CN115166514A - 一种基于自适应频谱分割去噪的电机故障识别方法及*** - Google Patents

一种基于自适应频谱分割去噪的电机故障识别方法及*** Download PDF

Info

Publication number
CN115166514A
CN115166514A CN202210722448.9A CN202210722448A CN115166514A CN 115166514 A CN115166514 A CN 115166514A CN 202210722448 A CN202210722448 A CN 202210722448A CN 115166514 A CN115166514 A CN 115166514A
Authority
CN
China
Prior art keywords
motor
spectrum
signal
function
fault
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.)
Pending
Application number
CN202210722448.9A
Other languages
English (en)
Inventor
付丽辉
皇甫立群
石跃
吴文昊
蒋舟
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.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202210722448.9A priority Critical patent/CN115166514A/zh
Publication of CN115166514A publication Critical patent/CN115166514A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R15/00—Details of measuring arrangements of the types provided for in groups G01R17/00 - G01R29/00, G01R33/00 - G01R33/26 or G01R35/00
    • G01R15/14—Adaptations providing voltage or current isolation, e.g. for high-voltage or high-current networks
    • G01R15/18—Adaptations providing voltage or current isolation, e.g. for high-voltage or high-current networks using inductive devices, e.g. transformers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/346—Testing of armature or field windings
    • 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

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

Abstract

本发明公开了一种基于自适应频谱分割去噪的电机故障识别方法及***。所述方法包括：在电机空载稳定运行下，采集电机正常状态和故障状态下的振动信号和定子电流信号；对原始电机信号进行傅里叶变换获得信号频谱，根据频谱和采样信息确定自适应分割系数和谱划分的分界线，将频谱划分为不同部分；建立小波基，利用经验小波对各区间频谱信号进行分解；计算基线通过率及相关系数，去除低频信号及相关性小的高频，并采用半软阈值函数进行去噪；对去噪后信号进行重构，对重构信号进行白化预处理，送入稀疏自编码器进行降维，建立降维后的特征与电机故障之间的映射关系，基于映射关系识别电机实时工作过程中的故障。本发明提高故障诊断的精确度和效率。

