基于卷积神经网络的电动机故障诊断方法、装置和介质制造方法及图纸

本发明专利技术涉及一种基于卷积神经网络的电动机故障诊断方法、装置和介质，包括步骤如下：步骤1，模型训练；A，获取电动机的电参量信息和非电参量信息；提取电参量信息中的统计量特征和/或频率谱特征，并且对电参量信息进行Park变换后再进行傅里叶变换，得到变换后的频率谱特征，得到人工特征；B，利用卷积神经网络进行预训练，再将所述非电参量信息输入预训练后的卷积神经网络，得到隐性特征；C，输入分类模型，进行训练；步骤2，采集实时样本数据；步骤3，进行故障诊断。本发明专利技术为解决现有技术存在的问题，本发明专利技术采用卷积神经网络进行振动特征提取，并与电流特征进行融合，有效的提升了故障诊断分类的准确性，降低了诊断时间。

Motor fault diagnosis method, device and medium based on convolutional neural network

【技术实现步骤摘要】
基于卷积神经网络的电动机故障诊断方法、装置和介质
本专利技术涉及高压和低压电动机的故障诊断与保护领域，特别是基于卷积神经网络的故障诊断分类方法、装置和计算机可读存储介质。
技术介绍
对电动机（包括高压电动机和低压电动机）进行保护，需要对电动机的状态进行检测，对其可能产生的故障进行判断，然后再根据故障类型执行相应的保护策略。这就会用到各种传感器来采集电动机运行时的电参量（电流、电压、功率因数等）和非电参量（振动信号、位移等）。传统的数据分析和故障诊断方法包括：一，对电参量和非电参量独立分析，给出分析结果，这样的效率和准确率往往不是很高。二，将电参量和非电参量直接输入到深度神经网络中，进行特征分类。这种方式能够进行特征分类，但是其时间消耗巨大而且准确性不甚理想。
技术实现思路
本专利技术给出了一种基于卷积神经网络电动机故障诊断方法，有效的提升了故障诊断分类的准确性，降低了诊断时间。同时还提供了基于卷积神经网络电动机故障诊断装置和计算机可读存储介质。一种基于卷积神经网络的电动机故障诊断方法，包括步骤如下：步骤1，模型训练；A，获取电动机的电参量信息和非电参量信息；提取电参量信息中的统计量特征和/或频率谱特征，并且对电参量信息进行Park变换后再进行傅里叶变换，得到变换后的频率谱特征；统计量特征和/或频率谱特征，以及变换后的频率谱特征共同组成人工特征；B，利用卷积神经网络进行预训练，再将所述非电参量信息输入预训练后的卷积神经网络，得到隐性特征；>C，将人工特征与所述隐性特征一起输入分类模型，进行训练；步骤2，采集实时样本数据；步骤3，将采集到实时样本数据依照步骤A、B的方式进行处理后，一起输入到训练好的分类模型，得到故障诊断结果。进一步的，所述电参量信息为电压、电流波形；所述非电参量信息为三轴加速度波形。进一步的，步骤A中，还包括对电参量信息和非电参量信息信号加噪的步骤。进一步的，所述电参量的统计量特征包括：最大值、最小值、均值、方差、标准差、均方根、偏度、峭度、波形因子、峰值因子、脉冲因子、裕度因子。进一步的，所述分类模型为LightGBM网络。进一步的，所述卷积神经网络包括：第一卷积层，第一池化层，第二卷积层，第二池化层和全连接层。本专利技术还提供了一种基于卷积神经网络的电动机故障诊断装置，包括处理器和存储器，处理器用于执行存储于存储器中的计算机程序，以实现上述方法。本专利技术还提供了一种计算机可读存储介质，其存储有实现上述方法的计算机程序。本专利技术为解决现有技术存在的问题，本专利技术采用卷积神经网络进行振动特征提取，并与电流特征进行融合，有效的提升了故障诊断分类的准确性，降低了诊断时间。附图说明图1是本专利技术实施例的原理示意图；图2是本专利技术实施例的流程图。具体实施方式下面结合附图进行说明。方法实施例从整体来看，本专利技术属于智能诊断识别方法。本实施例的设计思想为：借鉴卷积神经网络的网络结构优点，通过网络自动提取三轴加速度信号的内在隐性特征，而不是直接利用网络得到结果。并通过与三相电流提取的人工特征进行结合，将两种数据源共同进行决策分析，最终利用LightGBM决策树网络进行训练，生成训练模型。同时实时采集当前电机的三相电流和三轴加速度数据，根据上述方法进行特征融合后，将特征输入已经训练好的分类模型中进行故障诊断，得到当前电机故障分类结果。如图1、图2所示，具体步骤包括：步骤1，模型训练。本实施例使用电参量为三相电流信号，非电参量为三轴振动加速度信号。三相电流信号为A相、B相和C相电流，每相各采集10s连续波形，采样率为1KHz。同时对三相电流信号进行切片，每相电流共10K个点，每相平均切片300个样本，每相每个样本共100个点，将同一时间片上的三相样本组合成一个数组，维度[3,100]。三轴加速度信号为X轴、Y轴和Z轴加速度信号，每轴各采集10s的连续波形，采样率为10KHz。同时对三轴加速度信号进行切片，每轴加速度信号共100K个点，每轴平均切片300个样本，每轴每个样本共1000个点，将同一时间片上的三轴样本组合成一个数组，维度[3,1000]。三相电流信号和三轴加速度信号必须同时采集，采样率可调，采样时长可调，切片样本数也可调，采样率无需保持一致，采样时长须一致。电参量和非电参量的采集需要注意，采样率可以不一样，采样时间尽量保持一致。同时，在对多种信号进行切片时，按相同时间段进行切片，这样即保证了样本数的一致，同时在特征融合时也保证了融合的特征为同一时间段的多种特征。信号加噪，对于模型训练阶段，对原始数据进行信号加噪，会让数据变得有一定误差而具有实验价值。本实施例中，信号加噪添加的噪声为高斯白噪声，向数据添加了信噪比为13dB的高斯噪声，即为原始数据5%的功率噪声。对上述的三相电流样本，计算每个样本中每相的统计量特征，包括最大值、最小值、均值、方差、标准差、均方根、偏度、峭度、波形因子、峰值因子、脉冲因子、裕度因子。每相共12个，每个样本共36个。对每个样本每相电流进行快速傅里叶变换，得到对应的频谱数组，共三组，每组共51个特征点。对每个样本三相电流进行Park变换后，在进行快速傅里叶变换，得到一组频谱数组，共51个特征点。将样本特征点进行组合，故三相电流信号每个样本共240个特征点。本实施例同时提取了（未经过Pak变换的）频率谱特征和变换后的频率谱特征，它们之间有比较和进一步印证的作用，相对于只提取变换后的频率谱特征，能够进一步提高诊断准确性。其中，电参量（三相电流Ia，Ib，Ic）特征提取，对三相电流进行了Park变换，并提取了其频谱特征。Park变换特征对与电机定子绕组匝间短路故障分析具有良好的诊断效果。Park变换是目前分析同步电动机运行最常用的一种坐标变换，Park变换将定子的a,b,c三相电流投影到随着转子旋转的直轴（d轴），交轴（q轴）与垂直于dq平面的零轴（0轴）上去，从而实现了对定子电感矩阵的对角化，对同步电动机的运行分析起到了简化作用。对上述的三轴加速度样本，无需进行特征提取，只需要输入到卷积神经网络（CNN）即可。需设计对应的卷积神经网络结构，输入为[3,1000,1]的矩阵，卷积核为[3,101,1]共32个，则第一个卷积层为[1,900,32]。然后进行池化，池化核[1,5,1]，步长为5，则第一个池化层为[1,180,32]。继续进行卷积，第二个卷积核为[1,21,32]共64个,则第二个卷积层为[1,160,64]。然后进行池化，池化核[1,5,1]，步长为5，则第二个池化层为[1,32,64]。随后将第二个池化层映射到全连接层，并乘以relu激活函数，即将三位数组转化为一维数组输出，输出长度为1024。这里获得每个三轴加速度样本的卷积神经网络的特征点，共1024个。CNN预训练处理，上述的卷积神经网络提取的样本特征使用的是未经过训练的网络，本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的电动机故障诊断方法，其特征在于：包括步骤如下：/n步骤1，模型训练；/nA，获取电动机的电参量信息和非电参量信息；提取电参量信息中的统计量特征和/或频率谱特征，并且对电参量信息进行Park变换后再进行傅里叶变换，得到变换后的频率谱特征；统计量特征和/或频率谱特征，以及变换后的频率谱特征共同组成人工特征；/nB，利用卷积神经网络进行预训练，再将所述非电参量信息输入预训练后的卷积神经网络，得到隐性特征；/nC，将人工特征与所述隐性特征一起输入分类模型，进行训练；/n步骤2，采集实时样本数据；/n步骤3，将采集到实时样本数据依照步骤A、B的方式进行处理后，一起输入到训练好的分类模型，得到故障诊断结果。/n

