[发明专利]一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法

说明书

本发明提出了一种基于多尺度SE‑Resnet的电机振动数据处理与状态识别方法，涉及故障诊断领域，首先，利用变分自编码器VAE对输入原始振动信号的特征概率分布进行学习，通过采样重构隐含变量作为深度特征，其次，将深度特征输入多尺度注意力残差网络SE‑Resnet，通过对不同尺度核的卷积特征的融合，输出多尺度特征，来提升输出特征空间的抗噪能力；最后，采用随机森林RF作为电机故障分类器，将得到的多尺度特征输入RF分类器中，实现电机故障状态识别。本发明所提出的方法可以利用多尺度特征提升模型识别精度的，能够减少对专家知识的依赖，尤其是提升模型在电机变工况和噪声干扰情况下的识别准确率，符合现实生产过程中的实际需要。

技术领域

本发明涉及故障诊断领域，尤其涉及一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法。

背景技术

电机是提升机变频控制系统中关键部件，由于长期处于复杂工作环境中，不断受到载荷多变、散热条件差、零部件老化等影响，故障频繁发生，进而降低驱动装置的工作效率和稳定性。除此之外，电机故障种类繁多，传统电机故障诊断方法存在不确定性、诊断准确率低、诊断流程复杂问题，而深度学习的故障诊断方法在故障提取方面具有较强的特征学习能力、诊断流程简单以及分类能力强优势，已成为故障诊断领域的研究热点，常见的深度学习模型有循环神经网络(Recursive Neural Netword,RNN)、Convolutional NeuralNetword,CNN)、深度置信网络(Deep Belief Netword,DBN)、变分自编码器以及他们之间的组合网络。其中，对比传统提取特征的方法，自编码器方法采用无监督学习方法从数据中提取深度特征，且深度特征替代传统时频域特征、时域特征以频域特征，这避免了专业知识的依赖和人为因素影响。因此，自编码器在特征故障提取方面广泛应用。

自动编码器(Automatic Encoder AE)是无监督学习范畴中的一种生成模型。它通常使用深度神经网络对其组件进行建模，网络不需要标签数据，如编码器和解码器。它也属于深度学习的范畴，它被定义为一种使用多个处理层形成计算模型的方法，以便在多层抽象数据中学习复杂的结构特征。2013年，Diederik P.Kingma和Max Wells首次提出了VAE的概念，并成功地将其应用于大型数据集。解码器和编码器组是VAE中的重要组成部分。编码器的目的是将高维数据映射到一个低维特征空间，得到的低维表示，称为潜码。在接收到低维表示后，解码器从这些低维表示中恢复原始数据，避免训练网络时过拟合。VAE作为一种深度特征提取器，已在故障诊断领域中表现出优异的性能。潜码在特征空间中遵循特定的分布，这样物理空间中的相邻数据点在编码器定义的特征空间中仍然可以保持较近的距离，只有故障位置的数据点与大多数数据点保持相对较大的距离。另一方面，卷积神经网络具有强大的特征信息提取和模型拟合能力，输入数据分别经过CNN的卷积层、激活层、池化层，特征通道数不断增加而特征图尺寸不断减小，同时不同尺寸的卷积核提取的特征信息也有所不同，融合不同卷积核尺寸提取的特征能够从多种层面提升CNN的特征表达能力，且注意力机制使网络能够快速聚焦、获取高相关特征信息的特点。在此基础上，针对在电机故障诊断实际应用中，监测数据严重缺乏以及变工况下与强噪音干扰环境下传统故障诊断方法准确率低问题。

由于传统电机故障诊断方法存在不确定性、诊断准确率低、诊断流程复杂问题，且诊断模型对对变工况运行条件下的泛化能力弱。自编码器方法采用无监督学习方法从数据中提取深度特征，且深度特征替代传统时频域特征、时域特征以频域特征，这避免了专业知识的依赖和人为因素影响。另一方面，不同尺寸的卷积核提取的特征信息也有所不同，融合不同卷积核尺寸提取的特征是提升网络模型的自适应性、抗噪性能和识别精度的重要手段之一。

发明内容

为了满足目前实际工业生产中对电机故障诊断的需要，保证电机能安全可靠运行，以及减少其故障所带来的风险，本发明提供一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法，其可以明显提高诊断准确性，减少对专家知识的依赖以及融合多尺度特征提升网络识别精度的目的，尤其是提升了模型在电机变工况和噪声干扰情况下的识别准确率，符合现实生产过程中的实际情况。