一种机器学习的电机故障诊断方法技术

本发明专利技术提供了一种机器学习的电机故障诊断方法，包括：S1、采用傅里叶变换将电机设备振动信号转换为频谱数据；S2、对正常频谱数据和异常频谱数据进行标注，构建多种振动训练数据集；S3、采用多种振动训练数据集分别对电机故障诊断模型进行训练，得到多种训练完成的电机故障诊断模型；S4、将待诊断的频谱数据分别输入多种训练完成的电机故障诊断模型，得到待诊断的电机设备的诊断结果；本发明专利技术解决了现有采用一种模型去诊断多种故障的方法存在诊断精度低的问题。度低的问题。度低的问题。

【技术实现步骤摘要】
一种机器学习的电机故障诊断方法


[0001]本专利技术涉及电机故障
，具体而言，涉及一种机器学习的电机故障诊断方法。

技术介绍

[0002]振动分析技术是针对旋转类设备的常用故障诊断技术，尤其适用于电机、泵等设备的故障诊断。通常，通过测量电机、泵类设备的振动情况，将振动数据转化为频谱数据，则可以帮助发现电机、泵类设备的轴承故障、齿轮故障、轴类故障等问题。但现有技术采用一种模型去诊断多种故障，采用一种模型去诊断多种故障的方法，需要采用众多训练数据集将模型的参数训练到模型的输出能够区分多种故障，但这是理想状态，通常情况下，模型训练都是不完善的，因此采用一种模型诊断多种故障存在诊断精度低的问题，其中，模型为线性回归、逻辑回归、K近邻法、贝叶斯法、决策树法或随机森林法。

