[发明专利]基于迁移学习和多源信息融合的电机故障诊断分析方法

说明书

本发明提出了基于迁移学习和多源信息融合的电机故障诊断分析方法，包括以下步骤：设计基于参数迁移与基于特征迁移的两种变工况电机故障诊断模型；建立基于多源信息融合的电机故障诊断模型，分别利用深度残差网络对电流信号与振动信号进行特征提取与诊断识别；引入多源信息决策层融合方法。本发明引入JMMD联合最大平均偏差实现对模型参数调整和特征空间分布适配，利用改进的D‑S证据理论对识别结果进行融合并输出最终分类结果，可有效提高诊断结果的可靠性。

技术领域

本发明涉及电机故障诊断技术领域，尤其涉及基于迁移学习和多源信息融合的电机三相电流信号诊断分析方法。

背景技术

异步电机作为工农业生产活动的重要动能之一，具有结构简单易拆卸、制造材料价格低廉、可靠性强、持久耐用等一系列优点，广泛应用于采矿设备与冶金业、机床、电厂、风机等工业领域中。电机的稳定可靠运行不仅与单个机械设备的稳定、长时间运行相关，而且影响着整个生产系统的稳定性，异步电机一旦发生故障，轻则设备运行中断、工作效率降低、能源消耗增加，重则整个系统运行崩溃，产生巨大的经济损失，造成人员伤亡。

现阶段异步电机安全管理主要依靠定期维修，通过对电机各个部位的检查修护来判断电机的使用情况，容易产生维护盲目、资源浪费等情况。随着泛在电力物联网的提出与推进，通过先进的传感技术可监测异步电机各个部位实时运行状态，因此基于采集信号，实现电机在线早期故障诊断成为了重要研究方向。传统电机故障诊断往往依靠阈值判断的方法，但是异步电机通常在复杂的环境中运行，此时故障早期特征往往会淹没在噪声中，以至于故障发现太晚，造成电机故障修复不及时。现阶段工业设备整体趋向于无人化、智能化，人工智能算法飞速发展，故障诊断技术相应随之进行更新，无需专家经验的智能诊断算法具有诊断效果好、鲁棒性强等优点，是电机故障诊断领域的应用热点。

纵观电机故障诊断技术的发展，大致可分为四个类别：基于信号、基于机械理论、基于模型与基于仿真。发展最初，基于机械理论的故障诊断算法尤其流行，主要在理论上探究电机各个故障的表现形式，但是无法建立准确描述故障机理的数学模型，且模型无法体现电机实际运行状态，存在明显缺陷。由于信号检测技术、信号处理与人工智能算法的发展，基于信号与基于传统机器学习模型的故障诊断算法相应推进，在故障诊断领域中具有诊断效率高、速度快、精度好等显著优点，目前的重难点在于需人工选取特征、需大量数据训练网络等。基于仿真的故障诊断算法主要是采用流行的数字仿真软件构建近似于实际电机的有效物理模型，输出电流、振动甚至声信号等响应，直观反映出电机运行时的物理变化。随着大数据、智能化时代的来临，基于深度学习算法的智能化故障诊断技术渐渐取代基于传统智能算法的诊断技术，深度学习作为新时代研究重点，在电机故障领域得到了广泛的探索与尝试。

每种诊断算法都有其优越性与局限性，现有智能诊断算法在跨域故障诊断中准确率不高，且大多数算法需要大量训练数据。实际工程中，由于设备运行过程中基本处于健康状态，故障发生一般在极短时间内，导致故障数据不足、样本不均衡等问题。因此，本发明针对目标任务中样本较少的问题，研究基于迁移学习和多源信息融合的电机故障诊断分析方法，提高诊断算法在设备不同运行状态下与训练样本不足时的诊断准确率。

发明内容

为解决上述技术问题，本发明提供一种基于迁移学习和多源信息融合的电机故障诊断分析方法，针对直接采用基于ResNet的深度学习诊断模型在变工况下诊断准确率较低的问题，引入深度迁移学习理论，构建了基于特征迁移的变工况电机故障诊断模型；采用JMMD距离度量方式进行特征空间分布适配，用于目标域测试数据的故障分类；研究多源信息决策层融合方法，构建了基于多源信息融合的电机故障诊断模型；将原始电流信号与经EEMD分解后的振动信号采用特征迁移模型进行分类预测，最终采用Lance改进D-S证据融合理论对结果进行融合并输出最终的结果。

为实现上述目的，本发明是以如下技术方案实现的：一种基于迁移学习和多源信息融合的电机故障诊断分析方法，包括以下步骤：

S1.信号处理：对输入三相电流信号和两轴振动信号进行EEMD分解，构建多维数据样本集；