Description

一种基于自适应频谱分割去噪的电机故障识别方法及***
技术领域
本发明涉及电机故障诊断技术领域，具体涉及一种基于自适应频谱分割去噪的电机故障识别方法及***。
背景技术
电机是一种重要的机电设备，可以将电能和机械能二者相互转换，在电力传动、交通运输、伺服控制等诸多工业领域有着十分重要的地位。许多电机相关的工业应用场景中，电机或者动力传动***的工作条件通常比较恶劣，工业环境中的振动、潮湿、霉菌、盐雾，以及设备自身的老化、磨损、过热等因素可能会导致电动机或传动***出现各种不同类型的故障。电机是一个复杂的***，所以当发生某个特定故障时，电机定子电流信号、振动信号、声音信号、温度信号也会发生变化，如何选取其中的一种或多种信号，通过信号处理方法提取出可表征故障类型的特征信号，并能够找到这些信号发生变化的内在规律，利用这些特征对电机早期故障进行诊断是电机故障监测领域的一个重要方向。目前传统的故障诊断方法均存在一些缺陷，已经不能满足目前电机故障监测的要求。
发明内容
发明目的：针对现有技术的问题，本发明提供一种基于自适应频谱分割去噪的电机故障识别方法及***，提高故障识别精度和效率。
技术方案：一种基于自适应频谱分割去噪的电机故障识别方法，包括以下步骤：
(1)在电机空载稳定运行下，采集电机正常状态和故障状态下的振动信号和定子电流信号；
(2)对原始电机信号进行傅里叶变换获得信号频谱X(f)，根据频谱和采样信息确定自适应分割系数fg，将频谱划分为若干份，使得每份包含fg个分割点，并根据每份频谱的极值确定谱划分的分界线，建立相应的滤波器组；
(3)定义尺度函数和经验小波函数，利用经验小波对各区间频谱信号进行分解；
(4)对于分解后的信号，基于给定基线计算基线通过率及相关系数，去除低频信号及相关性不足的高频，并采用半软阈值函数进行去噪，对去噪后信号进行重构；
(5)对重构信号进行白化预处理后送入稀疏自编码器进行降维，建立降维后的特征与电机故障之间的映射关系；
(6)基于映射关系识别电机实时工作过程中的故障。
一种基于自适应频谱分割去噪的电机故障识别***，包括：
信号采集***，包括加速度传感器和钳形电流互感器，分别采集电机正常状态和故障状态下的振动信号和定子电流信号；以及
信号处理设备，包括处理器、存储器以及计算机程序，其中计算机程序被存储在所述存储器中，并且被配置为由所述处理器执行，所述程序被处理器执行时实现如下步骤：
对原始电机信号进行傅里叶变换获得信号频谱X(f)，根据频谱和采样信息确定自适应分割系数fg，将频谱划分为若干份，使得每份包含fg个分割点，并根据每份频谱的极值确定谱划分的分界线，建立相应的滤波器组；
定义尺度函数和经验小波函数，利用经验小波对各区间频谱信号进行分解；
对于分解后的信号，基于给定基线计算基线通过率及相关系数，去除低频信号及相关性不足的高频，并采用半软阈值函数进行去噪，对去噪后信号进行重构；
对重构信号进行白化预处理后送入稀疏自编码器进行降维，建立降维后的特征与电机故障之间的映射关系；
基于映射关系识别电机实时工作过程中的故障。
有益效果：本发明实现更好的精确的电机故障诊断和识别，一方面，在自适应分割系数及阈值的经验小波变换中，完成对电机故障振动信号的滤波消噪，利用基线通过率去除通过率低于给定数值的漂移低频噪声信号，利用计算相关系数，去除相关性小的高频噪声信号，最后利用半软阈值小波方法完成对剩余信号处理，从而有效从含噪声的原始信号中恢复出有用的故障信号。另一方面，在深度学习稀疏自编码器识别框架中，通过带有数据白化过程的预处理，使特征数据间彼此不相关，降低数据间的冗余度，通过稀疏降维，在保证对***的不确定性和测量噪声具有容错性的基础上，获得对电机故障最为敏感的信息，通过建立特征与电机故障的模型，确保获得特征信号与电机故障间鲁棒的映射关系。
附图说明
图1是异步电机故障信号采集***示意图；
图2是傅里叶频谱轴的划分图示；
图3是经验小波去噪流程；
图4是去噪前后电机工作状态信号图；
图5是深度学习稀疏结构自编码器框架；
图6是数据白化过程；
图7是稀疏编码的总体结构图；
图8是深层稀疏自编码器的分层预训练过程。
具体实施方式
为了更好解释本发明，以便于理解，下面对本发明的技术方案作详细描述。以下实施例是对本发明的解释，而本发明并不局限于以下实施例。
针对制造生产设备普遍存在的电机故障问题，本发明提出一种基于自适应频谱分割去噪及深度学习自编码器的电机故障识别方法。从电机机组上采集的电机振动信号通常包含噪声，这些噪声主要来源传感器、电路元器件和环境噪声，信号波形杂乱、毛刺明显，难以表征故障特性，对最终的故障诊断有较大影响，需要进行信号处理，目的是从含噪声的原始信号中恢复出有用的信号波形，并提取可以区分不同故障的特征量。本发明中，首先完成电机故障信号的采集，建立故障诊断数据库；然后利用基于自适应分割系数及阈值的经验小波变换(下文中简称为FG-EWT)对电机工作状态信号进行去噪处理。对原始信号x(t)进行傅里叶变换，并对傅里叶频谱进行归一化，利用基于自适应分割系数及阈值的方法对频谱区间进行划分，再利用FG-EWT经验小波对其分解，从而建立小波基，接下来，计算基线通过率及相关系数，用以去除低频信号及相关性小的高频EMF，最后经半软阈值小波方法对剩余信号进行去噪，利用FG-EWT对信号重构。本发明还提出一种用于电机故障诊断和识别的深度学习稀疏自编码器，首先进行带有数据白化过程的预处理，然后在保留所需必要的信息前提下，尽量减少原始输入向量的维数，最后建立压缩维度后的特征与电机故障之间的映射关系。
