[发明专利]时频旋转门与卷积核感知匹配的电机故障诊断方法及系统

权利要求书

1.一种时频旋转门与卷积核感知匹配的电机故障诊断方法，其特征在于，包括：

S101，获取多种电机故障状态下的振动信号样本；

S102，将振动信号样本通过快速傅里叶变换为频域信号；

S103，将频域信号利用时频旋转门法SDA预处理，同时将频域信号进行时序图像转换生成二维图像样本作为卷积神经网络CNN的输入，调整时频旋转门法SDA的参数以及卷积神经网络CNN的卷积层数和卷积核大小，使得时频旋转门法SDA预处理得到的数据特征数据量、卷积神经网络CNN的卷积核感知匹配，根据卷积核感知匹配时的卷积层数和卷积核大小确定卷积神经网络CNN的网络结构；其中，时频旋转门法SDA预处理得到的数据特征数据量、卷积神经网络CNN的卷积核感知匹配的函数表达式为：

，

上式中，为不同故障特征的相关性常数，为SDA门宽，为不同故障的原始数据量，为卷积神经网络CNN中的第个卷积层中神经元的感受野，为卷积神经网络CNN中的第个卷积层卷积核的大小，为卷积神经网络CNN中的卷积层数量，为卷积神经网络CNN中的第个卷积层的步长；其中，感受野的计算函数表达式为：

，

上式中，为卷积神经网络CNN中的第个卷积层中神经元的感受野，为卷积神经网络CNN中的第个卷积层的每个前向元素，且有：

，

上式中，为卷积神经网络CNN中的第个卷积层的每个前向元素，为卷积神经网络CNN中的第个卷积层的步长；

S104，采用二维图像样本及其对应的故障状态训练卷积神经网络CNN的网络参数，完成对用于电机故障诊断的卷积神经网络CNN的训练。

2.根据权利要求1所述的时频旋转门与卷积核感知匹配的电机故障诊断方法，其特征在于，步骤S103中将频域特征利用时频旋转门法SDA预处理时，预处理前后的频域特征之间的均方偏差满足下式所示的约束条件：

，

上式中，为预处理前后的频域特征之间的均方偏差，为常数，为频域点数，为预处理后的频率信号的功率谱幅值，为频率信号的功率谱幅值，MSF为频域信号的均方根频率。

3.根据权利要求2所述的时频旋转门与卷积核感知匹配的电机故障诊断方法，其特征在于，所述频域信号的均方根频率的计算函数表达式为：

，

上式中，MSF为频域信号的均方根频率，为频率信号，为频率信号的功率谱幅值。

4.根据权利要求1所述的时频旋转门与卷积核感知匹配的电机故障诊断方法，其特征在于，步骤S103中将频域信号进行时序图像转换生成的二维图像样本为格拉姆角场图像。

5.根据权利要求1所述的时频旋转门与卷积核感知匹配的电机故障诊断方法，其特征在于，步骤S103中将频域信号进行时序图像转换生成的二维图像样本为对称点图案图像。

6.根据权利要求1所述的时频旋转门与卷积核感知匹配的电机故障诊断方法，其特征在于，步骤S103中调整时频旋转门法SDA的参数以及卷积神经网络CNN的卷积层数和卷积核大小时，卷积神经网络CNN初始结构为一个3×3卷积核的卷积层。

7.根据权利要求1所述的时频旋转门与卷积核感知匹配的电机故障诊断方法，其特征在于，步骤S104后还包括：

S201，获取被检测电机的振动信号；

S202，将振动信号通过快速傅里叶变换为频域信号；

S203，将频域信号进行时序图像转换生成二维图像；

S204，将二维图像输入卷积神经网络CNN，得到被检测电机的故障状态。

8.一种时频旋转门与卷积核感知匹配的电机故障诊断系统，包括相互连接的微处理器和存储器，其特征在于，所述微处理器被编程或配置以执行权利要求1～7中任意一项所述时频旋转门与卷积核感知匹配的电机故障诊断方法。

9.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述计算机程序用于被微处理器编程或配置以执行权利要求1～7中任意一项所述时频旋转门与卷积核感知匹配的电机故障诊断方法。