【技术实现步骤摘要】
一种电机故障诊断方法及系统
[0001]本专利技术涉及故障诊断领域，尤其涉及一种电机故障诊断方法及系统。
技术介绍
[0002]在现代工业生产设备不断朝着结构化、自动化和智能化方向发展的过程中，电机作为最重要的动力和驱动装置，在高速列车、地铁和城际轨道交通设备中得到了广泛的应用。然而，在生产实践中，电机由于长期在恶劣环境下运行，不可避免地会发生故障。在故障早期，故障特征弱，对系统运行影响较小，但如果不及时采取措施，可能导致早期故障迅速恶化和蔓延，严重影响电机的性能及系统安全。
[0003]因此，如何提高早期故障诊断正确率成为一个急需解决的问题。
技术实现思路
[0004]本专利技术目的在于公开一种电机故障诊断方法及系统，以通过捕捉传感器信号的依赖性并提取具有高可分性的故障特征。
[0005]为达上述目的，本专利技术提供了一种电机故障诊断方法，包括：S1：采集电机分别在正常状态和预设时间段内的K类故障运行状态下的共K+1类工况传感器信号，K为正整数，并根据所述工况传感器信号构建初始数据集；S2：...
【技术保护点】
【技术特征摘要】
1.一种电机故障诊断方法，其特征在于，包括：S1：采集电机分别在正常状态和预设时间段内的K类故障运行状态下的共K+1类工况传感器信号，K为正整数，并根据所述工况传感器信号构建初始数据集；S2：对所述初始数据集进行角域重采样处理，得到带标签的重采样数据集，并对所述重采样数据集进行时间滑窗处理得到带标签的总样本集，将所述总样本集划分为带标签的训练集和测试集；S3：根据所述训练集构建第一预设模型，并根据所述训练集对应的训练特征集，构件第二预设模型；S4：将所述第一预设模型的输出数据和所述第二预设模型的输出数据进行融合得到目标数据，并根据所述目标数据构建第三预设模型；S5：根据所述第三预设模型的输出数据构建分类器模型，并设定损失函数；S6：根据所述第一预设模型、所述第二预设模型、所述第三预设模型、所述分类器模型以及所述损失函数构建目标模型，将所述测试集作为所述目标模型的输入以测试目标模型的有效性；S7：获取待测电机的实时工况传感器信号，根据所述实时工况传感器信号和目标模型确定所述待测电机的诊断结果。2.根据权利要求1所述的电机故障诊断方法，其特征在于，所述S2具体包括：S21：将初始数据集D
S
中对应电机运行速度为的第k类工况数据进行角域采样，设定角域采样转频为，转速和当前转频之间的关系为：；其中，，初始数据集D
S
所对应的类别标签为，，，，
…
，，
…
，，电机运行速度为，其中，，
…
，，
…
，分别表示正常状态、预设时间段内的第1类、
…
、第k类、
…
、第K类故障运行下信号的采样点数，，n表示传感器数量，传感器信号采样频率为，R表示实数空间；式中，当前转频与角域采样转频之间的关系为；其中，转速下降采样倍数满足如下公式： ；式中，为对应转速的第k类工况数据的降采样倍数；重采样后的采样点数满足如下公式： ；
式中，为对进行角域重采样的采样点数；对应电机运行速度的第k类工况数据进行角域重采样后，得到角域重采样数据；S22：对初始数据集D
S
中的所有K+1类工况传感器信号进行角域重采样，得到对应的角域重采样数据，分别为角域重采样数据的采样点数；S23：根据各角域重采样数据构成重采样数据集D
A
，其中，利用重采样数据集D
A
与对应的类别标签，构建带标签的重采样数据集；S24：对重采样数据集D
A
中的数据做时间滑窗处理得到数据，其中表示样本个数，样本个数满足如下公式：；式中，Win为窗口大小，Stp为步长，floor表示向下取整；S25：对重采样数据D
A
中所有K+1类工况的角域重采样数据做时间滑窗处理，经滑窗后数据为，分别表示滑窗后数据的样本个数；按行拼接所有K+1类工况的经滑窗后数据，得到总样本集D，其中总样本集D满足如下公式：；式中，表示总样本集的样本数，满足如下公式： ；式中，表示第i类工况数据的样本个数，i=0，1...K；S26：总样本集中包含K+1类工况下时间窗大小为Win的n个传感器的数据，利用总样本集与对应的类别标签，构建带标签的总样本集；S27：将总样本集D中数据随机打乱后，以一定比例划分为训练集和测试集，其中训练集，测试集，、分别表示训练集和测试集的样本数，样本数满足如下关系：
；S28：将训练集与对应的类别标签构成带标...
【专利技术属性】
技术研发人员：彭涛，彭霞，叶城磊，杨超，徐立恩，李理，陶宏伟，廖宇新，阳春华，陈志文，
申请(专利权)人：中南大学，
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。