在电机高速运行时，经常会出现转子本体故障，其中，常见的转子偏心故障会产生不平衡磁拉力，从而引起振动，而当振动加剧时，将导致定转子之间发生碰摩，最终损坏电机，另外，常见的转子导条断裂故障会导致定、转子三相电流不对称，电机转矩失衡，从而引起电机起动时间变长，有效力矩减小，转差变大，电机振动和噪声增强，定子电流波动，电机局部升温等问题，这些都是电动机运行中需要特别关注的故障类型。本发明针对异步电动机正常状态、转子导条断裂故障、转子偏心故障状态进行处理，实现电机的自主故障诊断。
图1所示为本发明实施例中电机故障信号采集***，该电机故障信号采集***由三相异步电动机、加速度传感器、钳形电流互感器、示波器、多通道数据采集仪和计算机组成。实验在电动机空载稳定运行下进行，主要采集电动机正常状态和故障状态下的振动信号和定子电流信号，最后，将采集后的信号送入计算机进行去噪及故障诊断处理。
结合图1，一种基于自适应频谱分割去噪的电机故障识别方法，包括以下步骤：
步骤1，在电机空载稳定运行下，采集电机正常状态和故障状态下的振动信号和定子电流信号；
本发明实施例中，面对Y801-4异步电动机，供电频率为50HZ，转差率为S＝0.05，电机在空载状态下运行。分别对电机正常状态、转子导条断裂故障、转子偏心故障状态进行信号采集，每种状态各采集40组数据进行存储分析。
三相异步电动机参数如表1。
表1三项异步电动机参数
Figure BDA0003712060490000041
具体实施中，为了获得电机全面可靠的振动信号，压电加速度传感器选择3个点检测电动机的振动信号，分别为电动机轴方向、垂直方向、水平方向。用钳形电流互感器扣住三相电源中的一相，测量流过电动机的该相定子电流。电动机的额定电流为1.6A，钳形电流互感器量程调至10A。
对电机工作状态信号采集与初步分析：
(1)振动信号的时域分析
首先，利用获取的电机工作状态振动信号，采用幅域参数值法对振动信号进行时域分析判断。包括：无量纲参数(峰值指标、波形指标、脉冲指标、裕度指标、峭度指标)。电机正常状态和故障状态下的一组时域指标见表2。
表2电机正常状态和故障状态下的时域指标
Figure BDA0003712060490000042
Figure BDA0003712060490000051
(2)转子导条断裂故障信号采集与特征频率分析
对转子导条断裂故障进行频谱分析，可得到电动机正常运行、转子导条断裂时的特征频率和幅值，见表3。
表3转子导条断裂时的特征频率和幅值
Figure BDA0003712060490000052
(3)转子偏心故障信号的采集与特征频率分析
利用采集***得到电动机正常运行、转子偏心故障特征频率处的幅值，如表4所示。
表4转子导条断裂时的特征频率和幅值
Figure BDA0003712060490000053
步骤2，对原始电机信号进行傅里叶变换获得信号频谱，将频谱划分为若干份，建立相应滤波器组。
本发明利用基于自适应分割系数及阈值的经验小波变换(FG-EWT)对电机故障振动信号进行滤波消噪。首先基于自适应分割系数及阈值进行频谱区间划分。对原始信号x(t)进行傅里叶变换，并对傅里叶频谱进行归一化，利用频谱区间划分法将其分隔为无限多个间隔，在此基础上，建立小波基。在频谱区间划分过程中，采用自适应分割系数及阈值设定来实现。
步骤2(a)，获得傅里叶变换后的频谱。设原始信号为x(t)，原始信号包括正常信号和故障信号，进行傅里叶变换后的频谱为X(f)，即：
X(f)＝FFT[x(t)] (1)
步骤2(b)，按照(2)确定自适应分割系数fg：
Figure BDA0003712060490000061
fd＝yin*gz (2)
其中，yin是根据具体情况自适应变化的数，取值范围为：2、2.2、2.4、2.6、2.8，用以控制选择适中的频段，避免选中的局部极值处于两条以故障频率为间隔的边带之间，导致分割出多余的分段。gz为预定电机故障频率，fd是分段频率，n为采样点数，fs为采样频率。
分割系数用于对频谱进行分段取极值，达到对故障信号幅值谱进行简单包络的效果，原理简单，运算方便且符合振动信号故障分布机理。
步骤2(c)，求取谱划分界线，进行频谱区间划分。
以fg为分割点数，将X(f)分割为m份，即每份包括fg个分割点，再求取每份的极大值MAXi，i＝1,2,…,m，将极大值点按幅值大小依次排序，寻找相邻极大值点中的极小值MINj，并设定阈值yz，按照以下公式(3)完成极小值的调整：
Figure BDA0003712060490000062
最后，以此MINj作为谱划分的分界线，将谱划分不同部分，建立相应的滤波器组。
通过界限因子筛选的幅值谱包络的局部最小值作为分割边界，由于设置了阈值，使该方法不受信号底噪的影响。考虑到[0,π]内的傅里叶谱被分割成N个连续的段，每个段定义为
Figure BDA0003712060490000063
各段间隔用
Figure BDA0003712060490000064
