[發明專利]一種基于卷積神經網絡濾波的電機故障診斷方法及系統

有效

• 申請號: 201911113986.2
• 申請日: 2019-11-14
• 公開（公告）號: CN110907826B
• 公開（公告）日: 2022-04-08
• 發明（設計）人: 馮江華;陳志文;王亞杰;符敏利;韓露;李偉業;陽春華;彭濤
• 申請（專利權）人: 中車株洲電力機車研究所有限公司
• 主分類號: G01R31/34
• 分類號: G01R31/34;G06N3/04
• 代理公司: 長沙朕揚知識產權代理事務所(普通合伙) 43213
• 代理人: 何湘玲

1.一種基于卷積神經網絡濾波的電機故障診斷方法，其特征在于，包括以下步驟：

S1：根據待測電機的歷史運行數據集得到初始數據集，將所述初始數據集劃分為訓練數據集和驗證數據集，根據所述訓練數據集訓練卷積神經網絡得到卷積神經網絡濾波器；

S2：利用所述卷積神經網絡濾波器對訓練數據集進行濾波處理，并計算卷積神經網絡濾波器的輸出值與訓練數據之間的殘差，得到殘差數據集；

S3:根據卷積神經網絡濾波器輸出值基頻調整所述殘差數據集，根據調整后的殘差數據集得到用于表示故障與頻譜之間對應關系的殘差頻譜特征庫；

S4:采用所述驗證數據集驗證所述殘差頻譜特征庫的正確率是否超過設定閾值，若超過，則進入S5，反之，則調整訓練數據集返回S1；

S5:選取待測電機的實時運行數據，采用所述卷積神經網絡濾波器對所述實時運行數據進行濾波處理，計算卷積神經網絡濾波器的輸出值與所述實時運行數據之間的殘差，將該殘差的頻譜特征與殘差頻譜特征庫進行匹配以實現電機故障診斷；

所述S1具體包括以下步驟：

S11：選取待測電機歷史正常運行數據及故障運行數據組成初始數據集，每個初始數據集中的樣本的數據包括由恒定采樣率為f_s的電流傳感器采集的待測電機a、b、c相定子電流瞬時值I_a、I_b、I_c，計算所有樣本中電流的最大幅值I_max、最小幅值I_min、最大基頻f_max、最小基頻f_min；

S12：構造Q個含有隨機噪聲的正弦波序列對，計算公式如下：

S_i＝A_i sin(2πf_iT+θ_i) (1)

Z_i＝S_i+n(T) (2)

式中，S_i為第i個不含隨機噪聲的正弦波序列，Z_i為第i個含有人工生成的高斯噪聲的正弦波序列，i＝1,2,…,Q，Q為序列總數目；A_i為第i個正弦波序列的幅值，A_i的取值范圍為[I_max,I_min]，f_i為第i個正弦波序列的頻率，f_i的取值范圍為[f_max,f_min]；T為時間序列，由恒定采樣率f_s對時間進行1/f_min秒采樣得到,即θ_i為隨機值，從[0,2π]區間內隨機抽取；n(T)為人工生成的高斯噪聲，根據電機歷史運行數據中噪聲的大小從服從特定高斯分布的數據中隨機抽取；在取值范圍內改變A_i和f_i的值，構造Q個正弦波序列對[(S₁,Z₁),(S₂,Z₂),…,(S_Q,Z_Q)]，并將所有序列對劃分為訓練數據集和驗證數據集；

S13：構建卷積神經網絡，該卷積神經網絡的輸入層為一維序列，序列長度與T的長度相同；中間層由若干個卷積層與池化層交替堆疊；輸出層為長度與輸入層一致的一維序列；其中卷積層使用一維卷積核，激活函數為ReLU函數，池化層使用平均值池化；

S14：以Z_i作為卷積神經網絡輸入序列、S_i作為卷積神經網絡輸出序列，損失函數為均方誤差函數，使用訓練數據集對神經網絡進行訓練得到卷積神經網絡濾波器。