一种基于特征节点增量式宽度学习的电机故障诊断方法

发明专利有效专利

申请号：
CN201910401213.8
IPC分类号：G01R31/34;G06N3/04;G06N3/08
申请日期：
2019-05-15
申请人：
吉林大学珠海学院

基础信息

权利要求

说明书

PDF全文

法律信息

引证文献

著录项信息

专利名称	一种基于特征节点增量式宽度学习的电机故障诊断方法
申请号	CN201910401213.8	申请日期	2019-05-15
法律状态	授权	申报国家	中国
公开/公告日	2019-08-20	公开/公告号	CN110146812A
优先权	暂无	优先权号	暂无
主分类号	G01R31/34 ? IPC结构图谱： G 物理 G0 仪器 G01 测量；测试 G01R 测量电变量；测量磁变量（指示谐振电路的正确调谐入H03J 3/12） G01R31/00 电性能的测试装置；电故障的探测装置；以所进行的测试在其他位置未提供为特征的电测试装置（在制造过程中测试或测量半导体或固体器件入H01L 21/66；线路传输系统的测试入H04B 3/46） G01R31/34 电机的测试〔3〕	IPC分类号	G;0;1;R;3;1;/;3;4;;;G;0;6;N;3;/;0;4;;;G;0;6;N;3;/;0;8查看分类表>
申请人	吉林大学珠海学院	申请人地址	广东省珠海市金湾区草堂村吉林大学珠海学院变更专利地址、主体等相关变化，请及时变更，防止失效
权利人	吉林大学珠海学院	当前权利人	吉林大学珠海学院
发明人	江赛标;李嘉;杜晓标
代理机构	广州赤信知识产权代理事务所（普通合伙）	代理人	龚素琴

摘要

本发明公开一种基于特征节点增量式宽度学习的电机故障诊断方法，该方法采用特征节点增量式宽度学习方法来诊断感应电动机故障。特征节点增量式宽度学习（IBL）的结构简洁，可以有效地重新训练网络。本发明结合了特征提取（粒子群优化‑变异模态分解和时域统计特征）、特征节点增量式宽度学习和非负矩阵分解来构成一个三相电动机的智能诊断方法。实验结果表明该方法在诊断三相电动机故障时优于其他算法。此外，通过非负矩阵分解(NMF)简化的IBL误差小、系统更稳定。

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有引用任何外部专利数据！

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有被任何外部专利所引用！

我浏览过的专利

专利服务由北京酷爱智慧知识产权代理公司提供