一种基于SDAE算法的电机故障诊断系统及方法技术方案

本发明专利技术公开了一种基于SDAE算法的电机故障诊断系统及方法，利用EMD

【技术实现步骤摘要】
一种基于SDAE算法的电机故障诊断系统及方法


[0001]本专利技术涉及旋转机械装备故障识别与诊断
，具体涉及一种基于SDAE算法的电机故障诊断系统及方法。

技术介绍

[0002]随着电机使用的普及，其环境多变，故障不可避免。而电机设备故障大多直接影响工业生产，甚至威胁一线工人的人身安全，因此加强对电机运行状态的监测、故障诊断与识别至关重要。
[0003]传统的电机故障诊断多为采集电机运行数据、人工或自动进行是否超阈值判断和报警，然后人工进行判断和处理。该方法对专业人员的电机诊断经验及相关背景要求甚高，诊断效果受到局限，加上电机运行过程中产生的信号参数受多种不可预测的外在因素干扰，使得故障特征往呈现出非线性及不平稳状态，更加大了电机故障特征的识别难度，容易导致误判，这种传统的电机故障诊断方法表现出的低效性及泛化能力差问题，已不能够满足当代工业智能控制水平的需求。
[0004]人工智能技术的发展，为电机故障诊断提供了技术支撑，利用大数据技术从海量的数据信息中提取能够表征电机具体故障的有效信息，完成自动诊断，可极大地提高设备维护维修的效率。具体讲就是利用数据分析、深度学习和模式识别等方法完成对电机故障的诊断。该过程不需要电机故障诊断专业人士的配合，不需要复杂严谨信号的电机故障特征信号提取，中间的处理过程就像一个黑盒，完全封装了电机故障识别处理过程，是端到端的解决方法，可以直接反馈给用户电机诊断结果，可极大方便用户对电机故障的掌控能力，提高电机故障诊断过程中的自动化水平。
[0005]当前电机故障自动诊断领域一般受原始数据噪声、采样信号非线性和不平稳状态、多类型故障交织以及故障专家知识不充分等因素的影响，诊断正确率和效率都不高，有效故障信息提取与挖掘的技术有待进一步提高。

