[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

本發明涉及一種基于卷積神經網絡的電動機故障診斷方法、裝置和介質，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，得到人工特征；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，輸入分類模型，進行訓練；步驟2，采集實時樣本數據；步驟3，進行故障診斷。本發明為解決現有技術存在的問題，本發明采用卷積神經網絡進行振動特征提取，并與電流特征進行融合，有效的提升了故障診斷分類的準確性，降低了診斷時間。

技術領域

本發明涉及高壓和低壓電動機的故障診斷與保護領域，特別是基于卷積神經網絡的故障診斷分類方法、裝置和計算機可讀存儲介質。

背景技術

對電動機（包括高壓電動機和低壓電動機）進行保護，需要對電動機的狀態進行檢測，對其可能產生的故障進行判斷，然后再根據故障類型執行相應的保護策略。這就會用到各種傳感器來采集電動機運行時的電參量（電流、電壓、功率因數等）和非電參量（振動信號、位移等）。

傳統的數據分析和故障診斷方法包括：

一，對電參量和非電參量獨立分析，給出分析結果，這樣的效率和準確率往往不是很高。

二，將電參量和非電參量直接輸入到深度神經網絡中，進行特征分類。這種方式能夠進行特征分類，但是其時間消耗巨大而且準確性不甚理想。

發明內容

本發明給出了一種基于卷積神經網絡電動機故障診斷方法，有效的提升了故障診斷分類的準確性，降低了診斷時間。同時還提供了基于卷積神經網絡電動機故障診斷裝置和計算機可讀存儲介質。

一種基于卷積神經網絡的電動機故障診斷方法，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。

進一步的，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。

進一步的，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。

進一步的，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。

進一步的，所述分類模型為LightGBM網絡。

進一步的，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。

本發明還提供了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，以實現上述方法。

本發明還提供了一種計算機可讀存儲介質，其存儲有實現上述方法的計算機程序。