[发明专利]一种基于空洞卷积胶囊网络的电机故障诊断方法及系统

说明书

本发明涉及一种基于空洞卷积胶囊网络的电机故障诊断方法及系统，该方法包括如下步骤：(1)获取有标签的训练样本，所述的训练样本包括电机振动信号以及对应的运行状态，所述的运行状态包括正常状态以及故障状态下的故障类型；(2)建立空洞卷积胶囊网络，利用训练样本进行训练；(3)获取待诊断的电机振动信号并输入至训练好的空洞卷积胶囊网络，输出电机的运行状态。与现有技术相比，本发明能自动提取电机信号的有效特征并实现智能故障诊断，诊断准确率达到99％以上，鲁棒性和泛化能力强，显著降低了错误识别率。

技术领域

本发明涉及一种电机故障诊断方法及系统，尤其是涉及一种基于空洞卷积胶囊网络的电机故障诊断方法及系统。

背景技术

目前电机故障诊断方法主要有以下几种：

方法1：基于信号处理的电机故障诊断方法。它对采集到的信号进行预处理以此来消除噪声，降低特征维数并且提取出有用的故障特征信息。信号处理方法主要包括傅里叶变换，小波变换，小波包变换和经验模态分解方法等。

方法2：基于专家系统的电机故障诊断方法。它采用众多人类专家学者的知识和推理方法，以此来处理复杂的问题。将故障信号归纳成为一种规则，建立专家知识库。当有故障发生时，利用知识库中的经验分析推理达到故障诊断的目的。

方法3：基于机器学习的电机故障诊断方法。它尽可能利用计算机模拟或实现人类的学习行为，以获取新的知识或技能，并重新组织已有的知识结构使之不断改善自身的性能，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。常用的机器学习方法包括支持向量机(SVM)、神经网络、深度学习等。

上述方法存在如下不足：

方法1的不足：在信号处理的过程中，不仅需要大量的信号处理专业知识来对信号进行处理和分析，并且要求技术人员对所检测电机的运行状态和故障相关背景都有较强的专业知识，再加上电机运转过程中，大量不可预测的因素存在，使得故障诊断过程更为复杂，并且故障特征信号不明显且是非线性与非平稳的，从而导致人为判断错误的可能性加大。

方法2的不足：基于专家系统的诊断方法是很难建立起比较完整的电机故障知识库，同时该系统不具备自主学习的能力，鲁棒性较差。

方法3的不足：一些传统的而机器学习方法，比如支持向量机、朴素贝叶斯、决策树等方法的参数初始值设置需要人为经验设置，参数的寻优过程缓慢，难以找到最优的参数来匹配最优模型，需要结合遗传算法、粒子群等参数优化算法来辅助寻优；对于BP神经网络，容易陷入局部最小值，加深的深度学习网络模型虽然学习能力提升，但是容易出现过拟合现象，同时增加了模型的复杂度。在电机大数据背景下，针对复杂分类问题时，信号处理的方法和传统机器学习方法的特征提取能力和泛化能力受到一定的约束，已经不能满足所需要求。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于空洞卷积胶囊网络的电机故障诊断方法及系统。

本发明的目的可以通过以下技术方案来实现：

一种基于空洞卷积胶囊网络的电机故障诊断方法，该方法包括如下步骤：

(1)获取有标签的训练样本，所述的训练样本包括电机振动信号以及对应的运行状态，所述的运行状态包括正常状态以及故障状态下的故障类型；

(2)建立空洞卷积胶囊网络，利用训练样本进行训练；

(3)获取待诊断的电机振动信号并输入至训练好的空洞卷积胶囊网络，输出电机的运行状态。

所述的电机振动信号包括电机驱动端X、Y、Z三个方向的振动信号。