[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

说明书

本发明公开了一种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，本发明包括获取多种电机故障状态下的振动信号样本，变换为频域信号，并利用时频旋转门法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的网络结构再训练以用于电机故障诊断。本发明能够提高电机故障诊断的准确性和效率。

技术领域

本发明涉及电机故障诊断技术领域，具体涉及一种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。

背景技术

电机作为工业领域中重要设备的关键部件，面临着较为复杂的物理运行环境和工作条件。在电机的长期运行过程中，可能会出现各种故障，影响工业生产的效率，造成安全问题。

当电机出现故障时，与其运行状态相关的振动、定子电流、转矩等都会发生周期性变化。起初，传统方法主要采用时间序列信号进行故障诊断。常用的时间序列分析方法包括参数算法和冲击脉冲法。时间序列是直观的，易于理解。但是，当存在大量的外部干扰噪声时，针对时间序列信号的故障诊断会产生一些困难。随后，学者们开始将注意力转向频域信号。电机故障会改变信号的频谱，可以通过获得频谱特征分布来识别故障的类型。然而，与时间序列相比，由于频率信号更容易收到不同频率噪声的干扰，所以信息更容易丢失。因此，近年来，时间序列和频域信号的结合分析成为首选，其可以更好地提取故障信号的特征，而不会有丢失信息的风险。

从故障信号中提取故障信息是故障诊断的基础，主要采用快速傅里叶变换（FFT）、连续小波变换（CWT）、希尔伯特-黄变换和s-变换等来提取故障特征。但一维（1-D）时间序列和频域信号的故障特征仅限于1-D，容易受到外部噪声干扰。二维（2-D）图像可以有效地反映信号振幅和相位之间的相关性，深层次的有效特征。基于二维图像的特征提取也已成为故障诊断的一个重要方法。

流行的二维图像转换方法有格拉姆角场GAF、对称点模式SDP和马尔可夫转换场MTF等。这些方法能够在转换过程中保留数据的时间关系，并在二维图像中直接呈现信息特征相关性。二维图像诊断方法主要是将一维信号映射到二维空间，如时频域或相位空间，从而使全局特征能够被机器视觉方法充分显示和识别。

转换后的二维图像信号大多由神经网络和特征识别方法进行诊断。深度学习方法如卷积神经网络CNN和图神经网络GNN被广泛用于该领域。而特征识别方法如尺度不变量特征变换SIFT和加速鲁棒特征算法SURF被用来提取图像特征。此外，现有技术还包括：基于深度卷积神经网络DCNN和支持向量机SVM的故障诊断方法，用于提取轴承和转子中多种故障的自动诊断；超支多尺度CNN方法，用于不同负载条件下的故障诊断；深度卷积迁移学习网络DCTLN，用于提取特征并识别电机的健康状态；基于对称点模式信息融合的CNN故障诊断方法，以解决行转子振动信号的高复杂性、非线性和不稳定性问题；基于图像视觉信息和词包模型BoVW的诊断方法，其中采用SDP和SIFT提取故障信息。虽然上述方法的性能都很好，但仍有一些普遍存在的问题需要进一步解决：1）诊断方法的参数对于准确和有效的故障识别至关重要。然而，对于不同类型的故障，其信号类型和数据量各不相同。要调整诊断方法的参数以适应所有类型的故障识别是很困难的。此外，为每一种类型的故障测试参数显然是不现实的。2）对于不同的神经网络，神经元和网络深度的选择都需要复杂的调试过程。同样的网络结构对不同的数据有不同的诊断效果。在实际应用中，要根据不同的数据改变网络结构是非常困难的。

发明内容