[发明专利]基于自编码器特征升维和多传感融合的电机故障分类方法

说明书

本发明公开了一种基于自编码器特征升维和多传感融合的电机故障分类方法。具体为：利用传感器采集已知故障类型的电机的一维时域信号，将一维时域信号及已知故障类型作为训练集对二维深度卷积网络进行训练；采集待测量电机的一维时域信号，将一维时域信号输入自编码器获得二维特征图；将二维特征图按通道方向叠加形成叠加二维特征图；将叠加二维特征图输入二维特征融合网络进行特征融合，获得融合特征图；将融合特征图输入深度卷积分类网络，得到待测量电机的各种故障类型的分类概率，实现对待测量电机的故障的分类。本发明将一维时域信号转换为二维特征图，结合多传感器信号融合的优点，提高了电机故障分类的准确性和可靠性。

技术领域

本发明涉及了电机故障检测领域的一种电机故障分类方法，尤其涉及一种基于自编码器特征升维和多传感融合的电机故障分类方法。

背景技术

电机是一种重要的驱动机械装置，是工业领域中的关键部件，广泛应用于各种工业和生活领域。随着电机功能的增加，其内部结构也越来越复杂，故障几率也大幅提升。一旦电机出现故障，轻则导致生产中断，重则可能对相关操作人员的生命造成威胁，带来不可估量的损失。为了避免这种情况的发生，对电机进行早期的故障检测、诊断和预测至关重要。通过诊断并分类电机存在的故障类型，及时进行电机的预防性维护，对保证电机长期可靠运行，减少停机带来经济损失具有重要意义。

电机故障诊断和分类可用的传感信号很多，包括但不限于振动加速度，电流，声音等。单一传感信号所包含的故障特征信息有限，从而使得故障诊断和分类结果的可靠性较低。融合多个不同类型的传感信号可以提供更加全面的故障特征信息，从而提高电机故障检测和分类的准确率和可靠性。

深度卷积神经网络在图像领域得到了成功的应用，它可以从大量的样本中通过训练学习到有效特征，避免了人工提取特征的局限性，为多传感融合和故障分类提供了有力的思路和方法。但是目前众多成功的卷积网络以二维卷积为主，其操作对象是二维图像，如何针对加速度，电流，声音等一维时域传感信号使用二维深度卷积网络进行融合和分类，充分发挥二维深度卷积网络的强大作用，还缺少相应的方法。

发明内容

针对上述的不足，为解决背景技术中存在的问题，本发明提出了一种基于自编码器特征升维和多传感融合的电机故障分类方法，通过编码器提取加速度、电流、声音等一维时域信号的升维特征，将这些一维时域信号转换成二维特征图，使用二维特征融合网络进行特征融合，最后通过深度卷积分类网络得到电机故障的分类结果。

本发明采用的技术方案是：

本发明包括以下步骤：

步骤S1，利用传感器采集已知故障类型的电机的一维时域信号，将采集的一维时域信号及一维时域信号对应的故障类型作为训练集对二维深度卷积网络进行训练，所述一维时域信号包括加速度、电流和声音，所述二维深度卷积网络包括自编码器中的编码器、二维特征融合网络和深度卷积分类网络；

步骤S2，利用传感器采集待测量电机在相同工作时间段内的多个一维时域信号，将待测量电机的多个一维时域信号输入自编码器中的编码器获得多个一维时域信号的二维特征图；

步骤S3，将多个一维时域信号的二维特征图按通道方向叠加在一起形成维度为H×W×(C*M)的叠加二维特征图，其中，H代表叠加二维特征图的行数，W代表叠加二维特征图的列数，C代表叠加二维特征图的通道数，M代表信号种类；

步骤S4，将步骤S3中获得的叠加二维特征图输入二维特征融合网络进行特征融合，获得维度为H×W的融合特征图；

步骤S5，将步骤S4中获得的维度为H×W的融合特征图输入深度卷积分类网络，得到待测量电机的各种故障类型的分类概率，完成对待测量电机的故障的分类。

所述对二维深度卷积网络进行训练分为两个阶段，第一个阶段为结合训练集中的一维时域信号对自编码器进行独立训练；第二个阶段为对二维特征融合网络和深度卷积分类网络进行训练；