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，实现电机运行状态的自动化分类与故障智能识别，但是仍然存在诸多问题，对于模型性能的提高有待进一步研究。

技术实现思路

[0004]针对现有技术的至少一个缺陷或改进需求，本专利技术提供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，实现电机正常及不同故障状态的智能识别。
[0005]为实现上述目的，按照本专利技术的第一个方面，提供了一种基于神经网络的电机故障识别方法，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，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。
[0006]进一步地，每组信号包括同一时刻采集的若干个不同类型的信号。
[0007]进一步地，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。
[0008]进一步地，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。
[0009]进一步地，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、气隙动偏心故障、气隙混合偏心故障和定子匝间短路故障。
[0010]进一步地，将所述神经网络的不同神经元之间的连接权值和阈值作为待优化参数。
[0011]进一步地，所述获得多个优化目标下的最优解集包括：生成初始种群，初始种群中的每个个体对应神经网络的一组网络结构参数；对初始种群执行NSGA
‑Ⅱ
算法中的快速非支配排序和拥挤度计算操作，并通过选择、交叉、变异操作产生其子代种群；最后执行精英策略得到下一代种群个体，当满足迭代终止条件后，所得到末代种群的个体构成多个优化目标下的最优解集。
[0012]进一步地，神经网络采用BP神经网络。
[0013]按照本专利技术的第二个方面，还提供了一种基于神经网络的电机故障识别系统，包括：数据采集及预处理模块，用于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；训练测试模块，用于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，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；调用模块，用于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。
[0014]按照本专利技术的第三个方面，还提供了一种存储介质，其存储有可由处理器执行的计算机程序，当所述计算机程序在处理器上运行时，使得处理器执行上述任一项所述方法的步骤。
[0015]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：（1）本专利技术通过利用电机在正常运行和不同故障状态下的多组信号进行小波包分解构建输入神经网络的特征向量，将电机正常运行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，即神经网络构建了优化目标与待优化参数之间的非线性数学模型，通过算法的优化迭代，获得多个优化目标下的最优解集对
应的多个神经网络，根据不同应用场景灵活选择调用神经网络，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，实现电机运行状态的自动化分类与故障智能识别。
[0016]（2）本专利技术中通过小波包分解将电机在正常及不同故障状态下的定子电流信号、径向电磁力信号、不平衡磁拉力信号分解到不同频带，计算各频带的信号能量，并将各频带的能量占比作为神经网络的特征向量。小波包分析对于信号的频率分解是以频率段作为处理方式，不同于傅里叶变换以频率点来处理，所以只需提高小波包分解层数就可以有效避免傅里叶变换所存在的频谱泄漏和频谱波动等问题，通过小波包频带能量的变化可直观反映电机运行状态的变化。
[0017]（3）本专利技术通过将一组信号中的多个信号，例如定子电流信号、径向电磁力信号、不平衡磁拉力信号融合成一个特征向量，通过信号融合和BP神经网络可自动识别电机运行状态及故障类型，可进一步消除由于非故障因素导致电机故障误判的可能，对于电机故障的综合诊断具有重要意义。
附图说明
[0018]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]图1为本申请实施例提供的一种基于神经网络的电机故障识别方法本文档来自技高网...

【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：