CN115130500A - 一种基于sdae算法的电机故障诊断***及方法 - Google Patents

一种基于sdae算法的电机故障诊断***及方法 Download PDF

Info

Publication number
CN115130500A
CN115130500A CN202210653851.0A CN202210653851A CN115130500A CN 115130500 A CN115130500 A CN 115130500A CN 202210653851 A CN202210653851 A CN 202210653851A CN 115130500 A CN115130500 A CN 115130500A
Authority
CN
China
Prior art keywords
motor
signal
sdae
fault
fault diagnosis
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202210653851.0A
Other languages
English (en)
Inventor
承敏钢
张能文
杨凯铭
何晓琳
吴广
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Xdg Solutions Technology Co ltd
Original Assignee
Jiangsu Xdg Solutions Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Xdg Solutions Technology Co ltd filed Critical Jiangsu Xdg Solutions Technology Co ltd
Priority to CN202210653851.0A priority Critical patent/CN115130500A/zh
Publication of CN115130500A publication Critical patent/CN115130500A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明公开了一种基于SDAE算法的电机故障诊断***及方法，利用EMD‑Hilbert包络谱分析方法提取电机原始运行信号的特征谱，提高信噪比，从而获得平稳化数字信号；基于奇异值分解从特征谱中提取故障特征值；最后基于SDAE算法和故障特征值进行电机故障诊断，给出故障类型。构建了基于上述方法的包括数据采集模块、模态分解和包络分析模块、故障特征值提取模块、SDAE故障诊断模块在内的电机故障诊断***，能够有效的对电机进行故障诊断和识别。

Description

一种基于SDAE算法的电机故障诊断***及方法
技术领域
本发明涉及旋转机械装备故障识别与诊断技术领域，具体涉及一种基于SDAE算法的电机故障诊断***及方法。
背景技术
随着电机使用的普及，其环境多变，故障不可避免。而电机设备故障大多直接影响工业生产，甚至威胁一线工人的人身安全，因此加强对电机运行状态的监测、故障诊断与识别至关重要。
传统的电机故障诊断多为采集电机运行数据、人工或自动进行是否超阈值判断和报警，然后人工进行判断和处理。该方法对专业人员的电机诊断经验及相关背景要求甚高，诊断效果受到局限，加上电机运行过程中产生的信号参数受多种不可预测的外在因素干扰，使得故障特征往呈现出非线性及不平稳状态，更加大了电机故障特征的识别难度，容易导致误判，这种传统的电机故障诊断方法表现出的低效性及泛化能力差问题，已不能够满足当代工业智能控制水平的需求。
人工智能技术的发展，为电机故障诊断提供了技术支撑，利用大数据技术从海量的数据信息中提取能够表征电机具体故障的有效信息，完成自动诊断，可极大地提高设备维护维修的效率。具体讲就是利用数据分析、深度学***。
当前电机故障自动诊断领域一般受原始数据噪声、采样信号非线性和不平稳状态、多类型故障交织以及故障专家知识不充分等因素的影响，诊断正确率和效率都不高，有效故障信息提取与挖掘的技术有待进一步提高。
发明内容
有鉴于此，本发明基于具有自训练、自学习功能的SDAE(Stacked DenoisingAutoencoder，堆栈去噪自编码器)算法，将信号特征谱分析和特征值提取技术相结合，提出了一种基于SDAE算法的电机故障诊断***及方法，能有效解决上述现有技术问题。
本发明设计的一种基于SDAE算法的电机故障诊断方法，其特征在于，综合运用特征谱分析、特征值提取和具有自训练和自学习功能的SDAE(Stacked DenoisingAutoencoder，堆栈去噪自编码器)算法进行电机故障诊断，所述故障诊断方法包括如下步骤：
S1：采集电机运行时的原始运行信号；
S2：通过模态分解和包络分析方法提取原始运行信号的特征谱；
S3：通过特征值提取方法提取原始运行信号的故障特征值；
S4：利用提取的故障特征值基于SDAE算法进行故障诊断。
进一步的，所述模态分解和包络分析方法包括EMD-Hilbert(Empirical ModeDecomposition-Hilbert)包络谱分析方法，所述特征谱包括包络谱和/或相位函数，所述特征值提取方法包括奇异值分解方法。
进一步的，所述EMD-Hilbert包络谱分析法提取电机故障特征谱，其具体内容是通过EMD方法分解原始运行信号为若干阶IMF(Intrinsic Mode Function)和残余量，然后取前若干阶IMF经过Hilbert变换得到包络谱，组成电机故障特征样本，从而获得平稳化数字信号；所述步骤S2中EMD-Hilbert包络谱分析方法包括如下循环步骤：
