CN114839531B 基于组群式稀疏自编码及群智能的电机故障检测方法 （淮阴工学院）

基于组群式稀疏自编码及群智能的电机故本发明公开了一种基于组群式稀疏自编码电机故障信号2）建立一种组群式稀疏自编码征提取网络对原始输入电机故障数据进行特征对基于组群式稀疏自编码器实现框架网络提取2步骤2，建立一种组群式稀疏自编码器(GSAE)实现框架，并使用Majorization-Minimization(M-M)方法求解，利用该稀疏特征提取网络对原始输入电机故障数据进行特述SS-PSO算法通过随机方式使用其他子群最优位置gbest，并保留每个子群自身最优位置i步骤4，建立SS-PSO-ANN深度分类器模型，利用改进粒子群算法32.根据权利要求1所述的基于组群式稀疏自编码及群智能的电机故障检测方法，其特征在于，所述步骤2中的利用Majorization-Minimization(M-M)方法进行稀疏自编码求解k43.根据权利要求1所述的基于组群式稀疏自编码及群智能的电机故障检测方法，其特3为输出层阈值个数；t并将位置最优一组的全局最优位置映射为神经4.根据权利要求3所述的基于组群式稀疏自编码及群智能的电机故障检测方法，其特度函数计算网络实际输出与目标输出的均方误差，最后，经比较获得初始化全局最优点t以及子群最优点prt。5.根据权利要求1至4任一所述的基于组群式稀疏自编码及群智能的电机故障检测方(2)使用霍尔电流传感器采集电流信号，使用转速转矩传感器实现实时转矩与转速的(3)利用数据采集卡结合霍尔电流传感器采集电机母线电流与三相电流，转速转矩仪5[0007]步骤2，建立一种组群式稀疏自编码器(GSAE)实现框架，并使用Majorization-Minimization(M-M)方法求解，利用该稀疏特征提取网络对原始输入电机故障数据进行特6[0016]步骤3，对群智能算法进行改进，实现综合自身及社会因素的粒子群算法(SS-[0019]进一步地，所述步骤2中的利用Majorization-Minimization(M-M)方法进行稀疏k7T＝P-VTT。ii83为输出层阈值个数；[0049]步骤4.4：更新粒子当前速度与位置值带入BP神经网络的结构参数计算公式中，分别计算网络隐含层节点及输出层节点的输[0056](2)使用霍尔电流传感器采集电流信号，使用转速转矩传感器实现实时转矩与转[0057](3)利用数据采集卡结合霍尔电流传感器采集电机母线电流与三相电流，转速转9机故障数据的内在特征，挖掘数据深层次的抽象特征并将其作为电机故障诊断的特征量，[0079]步骤2：建立一种组群式稀疏自编码器(GSAE)实现框架，并使用Majorization-Minimization(M-M)方法求解，利用该稀疏特征提取网络对原始输入电机故障数据进行特了所选行范围内的稠密(非零)解的产生；外部的l1-范数(sum)在选择行时强制执行稀疏k[0139]步骤3：对群智能算法进行改进，实现综合自身及社会因素的粒子群算法(SS-要考虑粒子社会因素的影响，通过局部搜索能力获得较好能力。为了平衡粒子最优位置)T)T。[0157](2)按照式子(21)计算所有粒子的适应度函数值，通过粒子群算法的位置和速度[0170]构建SS-PSO-ANN深度分类器模型。引入改进粒子群算法SS-PSO对ANN网络权值及3为输出层阈值个数。[0191]根据改进粒子群算法适应度函数公式(21)来比较当前最优值与全局最优值pgt、[0193]若迭代次数k大于最大迭代次数k1或评价用误差值大于给定值，则程序停止迭代[0198]利用构建SS-PSO-ANN深度分类器模型进行电机故障的诊断和预测具体流程如图收集的电机故障信号，通过稀疏自编码进行训练获得参数，采用改进的粒子群算法(SS-[0201]利用本专利所提出的一种基于组群式稀疏自编码及群智果，以上实验结果再一次证明了本专利所述的深度学习模型在电机故障诊断中的有效性，0121234