摘要
随着工业发展和技术的不断革新，交流异步电动机已成为人们日常生产、生活当中必不可少的一部分。尤其在冈力发电、新能源汽车等新兴领域以及煤矿机电设备，更甚是工厂机床等传统产业仍在广泛应用。交流异步电机能否正常稳定的运转，则直接影响到了整个设备系统的稳定性，甚至会影响到工业生产的经济效益甚至是人身安全。随着机器学习的不断发展，给异步电机故障诊断提供了新思路。 交流异步电机在发生故障时，会产生不同程度的振动信号。这类振动信号往往包含大量时变、突发性质的特征成分，如何提取该成分显得至关重要。以异步电机公开数据集为基础，提出一种基于经验小波变换(EWT)的特征提取方法，通过与传统经验模态分解及其改进算法(EMD、EEMD、CEEMD)算法做性能对比，证明EWT算法能在复杂的信息中提取主要成分，可为故障诊断算法提供良好的训练模型。对各类型故障数据分别做EWT，提取出经验模态函数(EMF)，再根据主元分析法(PCA)对EMF数据集合降维处理，以t-SNE可视化特征比较分析其降维结果。由以上方法结合，最终输出特征数据集样本作为故障诊断算法的输入数据集。 本文故障诊断算法是一种基于麻雀优化多核极限学习机的方法，首先，介绍了一种将极限学习机(ELM)算法引入多个核函数结合的多核极限学习机(HKELM)算法，该算法核参数以及权重系数等借助麻雀搜索(SSA)算法以准确率为适应度函数做超参数优化。其次，针对麻雀搜索算法种群更新公式做出改进，提出随机游走策略改进的麻雀搜索算法。利用改进麻雀优化多核极限学习机，对超参数进行寻优，不仅弥补了HKELM模型随机输入参数对故障诊断精确度性能的影响，且改进的麻雀优化算法,一定程度上提高了优化效率。通过实例数据集实验证明了部分参数手动选取时对HKELM精度影响，以及麻雀优化及改进优化对HKELM模型效果。
NETL