S21：利用EMD方法对电机原始运行信号x(t)进行有效的模态分解，步骤如下：
记n为预定第一循环次数，也称为外循环，即为IMF阶数，一般2≤n≤10，1≤i≤n，i初值为1；记k为预定第二循环次数，也称为内循环，即抽离信号细节循环次数，一般2≤k≤10，1≤j≤k，j初值为1；
S211：计算输入信号y(t)极值，针对第i次第一循环，求输入信号y(t)的所有极值点，初始输入信号为电机原始运行信号y(t)＝x(t)，可通过导数法、拉格朗日乘数法、作图法、差分法、比较法等实现，该技术为现有技术；
S212：计算包络，采用包括插值法的数据处理方法，对极大值点计算上包络Emax(t)，对极小值点计算下包络Emin(t)，所述插值法包括平均值法、拉格朗日插值法、龙格库塔插值法、牛顿插值法、线性插值法，该技术为现有技术；
S213：计算上下包络均值
Figure BDA0003688473050000031
S214：抽离有效信号，针对第j次第二循环，记新有效信号
Figure BDA0003688473050000032
S215：计算第i阶IMF分量，通常情况下，第二循环初期所得信号
Figure BDA0003688473050000033
等是非平稳信号，所以要进行多次循环抽取，令输入信号
Figure BDA0003688473050000034
针对二循环，重复执行步骤S211～S214直至循环j＝k次，则电机原始运行信号的第i阶IMF分量为：
Figure BDA0003688473050000035
第二循环结束后，重置j＝1，为进入下一次第一循环重新初始化第二循环初值；
S216：计算残余信号ri(t)＝x(t)-ci(t)；
S217：判断ri(t)是否为单调函数且i≥2，若满足则分解过程结束；若不满足重复以上步骤S211～S216，继续循环直至i＝n次，可得到不超过n阶的IMF分量ci(t)和残余信号ri(t)；
S22：利用Hilbert变换进行包络谱分析，Hilbert变换的本质是将输入信号与一段数据做卷积，该段数据就相当于是原始数据的过滤器，步骤如下：
S221：对步骤S21得到的每一个IMF分量ci(t)作Hilbert变换：
Figure BDA0003688473050000041
S222：完成Hilbert变换后，构造相应的解析信号zi(t)：
Figure BDA0003688473050000042
其中，ci(t)亦称为固有模态函数，ai(t)为包络谱，Φi(t)为相位函数，且
Figure BDA0003688473050000043
Figure BDA0003688473050000044
S223：信号重构，
Figure BDA0003688473050000045
重构信号为Z(t)的实部，即
Figure BDA0003688473050000046
其中，n为步骤S21得到的IMF最大阶数，ωi(t)为每阶IMF的瞬时频率，
Figure BDA0003688473050000047
以上步骤S21～S22应针对电机原始运行信号的整个采样序列进行。
进一步的，所述步骤S3中的奇异值分解方法如下：
S31：构建电机原始运行时序信号的特征矩阵Hankel矩阵，记序列
Figure BDA0003688473050000048
其中，
Figure BDA0003688473050000049
是步骤S223得到的重构信号，取其中的N个点，N为信号序列的长度，
Figure BDA00036884730500000410
fs为信号采样频率，fr为电机转动频率；构造的Hankel矩阵为：
Figure BDA0003688473050000051
其中，q＜N且满足N＝p+q-1；一般当N为奇数时，可取p＝q＝(N+1)/2；当N为偶数时，可取p＝N/2，q＝N/2+1；
S32：Hankel矩阵奇异值分解，将Hankel矩阵进行奇异分解，表示为两个正交矩阵和非对称对角矩阵的乘积：
Figure BDA0003688473050000052
其中，Up*p和
Figure BDA0003688473050000053
分别为p阶和q阶正交矩阵；Mp*q为非对称对角矩阵；
Figure BDA0003688473050000054
S＝diag(σ1，σ2，...，σr)
σi为矩阵Hankel的奇异值，r为矩阵的秩；
S33：Hankel矩阵重构，选取L个有效奇异值，其余奇异值置为0，并对奇异值分解过程取逆矩阵进行重构，获得重构后的矩阵H′，所述H′即为降维后包含有效原始运行信号的Hankel矩阵，
Figure BDA0003688473050000055
其中，[σ1，σ2，...，σL]为[σ1，σ2，...，σr]中选取的L个有效值，UL*L和
Figure BDA0003688473050000056
为L阶正交矩阵，所述L的取值方法包括均值法：
根据步骤S32得到的奇异值序列[σ1，σ2，...，σr]，求均值
Figure BDA0003688473050000057
L即为[σ1，σ2，...，σr]中大于均值b的奇异值个数；
保留所述L个大于均值b的奇异值，从大到小排列即为[σ1，σ2，...，σL]，UL*L和
Figure BDA0003688473050000061
则为步骤S32中Up*p和
Figure BDA0003688473050000062
