時頻旋轉門與卷積核感知匹配的電機故障診斷方法及系統技術方案

本發明專利技術公開了一種時頻旋轉門與卷積核感知匹配的電機故障診斷方法及系統，本發明專利技術包括獲取多種電機故障狀態下的振動信號樣本，變換為頻域信號，并利用時頻旋轉門法SDA預處理，同時將頻域信號進行時序圖像轉換生成二維圖像樣本作為卷積神經網絡CNN的輸入，調整時頻旋轉門法SDA的參數以及卷積神經網絡CNN的卷積層數和卷積核大小，使得時頻旋轉門法SDA預處理得到的數據特征數據量、卷積神經網絡CNN的卷積核感知匹配，根據卷積核感知匹配時的卷積層數和卷積核大小確定卷積神經網絡CNN的網絡結構再訓練以用于電機故障診斷。本發明專利技術能夠提高電機故障診斷的準確性和效率。高電機故障診斷的準確性和效率。高電機故障診斷的準確性和效率。

【技術實現步驟摘要】
時頻旋轉門與卷積核感知匹配的電機故障診斷方法及系統


[0001]本專利技術涉及電機故障診斷
，具體涉及一種時頻旋轉門與卷積核感知匹配的電機故障診斷方法及系統。

技術介紹

[0002]電機作為工業領域中重要設備的關鍵部件，面臨著較為復雜的物理運行環境和工作條件。在電機的長期運行過程中，可能會出現各種故障，影響工業生產的效率，造成安全問題。
[0003]當電機出現故障時，與其運行狀態相關的振動、定子電流、轉矩等都會發生周期性變化。起初，傳統方法主要采用時間序列信號進行故障診斷。常用的時間序列分析方法包括參數算法和沖擊脈沖法。時間序列是直觀的，易于理解。但是，當存在大量的外部干擾噪聲時，針對時間序列信號的故障診斷會產生一些困難。隨后，學者們開始將注意力轉向頻域信號。電機故障會改變信號的頻譜，可以通過獲得頻譜特征分布來識別故障的類型。然而，與時間序列相比，由于頻率信號更容易收到不同頻率噪聲的干擾，所以信息更容易丟失。因此，近年來，時間序列和頻域信號的結合分析成為首選，其可以更好地提取故障信號的特征，而不會有丟失信息的風險。
[0004]從故障信號中提取故障信息是故障診斷的基礎，主要采用快速傅里葉變換（FFT）、連續小波變換（CWT）、希爾伯特
?
黃變換和s
?
變換等來提取故障特征。但一維（1
?
D）時間序列和頻域信號的故障特征僅限于1
?
D，容易受到外部噪聲干擾。二維（2
?
D）圖像可以有效地反映信號振幅和相位之間的相關性，深層次的有效特征?；诙S圖像的特征提取也已成為故障診斷的一個重要方法。
[0005]流行的二維圖像轉換方法有格拉姆角場GAF、對稱點模式SDP和馬爾可夫轉換場MTF等。這些方法能夠在轉換過程中保留數據的時間關系，并在二維圖像中直接呈現信息特征相關性。二維圖像診斷方法主要是將一維信號映射到二維空間，如時頻域或相位空間，從而使全局特征能夠被機器視覺方法充分顯示和識別。
[0006]轉換后的二維圖像信號大多由神經網絡和特征識別方法進行診斷。深度學習方法如卷積神經網絡CNN和圖神經網絡GNN被廣泛用于該領域。而特征識別方法如尺度不變量特征變換SIFT和加速魯棒特征算法SURF被用來提取圖像特征。此外，現有技術還包括：基于深度卷積神經網絡DCNN和支持向量機SVM的故障診斷方法，用于提取軸承和轉子中多種故障的自動診斷；超支多尺度CNN方法，用于不同負載條件下的故障診斷；深度卷積遷移學習網絡DCTLN，用于提取特征并識別電機的健康狀態；基于對稱點模式信息融合的CNN故障診斷方法，以解決行轉子振動信號的高復雜性、非線性和不穩定性問題；基于圖像視覺信息和詞包模型BoVW的診斷方法，其中采用SDP和SIFT提取故障信息。雖然上述方法的性能都很好，但仍有一些普遍存在的問題需要進一步解決：1）診斷方法的參數對于準確和有效的故障識別至關重要。然而，對于不同類型的故障，其信號類型和數據量各不相同。要調整診斷方法的參數以適應所有類型的故障識別是很困難的。此外，為每一種類型的故障測試參數顯然
是不現實的。2）對于不同的神經網絡，神經元和網絡深度的選擇都需要復雜的調試過程。同樣的網絡結構對不同的數據有不同的診斷效果。在實際應用中，要根據不同的數據改變網絡結構是非常困難的。

