一种使用DBN多域特征提取的立体车库电机故障诊断方法技术

本发明专利技术公开了一种使用DBN多域特征提取的立体车库电机故障诊断方法，包括：对立体车库齿轮减速电机的振动信号进行时频域特征提取；利用DBN模型对时频域特征指标进行进一步的深度特征提取；将深度提取的特征输入到训练好的One‑Class SVM模型进行故障诊断，得到电机是否故障的诊断结果，判断电机是否发生故障，进而通知车库管理员进行相应处理。使用DBN进行多域的深度特征提取，可以提取到更深层的振动信号特征，提高电机故障诊断的准确率，同时提高立体车库电机的维护效率。

【技术实现步骤摘要】
一种使用DBN多域特征提取的立体车库电机故障诊断方法
本专利技术属于故障诊断
，涉及一种使用DBN多域特征提取的立体车库电机故障诊断方法。
技术介绍
立体车库迅速发展的同时，会带来较多的运行安全问题，由于立体车库长期工作在户外环境中，因为天气等各种因素可能导致车库电机运行超温，超转等故障，提高车库运行安全成为人们关注的关键问题。而电机作为立体车库的重要组成部分，因绝缘老化、长时间超负荷运行、周边环境因素等原因，可能随时出现故障，而电机的一部分故障往往会引起整个系统故障，导致一系列的安全问题与经济损失。目前立体车库管理人员多使用人工定期检查的方式来对电机进行维护，这样的维护方式不仅效率低，而且无法保证车库的运行安全，同时在电机故障诊断领域中，多数故障诊断方法仅仅使用时域指标或频域指标来对电机振动信号进行故障诊断，没有结合时域与频域两个域的特征指标来对电机振动信号进行综合判断，一定程度上影响了立体车库电机的故障诊断模型的准确性与泛化能力。
技术实现思路
本专利技术目的是：提供一种提高电机维护效率，使用DBN进行电机振动信号多域特征提取的立体车库电机故障诊断方法。本专利技术的技术方案是：一种使用DBN多域特征提取的立体车库电机故障诊断方法，包括：步骤1，通过压电式振动传感器采集立体车库的电机实时振动信号，提取齿轮减速电机的振动信号时频域的统计指标，组成电机振动信号特征向量；步骤2，基于DBN对振动信号作深度特征提取，设置DBN网络参数，对上一步的时频域统计指标进行重新学习，提取深度隐含特征；步骤3，基于OCSVM进行电机故障诊断，将DBN提取的特征向量输入到训练好的OCSVM一分类模型，判断电机是否发生故障。2.根据权利要求1所述的立体车库电机故障诊断方法，其特征在于，步骤1中的所述提取电机振动信号时频域的统计指标包括：步骤11，针对采集到的立体车库电机振动信号，进行时域分析，求出波形因子、峰值因子、脉冲因子、裕度因子、偏度因子、峭度因子六个无量纲时域特征指标；步骤12，针对采集到的立体车库电机振动信号，进行频域分析，求出(0.01～0.4)f、(0.4～0.5)f、0.5f、(0.5～1)f、f、2f、>2f，7个功率谱段能量百分比；步骤13，将时频域特征指标结合，使用线性归一化方法对时频域统计指标进行预处理，保持数据结构的相对不变，形成电机振动信号的特征向量。3.根据权利要求2所述的立体车库电机故障诊断方法，其特征在于，步骤2中的所述基于DBN对振动信号作深度特征提取，包括：步骤21，对DBN网络进行预训练，采用自下而上逐层训练的方法，输入归一化之后的电机振动信号时频域指标，每个RBM通过正向传播和反向重构来更新权值参数，然后固定当前RBM的参数，再将当前的RBM的输出作为下一个RBM的输入进行训练，以此类推直至所有RBM训练完毕；步骤22，对DBN网络进行参数优化的全局训练，使用带有标签的电机振动信号训练样本来对网络进行有监督训练，将BP网络作为DBN模型的最后一层，以RBM网络输出的特征向量作为BP网络的输入向量，通过将反向误差自上而下传播到每层RBM中，微调整个DBN网络的权值参数，进行参数优化，达到整体最优的网络；步骤23，将电机振动信号的时频域特征输入到训练好的DBN网络，进行深度特征提取后，输出相应的特征向量，供分类模型进行故障诊断。4.根据权利要求3所述的立体车库电机故障诊断方法，其特征在于，步骤3中的所述基于OCSVM的一分类模型对电机进行故障诊断，包括：步骤31，设置One-ClassSVM模型的高斯核参数与惩罚参数；步骤32，将经过DBN深度特征提取的特征向量输入到One-ClassSVM一分类模型中进行训练，得到训练好的OCSVM模型；步骤33，将需要诊断的电机振动信号时频域特征输入到DBN网络进行深度特征提取，再将得到的特征向量输入到OCSVM模型，得到电机是否故障的结果。有益效果：通过融合DBN多域特征深度提取和One-ClassSVM故障分类模型，针对电机振动信号的时域与频域的特征进行深度特征提取，将提取后的多域隐含的特征用于电机的故障诊断，提高了故障诊断模型的准确性与泛化性，同时根据立体车库电机正常与异常样本悬殊的特点，使用一分类支持向量机模型进行故障识别，有利于帮助维护人员发现早期异常，迅速查明故障原因，以便立体车库及时有效的进行故障处理，降低立体车库维护维修成本，大幅提高立体车库运行的可靠性和安全性。附图说明图1是使用DBN多域特征提取立体车库电机故障诊断方法的模型架构图2是该方法在实际立体车库应用的电机故障诊断界面具体实施方式实施例：本申请提供了一种使用DBN多域特征提取的立体车库电机故障诊断方法，如图1所示，该方法可以包括以下步骤：步骤1，通过压电式振动传感器采集立体车库的电机实时振动信号，提取齿轮减速电机的振动信号时频域的各项统计指标，组成电机振动信号特征向量；步骤11，针对采集到的立体车库电机振动信号，进行时域分析，求出波形因子，峰值因子，脉冲因子，裕度因子，偏度因子，峭度因子六个无量纲时域特征指标；结合参考图2，示例性的，对一段采样点为2000的电机振动信号进行时域分析，求出其波形因子为1.346，峰值因子为2.875，脉冲因子为3.851，裕度因子为4.364，偏度因子为3.321，峭度因子为2.785。步骤12，针对采集到的立体车库电机振动信号，进行频域分析，求出(0.01～0.4)f、(0.4～0.5)f、0.5f、(0.5～1)f、f、2f、>2f，7个功率谱段能量百分比；结合参考图2，示例性的，立体车库电机工作频率为50Hz，其7个功率谱端能量百分比分别为0.0023,0.0352，0.0254，0.0142，0.7354，0.1671，0.0204.步骤13，将时频域特征指标结合，使用线性归一化方法对时频域统计指标进行预处理，保持数据结构的相对不变形成电机振动信号的特征向量；线性归一化公式如下所示：步骤2，基于DBN对振动信号作深度特征提取，设置DBN网络参数，对上一步的时频域统计指标进行重新学习，提取深度隐含特征；步骤21，对DBN网络进行预训练，采用自下而上逐层训练的方法，输入归一化之后的电机振动信号时频域指标，每个RBM通过正向传播和反向重构来更新权值参数，然后固定当前RBM的参数，再将当前的RBM的输出作为下一个RBM的输入进行训练，以此类推直至所有RBM训练完毕；示例性的，设置RBM的迭代次数为100。步骤22，对DBN网络进行参数优化的全局训练，使用带有标签的电机振动信号训练样本来对网络进行有监督训练，将BP网络作为DBN模型的最后一层，以RBM网络输出的特征向量作为BP网络的输入向量，通过将反向误差自上而下传播到每层RBM中，微调整个DBN网络的权值参数，进本文档来自技高网...