与选取的奇异值对应的特征向量构成的正交矩阵；
S34：计算降维后的电机故障特征值X′＝[x′1，x′2，...，x′L]，依据步骤S33获得的重构矩阵H′，其中，
Figure BDA0003688473050000063
进一步的，所述步骤S4中基于SDAE算法进行故障诊断包括：
S41：通过训练样本完成SDAE算法参数更新，已经完成参数更新的可以省略本步骤直接进入S42；
S42：将步骤S3得到的电机故障特征值X′输入到SDAE；
S43：执行SDAE算法得到输出的故障类型。
进一步的，所述SDAE算法参数更新包括：
S411：先对第一层自编码器进行预训练，在输入层中输入被噪声污染的原始数据，完成第一层的无监督训练；
S412：根据训练的第一层自编码器的输出特征，作为第二层的输入信号，完成第二层的无监督训练；将第二层自编码器堆叠到第一层上；
S413：训练过程中，SDAE算法网络会得到网络权重w和网络偏执向量b，将其作为深度学习得到的初始化网络参数，并将输出层堆叠到第二层自编码器上；
S414：通过反向传播算法进行网络权重w和网络偏执向量b的更新，即完成对网络的反向调优训练，并获得SDAE算法参数。
SDAE算法为神经网络算法，其核心是如何进行自学习和自训练，只有完成了训练才真正是完成了模型，本发明基于公知原理建立了适应电机故障特征的参数类型和训练方法，即参数更新方法。
进一步的，所述SDAE算法参数包括激活函数、隐含层层数和单元个数组合、训练样本和测试样本的比例以及网络噪声比例等；所述训练样本包括电机原始运行信号、经过步骤S2和S3处理后的电机原始运行信号、仿真的电机原始运行信号等；采用包括试凑法的组合参数确定方法对SDAE算法的隐含层层数和单元个数组合、训练样本和测试样本的比例以及网络噪声比例等参数进行优化，用同一个故障特征样本对不同隐含层层数和单元个数进行训练，依次选择到最优的参数组合。
进一步的，所述原始运行信号包括电磁、电压、电流、温度、振动信号等中的任意一种或多种可检测的物理量，所述振动信号包括电机旋转加速度、旋转速度、位移以及频率等中的任意一种或多种，所述电机故障类型包括但不限于电机的定子故障、转子故障、电压不平稳、缺相、轴承故障、齿轮故障等中的任意一种或多种组合。
一般电机振动类故障可以只检测振动信号，但由于振动类故障会伴随电机电磁、电压、电流、温度等物理量的变化，通过检测该类物理量同样可以分析诊断振动类故障，或者辅助分析诊断振动类故障。
一种基于SDAE算法的电机故障诊断***，其特征在于：该***执行如上所述的基于SDAE算法的电机故障诊断方法。
进一步的，所述***包括数据采集模块、模态分解和包络分析模块、故障特征值提取模块、SDAE故障诊断模块；所述数据采集模块采集电机信号并输出到模态分解和包络分析模块，所述模态分解和包络分析模块计算结果输出到故障特征值提取模块，所述故障特征值提取模块计算结果输出到SDAE故障诊断模块，所述SDAE故障诊断模块输出最终故障诊断结果。
本发明的优点和有益效果在于：本发明提出的一种基于SDAE算法的电机故障诊断***及方法，能够更准确的提取电机故障特征值，更有效的对电机进行故障诊断和识别。该过程不需要电机故障诊断专业人士的配合，不需要复杂严谨的专家知识，可极大得方便用户及时掌握电机故障信息，提高电机故障诊断的自动化水平，提高设备维修维护效率，降低生产过程中事故风险。
附图说明
图1是一种基于SDAE算法的电机故障诊断方法流程图；
图2是SDAE算法模型原理图；
图3是本发明方法模型测试集故障分类图；
图4是BP模型测试集故障分类图；
图5是SVM模型测试集故障分类图；
图6是一种基于SDAE算法的电机故障诊断***框图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1：一种基于SDAE算法的电机故障诊断方法
如图1所示，一种基于SDAE算法的电机故障诊断方法，其特征在于，综合运用特征谱分析、特征值提取和具有自训练和自学习功能的SDAE(Stacked DenoisingAutoencoder，堆栈去噪自编码器)算法进行电机故障诊断，所述故障诊断方法包括如下步骤：
S1：采集电机运行时的原始运行信号；
S2：通过模态分解和包络分析方法提取原始运行信号的特征谱；
S3：通过特征值提取方法提取原始运行信号的故障特征值；
S4：利用提取的故障特征值基于SDAE算法进行故障诊断。
本实施例通过模态分解和包络分析在不丧失信号特征的情况下可有效提高信号的信噪比和平稳性；通过特征值提取则可进一步降低数据维数、去除数据冗余，便于开展特征分析和识别；利用经过自学习和自训练的SDAE算法能够有效的将特征数据与故障类型进行关联和定位，三类不同过程数据处理方法有机结合可实现高效、准确的电机故障诊断。
优选的，所述模态分解和包络分析方法包括EMD-Hilbert(Empirical ModeDecomposition-Hilbert)包络谱分析方法，所述特征谱包括包络谱和/或相位函数，所述特征值提取方法包括奇异值分解方法。本实施例采用EMD-Hilbert方法进行模态分解和包络分析，采用奇异值分解方法进行故障特征值提取。
优选的，所述EMD-Hilbert包络谱分析法提取电机故障特征谱，其具体内容是通过EMD方法分解原始运行信号为若干阶IMF(Intrinsic Mode Function)和残余量，然后取前若干阶IMF经过Hilbert变换得到包络谱，组成电机故障特征样本，从而获得平稳化数字信号；所述步骤S2中EMD-Hilbert包络谱分析方法包括如下循环步骤：