技术实现思路

[0006]有鉴于此，本专利技术基于具有自训练、自学习功能的SDAE(Stacked Denoising Autoencoder，堆栈去噪自编码器)算法，将信号特征谱分析和特征值提取技术相结合，提出了一种基于SDAE算法的电机故障诊断系统及方法，能有效解决上述现有技术问题。
[0007]本专利技术设计的一种基于SDAE算法的电机故障诊断方法，其特征在于，综合运用特征谱分析、特征值提取和具有自训练和自学习功能的SDAE(Stacked Denoising Autoencoder，堆栈去噪自编码器)算法进行电机故障诊断，所述故障诊断方法包括如下步骤：
[0008]S1：采集电机运行时的原始运行信号；
[0009]S2：通过模态分解和包络分析方法提取原始运行信号的特征谱；
[0010]S3：通过特征值提取方法提取原始运行信号的故障特征值；
[0011]S4：利用提取的故障特征值基于SDAE算法进行故障诊断。
[0012]进一步的，所述模态分解和包络分析方法包括EMD
‑
Hilbert(Empirical Mode Decomposition
‑
Hilbert)包络谱分析方法，所述特征谱包括包络谱和/或相位函数，所述特征值提取方法包括奇异值分解方法。
[0013]进一步的，所述EMD
‑
Hilbert包络谱分析法提取电机故障特征谱，其具体内容是通过EMD方法分解原始运行信号为若干阶IMF(Intrinsic Mode Function)和残余量，然后取前若干阶IMF经过Hilbert变换得到包络谱，组成电机故障特征样本，从而获得平稳化数字信号；所述步骤S2中EMD
‑
Hilbert包络谱分析方法包括如下循环步骤：
[0014]S21：利用EMD方法对电机原始运行信号x(t)进行有效的模态分解，步骤如下：
[0015]记n为预定第一循环次数，也称为外循环，即为IMF阶数，一般2≤n≤10，1≤i≤n，i初值为1；记k为预定第二循环次数，也称为内循环，即抽离信号细节循环次数，一般2≤k≤10，1≤j≤k，j初值为1；
[0016]S211：计算输入信号y(t)极值，针对第i次第一循环，求输入信号y(t)的所有极值点，初始输入信号为电机原始运行信号y(t)＝x(t)，可通过导数法、拉格朗日乘数法、作图法、差分法、比较法等实现，该技术为现有技术；
[0017]S212：计算包络，采用包括插值法的数据处理方法，对极大值点计算上包络Emax(t)，对极小值点计算下包络Emin(t)，所述插值法包括平均值法、拉格朗日插值法、龙格库塔插值法、牛顿插值法、线性插值法，该技术为现有技术；
[0018]S213：计算上下包络均值
[0019]S214：抽离有效信号，针对第j次第二循环，记新有效信号
[0020]S215：计算第i阶IMF分量，通常情况下，第二循环初期所得信号等是非平稳信号，所以要进行多次循环抽取，令输入信号针对二循环，重复执行步骤S211～S214直至循环j＝k次，则电机原始运行信号的第i阶IMF分量为：第二循环结束后，重置j＝1，为进入下一次第一循环重新初始化第二循环初值；
[0021]S216：计算残余信号r
i
(t)＝x(t)
‑
c
i
(t)；
[0022]S217：判断r
i
(t)是否为单调函数且i≥2，若满足则分解过程结束；若不满足重复以上步骤S211～S216，继续循环直至i＝n次，可得到不超过n阶的IMF分量c
i
(t)和残余信号r
i
(t)；
[0023]S22：利用Hilbert变换进行包络谱分析，Hilbert变换的本质是将输入信号与一段数据做卷积，该段数据就相当于是原始数据的过滤器，步骤如下：
[0024]S221：对步骤S21得到的每一个IMF分量c
i
(t)作Hilbert变换：
[0025][0026]S222：完成Hilbert变换后，构造相应的解析信号z
i
(t)：
[0027][0028]其中，c
i
(t)亦称为固有模态函数，a
i
(t)为包络谱，Φ
i
(t)为相位函数，且
[0029][0030][0031]S223：信号重构，
[0032][0033]重构信号为Z(t)的实部，即
[0034][0035]其中，n为步骤S21得到的IMF最大阶数，ω
i
(t)为每阶IMF的瞬时频率，
[0036][0037]以上步骤S21～S22应针对电机原始运行信号的整个采样序列进行。
[0038]进一步的，所述步骤S3中的奇异值分解方法如下：
[0039]S31：构建电机原始运行时序信号的特征矩阵Hankel矩阵，记序列其中，是步骤S223得到的重构信号，取其中的N个点，N为信号序列的长度，fs为信号采样频率，fr为电机转动频率；构造的Han本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SDAE算法的电机故障诊断方法，其特征在于，包括如下步骤：S1：采集电机运行时的原始运行信号；S2：通过模态分解和包络分析方法提取原始运行信号的特征谱；S3：通过特征值提取方法提取原始运行信号的故障特征值；S4：利用提取的故障特征值基于SDAE算法进行故障诊断。2.根据权利要求1所述的一种基于SDAE算法的电机故障诊断方法，其特征在于，所述模态分解和包络分析方法包括EMD
‑
Hilbert包络谱分析方法，所述特征谱包括包络谱和/或相位函数，所述特征值提取方法包括奇异值分解方法。3.根据权利要求2所述的一种基于SDAE算法的电机故障诊断方法，其特征在于，所述步骤S2中EMD
‑
Hilbert包络谱分析方法包括如下循环步骤：S21：利用EMD方法对电机原始运行信号x(t)进行模态分解，步骤如下：记n为预定第一循环次数阈值，1≤i≤n，i初值为1；记k为预定第二循环次数阈值，1≤j≤k，j初值为1；S211：计算输入信号y(t)极值，针对第i次第一循环，求输入信号y(t)的所有极值点，初始输入信号为电机原始运行信号y(t)＝x(t)；S212：计算包络，采用包括插值法的数据处理方法，对极大值点计算上包络Emax(t)，对极小值点计算下包络Emin(t)；S213：计算上下包络均值S214：抽离有效信号，针对第j次第二循环，记新有效信号S215计算第i阶IMF分量，令输入信号针对二循环，重复执行步骤S211～S214直至循环j＝k次，则电机原始运行信号的第i阶IMF分量为：第二循环结束后，重置j＝1；S216：计算残余信号r
i
(t)＝x(t)
‑
c
i
(t)；S217：判断r
i
(t)是否为单调函数且i≥2，若满足则分解过程结束；若不满足重复以上步骤S211～S216，继续循环直至i＝n次；S22：利用Hilbert变换进行包络谱分析，步骤如下：S221：对步骤S21得到的每一个IMF分量c
i
(t)作Hilbert变换：S222：完成Hilbert变换后，构造相应的解析信号z
i
(t)：其中，a
i
(t)为包络谱，Φ
i
(t)为相位函数，且(t)为相位函数，且
S223：信号重构，重构信号为Z(t)的实部，即其中，n为步骤S21得到的IMF最大阶数，ω
i
(t)为每阶IMF的瞬时频率，4.根据权利要求3所述的一种基于SDAE算法的电机故障诊断方法，其特征在于，所述步骤S3中的奇异值分解方法如下：S31：构建电机原始运行时序信号的特征矩阵Hankel矩阵，记序列其中，是步骤S223得到的重构信号，取其中的N个点，N为信号序列的长度，fs为信号采样频率，fr为电机转动频率；构造的Hankel矩阵为：其中，q＜N且满足N＝p+q
‑
1；S32：Hankel矩阵奇异值分解：其中，U
p*p
和分别为p阶和q阶正交矩阵；M
p*q
为非对称对角矩阵；S＝diag(σ1，σ2，...，σ
r
)σ
i
为矩阵Hankel的奇异值，r为矩阵的秩；S33：Hankel矩阵重构，选取L个有效奇异值，其余奇异值置为0，并对奇异值分解过程取逆矩阵进行重构，获得...

【专利技术属性】
技术研发人员：承敏钢，张能文，杨凯铭，何晓琳，吴广，
申请(专利权)人：江苏新道格自控科技有限公司，
类型：发明
国别省市：