[發明專利]基于卷積神經網絡的電動機故障診斷方法、裝置和介質

在審

• 申請號: 202010037544.0
• 申請日: 2020-01-14
• 公開（公告）號: CN111157894A
• 公開（公告）日: 2020-05-15
• 發明（設計）人: 季振山;劉少清;王勇;陳春華
• 申請（專利權）人: 許昌中科森尼瑞技術有限公司
• 主分類號: G01R31/34
• 分類號: G01R31/34;G06N3/04
• 代理公司: 鄭州華隆知識產權代理事務所(普通合伙) 41144
• 代理人: 經智勇

1.一種基于卷積神經網絡的電動機故障診斷方法，其特征在于：包括步驟如下：

步驟1，模型訓練；

A，獲取電動機的電參量信息和非電參量信息；提取電參量信息中的統計量特征和/或頻率譜特征，并且對電參量信息進行Park變換后再進行傅里葉變換，得到變換后的頻率譜特征；統計量特征和/或頻率譜特征，以及變換后的頻率譜特征共同組成人工特征；

B，利用卷積神經網絡進行預訓練，再將所述非電參量信息輸入預訓練后的卷積神經網絡，得到隱性特征；

C，將人工特征與所述隱性特征一起輸入分類模型，進行訓練；

步驟2，采集實時樣本數據；

步驟3，將采集到實時樣本數據依照步驟A、B的方式進行處理后，一起輸入到訓練好的分類模型，得到故障診斷結果。

2.根據權利要求1所述的一種基于卷積神經網絡的電動機故障診斷方法，其特征在于：所述電參量信息為電壓、電流波形；所述非電參量信息為三軸加速度波形。

3.根據權利要求1所述的一種基于卷積神經網絡的電動機故障診斷方法，其特征在于：所述電參量和非電參量采樣時間一致，采樣率一致或者不一致。

4.根據權利要求1所述的一種基于卷積神經網絡的電動機故障診斷方法，其特征在于：還包括對電參量信號和非電參量信號進行切片的步驟，切片時，按相同時間段進行切片，這樣即保證了樣本數的一致，同時在特征融合時也保證了融合的特征為同一時間段的多種特征。

5.根據權利要求1所述的一種基于卷積神經網絡的電動機故障診斷方法，其特征在于：步驟A中，還包括對電參量信息和非電參量信息信號加噪的步驟。

6.根據權利要求1所述的一種基于卷積神經網絡的電動機故障診斷方法，其特征在于：所述電參量的統計量特征包括：最大值、最小值、均值、方差、標準差、均方根、偏度、峭度、波形因子、峰值因子、脈沖因子、裕度因子。

7.根據權利要求1所述的一種基于卷積神經網絡的電動機故障診斷方法，其特征在于：所述分類模型為LightGBM網絡。

8.根據權利要求1所述的一種基于卷積神經網絡的電動機故障診斷方法，其特征在于：所述卷積神經網絡包括：第一卷積層，第一池化層，第二卷積層，第二池化層和全連接層。

9.一種基于卷積神經網絡的電動機故障診斷裝置，包括處理器和存儲器，處理器用于執行存儲于存儲器中的計算機程序，以實現如權利要求1-8任一項所述的方法。

10.一種計算機可讀存儲介質，其特征在于，其存儲有計算機程序，以實現如權利要求1-8任一項所述的方法。