S21：利用EMD方法对试验台采集到的电机原始运行信号x(t)进行有效的模态分解，步骤如下：
记n为预定第一循环次数，也称为外循环，即为IMF阶数，一般2≤n≤10，1≤i≤n，i初值为1；记k为预定第二循环次数，也称为内循环，即抽离信号细节循环次数，一般2≤k≤10，1≤j≤k，j初值为1；本实施例取n＝10，k＝10；
S211：计算输入信号y(t)极值，针对第i次第一循环，求输入信号y(t)的所有极值点，初始输入信号为电机原始运行信号y(t)＝x(t)，可通过导数法、拉格朗日乘数法、作图法、差分法、比较法等实现，该技术为现有技术，本实施例采用差分法求解信号极值；
S212：计算包络，采用包括插值法的数据处理方法，对极大值点计算上包络Emax(t)，对极小值点计算下包络Emin(t)，所述插值法包括平均值法、拉格朗日插值法、龙格库塔插值法、牛顿插值法、线性插值法，该技术为现有技术，本实施例采用5阶拉格朗日插值法；
S213：计算上下包络均值
Figure BDA0003688473050000091
S214：抽离有效信号，针对第j次第二循环，记新有效信号
Figure BDA0003688473050000092
S215：计算第i阶IMF分量，通常情况下，第二循环初期所得信号
Figure BDA0003688473050000101
等是非平稳信号，所以要进行多次循环抽取，令输入信号
Figure BDA0003688473050000102
针对二循环，重复执行步骤S211～S214直至循环j＝k次，则电机原始运行信号的第i阶IMF分量为：
Figure BDA0003688473050000103
第二循环结束后，重置j＝1，为进入下一次第一循环重新初始化第二循环初值；
S216：计算残余信号ri(t)＝x(t)-ci(t)；
S217：判断ri(t)是否为单调函数且i≥2，若满足则分解过程结束；若不满足重复以上步骤S211～S216，继续循环直至i＝n次，可得到不超过n阶的IMF分量ci(t)和残余信号ri(t)，一般第一循环至5次大多能够满足ri(t)为单调函数的条件，从而循环即可结束；
S22：利用Hilbert变换进行包络谱分析，Hilbert变换的本质是将输入信号与一段数据做卷积，该段数据就相当于是原始数据的过滤器，步骤如下：
S221：对步骤S21得到的每一个IMF分量ci(t)作Hilbert变换：
Figure BDA0003688473050000104
S222：完成Hilbert变换后，构造相应的解析信号zi(t)：
Figure BDA0003688473050000105
其中，ci(t)亦称为固有模态函数，ai(t)为包络谱，Φi(t)为相位函数，且
Figure BDA0003688473050000106
Figure BDA0003688473050000107
S223：信号重构，
Figure BDA0003688473050000108
重构信号为Z(t)的实部，即
Figure BDA0003688473050000111
其中，n为步骤S21得到的IMF最大阶数，ωi(t)为每阶IMF的瞬时频率，
Figure BDA0003688473050000112
所述EMD-Hilbert为现有技术，以上步骤S21～S22应针对电机原始运行信号的整个采样序列进行。
优选的，所述步骤S3中的奇异值分解方法如下：
S31：构建电机原始运行时序信号的特征矩阵Hankel矩阵，记序列
Figure BDA0003688473050000113
其中，
Figure BDA0003688473050000114
是步骤S223得到的重构信号，取其中的N个点，N为信号序列的长度，
Figure BDA0003688473050000115
fs为信号采样频率，fr为电机转动频率；构造的Hankel矩阵为：
Figure BDA0003688473050000116
其中，q＜N且满足N＝p+q-1；一般当N为奇数时，可取p＝q＝(N+1)/2；当N为偶数时，可取p＝N/2，q＝N/2+1。
S32：Hankel矩阵奇异值分解，将Hankel矩阵进行奇异分解，表示为两个正交矩阵和非对称对角矩阵的乘积：
Figure BDA0003688473050000117
其中，Up*p和
Figure BDA0003688473050000118
分别为p阶和q阶正交矩阵；Mp*q为非对称对角矩阵；
Figure BDA0003688473050000119
S＝diag(σ1，σ2，...，σr)
σi为矩阵Hankel的奇异值，r为矩阵的秩；
S33：Hankel矩阵重构，选取L个有效奇异值，其余奇异值置为0，并对奇异值分解过程取逆矩阵进行重构，获得重构后的矩阵H′，所述H′即为降维后包含有效原始运行信号的Hankel矩阵，
Figure BDA0003688473050000121
其中，[σ1，σ2，...，σL]为[σ1，σ2，...，σr]中选取的L个有效值，UL*L和
Figure BDA0003688473050000122
为L阶正交矩阵，所述L的取值方法包括均值法：
根据步骤S32得到的奇异值序列[σ1，σ2，...，σr]，求均值
Figure BDA0003688473050000123
L即为[σ1，σ2，...，σr]中大于均值b的奇异值个数；
保留所述L个大于均值b的奇异值，从大到小排列即为[σ1，σ2，...，σL]，UL*L和
Figure BDA0003688473050000124
