[發(fā)明專利]一種基于RN網絡電流多特征形態(tài)識別的電機故障診斷方法

在審

• 申請?zhí)枺?/td>: 202210008383.1
• 申請日: 2022-01-05
• 公開（公告）號: CN114295981A
• 公開（公告）日: 2022-04-08
• 發(fā)明（設計）人: 馬天雨;李志鵬;劉思亞;王嘉俊;劉金平
• 申請（專利權）人: 湖南師范大學
• 主分類號: G01R31/34
• 分類號: G01R31/34
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種電機的故障識別方法，其特征在于，包括：

提出了一種‘云、邊、端’的電機智能管理框架；

采集電機的電流數(shù)據(jù)，并對所述電流數(shù)據(jù)進行特征處理，獲得電流諧波、轉頻諧波、最大電流以及逆序電流等電流特征數(shù)據(jù)；

對電流特征數(shù)據(jù)進行屬性約簡，進一步提取電機故障診斷的關鍵特征屬性；

截取關鍵特征屬性的最大5％、最小5％數(shù)據(jù)進行擬合得到關鍵特征屬性的邊界形態(tài)圖像；

將形態(tài)圖像輸入RN網絡進行異常形態(tài)識別；

對不同關鍵特征屬性的邊界異常形態(tài)進行組合優(yōu)化，得到每種故障類型的異常形態(tài)最優(yōu)組合模式，根據(jù)最優(yōu)組合模式匹配結果確定電機的故障類型。

2.如權利要求1所述的電機的故障識別方法，其特征在于，所述智能管理框架，包括：

將在現(xiàn)場所采集到的電流數(shù)據(jù)上傳到云端，并在云端完成數(shù)據(jù)的存儲、分析、電機故障診斷模型訓練等一系列過程；

將在云端訓練好的模型部署到智能邊緣端，將設備實時的運行數(shù)據(jù)輸入到模型中，通過模型監(jiān)測設備狀態(tài)；

建立客戶端，為運維工程師提供電機實時狀態(tài)監(jiān)控、故障預警、歷史表單查看等功能。

3.如權利要求1所述的電機的故障識別方法，其特征在于，所述特征處理過程，包括：

將電流采集器獲取的定子電流數(shù)據(jù)通過快速傅里葉變換計算各次電流諧波；通過對定子電流解調以及快速傅里葉變換計算各次轉頻諧波；基于電流短期內最大值獲得最大電流；基于所獲得的電流諧波計算逆序電流。

4.如權利要求1所述的齒輪箱的故障識別方法，其特征在于，所述電流特征數(shù)據(jù)的屬性約簡過程，包括：

使用決策樹算法以及專家經驗對提取到的電流特征數(shù)據(jù)進行屬性約簡，挖掘出能決定電機故障的關鍵特征屬性，并剔除跟電機故障關聯(lián)性低的冗余屬性。

5.如權利要求1所述的電機的故障識別方法，其特征在于，所述關鍵特征屬性的邊界形態(tài)擬合過程，包括：

選取一小時中最大5％、最小5％數(shù)據(jù)，使用3σ(3倍標準差)原則去除所選取數(shù)據(jù)的離群點；分別計算去離群數(shù)據(jù)的一小時最大5％和最小5％數(shù)據(jù)的均值，將所計算的各小時均值進行連接形成上下粗邊界。

6.如權利要求5所述的電機的故障識別方法，其特征在于，為了將上下粗邊界轉換為平滑的上下邊界，包括：

為獲取平滑的上下邊界，采用多起點分段擬合算法和采用貝葉斯全局優(yōu)化算法獲取使殘差最小的線段分段數(shù)和起點位置，然后分段擬合獲取各屬性的上下光滑邊界。

7.如權利要求1所述的電機的故障識別方法，其特征在于，所述邊界形態(tài)圖像的異常形態(tài)識別過程，包括：

使用RN神經網絡對邊界擬合圖像進行識別，給出每種關鍵特征屬性在不同故障下的邊界異常形態(tài)。

8.如權利要求1所述的電機的故障識別方法，其特征在于，確定電機故障類型過程，包括：

使用天牛須優(yōu)化算法，對通過RN神經網絡所獲取的所有關鍵特征屬性異常形態(tài)進行組合優(yōu)化，得到每種故障類型的異常形態(tài)最優(yōu)組合模式，根據(jù)最優(yōu)組合模式匹配結果確定電機的故障類型。