[发明专利]基于振动和电流信号的堆叠降噪自编码电机故障诊断方法

说明书

技术领域

本发明属于工业生产中电机的故障诊断技术领域，具体涉及多源信号(振动信号和电流信号)和堆叠降噪自编码的电机振动信号故障诊断方法。

背景技术

异步电机在当代社会生产系统中的应用越来越广泛，是工业生产活动的主要驱动设备，一旦发生故障，将带来巨大的经济损失。异步电机是由定子、转子、轴承、机座和风扇等组成的综合电气设备，其内部包含复杂的多个子系统，使电机故障呈现出多样性，其表现出的特征也千差万别；并且同一症状有可能是不同原因造成的，同一种故障表现出的特征也不尽相同。异步电机的故障特征与故障类型之间并非一一对应，其间存在较强的非线性关系。因此，有效的诊断出电机故障对避免严重故障的发生，保证机械设备的正常运行有着重大的现实意义。

电机的故障诊断方法属于模式识别的范畴，通常首先提取电机振动信号的特征，从而进行分类。使用的方法有BP神经网络、支持向量机(Support Vector Machine，SVM)、径向基网络等。近年来由于深度学习的发展，深层次的网络在图像识别、语音识别得到了广泛的应用。

堆叠降噪自编码器(Stacked Denoising Autoencoder，SDAE)作为一种深层次的网络，由多个自编码器组成，能够自适应无监督的提取信号的特征。并且通过堆叠网络的微调机制，能够有监督的训练网络，提高准确率。

发明内容

随着工业生产规模变大，每个工业装备需要的监测点增多，每个测点的采样频率越来越高，数据收集时间越来越长，这使得监测系统获得的数据量越来越大，机械健康监测领域进入大数据时代。传统方法在实现电机故障诊断时，用于试验的样本量都很小，而在机械“大数据”背景下，这些小样本就失去了实际意义，因此选择合适的故障诊断方法和提高故障诊断精确度变得尤为重要。

为了解决因电机结构复杂、振动信号非平稳和机械大数据等因素引起的异步电机故障诊断困难等问题，本发明引入深度学习理论，提出了基于堆叠降噪自编码网络的电机故障诊断方法。该方法构建多层SDAE网络，将振动频域信号和电流时域信号相结合作为输入，依次训练SDAE网络和分类器，并有监督的对整个网络进行微调，从而实现精确的电机故障诊断。

本发明技术方案如下：

SDAE网络的输入样本应尽可能包含故障信号的所有特征，振动信号包含复杂的轴承信息，电流信号包含丰富的转子特征，因此本专利将振动频域信号与电流时域信号相结合作为网络的输入，如图1所示。

SDAE电机故障网络训练过程分为5个步骤：

第一步：获取电机不同故障的振动和电流的时域信号，对其预处理，作为网络输入；

第二步：确定网络参数(网络层数、各层节点数、学习率、迭代次数等)；

第三步：逐层训练，将上一级自编码器(Auto encoder，AE)的隐藏层作为下一级AE的输入层，从而得到最终的特征编码，用于训练Softmax网络；

第四步：微调整个网络，判断是否达到预期的精确度要求，若满足要求网络训练结束，若不满足，则调整网络参数，重复第三步；

第五步：网络构建完成。

有益效果

利用SDAE分别对电机的振动时域信号、振动频域信号、振动时域信号+频域信号和振动频域信号+电流时域信号4类样本分析诊断。经过多次试验发现，如图4所示，以振动频域+电流时域信号为输入样本，在4层SDAE网络时(网络结构：2000-100-100-100-7)，准确率明显高于其他三种，达到最高99.86％。

为了与传统智能方法比较，本实验利用EMD+SVM、诊断特征+SVM这2种方法对电机进行故障诊断，同样选取所有样本的75％用于训练，剩余的25％用于测试，其结果如表1所示。

表1不同方法的诊断结果

EMD+SVM和诊断特征+SVM两种方法虽然能够较好的实现电机故障诊断，且其诊断精确度较高(分别为90.15％和93.65％)。但SDAE通过深层网络能够自适应无监督的提取更精确的特征表达，并有监督的微调整个网络，从而实现智能高效的电机故障诊断，其诊断精度为99.86％。

为了比较DAE与SDAE网络提取特征的能力，实验中以振动频域信号+电流时域信号为样本分别训练DAE和SDAE(4隐层)网络，利用主成分分析(Principal Component Analysis,PCA)提取第四层特征的两个重要分量(分别为主成分分量x和主成分分量y)并可视化，如图5所示。