技术实现思路

[0003]针对现有技术中的上述不足，本专利技术提供的一种机器学习的电机故障诊断方法解决了现有采用一种模型去诊断多种故障的方法存在诊断精度低的问题。
[0004]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种机器学习的电机故障诊断方法，包括：
[0005]S1、采用傅里叶变换将电机设备振动信号转换为频谱数据；
[0006]S2、对正常频谱数据和异常频谱数据进行标注，构建多种振动训练数据集；
[0007]S3、采用多种振动训练数据集分别对电机故障诊断模型进行训练，得到多种训练完成的电机故障诊断模型；
[0008]S4、将待诊断的频谱数据分别输入多种训练完成的电机故障诊断模型，得到待诊断的电机设备的诊断结果。
[0009]进一步地，所述步骤S2包括以下步骤：
[0010]S21、对正常频谱数据和异常频谱数据进行标注；
[0011]S22、将标注为正常的频谱数据与标注为轴系不平衡的频谱数据，构建为第一振动训练数据集；
[0012]S23、将标注为正常的频谱数据与标注为轴系不对中的频谱数据，构建为第二振动训练数据集；
[0013]S24、将标注为正常的频谱数据与标注为轴系松动的频谱数据，构建为第三振动训练数据集；
[0014]S25、将标注为正常的频谱数据与标注为转子碰磨的频谱数据，构建为第四振动训练数据集；
[0015]S26、将标注为正常的频谱数据与标注为叶片磨损的频谱数据，构建为第五振动训练数据集。
[0016]进一步地，所述步骤S3中电机故障诊断模型包括：第一特征提取单元、第二特征提取单元、加法层、注意力层、上采样层和全连接层；
[0017]所述第一特征提取单元的输入端与第二特征提取单元的输入端连接，用于输入振动训练数据集；所述第一特征提取单元的输出端与加法层的输入端连接；所述上采样层的输入端与加法层的输出端连接，其输出端与全连接层的输入端连接；所述全连接层的输出端用于输出诊断结果；所述第二特征提取单元的输出端与注意力层的输入端连接；所述注意力层的输出端与加法层的输入端连接。
[0018]进一步地，所述第一特征提取单元包括：第一卷积层、第二卷积层、第一均值池化层、第一最大池化层和第一重叠池化层；
[0019]所述第一卷积层的输入端作为第一特征提取单元的输入端，其输出端与第二卷积层的输入端连接；所述第二卷积层的输入端分别与第一均值池化层的输入端、第一最大池化层的输入端和第一重叠池化层的输入端连接；所述第一均值池化层的输出端、第一最大池化层的输出端和第一重叠池化层的输出端均作为第一特征提取单元的输出端。
[0020]进一步地，所述第二特征提取单元包括：第一LSTM层、第二LSTM层、第二均值池化层、第二最大池化层和第二重叠池化层；
[0021]所述第一LSTM层的输入端作为第二特征提取单元的输入端，其输出端与第二LSTM层的输入端连接；所述第二LSTM层的输出端分别与第二均值池化层的输入端、第二最大池化层的输入端和第二重叠池化层的输入端连接；所述第二均值池化层的输出端、第二最大池化层的输出端和第二重叠池化层的输出端均作为第二特征提取单元的输出端。
[0022]进一步地，所述步骤S3具体为：
[0023]S31、采用第一振动训练数据集对电机故障诊断模型进行训练，得到训练完成的用于诊断轴系不平衡的电机故障诊断模型；
[0024]S32、采用第二振动训练数据集对电机故障诊断模型进行训练，得到训练完成的用于诊断轴系不对中的电机故障诊断模型；
[0025]S33、采用第三振动训练数据集对电机故障诊断模型进行训练，得到训练完成的用于诊断轴系松动的电机故障诊断模型；
[0026]S34、采用第四振动训练数据集对电机故障诊断模型进行训练，得到训练完成的用于诊断转子碰磨的电机故障诊断模型；
[0027]S35、采用第五振动训练数据集对电机故障诊断模型进行训练，得到训练完成的用于诊断叶片磨损的电机故障诊断模型。
[0028]进一步地，所述步骤S3中采用振动训练数据集对电机故障诊断模型进行训练，得到训练完成的电机故障诊断模型的方法为：
[0029]A1、将振动训练数据集输入第一特征提取单元，得到第一数据特征；
[0030]A2、将振动训练数据集输入第二特征提取单元，得到第二数据特征；
[0031]A3、采用注意力层对第二数据特征赋予注意力权重，得到加权数据特征；
[0032]A4、采用加法层对加权数据特征和第一数据特征进行融合，得到融合特征；
[0033]A5、采用上采样层对融合特征进行上采样处理，得到上采样特征；
[0034]A6、采用全连接层对上采样特征进行分类，得到电机故障诊断模型的输出结果；
[0035]A7、根据电机故障诊断模型的输出结果，计算损失函数的损失值；
[0036]A8、判断当前损失函数的损失值是否低于上限阈值，若是，则电机故障诊断模型的权重训练完成，则跳转至步骤A10，若否，则跳转至步骤A9；
[0037]A9、根据当前损失函数的损失值调整电机故障诊断模型的权重，回到步骤A1；
[0038]A10、判断当前损失函数的损失值是否低于下限阈值，若是，则电机故障诊断模型的训练完成，结束，若否，则跳转至步骤A11；
[0039]A11、根据当前损失函数的损失值调整电机故障诊断模型的偏置，回到步骤A1。
[0040]上述进一步地方案的有益效果为：对第二数据特征赋予注意力权重，使得重要特征能够在融合特征得到充分表现，提高诊断精度。电机故障诊断模型的训练过程分为两个阶段，先是对权重的训练，权重训练完成后，使得当前损失函数的损失值比较小，再通过训练偏置，使其逼近目标值，达到理想结果。
[0041]进一步地，所述步骤A7中损失函数为：
[0042][0043]其中，L
i
为第i次训练的损失函数的损失值，Y
i
为第i次训练的目标值，y
i
为第i次训练时电机故障诊断模型输出的实际值，为离第i次训练最近一次将正常频谱数据输入到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器学习的电机故障诊断方法，其特征在于，包括：S1、采用傅里叶变换将电机设备振动信号转换为频谱数据；S2、对正常频谱数据和异常频谱数据进行标注，构建多种振动训练数据集；S3、采用多种振动训练数据集分别对电机故障诊断模型进行训练，得到多种训练完成的电机故障诊断模型；S4、将待诊断的频谱数据分别输入多种训练完成的电机故障诊断模型，得到待诊断的电机设备的诊断结果。2.根据权利要求1所述的机器学习的电机故障诊断方法，其特征在于，所述步骤S2包括以下步骤：S21、对正常频谱数据和异常频谱数据进行标注；S22、将标注为正常的频谱数据与标注为轴系不平衡的频谱数据，构建为第一振动训练数据集；S23、将标注为正常的频谱数据与标注为轴系不对中的频谱数据，构建为第二振动训练数据集；S24、将标注为正常的频谱数据与标注为轴系松动的频谱数据，构建为第三振动训练数据集；S25、将标注为正常的频谱数据与标注为转子碰磨的频谱数据，构建为第四振动训练数据集；S26、将标注为正常的频谱数据与标注为叶片磨损的频谱数据，构建为第五振动训练数据集。3.根据权利要求2所述的机器学习的电机故障诊断方法，其特征在于，所述步骤S3中电机故障诊断模型包括：第一特征提取单元、第二特征提取单元、加法层、注意力层、上采样层和全连接层；所述第一特征提取单元的输入端与第二特征提取单元的输入端连接，用于输入振动训练数据集；所述第一特征提取单元的输出端与加法层的输入端连接；所述上采样层的输入端与加法层的输出端连接，其输出端与全连接层的输入端连接；所述全连接层的输出端用于输出诊断结果；所述第二特征提取单元的输出端与注意力层的输入端连接；所述注意力层的输出端与加法层的输入端连接。4.根据权利要求3所述的机器学习的电机故障诊断方法，其特征在于，所述第一特征提取单元包括：第一卷积层、第二卷积层、第一均值池化层、第一最大池化层和第一重叠池化层；所述第一卷积层的输入端作为第一特征提取单元的输入端，其输出端与第二卷积层的输入端连接；所述第二卷积层的输入端分别与第一均值池化层的输入端、第一最大池化层的输入端和第一重叠池化层的输入端连接；所述第一均值池化层的输出端、第一最大池化层的输出端和第一重叠池化层的输出端均作为第一特征提取单元的输出端。5.根据权利要求3所述的机器学习的电机故障诊断方法，其特征在于，所述第二特征提取单元包括：第一LSTM层、第二LSTM层、第二均值池化层、第二最大池化层和第二重叠池化层；所述第一LSTM层的输入端作为第二特征提取单元的输入端，其输出端与第二LSTM层的
输入端连接；所述第二LSTM层的输出端分别与第二均值池化层的输入端、第二最大池化层的输入端和第二重叠池化层的输入端连接；所述第二均值池化层的输出端、第二最大池化层的输出端和第二重叠池化层的输出端均作为第二特征提取单元的输出端。6.根据权利要求2所述的机器学习的电机故障诊断方法，其特征在于，所述步骤S3具体为：S31、采用第一振动训练数据集对电机故障诊断模型进行训练，得到训练完成的用于诊断轴系不平衡的电机故障诊断模型；S32、采用第二振动训练数据集对电...

【专利技术属性】
技术研发人员：张鹏，张军，冷述文，赵博，郭肖男，王海亮，郭凯，赵超，吕士森，陈国欢，
申请(专利权)人：华能嘉祥发电有限公司，
类型：发明
国别省市：