【数据分析】通过相电流测量对电动传动系统进行无传感器状态监测的数据驱动方法电动传动系统附matlab代码
✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：做科研，博学之、审问之、慎思之、明辨之、笃行之，是为：博学慎思，明辨笃行。
🔥 内容介绍
电动传动系统（例如电动机）是机电旋转系统的核心组件。对这类设备进行实时状态监测，是电动汽车等大多数智能系统的基本要求。然而，这通常需要额外安装传感器，从而增加系统复杂性和扩展难度。本研究旨在探讨：除了常规的伏安测量外，是否可以通过相电流和相角等外部参数实现状态监测，而无需额外安装传感器。本文所述方法采用数据驱动模式，无需预先掌握设备组件信息，从而实现了自主、无传感器的状态监测。关键词：数据驱动、电动传动系统、无传感器、相电流、 KNN 、 LDA 、QDA、 SVM 、决策树。
I. 引言 自动化状态监测系统始终是核心研究课题。本文将综述一种基于测量相角数据实现电动传动系统无传感器诊断的方法。研究对象由同步电机及多个连接部件（如轴承、轴和变速箱）组成，是工厂或其他机械设备中典型且关键的组件。传动系统的损坏可能导致严重运行故障，并增加设备损坏带来的成本风险。此类应用场景下的状态监测通常需要额外传感器的辅助。但其核心目标是直接利用电机的相电流来对整个装置的健康状态进行表征。该测量过程仅依赖电机控制系统内置的电流传感器，无需任何外部传感器参与，因此诊断过程能够自主完成。图1：所使用的无传感器驱动诊断数据集简要说明[1]。特征参数从电机相电流中提取，测试电机包含完好及故障组件。采用经验模态分解（EMD）技术构建了新的特征数据库：选取两相电流及其残差（RES）的前三个固有模态函数（IMF），并将其分解为子序列。针对每个子序列，计算统计特征参数——均值、标准差、偏度和峰度。由此形成11个不同工况类别，每个类别均在12种不同运行工况（包括不同转速、负载力矩和负载力）下进行了多次测量。电流信号通过电流探头和示波器对两相进行采集[1]。
根据问题陈述和数据集描述可以明确，这种无传感器诊断过程本质上是一个多分类问题。该设备共有11种运行状态，包括正常运行状态和10种故障运行状态，共计11个类别。我们将测试多种分类方法，如支持向量机（SVM）、K近邻算法（KNN）、判别分析（LDA 、QDA）和决策树（DT）等；同时在数据预处理阶段将实施缺失值填补、标准化、特征选择和降维等步骤。II. 数据预处理 该数据集不含任何缺失值或NaN值。通常缺失值/NaN值会替换为列均值/中位数/众数值。为提取预测能力最强的特征，我们将采用两种不同方法：A. 特征选择：视觉检查 图2展示了所有数据特征的直方图分布。从图中可见，大多数特征呈高斯分布或高斯混合分布，少数特征则呈现多峰分布。通过视觉分析，我们发现若干特征集彼此呈线性相关且具有相同分布特征，因此从每个特征集中仅保留一个特征。例如特征集[7,8,9]、[10,11,12]、[43,44,45]、[46,47,48]等均彼此线性相关且分布一致，故各选取其中一个特征。由此将特征数量从48个减少至29个，从而形成新的预测特征集。
为评估新缩减特征数据集的预测能力，我针对每个类别对数据拟合了多元高斯模型，并计算了每个数据实例在各模型上的似然值。给出最大似然值的模型表明该数据实例属于该类别。通过这种方式，可以评估新选定特征集的分类能力。从图4可以看出，新的缩减特征集（特征集2，包含29个特征）的误分类率与使用全部特征时几乎相同。因此，在不大幅牺牲准确性的前提下，我们可以将计算复杂度降低一半。图5：基于多元高斯模型的最大似然分类器在三种不同特征集下的误分类率。B. 特征选择：使用“Relieff”算法评估预测变量的重要性。Relieff算法处理包含n个实例、p个特征的数据集，这些实例属于两个已知类别。在数据集中，每个特征应缩放至区间[0,1]（二元数据应保持为0和1）。该算法将重复执行m次：首先生成一个长度为p的全零权重向量(W)；在每次迭代中，选取一个随机实例的特征向量(X)，以及来自每个类别中与X欧氏距离最近的特征向量；其中，最接近的同类实例称为“近似命中”，而最接近的不同类实例称为“近似遗漏”。更新权重向量，使其满足：Wi = Wi − (xi − nearHiti)² + (xi − nearMissi)²。因此，当某个特征在同类近似实例中的差异大于在异类近似实例中的差异时，该特征的权重会降低；反之则会增加。经过m次迭代后，将权重向量的每个元素除以m，即可得到相关性向量。只有相关性超过阈值的特征才会被保留。ReliefF算法会从每个类别中选取k个“近似缺失”特征，并根据各类别的先验概率对这些特征的贡献值进行加权平均，从而更新权重向量。relief()函数会根据特征的预测能力从高到低对其进行排序。本研究将选取48个特征中排名前30的特征，由此构建新的特征集。