来表示，以
Figure BDA0003712060490000065
为中心，定义宽度为2Tn的过渡相Tn。
傅里叶频谱轴的划分如图2所示。
步骤3，定义尺度函数和经验小波函数，利用经验小波对各区间频谱信号进行分解。
步骤3.1，使用带通滤波器来设定FG-EWT的尺度函数和经验小波函数，分别由(4)和(5)定义：
Figure BDA0003712060490000071
Figure BDA0003712060490000072
n为频谱区间编号，
Figure BDA0003712060490000073
为第n个频谱区间的频率，Tn为过渡相，后续对其进行具体定义。函数β(x)定义如下：
β(x)＝x4(35-85x+α1x4-α2x3) (6)
其中，α1∈[65,75],α2∈[15,25]。该函数是通过经验数据进行多项式拟合获得，并通过实施验证。
步骤3.2，化简尺度函数和经验小波函数，对参数Tn等进行具体化，便于进一步实施。
根据与
Figure BDA0003712060490000074
的比例关系来选择Tn，即
Figure BDA0003712060490000075
0＜γ＜1，因此，对于任意
Figure BDA0003712060490000076
(4)和(5)可以简化为(7)和(8)：
Figure BDA0003712060490000077
Figure BDA0003712060490000081
参数γ可以保证两个连续过渡区域间没有重叠，故设定参数γ符合下式：
Figure BDA0003712060490000082
步骤3.3，进行FG-EWT经验小波分解。
利用FG-EWT经验小波对信号进行分解，提取经验模态函数(EMF)，EWT定义与小波变换相似，其系数
Figure BDA0003712060490000083
由以下经验小波的内积构成：
Figure BDA0003712060490000084
最后，该近似系数利用标度函数的内积来表示，具体如下：
Figure BDA0003712060490000085
步骤4，计算基线通过率和相关系数，去除低频信号和相关度不足的高频信号，并进行软阈值去噪，重构去噪后信号。
步骤4.1，通过计算基线通过率，去除基线通过率低于给定数值的代表基线漂移的低频信号。基线通过率Jt的计算如式(12)所示：
Figure BDA0003712060490000086
Figure BDA0003712060490000087
其中，EMFn是第n个经验模态函数，N是模态函数的长度，Jx为给定基线。基线是表示对电机信号(含有转子导条断裂故障或转子偏心故障的信号)漂移的低频噪声信号设定的标准，在基线Jx上下波动的程度小于设定值的信号，认为是低频噪声，予以去除，基线可以根据具体实际进行设定。在式(12)中右侧添加了1/2乘项，为了将最后累加结果限定在一个较小的范围内，因为绝对值中的数据是0或2，当然也可以不添加该乘项，或者也可以设置为其他值。
步骤4.2，计算去除低频信号后的剩余EMF与原信号的相关系数，利用该相关系数，去除相关性小的高频EMF，相关系数计算公式如下：
Figure BDA0003712060490000091
其中，x(t)为包括噪声的原始信号，M是原始信号的采样点数，
Figure BDA0003712060490000092
分别是原始信号和经验模态函数的平均值。
步骤4.3，进行半软阈值小波去噪。
小波阈值消噪法方法简单，计算量小，在实践中应用广泛。一般来说，真实信号的小波系数幅值比噪声的系数幅值要大，也就是说，有效信号对应的小波系数很大，而噪声对应的小波系数很小，可以通过阈值的选取，利用小波系数、进行评估，对于阈值的选取，有软阈值函数和硬阈值函数两种方法，其中，在硬阈值函数中，针对小波系数绝对值的大小与给定阈值λ进行比较，若小于阈值λ，则将小波系数设为0，反之，则不变。在软阈值函数中，针对小波系数绝对值的大小与给定阈值λ进行比较，若小于λ，则将小波系数设为0，反之，则向着减小系数幅值的方向做一个收缩。本发明用半软阈值函数进行去噪，通过调节参数β(0＜β＜1)，控制FG-EWT小波系数
Figure BDA0003712060490000093
处于常规硬、软阈值之间，从而更接近原始系数，最大限度地保证降噪效果，半软阈值函数定义见式(15)。
Figure BDA0003712060490000094
其中，sgn为符号函数，见上面式(13)；λ为阈值，β为调节参数，
Figure BDA0003712060490000095
为FG-EWT经验小波分解系数。
步骤4.4，利用FG-EWT经验小波对信号重构。
最后，利用FG-EWT对去噪后信号进行重构。具体见下式：
Figure BDA0003712060490000101
f0(t)和fk(t)分别为重构经验模态的第0个和第k个分量。
则重构信号为：
Figure BDA0003712060490000102
FG-EWT经验小波去噪流程如图3。去噪前后电机工作状态信号如图4。
步骤5，对重构信号进行白化预处理后送入稀疏自编码器进行降维，建立降维后的特征与电机故障之间的映射关系。
本发明提出的深度学习稀疏结构自编码器框架如图5所示。