则为步骤S32中Up*p和
Figure BDA0003688473050000125
与选取的奇异值对应的特征向量构成的正交矩阵；
S34：计算降维后的电机故障特征值X′＝[x′1，x′2，...，x′L]，依据步骤S33获得的重构矩阵H′，其中，
Figure BDA0003688473050000126
所述奇异值分解与重构技术为现有技术。
优选的，所述步骤S4中基于SDAE算法进行故障诊断包括：
S41：通过训练样本完成SDAE算法参数更新，已经完成参数更新的可以省略本步骤直接进入S42；
S42：将步骤S3得到的电机故障特征值X′输入到SDAE；
S43：执行SDAE算法得到输出的故障类型。
SDAE算法为现有技术，是Vincent提出的无监督的神经网络算法模型，可参见论文：Stacked Denoising Autoencoders：Learning Useful Representations ina DeepNetwork with a Local Denoising Criterion，本实施例参照该论文并利用matlab仿真工具给出了SDAE模块，通过被测电机已知故障类型的故障数据对SDAE算法模型进行训练，获得算法模型参数。
优选的，如图2所示，所述SDAE算法参数更新包括：
S411：先对第一层自编码器进行预训练，在输入层中输入被噪声污染的原始数据，完成第一层的无监督训练；
S412：根据训练的第一层自编码器的输出特征，作为第二层的输入信号，完成第二层的无监督训练；将第二层自编码器堆叠到第一层上；
S413：训练过程中，SDAE算法网络会得到网络权重w和网络偏执向量b，将其作为深度学习得到的初始化网络参数，并将输出层堆叠到第二层自编码器上；
S414：通过反向传播算法进行网络权重w和网络偏执向量b的更新，即完成对网络的反向调优训练，并获得SDAE算法参数。
为了进一步验证本发明一种基于SDAE算法的电机故障诊断方法的优势，本实施例通过对含200个多类型故障的特征样本测试集进行故障诊断测试，同时与传统BP神经网络模型和支持向量机(SVM)模型故障诊断进行比对，结果如图3～图5所示。
图3所示测试集样本有7处的期望输出和实际输出不相合，实际输出在电机正常状态空载处出错1次，在电机定子绕组故障空载处出错3次，在电压不平稳和缺相故障空载处出错2次，在电压不平稳和缺相故障负载处出错1次，其他样本编号期望输出和实际输出相合，说明本次实验训练的本发明基于SDAE算法的模型对电机故障识别率为：test_accuracy＝0.9650；
图4所示BP神经网络模型测试结果，测得分类正确率：test_accuracy＝0.9250；
图5所示支持向量机模型测试结果，测得分类正确率：test_accuracy＝0.9333。
综上可知本发明一种基于SDAE算法的电机故障诊断方法可以获得更好的故障诊断结果。
优选的，所述SDAE算法参数包括激活函数、隐含层层数和单元个数组合、训练样本和测试样本的比例以及网络噪声比例等；所述训练样本包括电机原始运行信号、经过步骤S2和S3处理后的电机原始运行信号、仿真的电机原始运行信号等；采用包括试凑法的组合参数确定方法对SDAE算法的隐含层层数和单元个数组合、训练样本和测试样本的比例以及网络噪声比例等参数进行优化，用同一个故障特征样本对不同隐含层层数和单元个数进行训练，依次选择到最优的参数组合。
所述激活函数包括：Sigmoid函数、tanh函数、Relu函数等。神经网络中的每个神经元节点接受上一层神经元的输出值作为本神经元的输入值，并将输入值传递给下一层，输入层神经元节点会将输入属性值直接传递给下一层(隐层或输出层)。在多层神经网络中，上层节点的输出和下层节点的输入之间具有一个函数关系，这个函数就是激活函数。在SDAE算法模型中，一般需要使用一个能映射到条件概率的函数，上述函数中Sigmoid函数能够满足这一条件。
所述隐含层包括除输入层和输出层以外的其它层。隐含层不直接接收外界的信号，也不直接向外界发送信号。隐含层的工作就是将输入转化为输出层可以使用的东西。所述单元个数是指隐含层只能给的神经元节点数。
所述网络噪声包括对输入层原始信息加入的统计型噪声，这样在自编码训练的时候，学习到的特征不仅包含原始信息的特征，还包含加入的统计型噪声的特征，使得学习到的特征数据更具复杂性，然后通过自编码器反复训练重新构造出干净的输出信息。这样的益处是可以改善自编码器的过拟合问题，编码器抗干扰能力得到增强。
所述试凑法为一种凭借经验整定参数的方法，在SDAE算法模型中，使用同一个故障特征样本对隐含层层数和单元个数、训练样本和测试样本的比例以及网络噪声比例等参数进行调节，一边调节参数，一边观察过程，直到满足要求为止。
优选的，所述原始运行信号包括电磁、电压、电流、温度、振动信号等可检测的物理量，所述振动信号包括电机旋转加速度、旋转速度、位移以及频率等，所述电机故障类型包括但不限于电机的定子故障、转子故障、电压不平稳、缺相、轴承故障、齿轮故障等中的任意一种或多种组合。
相对而言，电机振动类故障较为频繁，也迫切需要智能化、高效的故障诊断***辅助开展设备维修和维护保养工作。一般振动类故障可以只检测振动信号，但由于振动类故障会伴随电机电磁、电压、电流、温度等物理量的变化，通过检测该类物理量同样可以分析诊断振动类故障，或者辅助分析诊断振动类故障。
实施例2：一种基于SDAE算法的电机故障诊断***
如图6所示，一种基于SDAE算法的电机故障诊断***，其特征在于，所述***用于执行实施例1所述的一种基于SDAE算法的电机故障诊断方法。
