一种基于神经网络的电机故障识别方法、系统及存储介质技术方案

本申请公开了一种基于神经网络的电机故障识别方法、系统及存储介质。该方法包括：分别采集电机在正常运行和不同故障状态下的多组信号并进行小波包变换获得不同小波包节点对应的频带能量指标值，利用频带能量指标值构建电机在正常运行和不同故障状态下的特征向量；将多组信号的特征向量输入到神经网络进行训练测试，并将电机正常运行状态和不同故障状态下的识别率分别作为优化目标，将神经网络的网络结构参数作为待优化参数，获得多个优化目标下的最优解集对应的多个神经网络，可根据不同应用场景灵活选择调用不同神经网络。本发明专利技术可解决电机不同运行状态识别率之间的互斥问题，提高神经网络的适用性，实现电机正常及不同故障状态的智能识别。障状态的智能识别。障状态的智能识别。

【技术实现步骤摘要】
一种基于神经网络的电机故障识别方法、系统及存储介质


[0001]本申请涉及故障识别
，更具体地，涉及一种基于神经网络的电机故障识别方法、系统及存储介质。

技术介绍

[0002]异步电机具有结构简单、运行可靠、制造容易、价格低廉、坚固耐用，具有较高工作效率和较好工作特性等显著优点，被广泛应用于冶金、煤炭、矿山、机械和油田等各个工业生产领域。电机作为工业生产系统的重要核心部件，其可靠性将影响整个系统的性能，一旦发生故障，容易产生链式反应，导致整个系统瘫痪，因此对电机初期的故障诊断显得尤为重要。其中转子断条、气隙偏心、定子匝间短路以及轴承故障是异步电机的常见故障，在现有的电机故障诊断方法中，电流频谱分析由于信号获取方便且含有丰富的故障信息而被广泛应用，但在传统的电流频谱分析中，故障识别信号单一，易受基频分量泄露和电机负载波动的影响，故障特征分量不易识别，极易造成误判。
[0003]此外，随着工业生产智能化运维水平的提高，一系列的机器学习算法被应用于电机故障识别领域，通过训练样本进行自动训练学习，得到识别精度达到训练误差要求的分类器模型，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的电机故障识别方法，其特征在于，包括：分别采集电机在正常运行和不同故障状态下的多组信号，每组信号包括同一时刻采集的若干个信号，对每组信号中的每个信号进行小波包变换获得不同小波包节点对应的频带能量指标值，利用每组信号中所有信号的频带能量指标值构建电机在正常运行和不同故障状态下的特征向量；将多组信号的特征向量输入到神经网络进行训练测试，并将电机正常运行状态和不同故障状态的识别率分别作为优化目标，将神经网络的网络结构参数作为待优化参数，获得多个优化目标下的最优解集，每个最优解对应神经网络的一组网络结构参数，从而获得具有不同网络结构参数的多个神经网络；根据不同应用场景下对电机正常运行和不同故障状态下的识别率需求，选择调用多个神经网络的一个或多个进行电机正常及不同故障状态的智能识别。2.如权利要求1所述的基于神经网络的电机故障识别方法，其特征在于，每组信号包括同一时刻采集的若干个不同类型的信号。3.如权利要求2所述的基于神经网络的电机故障识别方法，其特征在于，每组信号包括同一时刻采集的定子电流信号、径向电磁力信号和不平衡磁拉力信号。4.如权利要求1所述的基于神经网络的电机故障识别方法，其特征在于，所述对每组信号中的每个信号进行小波包变换获得不同小波包节点对应的频带能量指标值包括：对每组信号中的每个信号进行3层小波包变换，将每个信号划分到8个细分的频带，分别计算第3层第i个节点对应的节点能量E(3,i)，0≤i≤7；再计算第3层第i个节点对应的节点能量E(3,i)与第3层8个节点的节点能量总和的比值，得到第3层所有节点的能量占比，将每组信号中的所有信号的第3层所有节点的能量占比组成n
×
8维的向量作为特征向量，n为每组信号包含的信号数量。5.如权利要求1所述的基于神经网络的电机故障识别方法，其特征在于，所述不同故障状态包括电机转子断条故障、气隙静偏心故障、...

【专利技术属性】
技术研发人员：杨凯，张雅晖，李天乐，杨帆，罗伊逍，李黎，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：