基于灰度图像和轻量级CNN-SVM模型的电机故障检测方法技术

本发明专利技术公开了一种基于灰度图像和轻量级CNN

【技术实现步骤摘要】
基于灰度图像和轻量级CNN
‑
SVM模型的电机故障检测方法


[0001]本专利技术属于电机故障诊断领域和深度学习领域，具体涉及一种基于灰度 图像和轻量级CNN
‑
SVM模型的电机故障检测方法。

技术介绍

[0002]电机作为重要的动力装置，被广泛应用于工农业生产，家用电器，国防 军事，交通运输等领域。电机在运行过程中，会受到电应力，热应力以及机 械应力等多因子作用，长期工作将不可避免地发生损坏现象。故障一旦发生， 不仅会对电机本体及其零部件产生破坏，更会干扰整个动力系统的稳定运行， 最终可能引发巨大的经济损失。电机故障检测技术，对保证电机优质，高效， 稳定的运行以及生产生活的安全具有重要的意义。
[0003]传统的电机故障检测技术多是基于解析模型法或者信息处理法。解析模 型法针对故障电机建立精准的数学模型，从而实现故障的检测及定位。信息 处理法通过对电机运行时的温度，振动，电流，电压等物理量进行信号变换， 提取出反映健康状况的特征量，用于故障识别。解析模型法和信息处理法均 需要从业人员具备一定的电机专本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于灰度图像和轻量级CNN
‑
SVM模型的电机故障检测方法，其特征在于，包括以下步骤：步骤1、获取待测试电机的时序信号；步骤2、基于经验模态分解EMD将时序信号分解为一系列本征模态函数IMF；步骤3，采用K
‑
L散度法衡量各个本征模态函数与原始时序信号的相似性，筛选包含故障信息的敏感分量；步骤4，基于格拉姆角场法和图像压缩技术，将敏感分量编码为2D灰度图像，作为待测试电机的样本集；步骤5，建立基于改进平衡优化器算法优化的轻量级CNN
‑
SVM电机故障检测模型，并通过改进的平衡优化器算法优化支持向量机的核函数参数g和惩罚参数c；将样本集输入至CNN
‑
SVM模型，CNN
‑
SVM模型输出待测试电机的故障诊断结果。2.根据权利要求1所述的一种基于灰度图像和轻量级CNN
‑
SVM模型的电机故障检测方法，其特征在于，步骤1待测试电机的时序信号包括待测试电机分别运行在正常状态、负载故障状态、轴承磨损状态、转子偏心状态、转子断条状态和定子匝间短路状态下的三轴加速度信号和电压电流信号。3.根据权利要求1所述的一种基于灰度图像和轻量级CNN
‑
SVM模型的电机故障检测方法，其特征在于，步骤2中得到本征模态函数IMF的方法具体如下：获取时序信号s(t)的极大值和极小值序列，采用插值法得到时序信号的上包络线和下包络线，并求出其平均值m(t)，从待分解的时序信号中剔除平均值m(t)，将中间信号h(t)作为新的待分解信号，重复该操作，直到中间信号h(t)满足IMF条件，此时将其作为本征模态函数IMF输出，采用原始时序信号s(t)减去本征模态函数，得到残余函数，将残余函数作为新的待分解信号，重新执行经验模态分解，直到残余函数单调，得到满足条件的k个本征模态函数。4.根据权利要求1所述的一种基于灰度图像和轻量级CNN
‑
SVM模型的电机故障检测方法，其特征在于，步骤3中敏感分量的筛选方法如下：采用核密度估计法计算原始时序信号s(t)和本征模态函数IMF分量的概率分布，分别计算原始时序信号s(t)和k个本征模态函数IMF分量之间的K
‑
L散度值，选取最小的三个K
‑
L散度对应的本征模态函数作为敏感分量。5.根据权利要求1所述的一种基于灰度图像和轻量级CNN
‑
SVM模型的电机故障检测方法，其特征在于，步骤4中敏感分量编码为2D灰度图像的方法如下：将敏感分量的时间序列缩放至区间[
‑
1,1]，将缩放后的时间序列的信号值编码为角余弦，时间戳编码为极径，在极坐标系下重新构造出敏感分量序列，通过计算极坐标下一维信号各个点之间的余弦函数和，并定义生成格拉姆角场，将格拉姆角场转化为2D灰度图像。6.根据权利要求1所述的一种基于灰度图像和轻量级CNN
‑
SVM模型的电机故障检测方法，其特征在于，步骤5中所述轻量级CNN
‑
SVM电机故障检测模型采用LeNet
‑
5轻量型网络作为基层网络进行改进，模型共有十层，包括输入层，四个卷积层，三个池化层，一个全连接层和一个SVM分类层，第一层采用空洞卷积层替代原始模型的卷积层，各层卷积操作均采用深度可分离卷积替代原规卷积，将原卷积分成逐通道卷积和逐点卷积，先对每一个通道进行卷积操作，然后采用1
×
1的卷积核进行各个通道之间的信息融合，采用支持向量机SVM多分
类器代替原始模型中的Softmax分类层；7.根据权利要求1所述的一种基于灰度图像和轻量级CN...

【专利技术属性】
技术研发人员：刘凌，杨宇辰，范佩樟，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：