如第一部分所述，这种无传感器驱动诊断本质上是一个分类问题。我将评估几种常用分类算法在识别机器故障类型方面的性能。为展示分类器的性能，我选择了混淆矩阵——这是最简洁的评估矩阵形式，能够显示分类器在各分类类别上的准确率。分类器的性能将基于前文讨论的三种不同特征集进行评估：
1）特征集1：通过图形化展示进行视觉检查选定；
2）特征集2：从“relieff()”算法生成的排序预测特征中选取前30个；
3）特征集3：通过“PCA”算法提取的前20个主成分，这些主成分几乎包含了数据100%的方差。A. 分类：朴素贝叶斯朴素贝叶斯是一种构建分类器的简单方法：该模型为以特征值向量表示的问题实例分配类别标签，其中类别标签选自有限集合。目前尚无单一算法可用于训练此类分类器，但存在一系列基于共同原理的算法：所有朴素贝叶斯分类器均假设在给定类别变量的情况下，特定特征的取值与其他特征的取值相互独立。该分类方法对数据的各个特征进行单变量高斯分布拟合，并结合决策规则完成分类。一条通用原则是选择最可能的假设，这被称为最大后验概率（MAP）决策规则。相应的分类器——贝叶斯分类器——是一个用于为某个类别 k 分配类别标签 yˆ = Ckyˆ = Ck 的函数，其计算公式如下： yˆ = argmax_{k∈{1，...，K}} p(Ck) / ∑_{i=1}^{n} p(xi | Ck)。 B. 分类方法：判别分析（LDA 和 QDA）C. 分类方法：K最近邻算法（欧几里得距离与余弦距离）D. 分类方法：支持向量机（线性支持向量机与高斯支持向量机）由于大多数特征呈高斯分布或高斯混合分布，基于高斯核的 SVM 算法性能优于基于线性核的 SVM 算法。 E. 分类方法：决策树
V. 结论：朴素贝叶斯假设特征之间线性独立，因此在PCA处理后性能得到提升。总体而言，基于“地形”特征选择方法在所有算法中均提升了分类性能与计算速度。在三种特征集组合中，基于高斯核的 SVM 算法与决策树算法均展现出最佳性能。
⛳️ 运行结果
📣 部分代码
% Arguments
% confmat: a square confusion matrix
% labels (optional): vector of class labels
% number of arguments
switch (nargin)
case 0
confmat = 1;
labels = {'1'};
case 1
confmat = varargin{1};
labels = 1:size(confmat, 1);
otherwise
confmat = varargin{1};
labels = varargin{2};
end
confmat(isnan(confmat))=0; % in case there are NaN elements
numlabels = size(confmat, 1); % number of labels
% calculate the percentage accuracies
confpercent = 100*confmat./repmat(sum(confmat, 1),numlabels,1);
% plotting the colors
imagesc(confpercent);
title(sprintf('Accuracy: %.2f%%', 100*trace(confmat)/sum(confmat(:))));
ylabel('Output Class'); xlabel('Target Class');
% set the colormap
colormap(flipud(gray));
%colormap(flipud(spring));
% Create strings from the matrix values and remove spaces
textStrings = num2str([confpercent(:), confmat(:)], '%.1f%%\n%d\n');
textStrings = strtrim(cellstr(textStrings));
% Create x and y coordinates for the strings and plot them
[x,y] = meshgrid(1:numlabels);
hStrings = text(x(:),y(:),textStrings(:), ...
