特定故障特征对应的故障类型。
[0016] 优选地，已训练完成的R邸神经网络中的数据中屯、和连接权值记录了故障特征。
[0017] 与其它方法相比较，本发明具有泛化性能好、学习训练速度快、网络结构稳定、诊 断结果正确率高等优点。
【附图说明】
[0018] 结合附图，并通过参考下面的详细描述，将会更容易地对本发明有更完整的理解 并且更容易地理解其伴随的优点和特征，其中：
[0019] 图1示意性地示出了根据本发明优选实施例的基于k均值的RB巧申经网络算法的电 机故障诊断方法的流程图。
[0020] 需要说明的是，附图用于说明本发明，而非限制本发明。注意，表示结构的附图可 能并非按比例绘制。并且，附图中，相同或者类似的元件标有相同或者类似的标号。
【具体实施方式】
[0021] 为了使本发明的内容更加清楚和易懂，下面结合具体实施例和附图对本发明的内 容进行详细描述。
[0022] 图1示意性地示出了根据本发明优选实施例的基于k均值的RB巧申经网络算法的电 机故障诊断方法的流程图。
[0023] 如图1所示，根据本发明优选实施例的基于k均值聚类算法的RB巧巾经网络算法的 电机故障诊断方法包括：
[0024] 第一步骤S1:根据k均值聚类算法提取出电机的故障样本集，并利用故障样本集使 RB巧申经网络开始学习训练；
[0025] 第二步骤S2:当RB巧巾经网络训练完成W后，使得各个隐节点的数据中屯、相应的输 出权值不再改变，随后使RB巧申经网络进入工作状态;其中，已训练完成的RB巧申经网络中的 数据中屯、和连接权值记录了故障特征；
[00%]第Ξ步骤S3:电机测试数据经过归一化处理；
[0027] 第四步骤S4:将归一化处理后的电机测试数据传递至RB巧巾经网络W形成故障征 兆(或故障表征），然后将故障征兆(或故障表征)传递给RB巧巾经网络；
[0028] 第五步骤S5:将传递进来的故障征兆(或故障表征）与RB巧巾经网络中记录的故障 特征进行比较；
[0029] 第六步骤S6:在传递进来的故障征兆（或故障表征）与RB巧巾经网络中记录的特定 故障特征比较接近(例如相似度大于预定阔值)时，RB巧巾经网络输出与特定故障特征对应 的故障类型。
[0030] k均值聚类算法是基于线性学习规则的无监督方案，因此可W保证快速的收敛。
[0031] <聚类中屯、及宽度的算法〉
[0032] 下面具体描述本发明优选实施例采用的聚类中屯、及宽度的算法的示例。
[0033] 设置迭代次数k，获取第k次迭代时的聚类中屯、C1化），C2化），-'，(3。化），相应的聚类 域为W1化），W2化），···，Wm化），k均值聚类算法过程如下：
[0034] (1)从输入样本中随机