[发明专利]一种基于卷积神经网络的无刷直流电机传感器故障检测方法

权利要求书

1.一种基于卷积神经网络的无刷直流电机传感器故障检测方法，其特征在于包括有：

S1:获取无刷直流电机的原始数据，并对该原始数据进行降噪处理；

S2:通过小波变换，将原始数据转换为时-频谱图作为样本集，并对样本集中的时-频谱图进行预处理；

S3:将样本集中的时-频谱图分为训练集和测试集，对训练集中样本标记故障种类以及故障程度，作为数据样本的已知标签；

S4:建立卷积神经网络，将训练集中的时频谱图输入卷积神经网络并提取分类前一层的特征；

S5:根据步骤S3中的所述标签和步骤S4中提取的所述特征，训练多类支持向量机分类器；

S6:训练完成后，得到支持向量机分类器对每一类故障的预测率；

S7:将电机原始数据数据通过步骤S1的方法进行采集和降噪处理后，输入所述支持向量机分类器进行故障检测，对原始数据中存在故障进行检测分类，获得故障分类结果。

2.根据权利1所述的基于卷积神经网络的无刷直流电机传感器故障检测方法，其特征在于：原始数据的采集包括霍尔传感器正常运行和霍尔传感器发生故障时的原始数据，原始数据具体包括电机转子的转速、电磁转矩、各相电压和各相电流。

3.根据权利要求1所述的基于卷积神经网络的无刷直流电机传感器故障检测方法，其特征在于：

所述步骤S2中小波变换是指用有限长或快速衰减的并称为母小波的振荡波形来表示信号，该波形被缩放和平移以匹配输入的信号；小波变换的数学形式为：

其中x为原信号，X为x经小波变换后的输出，ψ为母小波；所述的母小波需满足以下条件：

4.根据权利要求1所述的基于卷积神经网络的无刷直流电机传感器故障检测方法，其特征在于：

所述步骤S2中的预处理包括：

将已知不同霍尔传感器故障种类的电机原始数据经小波变换后的时-频谱图缩放成大小为227＊227像素的彩色图片并根据故障种类的不同与不同标签相匹配：

另外还包括：

在传输图片至卷积神经网络输入层时，每次读取图像时都调用读函数；所述读函数是将图像先灰度化，再重复灰度化图像3次形成RGB图像，再对图像进行缩放；缩放时应注意宽高比，保证输入卷积神经网络的图片大小始终为227＊227像素。

5.根据权利要求1所述的基于卷积神经网络的无刷直流电机传感器故障检测方法，其特征在于：步骤S3中，将样本集中百分之七十的数据作为训练集，百分之三十数据作为测试集。

6.根据权利要求1所述的基于卷积神经网络的无刷直流电机传感器故障检测方法，其特征在于：步骤S4中，卷积神经网络为AlexNet网络架构，该网络共有8层，其中前5层为卷积层，后三层为全连接层，最后一个全连接层的输出为一个具有融合了标签1000个分类特征的Softmax函数。