[发明专利]一种数据融合的深度学习网络的电机故障诊断方法

说明书

一种数据融合的深度学习网络的电机故障诊断方法；该神经网络中包括数据压缩网络、特征提取网络和分类网络；其确定与训练方法为：1、采集电机的A,B两相电流信号和电机端部轴承的振动信号。进行数据标准化，通过希尔伯特‑黄变换得到频谱序列，建立神经网络的数据集；2、建立深度神经网络，确定网络结构并初始化参数；3、将训练集输入神经网络，分别计算不同神经网络的损耗函数，并利用损耗值更新神经网络参数；4、将测试集的数据输入神经网络，计算准确率，重复步骤3直至准确率满足要求；训练结束后，神经网络可以将输入的电流、振动数据映射至特征平面，分类网络根据其所在区域对应的故障状态可预测电机是否发生故障。

技术领域

本发明涉及电气设备的故障诊断技术领域，具体涉及一种数据融合的深度学习网络的电机故障诊断方法，通过改变深度学习神经网络的结构，利用自动编码器进行数据融合，实现利用电流与振动数据实现综合判断电机故障。

背景技术

电机是现代工业、生产和生活中最常用的驱动设备，其使用范围十分广泛。在工业生产长期服役的情况下，电机可能发生轴承疲劳磨损、定子匝间短路、转子断条等故障。通过电机状态监测和故障诊断能够及时检修，保证电机的可靠运行。

随着近年深度学习的发展与硬件计算速度的提升，很多基于深度神经网络的故障诊断模型和算法被提出并应用于工业生产中。相对于传统的建模分析法，基于数据的故障诊断技术不会只考虑故障的主要因素，分析更加全面，能够通过已有的全部数据进行训练，学习信号中的规律。

通过数据融合技术，可利用不同类型的传感器测得的数据进行综合判断，提高故障辨识的准确率与可靠性。但由于神经网络通常采用多层全连接结构，特征融合方法不易实现。

发明内容

为提高电机故障监测的可靠性，本发明的目的在于提出一种数据融合的深度学习网络的电机故障诊断方法，利用深度神经网络学习数据特征，融合电机电流、振动数据并综合判断电机故障。

为达到上述目的，本发明所采用的技术方案是：

一种数据融合的深度学习网络的电机故障诊断方法，包括如下步骤：

步骤1：采集电机的A,B两相电流信号i_A(t)、i_B(t)和电机端部轴承的振动信号v(t)，进行数据标准化，通过希尔伯特-黄变换得到A，B两相电流信号与振动信号的频谱序列i_A(z)、i_B(z)、v(z)；建立神经网络的数据集：

对采集到的电流信号、振动信号进行标准化，使其均值为0，方差为1；对于A相电流式(1)：

式中i_Amean、i_Avar为A相电流的平均值、方差；为A相电流标准化后的结果；n为序列长度；

同样，根据式(2)、式(3)得到B相电流和振动数据标准化后的结果v^*(t)；

式中i_Bmean、i_Bvar为B相电流的平均值、方差；为B相电流标准化后的结果；

式中v_mean、v_var为振动信号的平均值、方差；v^*为振动信号标准化后的结果；

对标准化后的结果进行HHT变换：对于首先对标准化后的结果进行经验模态分解并计算幅频特性函数：

a)的极大值点经三次样条插值得到的上包络线记为S_max(t)，极小值点经三次样条插值得到的下包络线记为S_min(t)，则上、下包络线的中线m(t)表示为式(4)：