一种声振信号联合1D-CNN的大型电机故障诊断方法技术

本发明专利技术公开了一种声振信号联合一维卷积神经网络(1D-CNN)故障诊断方法，该方法包括以下内容：首先对采集到的声信号采用背景噪声库联合稀疏表示去除噪声，然后将声音信号进行带通滤波(7kHz-20kHz)，叠加低频振动信号(7kHz内)形成频带更完整的电动机状态表征信息。再对经过滤波提纯处理后信息进行重叠式数据扩容，获取1D-CNN训练所需大量数据。最后将数据样本输入1D-CNN进行学习训练，采用局部均值归一化(LRN)和核函数去相关性改进1D-CNN模型结构，降低了抽油机正负半周工况波动对电动机诊断准确性影响。这是一种针对复杂运行环境下大功率电动机故障诊断的新方法，诊断准确率高，泛化性能好，与传统的电动机故障诊断方法相比优势明显。优势明显。优势明显。

【技术实现步骤摘要】
一种声振信号联合1D-CNN的大型电机故障诊断方法


[0001]本专利技术涉及油田电气设备故障诊断
，具体的，涉及一种声音振动信号联合一维卷积神经网络(1D-CNN)的大型电机故障诊断方法。

技术介绍

[0002]电动机的可靠运行是游梁式采油机正常工作的基础。采油井所处背景环境复杂，加之三相电机驱动大型游梁式采油机工况的特殊性，对其进行准确故障诊断实际上更为困难。
[0003]对于电动机机械故障辨识，前人的研究大多集中在电机振动信号和定子电流信号。对于电流信号分析诊断故障而言，由于与故障存在相关性的频率分量较小，直接对电动机机械故障不够敏感；非侵入式振动信号通常采用压电式加速度传感器采集，但传感器安装和耦合方式影响信号频率响应范围。与振动同源的声信号由于测量频带宽可以有效避免饱和失效现象，并且拾音器安装方便，信号不受安装方式的影响。但是声振信号如何进行有效联合互补处理，发挥各自优势，对大型异步电机进行故障诊断具有重要研究价值。
[0004]诸多研究对声振联合进行了探索，但仅限于断路器设备，并且将声振信号两者进行机械地联合，未考虑背景情况和声振信号差异性互补，导致诊断的准确率不够高。在分布式油井所处的恶劣环境下，如何发挥声振信号联合优势进行设备故障诊断更具有挑战性。
[0005]常见的主流故障模式识别算法主观性过强，容易造成故障信息的遗漏和丢失。遴选、提取特征后再选择合适的分类器进行故障分类，样本数据变动时需要有针对性的不断对特征提取方法和阈值进行调整，诊断模型及算法总体泛化能力差。/>
技术实现思路