技術實現思路

[0007]隨著像素數的增加，可能會出現冗余干擾信息，進而影響圖像的識別，在故障診斷領域，為了獲得盡可能多的信息，通常采用較高的采樣率，例如本實施例的故障數據是在10WHz下測量的。在實際處理這些數據時，發現在采集過程中存在大量的冗余信息。本實施例針對下述兩種方式進行了實驗：（1）固定檢測方法，調整數據量：最初使用時頻旋轉門算法SDA進行數據壓縮，在數據預處理過程中，隨著時頻旋轉門算法SDA的門寬的設置增大，存在一個最優解，使數據壓縮滿足需求，同時識別率最優。如圖1所示。（2）固定數據量和改變CNN參數的實驗：同樣也對診斷系統CNN進行了比較分析。CNN網絡對于數據的感知主要是卷積核感受野，隨著網絡深度的增加，卷積核對于圖片的特征提取越來越豐富，識別率會不斷提高，而達到一定的網絡深度后，由于CNN網絡本身的特點，識別率有所降低，實際情況如圖2所示。對于以上兩種情況可發現：時頻旋轉門算法SDA在處理數據后會對數據量產生影響，而CNN在識別圖像時，不同的網絡深度會對圖像大小產生不同的影響。由于數據量的轉化，兩者之間存在著匹配的關系，這也是本實施例的原理出發點。
[0008]在發現基于時頻旋轉門算法SDA、卷積神經網絡CNN之間存在著匹配的關系的基礎上，本專利技術要解決的技術問題是利用上述關系，提供一種時頻旋轉門與卷積核感知匹配的電機故障診斷方法及系統，旨在提高電機故障診斷的準確性和效率。
[0009]為了解決上述技術問題，本專利技術采用的技術方案為：一種時頻旋轉門與卷積核感知匹配的電機故障診斷方法，包括：S101，獲取多種電機故障狀態下的振動信號樣本；S102，將振動信號樣本通過快速傅里葉變換為頻域信號；S103，將頻域信號利用時頻旋轉門法SDA預處理，同時將頻域信號進行時序圖像轉換生成二維圖像樣本作為卷積神經網絡CNN的輸入，調整時頻旋轉門法SDA的參數以及卷積神經網絡CNN的卷積層數和卷積核大小，使得時頻旋轉門法SDA預處理得到的數據特征數據量、卷積神經網絡CNN的卷積核感知匹配，根據卷積核感知匹配時的卷積層數和卷積核大小確定卷積神經網絡CNN的網絡結構；S104，采用二維圖像樣本及其對應的故障狀態訓練卷積神經網絡CNN的網絡參數，完成對用于電機故障診斷的卷積神經網絡CNN的訓練。
[0010]可選地，步驟S103中將頻域特征利用時頻旋轉門法SDA預處理時，預處理前后的頻域特征之間的均方偏差滿足下式所示的約束條件：，上式中，為預處理前后的頻域特征之間的均方偏差，為常數，為頻域點數，為預處理后的頻率信號的功率譜幅值，為頻率信號的功率譜幅值，MSF為頻域信號的均方根頻率。
[0011]可選地，所述頻域信號的均方根頻率的計算函數表達式為：，上式中，MSF為頻域信號的均方根頻率，為頻率信號，為頻率信號的功率譜幅值。
[0012]可選地，步驟S103中時頻旋轉門法SDA預處理得到的數據特征數據量、卷積神經網絡CNN的卷積核感知匹配的函數表達式為：，上式中，為不同故障特征的相關性常數，為SDA門寬，為不同故障的原始數據量，為卷積神經網絡CNN中的第個卷積層中神經元的感受野，為卷積神經網絡CNN中的第個卷積層卷積核的大小，為卷積神經網絡CNN中的卷積層數量，為卷積神經網絡CNN中的第個卷積層的步長；其中，感受野的計算函數表達式為：，上式中，為卷積神經網絡CNN中的第個卷積層中神經元的感受野，為卷積神經網絡CNN中的第個卷積層的每個前向元素，且有：，上式中，為卷積神經網絡CNN中的第個卷積層的每個前向元素，為卷積神經網絡CNN中的第個卷積層的步長。
[0013]可選地，步驟S103中將頻域信號進行時序圖像轉換生成的本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種時頻旋轉門與卷積核感知匹配的電機故障診斷方法，其特征在于，包括：S101，獲取多種電機故障狀態下的振動信號樣本；S102，將振動信號樣本通過快速傅里葉變換為頻域信號；S103，將頻域信號利用時頻旋轉門法SDA預處理，同時將頻域信號進行時序圖像轉換生成二維圖像樣本作為卷積神經網絡CNN的輸入，調整時頻旋轉門法SDA的參數以及卷積神經網絡CNN的卷積層數和卷積核大小，使得時頻旋轉門法SDA預處理得到的數據特征數據量、卷積神經網絡CNN的卷積核感知匹配，根據卷積核感知匹配時的卷積層數和卷積核大小確定卷積神經網絡CNN的網絡結構；S104，采用二維圖像樣本及其對應的故障狀態訓練卷積神經網絡CNN的網絡參數，完成對用于電機故障診斷的卷積神經網絡CNN的訓練。2.根據權利要求1所述的時頻旋轉門與卷積核感知匹配的電機故障診斷方法，其特征在于，步驟S103中將頻域特征利用時頻旋轉門法SDA預處理時，預處理前后的頻域特征之間的均方偏差滿足下式所示的約束條件：，上式中，為預處理前后的頻域特征之間的均方偏差，為常數，為頻域點數，為預處理后的頻率信號的功率譜幅值，為頻率信號的功率譜幅值，MSF為頻域信號的均方根頻率。3.根據權利要求2所述的時頻旋轉門與卷積核感知匹配的電機故障診斷方法，其特征在于，所述頻域信號的均方根頻率的計算函數表達式為：，上式中，MSF為頻域信號的均方根頻率，為頻率信號，為頻率信號的功率譜幅值。4.根據權利要求1所述的時頻旋轉門與卷積核感知匹配的電機故障診斷方法，其特征在于，步驟S103中時頻旋轉門法SDA預處理得到的數據特征數據量、卷積神經網絡CNN的卷積核感知匹配的函數表達式為：，上式中，為不同故障特征的相關性常數，為SDA門寬，為不同故障的原始數據量，為卷積神經網絡CNN中的第個卷積層中神經元的感受野，為卷積神經網絡CNN中的第個卷積層卷積核的大小，為卷積神經網絡CNN中的卷積...

【專利技術屬性】
技術研發人員：王璽幃，黃晟，屈尹鵬，張曉飛，吳之荻，
申請(專利權)人：湖南大學，
類型：發明
國別省市：