步骤5.1，进行白化数据预处理。
使用数据白化过程再次对去噪后的数据进行诊断前预处理。这是一种线性变换，用于将具有已知协方差矩阵的随机变量变换成具有单位协方差的一组新变量，数据白化的目的是使输入数据冗余度降低，数据间彼此不相关，并且所有特性都具有相同的特征方差。因为输入向量被转换为白噪声向量，故本发明中将该过程称为“白化”。
通过对原始输入数据进行主成分分析(PCA)获得正交矩阵U，利用U使得输入特征变得不相关，具体如式(18)。
Figure BDA0003712060490000103
xi为第i个电机故障去噪重构后的信号。
为使每个输入特征具有单位方差，接下来，对其进行如下换算：
Figure BDA0003712060490000104
式中，λj是对应从PCA获得的第j个特征向量的特征值，
Figure BDA0003712060490000105
为处理后第j个白化数据样本。数据白化过程是基于主成分分析来完成的，从而实现了对数据进行去相关和球面化处理，并提供冗余度较小的预处理数据集，进而完成后续网络的验证、训练和测试。
在本发明实施过程中，与小于1e-12的特征值相对应白化处理后的数据被丢弃，其余部分为最大程度保存在原始信息的数据集。数据白化过程如图6。
步骤5.2，建立稀疏自编码器进行稀疏降维。
稀疏降维过程用于压缩电机信号特征的维度，从而确保获得对电机故障最为敏感的信息，同时对***的不确定性和测量噪声具有容错性。
本发明提出一种基于稀疏自编码器的深度神经网络，并用于维度压缩应用中。其中，第一个隐层用于执行电机的工作频率等特征的融合，随后，从第二层到第k层的隐层用于执行特征压缩。稀疏编码的总体结构如图7所示。
实施过程中，用于降维的稀疏自编码器、稀疏激活函数、目标函数的表达式如下：
(1)计算平均激活函数
设网络的第j个隐层单元的激活函数为hj(xi)，其中，xi为第i个输入，定义平均激活函数
Figure BDA0003712060490000111
Figure BDA0003712060490000112
其中，m是样本数，
Figure BDA0003712060490000113
是第j个隐层单元的平均激活函数(训练期间的平均值)。则设定强制约束如下：
Figure BDA0003712060490000114
其中，ρ是稀疏参数，对于sigmoid激活函数，ρ＝0.05。在本发明中，应用验证数据集进行实验设定，由于每个隐藏神经元的平均激活函数接近0，因此，隐层单位的激活函数也基本接近0。
(2)增加惩罚条件
自编码器主要作用是对高维数据进行降维学***均激活输出与稀疏度之间的相似性，为了保证隐藏层神经元处于较低的活跃度，CF离散度越小越好，CF离散度越小，代表
Figure BDA0003712060490000115
与ρ的差别越小，从而保证对电机故障特征的自学习能力更强。
对优化目标函数增加惩罚条件
Figure BDA0003712060490000121
用于惩罚
Figure BDA0003712060490000122
显著偏离ρ的程度，定义如下：
Figure BDA0003712060490000123
Figure BDA0003712060490000124
其中，r是隐藏层神经元个数，r1，r2是随机变量，j为第j个隐层单元序号，
Figure BDA0003712060490000125
表示为稀疏正则化项。
(3)定义稀疏目标代价函数
用于约束潜在表征信息的方式一般是使其稀疏或低维。本发明通过引入稀疏诱导项与权重衰减函数，重建损失函数，目标代价函数定义如下：
Figure BDA0003712060490000126
其中，
Figure BDA0003712060490000127
是重构损失函数；
Figure BDA0003712060490000128
是权重衰减函数(对所有权重进行L2正则化)；
Figure BDA0003712060490000129
是稀疏惩罚方程，见(23)式，用于去噪；α和γ是正则化参数，用于平衡重建精度和应用约束。最优参数通过验证数据集获得。重量衰减项
Figure BDA00037120604900001210
用于避免过度拟合，定义如下：
Figure BDA00037120604900001211
其中，
Figure BDA00037120604900001212
表示权值Wl中的各元素，Sl表示第l层中的单元数。
在本发明中，以上定义的稀疏自编码器堆叠在一起，形成一个深入架构，用以学习输入信号与输出信号之间的映射关系。其中，第一个隐藏层执行电机故障信号特征融合，从而实现非线性降维。第二个隐藏层对从第一隐层所学习到的低维特征进行压缩，接下来的隐层分别对来自于前一隐层的低维特征进一步压缩，最后，获得来自最后一个隐层的鲁棒特征空间，该空间将保留反映被测映关系的有用信息。
另外，稀疏非线性降维中的隐层不一定小于输入层。选择适合给定任务的每个节点数比较重要，本发明将稀疏性约束引入到目标函数中，在降维中，稀疏激活函数被用于选择训练过程中的最佳隐含层节点数。
电机故障频率及其对应特征，被输入自编码器，定义如下：
Figure BDA0003712060490000131
其中
Figure BDA0003712060490000132