'HorizontalAlignment','center');
% Get the middle value of the color range
midValue = mean(get(gca,'CLim'));
% Choose white or black for the text color of the strings so
% they can be easily seen over the background color
🔗 参考文献
🍅更多创新智能优化算法模型和应用场景可扫描关注
🌟机器学习/深度学习类：BP、SVM、RVM、DBN、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、XGBoost、LightGBM、TCN、BiTCN、ESN、Transformer、模糊小波神经网络、宽度学习等等均可~
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌟组合预测类：CNN/TCN/BiTCN/DBN/Transformer/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可（可任意搭配非常新颖）~
🌟分解类：EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD、JMD等分解模型均可~
🌟路径规划类：旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化等等~
🌟小众优化类：生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化、微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化等等均可~
🌟 无人机应用方面：无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌟通信方面：传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌟信号处理方面：信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌟电力系统方面： 微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化
🌟原创改进优化算法（适合需要创新的同学）：原创改进2025年的波动光学优化算法WOO以及三国优化算法TKOA、白鲸优化算法BWO等任意优化算法均可，保证测试函数效果，一般可直接核心
告诫读者和自己第一，科学态度。历史学是一门科学，要学会做历史研究，就得有科学态度。科学态度不是与生俱来的，必须认真培养，关键是培养我们在研究中认真负责一丝不苟的精神。第二，献身精神。从事历史研究，就像从事其他任何科学研究一样，要有一种为科学研究而献身的精神，要热爱我们的研究事业，要有潜心从事这项工作的意志。没有献身精神，当然做不好科研工作。只想拿一个学位，那是很难学好做研究的。要拿学位，这一点可以理解，但我们读书，是为了自己获得真才实学。有了真才实学将来不论做什么工作，都是有用的。当然学位也是要的，但关键的是学问而不是学位。第三，查阅收集学术信息、资料的能力。青年学生要从事学术研究，就要培养能熟练地掌握查阅搜集学术信息、资料的能力。例如学习与研究英帝国史，就得了解国内外有关这个专业的基本情况，了解有关资料情况。像你们在北京地区学习，至少要大致了解北京地区有关英帝国史的中英文资料，熟悉与专业密切相关的主要图书馆，了解馆藏情况。这就需要经常去图书馆。我们这个专业不需要到田间考察，到工厂调研，但要去图书馆，去图书馆就是我们的调查研究。熟悉有关图书馆的情况是我们学习的一部分。今天，网络飞速发展，掌握网上查阅信息的技巧是非常必要的。第四，处理资料的能力。搜集的资料会越来越多，怎样安排它们也是一门学问。各学科各个研究人员的方式可能会有所不同，但总的原则是要有条理，便于记忆，便于查阅。第五，对资料的鉴别意识与鉴别能力。我们在使用研究资料时不能拿着就用，要有意识鉴别一下，材料是否可靠，什么样的材料更有价值。读书时，也不是拿着什么书就通读到底。有的书翻一翻即可，有的书则需认真读。区别哪些书翻一翻即可，哪些书得认真读，也不是一件容易的事，青年学生不是一下子就能做到这一点的，需逐渐培养这种能力。还有一点就是要学会使用计算机，能比较熟练地进行文字处理。
更多免费代码链接（也可直接点击阅读原文）：
https://mp.weixin.qq.com/s/xWdAoVwmhdbfixDcsaJ_qA
https://gitcode.com/qq_59747472/Matlab/blob/main/README.md