[发明专利]基于双线性LBP的电机故障诊断方法、电子设备及介质

说明书

本发明实施例涉及故障检测技术领域，公开了基于双线性LBP的电机故障诊断方法、电子设备及介质。该方法包括：接收传感器采集的电机的单通道原始数据；对单通道原始数据规范化至0‑255，得到规范化后的单通道原始数据，称为前处理数据；使用双线性LBP算法对前处理数据进行处理，得到第一LBP数据和第二LBP数据；将前处理数据、第一LBP数据和第二LBP数据构建三通道特征数据；将三通道特征数据构建三通道特征图像，输入预先训练的网络模型，输出诊断结果。实施本发明实施例，可以强单通道原始数据本身的空间分辨力，提升了故障类别的空间可分离性，最终提升故障诊断算法的检测效率。

技术领域

本发明涉及故障检测技术领域，具体涉及基于双线性LBP的电机故障诊断方法、电子设备及介质。

背景技术

先进制造业是创新驱动发展和经济社会高质量发展的主引擎和主推手。高端装备与智能制造领域中，电动机可直接将电能转化为直线运动的机械能，由于其推力大、力密度高、长行程、低惯量、动态响应快、机械结构简单等优点。

电机直接驱动运动设备，省去了机械传动机构，完全消除机械传动元件的速度和加速度的物理极限限制，已广泛应用于往复式伺服系统、工业机器人和高精度定位直接驱动系统。

故障诊断技术包括的内容，是指在设备运行状态或称工作状态下，通过各种监测手段，判别其工作是否正常；如果不正常，经过分析与判断，指出发生了什么故障，便于管理人员维修；或者在故障未发生之前，提出可能发生故障的预报，便于管理人员尽早采取措施，避免发生故障，或避免发生重大故障，因而造成停机停产，给工程带来重大经济损失。这就是故障诊断技术的任务，也是发展设备故障诊断技术的目的。

在大数据这一时代背景下，伴随而来的是极大的计算复杂度和建模复杂度，数据驱动的智能故障诊断方法更为适用，表现在其对海量、多源、高维数据进行统计分析和信息提取的直接性和有效性。该技术以采集到的不同来源、不同类型的监测数据作为基底，利用各种数据挖掘技术获取其中隐含的有用信息，表征系统运行的正常模式以及故障模式，进而达到检测与诊断的目的。

智能故障诊断方法的性能极大地依赖于所提取的特征质量，包括特征的实时变化、阶段性变化、趋势性变化及故障模式等，即数据的表示学习是智能故障诊断技术的核心。传统的特征表示学习方法存在以下问题：

(1)需要领域的先验信息、专业知识和深厚的数学基础才能设计出合适的特征提取方法；

(2)提取的特征多是浅层特征，针对复杂分类问题其泛化能力受到一定制约；

(3)受限于机械系统的物理特性，组件或故障条件变化均可能显著改变特征提取方法或其评估标准；

(4)特征提取依赖于原有特征和评估标准，对于新特征的挖掘具有一定局限性。

针对生产过程和设备运行中的海量状态数据及监控变量，信息采集通常为多维向量形式，例如：旋转设备运行过程中基座的振动信息、驱动端的振动信息、设备运行过程中的电流、电压信息等。针对单通道海量数据，由于其空间分辨力较差，需要较多次诊断才能获得准确的诊断结果，诊断准确率较低，且诊断效率低下。

发明内容

针对所述缺陷，本发明实施例公开了一种基于双线性LBP的电机故障诊断方法、电子设备及介质，将单通道原始数据与提取了局部特征的LBP数据融合，能够提升局部特征描述能力，增强单通道原始数据本身的空间分辨力，提升了故障类别的空间可分离性，最终提升故障诊断算法的检测效率。

本发明实施例第一方面公开一种基于双线性LBP的电机故障诊断方法，所述方法包括：

接收传感器采集的电机的单通道原始数据；对所述单通道原始数据规范化至0-255，得到规范化后的单通道原始数据，称为前处理数据；

使用双线性LBP算法对所述前处理数据进行处理，得到第一LBP数据和第二LBP数据；