时频旋转门与卷积核感知匹配的电机故障诊断方法及系统技术方案

本发明专利技术公开了一种时频旋转门与卷积核感知匹配的电机故障诊断方法及系统，本发明专利技术包括获取多种电机故障状态下的振动信号样本，变换为频域信号，并利用时频旋转门法SDA预处理，同时将频域信号进行时序图像转换生成二维图像样本作为卷积神经网络CNN的输入，调整时频旋转门法SDA的参数以及卷积神经网络CNN的卷积层数和卷积核大小，使得时频旋转门法SDA预处理得到的数据特征数据量、卷积神经网络CNN的卷积核感知匹配，根据卷积核感知匹配时的卷积层数和卷积核大小确定卷积神经网络CNN的网络结构再训练以用于电机故障诊断。本发明专利技术能够提高电机故障诊断的准确性和效率。高电机故障诊断的准确性和效率。高电机故障诊断的准确性和效率。

【技术实现步骤摘要】
时频旋转门与卷积核感知匹配的电机故障诊断方法及系统


[0001]本专利技术涉及电机故障诊断
，具体涉及一种时频旋转门与卷积核感知匹配的电机故障诊断方法及系统。

技术介绍

[0002]电机作为工业领域中重要设备的关键部件，面临着较为复杂的物理运行环境和工作条件。在电机的长期运行过程中，可能会出现各种故障，影响工业生产的效率，造成安全问题。
[0003]当电机出现故障时，与其运行状态相关的振动、定子电流、转矩等都会发生周期性变化。起初，传统方法主要采用时间序列信号进行故障诊断。常用的时间序列分析方法包括参数算法和冲击脉冲法。时间序列是直观的，易于理解。但是，当存在大量的外部干扰噪声时，针对时间序列信号的故障诊断会产生一些困难。随后，学者们开始将注意力转向频域信号。电机故障会改变信号的频谱，可以通过获得频谱特征分布来识别故障的类型。然而，与时间序列相比，由于频率信号更容易收到不同频率噪声的干扰，所以信息更容易丢失。因此，近年来，时间序列和频域信号的结合分析成为首选，其可以更好地提取故障信号的特征，而不会有丢失信息的风险。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种时频旋转门与卷积核感知匹配的电机故障诊断方法，其特征在于，包括：S101，获取多种电机故障状态下的振动信号样本；S102，将振动信号样本通过快速傅里叶变换为频域信号；S103，将频域信号利用时频旋转门法SDA预处理，同时将频域信号进行时序图像转换生成二维图像样本作为卷积神经网络CNN的输入，调整时频旋转门法SDA的参数以及卷积神经网络CNN的卷积层数和卷积核大小，使得时频旋转门法SDA预处理得到的数据特征数据量、卷积神经网络CNN的卷积核感知匹配，根据卷积核感知匹配时的卷积层数和卷积核大小确定卷积神经网络CNN的网络结构；S104，采用二维图像样本及其对应的故障状态训练卷积神经网络CNN的网络参数，完成对用于电机故障诊断的卷积神经网络CNN的训练。2.根据权利要求1所述的时频旋转门与卷积核感知匹配的电机故障诊断方法，其特征在于，步骤S103中将频域特征利用时频旋转门法SDA预处理时，预处理前后的频域特征之间的均方偏差满足下式所示的约束条件：，上式中，为预处理前后的频域特征之间的均方偏差，为常数，为频域点数，为预处理后的频率信号的功率谱幅值，为频率信号的功率谱幅值，MSF为频域信号的均方根频率。3.根据权利要求2所述的时频旋转门与卷积核感知匹配的电机故障诊断方法，其特征在于，所述频域信号的均方根频率的计算函数表达式为：，上式中，MSF为频域信号的均方根频率，为频率信号，为频率信号的功率谱幅值。4.根据权利要求1所述的时频旋转门与卷积核感知匹配的电机故障诊断方法，其特征在于，步骤S103中时频旋转门法SDA预处理得到的数据特征数据量、卷积神经网络CNN的卷积核感知匹配的函数表达式为：，上式中，为不同故障特征的相关性常数，为SDA门宽，为不同故障的原始数据量，为卷积神经网络CNN中的第个卷积层中神经元的感受野，为卷积神经网络CNN中的第个卷积层卷积核的大小，为卷积神经网络CNN中的卷积...

【专利技术属性】
技术研发人员：王玺帏，黄晟，屈尹鹏，张晓飞，吴之荻，
申请(专利权)人：湖南大学，
类型：发明
国别省市：