是在第r个样本中的第i个(i＝1,…,n)去噪重构后的电机状态信号频率，即包括故障和正常信号的电机工作信号，
Figure BDA0003712060490000133
连续串联的高维特征，这些特征被作为稀疏自编码器的输入。
具体而言，重建稀疏自编码器的第p层的损失函数，定义如下：
Figure BDA0003712060490000134
其中，p＝{1,…,k}，k为降维中的最后一层，Q是训练中涉及的样本数，g(·)、f(·)分别为解码器和编码器函数，
Figure BDA0003712060490000135
表示第r个样本在p-1层建立的低维特征，其中，
Figure BDA0003712060490000136
编码器函数fp设定为ReLU，该函数支持对输入信号的稀疏表示，解码器函数gp设置为purelin函数，用以重建输入的真实值。
公式中目标函数定义为(24)式。用于训练稀疏自编码器。从降维中的最后一个隐层获得潜在的表征
Figure BDA0003712060490000137
也就是第k层，然后反馈给映射学习模块。
步骤5.3，建立压缩维度后的特征与电机故障之间的映射关系
(1)映射关系的预训练学习
建立压缩维度后的特征与电机故障之间的映射关系中，首先进行映射关系的预训练学习，映射关系学习的主要目的是学习降维后的特征
Figure BDA0003712060490000138
与电机故障参数之间的映射关系，带预训练的深度学习稀疏结构自编码器用于训练这种非线性映射关系。选择“tanh”函数作为激励函数，各层的代价函数定义如下：
Figure BDA0003712060490000139
同样用到(25)式所述的权重衰减函数，定义了m个隐藏层，并且重建的各层损失函数定义如下：
Figure BDA0003712060490000141
其中，q＝{k+1,…,k+m}是映射关系学习模块中的第m层中的参数；g(·)、f(·)分别为解码器和编码器函数，
Figure BDA0003712060490000142
表示第r个样本在q-1层建立的低维特征，
Figure BDA0003712060490000143
是第r个样本的标记输出向量。
本发明通过以上定义不同层对全局非线性执行有效映射关系学习，通过堆叠不同层来实现优化，误差会在后续几层中进一步减少。采用全样本梯度BP算法对所有层进行预先训练，一旦获得最优参数，整个网络再次进行微调，以优化所有图层。
(2)分层网络训练及微调
执行了以上预训练，整个网络即进行分层训练和微调。
稀疏降维与关系学习组合为一个深度神经网络。训练过程执行分层训练方案，图8中给出了深层稀疏自编码器网络的分层训练学习的过程。其中，用以编码的前两隐藏层经预训练，以执行非线性降维，后三个层进行训练，用以学习压缩维度特征与电机故障参数间的映射关系，通过这种方式，深层稀疏自编码器网络保留所需信息，以建立所学习到的鲁棒特征与电机故障间的映射关系。
本发明提出的稀疏自编码器模型和分层训练，具体如图8所示。可见，隐藏层可以被逐个训练，从而获得更为高效、准确的训练过程。
经过预训练后，整个深层网络再被微调，以同时优化带有目标函数的所有层，具体如下：
Figure BDA0003712060490000144
Figure BDA0003712060490000145
其中，
Figure BDA0003712060490000146
是估计的第r个样本的电机故障参数输出向量，
Figure BDA0003712060490000147
是第r个样本的标记输出向量，g(·)、f(·)分别为解码器和编码器函数。目标函数的微调和联合优化通过(30)式来完成，保证整个网络向着学习特征参数
Figure BDA0003712060490000148
与电机故障之间的映射关系进行微调，从而实现更好的精确的电机故障诊断和识别。
在具体实施中，稀疏约束仅应用在降维中，在映射关系学习中，至关重要的是从被降维的特征和输出信号间获得对应的非线性关系，对于该过程，稀疏性约束或稀疏激活函数将表现不佳，无法在训练中获得有效的映射关系，因此，稀疏诱导项没有用于映射关系学习中，如等式(28)和(29)所示。此外，执行了预训练，整个网络即利用等式(30)和(31)进行微调，除了那些较低层已经被预训练的稀疏项(大多数隐藏节点的输出在预训练后将为0)，微调主要影响更高层(映射关系学习部分)，由此获得建立压缩维度后的特征与电机故障之间的映射关系。
本发明实施例中将上述实验采集的定子电流信号作为深度学习自编码器的研究对象，每组数据提取定子电流的特征频率：50HZ、100HZ、55HZ、80HZ，将采集的定子电流信号的特征频率所对应的幅值经归一化后作为深度学习自编码器的输入量，故输入层的神经元节点数为4。输出层的神经元节点数由电动机状态类别决定，电动机状态有正常状态、转子导条断裂故障和转子偏心故障，分别用(1 0 0)、(0 1 0)、(0 0 1)表示，故输出层的神经元节点数为3。测试结果见表5。
表5测试结果
Figure BDA0003712060490000151
可见，该方法用于电机故障诊断，经过80步迭代完成了网络训练，其误差精度为0.00036，网络训练的时间为6.287s。