优选的，所述***包括数据采集模块、模态分解和包络分析模块、故障特征值提取模块、SDAE故障诊断模块；所述数据采集模块采集电机信号并输出到模态分解和包络分析模块，所述模态分解和包络分析模块计算结果输出到故障特征值提取模块，所述故障特征值提取模块计算结果输出到SDAE故障诊断模块，所述SDAE故障诊断模块输出最终故障诊断结果。所述数据采集模块通过不同的传感器采集电磁、电压、电流、温度、振动信号中的一种或任意多种。
所述数据采集模块通过加速度计传感器采集电机运行过程中的加速度信号，所述模态分解和包络分析模块采用EMD-Hilbert包络谱分析方法所述故障特征值提取模块采用奇异值分解方法所述SDAE故障诊断模块采用现有技术，并建立激活函数、隐含层层数和单元个数组合、训练样本和测试样本的比例以及网络噪声比例等关键训练参数集合，利用仿真的电机原始运行信号和实测电机原始运行信号共同进行模型训练，获取较优的参数组合，从而开展实际故障诊断；并在实际故障诊断中，根据现场故障实际检查结果，进一步训练SDAE模型，不断更新参数组合。
所述模态分解和包络分析模块、故障特征值提取模块、SDAE故障诊断模块一般一次只针对一种信号进行处理。对于采集到的多类信号，可以分别进行多次独立处理、故障诊断和识别，或者同时分别输入不同组上述模块，从而可获取不同类型信号各自的诊断结果，再进一步按照相似或相同综合、相异加权等方法可以获得更加可信的故障诊断结果。
本发明的基本原理是利用EMD-Hilbert包络谱分析方法提取电机故障特征，可以提高信噪比，从而获得平稳化数字信号；基于奇异值分解的特征值提取方法可以实现信号降维，原始信号重构后的信号可有效去除数据冗余，并保证数据可靠独立，特征提取的实用性强；最后基于SDAE算法的电机故障诊断方法，对参数调优充分分析，获得适合电机故障特点的故障诊断模型。进一步的，利用仿真的电机原始运行信号和实测电机原始运行信号共同进行模型训练，经过自学习和自训练的SDAE算法能够有效的将特征数据与故障类型进行关联和定位，从而实现高效、准确的故障诊断。
综上所述，本发明提供了一种基于SDAE算法的电机故障诊断***及方法，通过模态分解和包络分析在不丧失信号特征的情况下可有效提高信号的信噪比和平稳性；通过特征值提取则可进一步降低数据维数、去除数据冗余，便于开展特征分析和识别；基于SDAE算法的电机故障诊断自训练、自学习能力强，无需复杂、严谨的专家知识，***及方法实用性强。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和润饰，包括采用不同的特征谱和特征值提取方法等，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于SDAE算法的电机故障诊断方法，其特征在于，包括如下步骤：
S1：采集电机运行时的原始运行信号；
S2：通过模态分解和包络分析方法提取原始运行信号的特征谱；
S3：通过特征值提取方法提取原始运行信号的故障特征值；
S4：利用提取的故障特征值基于SDAE算法进行故障诊断。
2.根据权利要求1所述的一种基于SDAE算法的电机故障诊断方法，其特征在于，所述模态分解和包络分析方法包括EMD-Hilbert包络谱分析方法，所述特征谱包括包络谱和/或相位函数，所述特征值提取方法包括奇异值分解方法。
3.根据权利要求2所述的一种基于SDAE算法的电机故障诊断方法，其特征在于，所述步骤S2中EMD-Hilbert包络谱分析方法包括如下循环步骤：
S21：利用EMD方法对电机原始运行信号x(t)进行模态分解，步骤如下：
记n为预定第一循环次数阈值，1≤i≤n，i初值为1；记k为预定第二循环次数阈值，1≤j≤k，j初值为1；
S211：计算输入信号y(t)极值，针对第i次第一循环，求输入信号y(t)的所有极值点，初始输入信号为电机原始运行信号y(t)＝x(t)；
S212：计算包络，采用包括插值法的数据处理方法，对极大值点计算上包络Emax(t)，对极小值点计算下包络Emin(t)；
S213：计算上下包络均值
Figure FDA0003688473040000011
S214：抽离有效信号，针对第j次第二循环，记新有效信号
Figure FDA0003688473040000012
S215计算第i阶IMF分量，令输入信号
Figure FDA0003688473040000013
针对二循环，重复执行步骤S211～S214直至循环j＝k次，则电机原始运行信号的第i阶IMF分量为：
Figure FDA0003688473040000021
第二循环结束后，重置j＝1；
S216：计算残余信号ri(t)＝x(t)-ci(t)；
S217：判断ri(t)是否为单调函数且i≥2，若满足则分解过程结束；若不满足重复以上步骤S211～S216，继续循环直至i＝n次；
S22：利用Hilbert变换进行包络谱分析，步骤如下：
S221：对步骤S21得到的每一个IMF分量ci(t)作Hilbert变换：
Figure FDA0003688473040000022
S222：完成Hilbert变换后，构造相应的解析信号zi(t)：
Figure FDA0003688473040000023
其中，ai(t)为包络谱，Φi(t)为相位函数，且
Figure FDA0003688473040000024
Figure FDA0003688473040000025
S223：信号重构，
Figure FDA0003688473040000026
重构信号为Z(t)的实部，即
Figure FDA0003688473040000027
