【技术实现步骤摘要】
一种基于迁移学习和时间序列的电机故障预测方法及系统
[0001]本专利技术属于机械设备故障预测领域,具体涉及一种基于迁移学习和时间序列的电机故障预测方法及系统。
技术介绍
[0002]电动机的结构简单,制造、使用、维护方便,运行可靠性高,重量轻,成本低,在机械设备正常工作运行中发挥着举足轻重的作用。电机故障往往会导致整个机械设备及生产流水线停工,造成严重的经济损失。所以,对电机故障进行预测十分重要,提前发现故障隐患并采取一定措施,可以有效避免故障甚至事故的发生。电机的故障分为电气故障和机械故障,故障不同,电机振动信号的频率、幅值和相位也会不同。所以,根据电机振动的信号特征进行故障预测是主流研究方向。
[0003]对于故障的预测算法目前主要是基于理论、统计模型和数据驱动。基于理论的故障预测算法主要使用灰理论,该方法短期内预测效果好,但是对非线性数据的预测效果较差。基于统计过程控制大致都是基于向量机,对小样本具有很强的泛化能力,但是对大规模数据预测效果不理想。用于故障预测的数据驱动方法,主要有自编码器、卷积神经网络等,这些方法适用对象与环境略有差异,并且也存在没有记忆功能、难以捕捉内部表达等缺点。
[0004]目前基于时间序列的故障预测是一种发展的大趋势,其特点是:运用过去的时间序列数据进行统计分析,预测事物的发展趋势,该方法可以有效消除随机波动产生的影响。但训练好的预测模型往往只针对试验电机,对同类型同参数的其它电机匹配性和适应性不强,因此目前基于时间序列在实际应用中对电机进行故障预测时,存在一定的局限 ...
【技术保护点】
【技术特征摘要】
1.一种基于迁移学习和时间序列的电机故障预测方法,其特征在于,包括以下步骤:步骤S1:振动信号的采集:分别采集多台电机振动的试验信号、实况信号和应用验证信号;步骤S2:振动信号预处理:将采集到的试验信号、实况信号和应用验证信号规范化处理,进行去噪、归一化处理、特征提取;预处理后的试验信号将作为源领域数据,预处理后的实况信号将作为目标领域的数据,预处理后的应用验证信号将作为故障预测的输入;步骤S3:源网络构建及训练:搭建故障预测模型LSTM
‑
DaNN网络,使用步骤S2预处理后的试验信号作为源领域数据训练LSTM
‑
DaNN网络,得到适用于试验的源网络,并保存源网络结构参数;步骤S4:目标网络构建及训练:根据步骤S3中保存的源网络结构及其参数,输入源领域和目标领域的特征及源领域的RUL值,对源网络结构进行重新训练,得到目标网络;步骤S5:故障预测应用:将步骤S2预处理后的应用验证信号输入步骤S4训练好的目标网络中,输出得到的剩余使用寿命RUL预测值。2.根据权利要求1所述的基于迁移学习和时间序列的电机故障预测方法,其特征在于,所述步骤S1中分别采集电机一振动的试验信号、电机二振动的实况信号和电机三的应用验证信号。3.根据权利要求1所述的基于迁移学习和时间序列的电机故障预测方法,其特征在于,所述步骤S2的规范化处理,是将振动信号映射到[0,1]的范围,计算公式如下:式中,x指传感器采集到的全部振动信号值,min(x)指全部振动信号值中的最小值,max(x)指全部振动信号值中的最大值,是振动信号在t时刻的振动信号采集值。4.根据权利要求1所述的基于迁移学习和时间序列的电机故障预测方法,其特征在于,所述步骤S2的特征提取,是将归一化处理后信号中的均方根值、裕度因子与偏斜度因子进行提取,计算公式分别如下:行提取,计算公式分别如下:行提取,计算公式分别如下:式中,X
rms
表示信号的均方根值,n表示采集振动信号的总数,x
i
表示第i个振动信号采集值,表示第i个振动信号采集值的平方值,C
e
表示振动信号的裕度因子,S
k
表示振动信号的偏斜度因子,表示振动信号的平均值。
5.根据权利要求1所述的基于迁移学习和时间序列的电机故障预测方法,其特征在于,所述步骤S3中的LSTM
‑
DaNN网络包括四层网络结构,四层网络结构分别是:输入层、LSTM层、DaNN层和输出层;所述输入层用于数据的输入;所述LSTM层包括多个LSTM单元,用于对信号特征初步处理,整合提取深度特征;所述DaNN层用于对LSTM整合提取的深度特征进行迁移学习,并进行试验故障的预测,得到RUL预测值;所述输出层用于结果的输出。6.根据权利要求5所述的基于迁移学习和时间序列的电机故障预测方法,其特征在于,所述LSTM层包括单元状态、输入门、遗忘门和输出门;LSTM输入是具有窗口长度T的序列数据x={x1,x2,...,x
T
},设x
t
表示时间t时的输入,f
t
表示遗忘门在t时刻的单元状态,i
t
表示输入门在t时刻的单元状态,o
t
表示输出门在t时刻的单元状态,h
t
‑1表示LSTM在t
‑
1时学习的隐态,h
t
表示LSTM在t时学习的隐态,a
t
表示上一次h
t
‑1时从输入x
t
处的单元输入激活和隐藏状态,C
t
‑1表示LSTM在t
‑
1时的单元状态,C
t
表示LSTM在t时的单元状态,σ表示sigmoid函数,tanh表示双曲正切函数,表示元素向乘法,W
f
为遗忘门的权重系数,W
i
为输入门的权重系数,W
o
为输出门的权重系数,W
C
为LSTM的权重系数,U
f
为遗忘门的周期权重系数,U
i
为输入门的周期权重系数,U
o
为输出门的周期权重系数,U
C
为LSTM的周期权重系数,而b
f
为遗忘门的偏差系...
【专利技术属性】
技术研发人员:梁佳雪,张西良,尹经天,简红英,吕渊,张秋昕,
申请(专利权)人:江苏大学,
类型:发明
国别省市:
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。