Claims (10)

1.一种基于自适应频谱分割去噪的电机故障识别方法，其特征在于，包括以下步骤：
(1)在电机空载稳定运行下，采集电机正常状态和故障状态下的振动信号和定子电流信号；
(2)对原始电机信号进行傅里叶变换获得信号频谱X(f)，根据频谱和采样信息确定自适应分割系数fg，将频谱划分为若干份，使得每份包含fg个分割点，并根据每份频谱的极值确定谱划分的分界线，建立相应的滤波器组；
(3)定义尺度函数和经验小波函数，利用经验小波对各区间频谱信号进行分解；
(4)对于分解后的信号，基于给定基线计算基线通过率及相关系数，去除低频信号及相关性不足的高频，并采用半软阈值函数进行去噪，对去噪后信号进行重构；
(5)对重构信号进行白化预处理后送入稀疏自编码器进行降维，建立降维后的特征与电机故障之间的映射关系；
(6)基于映射关系识别电机实时工作过程中的故障。
2.根据权利要求1所述的基于自适应频谱分割去噪的电机故障识别方法，其特征在于，所述步骤(1)中，利用加速度传感器选择3个点检测电动机的振动信号，分别为电动机轴方向、垂直方向、水平方向，利用钳形电流互感器扣住三相异步电动机的三相电源中的一相，测量流过电动机的该相定子电流；分别对电机正常状态、转子导条断裂故障、转子偏心故障状态数据进行采集存储，建立故障诊断数据库。
3.根据权利要求1所述的基于自适应频谱分割去噪的电机故障识别方法，其特征在于，所述步骤(2)中，自适应分割系数fg的计算公式如下：
Figure FDA0003712060480000011
fd＝yin*gz
其中，yin为2、2.2、2.4、2.6、2.8范围内自适应变化的数，fd是分段频率，gz为预定电机故障频率，n为采样点数，fs为采样频率。
4.根据权利要求1所述的基于自适应频谱分割去噪的电机故障识别方法，其特征在于，所述步骤(2)中，根据每份频谱的极值确定谱划分的分界线包括：
对划分后的频谱，求取每份的极大值MAXi，i＝1,2,…,m，m为频谱份数，将极大值点按幅值大小依次排序，寻找相邻极大值点中的极小值MINj，并设定阈值yz，按照以下公式完成极小值的调整：
Figure FDA0003712060480000021
最后以此MINj作为谱划分的分界线。
5.根据权利要求1所述的基于自适应频谱分割去噪的电机故障识别方法，其特征在于，所述步骤(3)中，定义尺度函数和经验小波函数包括：
使用带通滤波器设定尺度函数
Figure FDA0003712060480000022
和经验小波函数
Figure FDA0003712060480000023
Figure FDA0003712060480000024
Figure FDA0003712060480000025
其中，n为频谱区间编号，
Figure FDA0003712060480000026
为第n个频谱区间的频率，Tn为过渡相，函数β(x)定义如下：β(x)＝x4(35-85x+α1x4-α2x3)，其中α1∈[65,75],α2∈[15,25]；
根据与
Figure FDA0003712060480000027
的比例关系来选择Tn，有
Figure FDA0003712060480000028
0＜γ＜1，对于任意
Figure FDA0003712060480000029
尺度函数
Figure FDA00037120604800000210
和经验小波函数
Figure FDA00037120604800000211
简化为：
Figure FDA00037120604800000212
Figure FDA0003712060480000031
参数γ用以保证两个连续过渡区域间没有重叠，参数γ符合下式：
Figure FDA0003712060480000032
6.根据权利要求1所述的基于自适应频谱分割去噪的电机故障识别方法，其特征在于，所述步骤(4)中，基线通过率根据以下公式计算：
Figure FDA0003712060480000033
其中，EMFn是第n个经验模态函数，N是经验模态函数的长度，Jx为给定基线，sgn为符号函数，
Figure FDA0003712060480000034
7.根据权利要求1所述的基于自适应频谱分割去噪的电机故障识别方法，其特征在于，所述步骤(4)中，相关系数根据以下公式计算：
Figure FDA0003712060480000035
其中，x(t)为包括噪声的原始信号，M是原始信号的采样点数，
Figure FDA0003712060480000036
分别是原始信号和经验模态函数的平均值。
8.根据权利要求1所述的基于自适应频谱分割去噪的电机故障识别方法，其特征在于，所述步骤(4)中，半软阈值函数如下：
Figure FDA0003712060480000037
其中，λ为阈值，β为调节参数，
Figure FDA0003712060480000041
为经验小波分解系数，sgn为符号函数，
Figure FDA0003712060480000042
9.根据权利要求1所述的基于自适应频谱分割去噪的电机故障识别方法，其特征在于，所述步骤(5)中，使用稀疏自编码器时，对稀疏自编码器优化目标函数增加惩罚条件
Figure FDA0003712060480000043
用于惩罚
Figure FDA0003712060480000044
显著偏离ρ的程度，定义如下：
Figure FDA0003712060480000045
Figure FDA0003712060480000046
其中，r是隐藏层神经元个数，r1，r2是随机变量，j为第j个隐层单元序号，
Figure FDA0003712060480000047
表示稀疏正则化项，ρ是稀疏参数，
Figure FDA0003712060480000048
是第j个隐层单元的平均激活函数值。
10.基于自适应频谱分割去噪的电机故障识别***，其特征在于，包括：
信号采集***，包括加速度传感器和钳形电流互感器，分别采集电机正常状态和故障状态下的振动信号和定子电流信号；以及
信号处理设备，包括处理器、存储器以及计算机程序，其中计算机程序被存储在所述存储器中，并且被配置为由所述处理器执行，所述程序被处理器执行时实现如下步骤：
对原始电机信号进行傅里叶变换获得信号频谱X(f)，根据频谱和采样信息确定自适应分割系数fg，将频谱划分为若干份，使得每份包含fg个分割点，并根据每份频谱的极值确定谱划分的分界线，建立相应的滤波器组；
定义尺度函数和经验小波函数，利用经验小波对各区间频谱信号进行分解；
对于分解后的信号，基于给定基线计算基线通过率及相关系数，去除低频信号及相关性不足的高频，并采用半软阈值函数进行去噪，对去噪后信号进行重构；
对重构信号进行白化预处理后送入稀疏自编码器进行降维，建立降维后的特征与电机故障之间的映射关系；
基于映射关系识别电机实时工作过程中的故障。
CN202210722448.9A 2022-06-24 2022-06-24 一种基于自适应频谱分割去噪的电机故障识别方法及*** Pending CN115166514A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210722448.9A CN115166514A (zh) 2022-06-24 2022-06-24 一种基于自适应频谱分割去噪的电机故障识别方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210722448.9A CN115166514A (zh) 2022-06-24 2022-06-24 一种基于自适应频谱分割去噪的电机故障识别方法及***

