[發(fā)明專利]基于CN和PCA的電機(jī)故障診斷方法、電子設(shè)備及介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110020431.4
• 申請(qǐng)日: 2021-01-07
• 公開（公告）號(hào): CN112836346A
• 公開（公告）日: 2021-05-25
• 發(fā)明（設(shè)計(jì)）人: 趙運(yùn)基;許孝卓;吳中華;張新良;王莉;蘇波;劉曉光
• 申請(qǐng)（專利權(quán)）人: 河南理工大學(xué)
• 主分類號(hào): G06F30/20
• 分類號(hào): G06F30/20;G06F16/215;G01R31/34;G06F17/16;G06N3/08;G06N3/04
• 代理公司: 廣州智斧知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44649
• 代理人: 孔德超

本發(fā)明實(shí)施例涉及故障檢測(cè)技術(shù)領(lǐng)域，公開了基于CN和PCA的電機(jī)故障診斷方法、電子設(shè)備及介質(zhì)。該方法包括：接收傳感器采集的電機(jī)的原始數(shù)據(jù)；對(duì)原始數(shù)據(jù)進(jìn)行歸一化處理，并轉(zhuǎn)換為15位的二進(jìn)制數(shù)據(jù)；利用CN算法對(duì)二進(jìn)制數(shù)據(jù)進(jìn)行空間映射，得到10維的空間映射矩陣；利用PCA算法對(duì)空間映射矩陣進(jìn)行降維處理，獲取3維的特征矩陣；將特征矩陣輸入預(yù)先訓(xùn)練的網(wǎng)絡(luò)模型，輸出診斷結(jié)果。實(shí)施本發(fā)明實(shí)施例，可以提升故障類型的空間可分離性，提升故障診斷算法的檢測(cè)效率。

技術(shù)領(lǐng)域

本發(fā)明涉及故障檢測(cè)技術(shù)領(lǐng)域，具體涉及基于CN和PCA的電機(jī)故障診斷 方法、電子設(shè)備及介質(zhì)。

背景技術(shù)

先進(jìn)制造業(yè)是創(chuàng)新驅(qū)動(dòng)發(fā)展和經(jīng)濟(jì)社會(huì)高質(zhì)量發(fā)展的主引擎和主推手。高 端裝備與智能制造領(lǐng)域中，電動(dòng)機(jī)可直接將電能轉(zhuǎn)化為直線運(yùn)動(dòng)的機(jī)械能，由 于其推力大、力密度高、長(zhǎng)行程、低慣量、動(dòng)態(tài)響應(yīng)快、機(jī)械結(jié)構(gòu)簡(jiǎn)單等優(yōu)點(diǎn)。

電機(jī)直接驅(qū)動(dòng)運(yùn)動(dòng)設(shè)備，省去了機(jī)械傳動(dòng)機(jī)構(gòu)，完全消除機(jī)械傳動(dòng)元件的 速度和加速度的物理極限限制，已廣泛應(yīng)用于往復(fù)式伺服系統(tǒng)、工業(yè)機(jī)器人和 高精度定位直接驅(qū)動(dòng)系統(tǒng)。

故障診斷技術(shù)包括的內(nèi)容，是指在設(shè)備運(yùn)行狀態(tài)或稱工作狀態(tài)下，通過各 種監(jiān)測(cè)手段，判別其工作是否正常；如果不正常，經(jīng)過分析與判斷，指出發(fā)生 了什么故障，便于管理人員維修；或者在故障未發(fā)生之前，提出可能發(fā)生故障 的預(yù)報(bào)，便于管理人員盡早采取措施，避免發(fā)生故障，或避免發(fā)生重大故障， 因而造成停機(jī)停產(chǎn)，給工程帶來重大經(jīng)濟(jì)損失。這就是故障診斷技術(shù)的任務(wù)， 也是發(fā)展設(shè)備故障診斷技術(shù)的目的。