【技术特征摘要】
1.一种基于卷积神经网络的电动机故障诊断方法，其特征在于：包括步骤如下：
步骤1，模型训练；
A，获取电动机的电参量信息和非电参量信息；提取电参量信息中的统计量特征和/或频率谱特征，并且对电参量信息进行Park变换后再进行傅里叶变换，得到变换后的频率谱特征；统计量特征和/或频率谱特征，以及变换后的频率谱特征共同组成人工特征；
B，利用卷积神经网络进行预训练，再将所述非电参量信息输入预训练后的卷积神经网络，得到隐性特征；
C，将人工特征与所述隐性特征一起输入分类模型，进行训练；
步骤2，采集实时样本数据；
步骤3，将采集到实时样本数据依照步骤A、B的方式进行处理后，一起输入到训练好的分类模型，得到故障诊断结果。


2.根据权利要求1所述的一种基于卷积神经网络的电动机故障诊断方法，其特征在于：所述电参量信息为电压、电流波形；所述非电参量信息为三轴加速度波形。


3.根据权利要求1所述的一种基于卷积神经网络的电动机故障诊断方法，其特征在于：所述电参量和非电参量采样时间一致，采样率一致或者不一致。


4.根据权利要求1所述的一种基于卷积神经网络的电动机故障诊断方法，其特征在于：还包括对电参量信号和非电参量信号进行切片的...

【专利技术属性】
技术研发人员：季振山，刘少清，王勇，陈春华，
申请(专利权)人：许昌中科森尼瑞技术有限公司，
类型：发明
国别省市：河南;41