【技术实现步骤摘要】
基于多局部模型决策融合的工业电机轴承故障诊断方法
本专利技术涉及一种基于多局部模型决策融合的工业电机轴承故障诊断方法，属于电机故障检测领域。
技术介绍
在现如今的社会中，工业电机普遍为用电器或各种机械的运行提供动力。其中，电机轴承故障方面是电机易发故障中一个亟待解决的问题。据统计，40-70％的机电传动系统和电机故障是由滚动轴承损坏引起的，这可能会导致由于停机而对电机运行造成极大影响，进而对工厂的生产效率产生影响，并造成一定程度的经济影响，更有甚者，引起大型事故，使得操作人员的人身安全被威胁。因此，需要对电机轴承的各种不稳定或故障状态进行排查，在故障出现之前进行预知并做出维修，避免因电机轴承故障而产生的各种影响。随着现代工业设备的迅猛发展，各类型传感器被用于对轴承的健康状况进行整体监测。但是，大多数轴承故障诊断方法仅专注于单一信息源，例如振动信号或电流信号。在复杂的工业系统中仅基于单个或者单类型传感器捕获完整的状态信息可能不足，因此需要多个类型传感器更大的概率捕获更多的互补信息。与图像数据不同，工业电机轴承故...
【技术保护点】
1.一种基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于，包括如下步骤：/nS1数据采集：分别采用两种不同类型的传感器采集电机轴承相关的数据；/nS2数据处理：分别对两种不同类型的传感器采集到的两种数据进行预处理和特征提取；/nS3建立多局部诊断模型：对步骤S2处理过的两种数据分别基于Bi-LSTM神经网络建立局部诊断模型；/nS4 决策级融合：基于DSmT理论对两个局部诊断模型输出的局部诊断结果进行决策级融合并得到最终诊断结果。/n
【技术特征摘要】
1.一种基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于，包括如下步骤：
S1数据采集：分别采用两种不同类型的传感器采集电机轴承相关的数据；
S2数据处理：分别对两种不同类型的传感器采集到的两种数据进行预处理和特征提取；
S3建立多局部诊断模型：对步骤S2处理过的两种数据分别基于Bi-LSTM神经网络建立局部诊断模型；
S4决策级融合：基于DSmT理论对两个局部诊断模型输出的局部诊断结果进行决策级融合并得到最终诊断结果。
2.根据权利要求1所述的基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于，所述步骤S1中，采用两种不同类型的传感器采集电机轴承相关的数据，一种为采用振动传感器在轴承的外壳上收集振动数据，另一种为采用内置光电编码器收集轴承的光电编码器信号。
3.根据权利要求2所述的基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于：所述步骤S2中，对收集到的两种数据进行预处理和特征提取，具体包括以下几个步骤：
S2-1分别读取振动传感器和内置光电编码器采集到的数据形成振动数据集和光电编码器数据集；
S2-2采用留出法分别对振动数据集和光电编码器数据集进行分类，其中，按3:1的比例将振动数据集分为振动数据训练集与振动数据测试集，按3:1的比例将光电编码器数据集分为光电编码器数据训练集与光电编码器数据测试集；
S2-3对于所述振动数据训练集采用经验模式分解方法，将数据信号进行分解以获得所有固有模式函数分量，进而提取振动的特征向量；
S2-4对于所述光电编码器数据训练集使用时频域分析技术，提取光电编码器数据的特征向量。
4.根据权利要求1所述的基于多局部模型决策融合的工业电机轴承故障诊断方法，其特征在于，所述步骤S3中，所述局部诊断模型为6层结构，包括输入层、两个堆叠的Bi-LSTM层、一个Attention层、一个全连接层和一个softmax分类层，其中，每个所述Bi-LSTM层包括一个LSTM前向层和一个LSTM逆向层，分别接收正向传播数据和逆向传播数据，第一个Bi-LSTM层的LSTM前向层和LSTM逆向层的输出分别作为第二个Bi-LSTM层的LSTM前向层和LSTM逆向层的输入，之后第二个Bi-LSTM层的LSTM前向层和LSTM逆向层融合输出...
【专利技术属性】
技术研发人员：刘立，张子贤，孙宁，韩光洁，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。