在大數(shù)據(jù)這一時(shí)代背景下，伴隨而來的是極大的計(jì)算復(fù)雜度和建模復(fù)雜度， 數(shù)據(jù)驅(qū)動(dòng)的智能故障診斷方法更為適用，表現(xiàn)在其對(duì)海量、多源、高維數(shù)據(jù)進(jìn) 行統(tǒng)計(jì)分析和信息提取的直接性和有效性。該技術(shù)以采集到的不同來源、不同 類型的監(jiān)測(cè)數(shù)據(jù)作為基底，利用各種數(shù)據(jù)挖掘技術(shù)獲取其中隱含的有用信息， 表征系統(tǒng)運(yùn)行的正常模式以及故障模式，進(jìn)而達(dá)到檢測(cè)與診斷的目的。

智能故障診斷方法的性能極大地依賴于所提取的特征質(zhì)量，包括特征的實(shí) 時(shí)變化、階段性變化、趨勢(shì)性變化及故障模式等，即數(shù)據(jù)的表示學(xué)習(xí)是智能故 障診斷技術(shù)的核心。傳統(tǒng)的特征表示學(xué)習(xí)方法存在以下問題：

(1)需要領(lǐng)域的先驗(yàn)信息、專業(yè)知識(shí)和深厚的數(shù)學(xué)基礎(chǔ)才能設(shè)計(jì)出合適的特 征提取方法；

(2)提取的特征多是淺層特征，針對(duì)復(fù)雜分類問題其泛化能力受到一定制約；

(3)受限于機(jī)械系統(tǒng)的物理特性，組件或故障條件變化均可能顯著改變特征 提取方法或其評(píng)估標(biāo)準(zhǔn)；

(4)特征提取依賴于原有特征和評(píng)估標(biāo)準(zhǔn)，對(duì)于新特征的挖掘具有一定局限 性。

針對(duì)生產(chǎn)過程和設(shè)備運(yùn)行中的海量狀態(tài)數(shù)據(jù)及監(jiān)控變量，信息采集通常為 多維向量形式，例如：旋轉(zhuǎn)設(shè)備運(yùn)行過程中基座的振動(dòng)信息、驅(qū)動(dòng)端的振動(dòng)信 息、設(shè)備運(yùn)行過程中的電流、電壓信息等。針對(duì)多通道的傳感器信息，如何將 傳感器采集到的故障信息融合為多通道的矩陣形式是實(shí)現(xiàn)基于卷積神經(jīng)網(wǎng)絡(luò)的 故障診斷的關(guān)鍵?；诰仃囆问捷斎氲木矸e神經(jīng)網(wǎng)絡(luò)故障診斷方法中，傳統(tǒng)的 故障數(shù)據(jù)拼接實(shí)現(xiàn)的矩陣形式樣本的處理方法具有一定的隨機(jī)性，必然要求故 障診斷的深度網(wǎng)絡(luò)具有較強(qiáng)的特征提取魯棒性和較強(qiáng)的分類泛化能力。較強(qiáng)的 特征提取魯棒性和較強(qiáng)的泛化能力必然要求相對(duì)復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)滿足要求。復(fù) 雜的卷積網(wǎng)絡(luò)必然要求具有足夠的樣本進(jìn)行模型預(yù)訓(xùn)練、實(shí)時(shí)故障診斷過程中較為強(qiáng)大的硬件支持。

發(fā)明內(nèi)容

針對(duì)所述缺陷，本發(fā)明實(shí)施例公開了一種基于CN和PCA的電機(jī)故障診斷 方法、電子設(shè)備及介質(zhì)，應(yīng)用CN(Color Names)多顏色空間模型方法將原始 數(shù)據(jù)映射到高維空間，將高維空間映射結(jié)果通過PCA的方法進(jìn)行降維，最終獲 得故障數(shù)據(jù)高維空間主元，提升故障類型的空間可分離性，提升故障診斷算法 的檢測(cè)效率。

本發(fā)明實(shí)施例第一方面公開一種基于CN和PCA的電機(jī)故障診斷方法，所 述方法包括：