其中，n为步骤S21得到的IMF最大阶数，ωi(t)为每阶IMF的瞬时频率，
Figure FDA0003688473040000028
4.根据权利要求3所述的一种基于SDAE算法的电机故障诊断方法，其特征在于，所述步骤S3中的奇异值分解方法如下：
S31：构建电机原始运行时序信号的特征矩阵Hankel矩阵，记序列
Figure FDA0003688473040000029
其中，
Figure FDA00036884730400000210
是步骤S223得到的重构信号，取其中的N个点，N为信号序列的长度，
Figure FDA0003688473040000031
fs为信号采样频率，fr为电机转动频率；构造的Hankel矩阵为：
Figure FDA0003688473040000032
其中，q＜N且满足N＝p+q-1；
S32：Hankel矩阵奇异值分解：
Figure FDA0003688473040000033
其中，Up*p和
Figure FDA0003688473040000034
分别为p阶和q阶正交矩阵；Mp*q为非对称对角矩阵；
Figure FDA0003688473040000035
S＝diag(σ1，σ2，...，σr)
σi为矩阵Hankel的奇异值，r为矩阵的秩；
S33：Hankel矩阵重构，选取L个有效奇异值，其余奇异值置为0，并对奇异值分解过程取逆矩阵进行重构，获得重构后的矩阵H′，
Figure FDA0003688473040000036
其中，[σ1，σ2，...，σL]为[σ1，σ2，...，σr]中选取的L个有效值，UL*L和
Figure FDA0003688473040000037
为L阶正交矩阵，所述L的取值方法包括均值法：
根据步骤S32得到的奇异值序列[σ1，σ2，...，σr]，求均值
Figure FDA0003688473040000038
L即为[σ1，σ2，...，σr]中大于均值b的奇异值个数；
保留所述L个大于均值b的奇异值，从大到小排列即为[σ1，σ2，...，σL]，UL*L和
Figure FDA0003688473040000041
则为步骤S32中Up*p和
Figure FDA0003688473040000042
与选取的奇异值对应的特征向量构成的正交矩阵；
S34：计算降维后的电机故障特征值X′＝[x′1，x′2，...，x′L]，依据步骤S33获得的重构矩阵H′，其中，
Figure FDA0003688473040000043
5.根据权利要求4所述的一种基于SDAE算法的电机故障诊断方法，其特征在于，所述步骤S4中基于SDAE算法进行故障诊断包括：
S41：通过训练样本完成SDAE算法参数更新；
S42：将步骤S3得到的电机故障特征值X′输入到SDAE；
S43：执行SDAE算法得到输出的故障类型。
6.根据权利要求5所述的一种基于SDAE算法的电机故障诊断方法，其特征在于，所述SDAE算法参数更新包括：
S411：先对第一层自编码器进行预训练，在输入层中输入被噪声污染的原始数据，完成第一层的无监督训练；
S412：根据训练的第一层自编码器的输出特征，作为第二层的输入信号，完成第二层的无监督训练；将第二层自编码器堆叠到第一层上；
S413：训练过程中，SDAE算法网络会得到网络权重w和网络偏执向量b，将其作为深度学习得到的初始化网络参数，并将输出层堆叠到第二层自编码器上；
S414：通过反向传播算法进行网络权重w和网络偏执向量b的更新，即完成对网络的反向调优训练，并获得SDAE算法参数。
7.根据权利要求6所述的一种基于SDAE算法的电机故障诊断方法，其特征在于，所述SDAE算法参数包括激活函数、隐含层层数和单元个数组合、训练样本和测试样本的比例以及网络噪声比例；所述训练样本包括电机原始运行信号、经过步骤S2和S3处理后的电机原始运行信号、仿真的电机原始运行信号。
8.根据权利要求1所述的一种基于SDAE算法的电机故障诊断方法，其特征在于，所述原始运行信号包括电磁、电压、电流、温度、振动信号中的任意一种或多种，所述振动信号包括电机旋转加速度、旋转速度、位移以及频率中的任意一种或多种，所述电机故障类型包括但不限于电机的定子故障、转子故障、电压不平稳、缺相、轴承故障、齿轮故障中的任意一种或多种组合。
9.一种基于SDAE算法的电机故障诊断***，其特征在于：该***执行如权利要求1～8中任一权利要求所述的基于SDAE算法的电机故障诊断方法。
10.根据权利要求9所述的一种基于SDAE算法的电机故障诊断***，其特征在于，所述***包括数据采集模块、模态分解和包络分析模块、故障特征值提取模块、SDAE故障诊断模块；所述数据采集模块采集电机信号并输出到模态分解和包络分析模块，所述模态分解和包络分析模块计算结果输出到故障特征值提取模块，所述故障特征值提取模块计算结果输出到SDAE故障诊断模块，所述SDAE故障诊断模块输出最终故障诊断结果。
CN202210653851.0A 2022-06-10 2022-06-10 一种基于sdae算法的电机故障诊断***及方法 Withdrawn CN115130500A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210653851.0A CN115130500A (zh) 2022-06-10 2022-06-10 一种基于sdae算法的电机故障诊断***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210653851.0A CN115130500A (zh) 2022-06-10 2022-06-10 一种基于sdae算法的电机故障诊断***及方法

