基于差分進化算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)的.pdf

1、作為電氣化時代的主要原動力和驅(qū)動設(shè)備，異步電機因為具有結(jié)構(gòu)簡單、制造方便、可靠性高等優(yōu)點已經(jīng)在工農(nóng)業(yè)生產(chǎn)和人們?nèi)粘Ｉ畹阮I(lǐng)域中得到廣泛的應(yīng)用。作為生產(chǎn)領(lǐng)域中的關(guān)鍵設(shè)備，異步電機的安全、可靠、穩(wěn)定運行對于保證生產(chǎn)系統(tǒng)的正常運行意義非常重大。電機一旦發(fā)生故障就會造成嚴重的經(jīng)濟損失以及惡劣的社會影響。因此，研究異步電機的故障診斷技術(shù)及時準確的識別電機的運行狀態(tài)具有重要的現(xiàn)實意義。異步電機故障診斷過程包括狀態(tài)參數(shù)檢測、故障特征提取和故障類型識別

2、三部分。
　　 本文在對異步電機常見故障的特征及其機理分析的基礎(chǔ)上，選擇能夠反映電機機械特性的振動信號和反映電機電氣特性的定子電流信號作為電機故障診斷的狀態(tài)信號。由于電機運行過程中所采集的信號為非平穩(wěn)信號，運用傳統(tǒng)的信號分析方法已經(jīng)不再適合，小波分析技術(shù)因其良好的時頻分析特性為非平穩(wěn)信號的分析處理提供了一種非常有效的方法。本文首先運用小波變換對故障信號進行了消噪處理，其次運用小波包分解對故障信號進行了特征提取。在此基礎(chǔ)上，提出了

3、小波包與主成分分析(PCA)相結(jié)合的一種新的信號特征提取方法。該方法利用主成分分析(PCA)對小波包分解結(jié)果進行特征抽取和降維，提取小波包分解結(jié)果中的主成分值作為電機故障的特征向量，并將提取的特征向量作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，仿真實驗結(jié)果表明該方法是有效的和正確的。本文將徑向基(RBF)神經(jīng)網(wǎng)絡(luò)應(yīng)用到異步電機的故障診斷中，利用神經(jīng)網(wǎng)絡(luò)的模式識別能力對電機的故障類型進行診斷，并與BP神經(jīng)網(wǎng)絡(luò)進行比較。雖然RBF神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)相比具有

4、較快的學(xué)習(xí)速度以及較好的分類能力，但其參數(shù)確定比較困難。為了克服RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的不足，本文引入了差分進化(DE)算法，利用差分進化(DE)算法的全局搜索能力來優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)基函數(shù)的中心、寬度以及網(wǎng)絡(luò)的連接權(quán)值，以獲得最優(yōu)的網(wǎng)絡(luò)模型。最后，在Matlab軟件平臺上對本文所設(shè)計的診斷系統(tǒng)進行了仿真實驗，網(wǎng)絡(luò)訓(xùn)練完成后就建立了基于RBF神經(jīng)網(wǎng)絡(luò)的異步電機故障診斷系統(tǒng)。經(jīng)過實際的故障數(shù)據(jù)測試，結(jié)果表明優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)的泛化能力