[發明專利]基于ADXL335和深度學習的電機故障診斷模擬實驗臺及診斷方法

有效

• 申請號: 202110394833.0
• 申請日: 2021-04-13
• 公開（公告）號: CN113049958B
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 王曉遠;王鑫
• 申請（專利權）人: 天津大學
• 主分類號: G01R31/34
• 分類號: G01R31/34;G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 吳學穎

本發明公開了一種基于ADXL335和深度學習的電機故障診斷模擬實驗臺及診斷方法：實驗臺包括底座、電機支架、軸承支架、中間支架、電機、加速度傳感器、軸承、聯軸器、長軸、法蘭、偏心輪；方法包括搭建電機故障診斷模擬實驗臺；裝配偏心輪，加速度傳感器采集電機振動信號；下位機對電機振動信號卡爾曼濾波；傳輸到上位機；更換偏心輪，重復上述直至五種故障工況均模擬采集完成；在上位機構建基于深度學習卷積神經網絡的故障診斷模型；上位機五種故障工況的訓練集數據輸入到構建好的故障診斷模型訓練，直到模型收斂；保存故障診斷模型；隨機更換偏心輪，采集新工況下電機振動信號，輸入到訓練好的故障診斷模型，對電機運行狀態進行實時分類和識別。

技術領域

本發明涉及電機故障診斷領域，更具體的說，是涉及一種基于ADXL335和深度學習的電機故障診斷模擬實驗臺及診斷方法。

背景技術

現在電機已經在生產生活中承擔越來越多的重要角色，一旦發生故障將造成重要財產損失甚至威脅人的生命。在電機故障診斷領域，信號的提取和獲得是實現故障識別的關鍵第一步，主要包括振動、噪聲和電流電壓信號等集中類型的采集，其中振動信號能夠較好地反映電機運行實時狀態，在工程上應用最多。振動信號提取之后需要提取電機各種工況的信號特征，傳統方式是需要有經驗的工程師手動提取，診斷速度和正確率都較低，這就需要一種新的方法進行特征提取和故障診斷。卷積神經網絡屬于深度學習，是近些年發展起來的人工智能算法，通過對數據的大量學習和訓練，能夠自動提取信號的抽象特征，提高故障診斷正確率。

發明內容

本發明的目的是為了克服現有技術中的不足，提出一種基于ADXL335和深度學習的電機故障診斷模擬實驗臺及診斷方法，利用實驗臺搭建、振動采集、濾波預處理、深度學習特征提取和診斷的方法實現電機故障診斷。將振動信號快速采集技術、濾波技術和深度學習技術引入電機軸承故障診斷領域，為電機故障的實時診斷提出一種新的方法。

本發明的目的可通過以下技術方案實現。

本發明基于ADXL335和深度學習的電機故障診斷模擬實驗臺，包括底座，所述底座兩端分別設置有電機支架和軸承支架，所述底座上設置有中間支架，所述中間支架位于電機支架和軸承支架之間，且靠近電機支架一側；所述電機支架固定有電機，所述中間支架頂部設置有ADXL335加速度傳感器，所述軸承支架固定有軸承；所述電機的輸出軸通過聯軸器連接長軸，所述長軸一端穿過中間支架與聯軸器連接，另一端與軸承連接，所述長軸上通過法蘭安裝有可拆卸的偏心輪，所述偏心輪固定于中間支架和軸承支架之間。

所述偏心輪靠近中間支架一側設置，所述偏心輪共有五種規格，通過圓盤面設置不同鏤空梯形數量實現不同偏心程度，進而模擬不同故障類型；每個偏心輪沿圓半徑留有開口，開口大小與長軸匹配。

所述法蘭通過螺栓固定在長軸上，法蘭側面有三處螺栓用于固定偏心輪，拆卸時先擰松拆掉螺栓，然后將偏心輪沿長軸方向移動離開法蘭后可拔出。

所述ADXL335加速度傳感器的X軸與電機軸徑向水平，通過ADXL335加速度傳感器采集五種故障工況中間支架的振動信號。

本發明的目的還可通過以下技術方案實現。

本發明基于ADXL335和深度學習的電機故障診斷方法，包括以下過程：

步驟一，搭建電機故障診斷模擬實驗臺；

步驟二，裝配一種規格的偏心輪，啟動電機，帶動長軸及上面的偏心輪一起旋轉，模擬一種故障工況類型，通過ADXL335加速度傳感器采集該種故障工況中間支架的振動信號，即電機振動信號；

步驟三，ADXL335加速度傳感器將采集到的故障工況中間支架的振動信號傳送至下位機，下位機對采集的故障工況的電機振動信號進行卡爾曼濾波；