【技术保护点】
1.一种使用DBN多域特征提取的立体车库电机故障诊断方法，其特征在于，包括：/n步骤1，通过压电式振动传感器采集立体车库的电机实时振动信号，提取齿轮减速电机的振动信号时频域的统计指标，组成电机振动信号特征向量；/n步骤2，基于DBN对振动信号作深度特征提取，设置DBN网络参数，对上一步的时频域统计指标进行重新学习，提取深度隐含特征；/n步骤3，基于OCSVM进行电机故障诊断，将DBN提取的特征向量输入到训练好的OCSVM一分类模型，判断电机是否发生故障。/n

【技术特征摘要】
1.一种使用DBN多域特征提取的立体车库电机故障诊断方法，其特征在于，包括：
步骤1，通过压电式振动传感器采集立体车库的电机实时振动信号，提取齿轮减速电机的振动信号时频域的统计指标，组成电机振动信号特征向量；
步骤2，基于DBN对振动信号作深度特征提取，设置DBN网络参数，对上一步的时频域统计指标进行重新学习，提取深度隐含特征；
步骤3，基于OCSVM进行电机故障诊断，将DBN提取的特征向量输入到训练好的OCSVM一分类模型，判断电机是否发生故障。


2.根据权利要求1所述的立体车库电机故障诊断方法，其特征在于，步骤1中的所述提取电机振动信号时频域的统计指标包括：
步骤11，针对采集到的立体车库电机振动信号，进行时域分析，求出波形因子、峰值因子、脉冲因子、裕度因子、偏度因子、峭度因子六个无量纲时域特征指标；
步骤12，针对采集到的立体车库电机振动信号，进行频域分析，求出(0.01～0.4)f、(0.4～0.5)f、0.5f、(0.5～1)f、f、2f、>2f，7个功率谱段能量百分比；
步骤13，将时频域特征指标结合，使用线性归一化方法对时频域统计指标进行预处理，保持数据结构的相对不变，形成电机振动信号的特征向量。


3.根据权利要求2所述的立体车库电机故障诊断方法，其特征在于，步骤2中的所述基于DBN对振动信号作深度特征提取...

【专利技术属性】
技术研发人员：李涛，牛丹，李凡，陈夕松，孙长银，李永胜，朱史峰，
申请(专利权)人：江苏聚力智能机械股份有限公司，
类型：发明
国别省市：江苏;32