Publications (1)

Publication Number Publication Date
CN115130500A true CN115130500A (zh) 2022-09-30

Family

ID=83377960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210653851.0A Withdrawn CN115130500A (zh) 2022-06-10 2022-06-10 一种基于sdae算法的电机故障诊断***及方法

Country Status (1)

Country Link
CN (1) CN115130500A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115901248A (zh) * 2022-10-18 2023-04-04 江苏新道格自控科技有限公司 一种齿轮箱故障特征提取方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115901248A (zh) * 2022-10-18 2023-04-04 江苏新道格自控科技有限公司 一种齿轮箱故障特征提取方法
CN115901248B (zh) * 2022-10-18 2023-09-19 江苏新道格自控科技有限公司 一种齿轮箱故障特征提取方法

Similar Documents

Publication Publication Date Title
Lei et al. Fault diagnosis of wind turbine based on Long Short-term memory networks
Li et al. Multiscale local features learning based on BP neural network for rolling bearing intelligent fault diagnosis
Cabrera et al. Automatic feature extraction of time-series applied to fault severity assessment of helical gearbox in stationary and non-stationary speed operation
CN107657250B (zh) 轴承故障检测及定位方法及检测定位模型实现***和方法
CN109555566B (zh) 一种基于lstm的汽轮机转子故障诊断方法
CN108398268B (zh) 一种轴承性能退化评估方法
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN107702922B (zh) 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法
Zhao et al. Fault Diagnosis of Motor in Frequency Domain Signal by Stacked De-noising Auto-encoder.
Heydarzadeh et al. Gear fault diagnosis using discrete wavelet transform and deep neural networks
CN106596116A (zh) 一种风力发电机组振动故障诊断方法
CN110705525A (zh) 一种诊断滚动轴承故障的方法及装置
CN111753891B (zh) 一种无监督特征学习的滚动轴承故障诊断方法
CN110705456A (zh) 一种基于迁移学习的微型电机异常检测方法
CN112906644A (zh) 基于深度迁移学习的机械故障智能诊断方法
Yuan et al. A multiscale feature learning scheme based on deep learning for industrial process monitoring and fault diagnosis
Wang et al. Gear fault diagnosis based on variational modal decomposition and wide+ narrow visual field neural networks
Li et al. Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning
CN112798290B (zh) 基于频谱重构误差的燃气轮机异常状态监测方法
CN111855202A (zh) 一种齿轮箱故障诊断方法及***
CN112116029A (zh) 一种多尺度结构与特征融合的齿轮箱智能故障诊断方法
CN116502175A (zh) 一种图神经网络故障诊断方法、装置和存储介质
CN115290326A (zh) 一种滚动轴承故障智能诊断方法
CN115687973A (zh) 一种基于多信号融合的机械设备故障诊断方法
CN115392323A (zh) 基于云边协同的轴承故障监测方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20220930