[發明專利]一種基于RN網絡電流多特征形態識別的電機故障診斷方法

在審

• 申請號: 202210008383.1
• 申請日: 2022-01-05
• 公開（公告）號: CN114295981A
• 公開（公告）日: 2022-04-08
• 發明（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

本發明公開了一種電機的故障診斷方法，包括采集電機的電流數據進行特征處理，并由此獲得電流諧波、轉頻諧波等電流特征數據；對電流特征數據進行屬性約簡，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%數據進行擬合得到邊界形態圖像；將形態圖像輸入RN網絡進行異常形態識別；對不同關鍵特征屬性的邊界異常形態進行組合優化，得到每種故障類型的異常形態最優組合模式，根據最優組合模式匹配結果確定電機的故障類型。本申請保證了電機故障類型判斷的準確性和及時性，減少了工廠的經濟損失。此外，本申請還提出了一種電機智能管理框架，將云端、智能邊緣端以及客戶端聯系起來，方便運維工程師對電機的智能化管理。

技術領域

本發明屬于電機故障分析技術領域，特別是涉及一種基于RN網絡電流多特征形態識別的電機故障診斷方法。

背景技術

在工廠的鋼坯運輸中，運輸鋼坯的輥道是由電機所驅動的，但因現場的環境因素或電機的本身原因，電機經常會出現故障。對于電機故障的維修，工廠一般會等機器壞了之后維修或定時維修，這種維修模式不僅會增加工廠的經濟支出，還會造成過度維修。而且工廠一般會基于電機的振動信號對其進行故障診斷，但考慮到振動傳感器需要安裝在電機本體上，安裝過程復雜且振動傳感器價格昂貴，對于工廠來說性價比并不高。因此，本專利提出了一種基于定子電流的電機故障預測性診斷方法，該方法深入機理研究，通過提取多個電流特征信號及其關鍵特征屬性，然后識別各關鍵特征屬性異常形態并進行組合優化，給出用于電機故障分類的多屬性異常形態組合模式。該方法有助于電機的預測性運維以及減少工廠的經濟損失，具有良好的應用前景。

發明內容

本發明的目的是提供一種基于RN網絡電流多特征形態識別的電機故障診斷方法，能夠及時發現電機故障，有利于電機的及時維修以及延長電機使用壽命。

為解決上述技術問題，本發明提供一種電機故障識別方法，包括：

提出了一種‘云、邊、端’的電機智能管理框架；

采集電機的電流數據，并對所述電流數據進行特征處理，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據；

對經過特征處理后的電流特征數據進行屬性約簡，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％數據進行擬合得到關鍵特征屬性的邊界形態圖像；將形態圖像輸入RN網絡進行異常形態識別；

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

可選地，所述智能管理框架，包括：

將在現場所采集到的電流數據上傳到云端，并在云端完成數據的存儲、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據輸入到模型中，通過模型監測設備狀態；

建立客戶端，為運維工程師提供電機的實時狀態監控、故障預警、歷史表單查看等功能。

可選地，所述特征處理過程，包括：

將電流采集器獲取的定子電流數據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。

可選地，所述電流特征數據的屬性約簡過程，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據進行屬性約簡，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性低的冗余屬性。

可選地，所述關鍵特征屬性的邊界形態擬合過程，包括：