技术特征：
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。
技术总结
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。收敛速度快。收敛速度快。
技术研发人员：易灵芝 龙娇 徐秀 陈智勇 兰志勇 陈才学
受保护的技术使用者：湘潭大学
技术研发日：2021.09.18
技术公布日：2022/1/28