[0006]本专利技术的目的是提供一种提高大型电动机准确率和泛化性的诊断方法，利用声振信号频段互补优势，依靠深度学习强大的自学习能力进行特征提取和故障诊断，其中的重点是大型电机的声振信号预处理以及1D-CNN模型优化。
[0007]为实现上述目的，本专利技术采用了如下技术方案：
[0008]一种声振信号联合1D-CNN的大型电机故障诊断方法，首先对采集到的声信号采用背景噪声库联合稀疏表示去除噪声，然后将声音信号进行带通滤波(7kHz-20kHz)，叠加低频振动信号(7kHz内)形成频带更完整的电动机状态表征信息。再对经过滤波提纯处理后信号进行重叠式数据扩容，获取1D-CNN训练所需大量数据。最后将数据样本输入1D-CNN进行学习训练，采用局部均值归一化(LRN)和核函数去相关性改进1D-CNN模型结构，降低了抽油机正负半周工况波动对电动机诊断准确性影响，提高了故障诊断的准确率和泛化性。步骤如下：
[0009](1)考虑采油井现场声振信号的频带特点，对声音信号进行背景噪声库联合稀疏表示去噪。首先建立背景噪声库去除模板噪声，然后训练有效反映残余噪声信号结构特征的超完备字典，用OMP算法将字典原子进行线性组合来重构原始信号去除噪声。最后将振动
和声音有机联合控制表征故障信息的频率范围，为电机故障诊断准确率提高奠定基础。
[0010](2)将去噪后的声振信号进行频带互补处理，先采用带通滤波器滤除低频噪声和高频噪声信号，再采用低通滤波器滤除高频失真的振动信号，将两者互补特性联合从可以而精准的掌握整个故障阶段的信息，为卷积神经网络准确诊断故障提供精准的样本数据。
[0011](3)采用有重叠的样本数据扩容提供1D-CNN所需大量的一维训练样本，数据扩容后模型在相同的采样率下获得同等数量样本所需的时间更短，效率更高。
[0012](4)对于采油机而言，电动机通过皮带拖动减速箱使游梁做上下冲程运动导致数据变动很大，限制了1D-CNN泛化性能和准确率的提高。故针对上述特点对核函数去相关性且增加局部响应归一化层改进CNN结构。验证1D-CNN准确率和泛化性。
[0013]步骤(1)所述的背景噪声库联合稀疏表示去噪，需要预先建立背景噪声库模板，然后将采集的声音信号进行噪声模板匹配去除模板噪声。进行模板匹配时需要用到Mel倒谱系数(MFCC)，其过程如下。
[0014]设声音信号的离散傅里叶变换为：
[0015][0016]式中x(n)为声信号，N表示傅里叶变换的点数。计算每个滤波器组输出的对数能量：
[0017][0018]其中Hm(k)为三角滤波器的频域响应函数。对S(m)经过离散余弦变换(DCT)得到MFCC系数。
[0019][0020]针对仍有残余噪声、信噪比不高的电机声音信号，根据其尖峰和突变形态特征差异明显特点，第二步利用广义K-奇异值分解算法(K-SVD)算法求得基于稀疏和冗余的训练字典，用正交匹配追踪算法(OMP)算法把一定数量的字典原子进行线性组合来构成原始信号，从而得到降噪后的信号。
[0021]步骤(2)所述的声振信号进行频带互补处理采用有限长单位冲激响应(FIR)带通滤波器滤除低于7kHz和高于20kHz声音信号，再采用低通滤波器滤除7kHz以上振动信号，二者互补联合构造完整的频带信息。
[0022]步骤(3)所述的重叠式数据扩容：对长度为N的信号x，设置样本长度为L，重叠率为λ，扩容分割方法如下：
[0023]求得当前信号长度下最大可分割样本数量：为向下取整运算符
[0024]求取每个分割样本。第i个样本在原信号的位置表示如下：
[0025]x
i
＝X[(i-1)
×
L
×
(1-λ)+(0：1)
×
L]，i∈[1，n][0026]样本分割长度太短可以提高模型收敛速度，节省训练时间，但是易造成非线性特
征信息缺失；样本分割长度太长会降低模型收敛速度，影响诊断的实时性。故要选择适合的样本长度和重叠率。
[0027]步骤(4)所述的1D-CNN模型由输入层、卷积层、池化层、全连接层和输出层组成。每一层的权值矩阵与特征矩阵进行卷积，前一层的卷积结果经过激活函数运算会输出成为下一个神经元，以便构造下一层对应的特征。
[0028]卷积层通过卷积核对输入数据进行卷积，利用非线性激活函数构造特征矢量。同一个卷积核在卷积过程中共享参数得到一类特征，计算过程公式为：
[0029][0030]其中代表第l层输入，N
j
代表输入特征矢量，l代表第l层网络，k代表卷积核，b代表卷积核的偏置。常选择修正线性单元(ReLU)作为非线性激活函数，可以使得一部分的神经元输出为0，减少参数的相互依赖，提高网络的稀疏性，有效抑制过拟合问题。ReLU的计算如下：
[0031][0032]其中：是的激活值，代表卷积运算的输出值。
[0033]池化层通过池化核对输入数据进行缩放映射，对数据降维同时提取特征。池化包含平均池化和最大池化，其变换函数为：
[0034][0035]其中：W为卷积核宽度，为第l层第i个特征中第t个神经元的值，为第l+1个神经元对应的值。
[0036]CNN的输出层对最后一个池化层的输出进行全连接，然后采用Soft-Max分类器解决多分类问题，模型如下：<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种通过声音振动信号联合一维卷积神经网络(1D-CNN)的大型电机故障诊断方法，其特征在于，包括步骤：(1)考虑采油井现场声振信号的频带特点，对声音信号进行背景噪声库联合稀疏表示去噪。首先建立背景噪声库去除模板噪声，然后训练有效反映残余噪声信号结构特征的超完备字典，用OMP算法将字典原子进行线性组合来重构原始信号去除噪声。最后将振动和声音有机联合控制表征故障信息的频率范围，为电机故障诊断准确率提高奠定基础。(2)将去噪后的声振信号进行频带互补处理，先采用带通滤波器滤除低频噪声和高频噪声信号，再采用低通滤波器滤除高频失真的振动信号，将两者互补特性联合从可以而精准的掌握整个故障阶段的信息，为卷积神经网络准确诊断故障提供精准的样本数据。(3)采用有重叠的样本数据扩容提供1D-CNN所需大量的一维训练样本，数据扩容后模型在相同的采样率下获得同等数量样本所需的时间更短，效率更高。(4)对于采油机而言，电动机通过皮带拖动减速箱使游梁做上下冲程运动导致数据变动很大，限制了1D-CNN泛化性能和准确率的提高。故针对上述特点对核函数去相关性且增加局部响应归一化层改进CNN结构。2.根据权利要求1所述的声振信号联合1D-CNN的大型电机故障诊断方法，其特征在于对声音信号进行背景噪声库联合稀疏表示去噪。首先建立由采油机工作现场夹杂的风声、打雷声、汽笛声、人语声、抽油机皮带摩擦、减速箱异响和游梁机械运行等二十余种噪声组成的背景噪声库。然后将拾音器获得声音信号进行双门限端点检测计算起始点，再使用MFCC获取频域分布信息，提取背景信号特征后采用动态时间规整(DTW)进行模板匹配去除模板噪声。最后利用广义K-奇异值分解算法(K-SVD)算法求得基于稀疏和冗余的训练字典，用正交匹配追踪算法(OMP)算法把一定数量的冲击原子进行线性组合来构成原始信号，从而得到降噪后的信号。3.根据权利要求1所...

【专利技术属性】
技术研发人员：赵书涛，王二旭，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：