Publications (1)

Publication Number Publication Date
CN115166514A true CN115166514A (zh) 2022-10-11

Family

ID=83487757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210722448.9A Pending CN115166514A (zh) 2022-06-24 2022-06-24 一种基于自适应频谱分割去噪的电机故障识别方法及***

Country Status (1)

Country Link
CN (1) CN115166514A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116955995A (zh) * 2023-09-20 2023-10-27 深圳市嘉友锦磁科技有限公司 一种三相直流无刷电机逆变器故障诊断方法
CN117630554A (zh) * 2023-12-07 2024-03-01 深圳市森瑞普电子有限公司 一种用于导电滑环的测试装置及测试方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116955995A (zh) * 2023-09-20 2023-10-27 深圳市嘉友锦磁科技有限公司 一种三相直流无刷电机逆变器故障诊断方法
CN116955995B (zh) * 2023-09-20 2024-01-05 深圳市嘉友锦磁科技有限公司 一种三相直流无刷电机逆变器故障诊断方法
CN117630554A (zh) * 2023-12-07 2024-03-01 深圳市森瑞普电子有限公司 一种用于导电滑环的测试装置及测试方法

Similar Documents

Publication Publication Date Title
CN112785016B (zh) 基于机器学习的新能源汽车保养维护与故障监测诊断方法
CN107702922B (zh) 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法
CN111238814B (zh) 一种基于短时希尔伯特变换的滚动轴承故障诊断方法
CN109033719B (zh) 一种风力涡轮机轴承故障诊断方法
CN112326210A (zh) 一种声振信号联合1d-cnn的大型电机故障诊断方法
CN109884419B (zh) 一种智慧电网电能质量在线故障诊断方法
CN110705456A (zh) 一种基于迁移学习的微型电机异常检测方法
CN111413089A (zh) 基于vmd熵值法和vpmcd相结合的齿轮故障诊断方法
CN104807534B (zh) 基于在线振动数据的设备固有振动模式自学习识别方法
Li et al. Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning
CN115840120B (zh) 一种高压电缆局放异常监测及预警方法
CN115758082A (zh) 一种轨道交通变压器故障诊断方法
CN111912519A (zh) 基于声纹频谱分离的变压器故障诊断方法及装置
CN115166514A (zh) 一种基于自适应频谱分割去噪的电机故障识别方法及***
CN116337449A (zh) 一种基于信息融合的稀疏自编码故障诊断方法、***
CN114386452B (zh) 核电循环水泵太阳轮故障检测方法
Zhao et al. Bearing fault diagnosis based on mel frequency cepstrum coefficient and deformable space-frequency attention network
CN112798888B (zh) 一种无人驾驶列车车载电气***故障非侵入诊断方法
CN114036977A (zh) 基于二维图像编码特征的风机电能质量扰动监测方法
CN117219124A (zh) 一种基于深度神经网络的开关柜声纹故障检测方法
CN110222390B (zh) 基于小波神经网络的齿轮裂纹识别方法
CN116758922A (zh) 一种用于变压器的声纹监测与诊断方法
CN116304822A (zh) 基于多元感知和特征提取的变压器状态预测方法
CN115563480A (zh) 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法
CN114993671A (zh) 一种基于q因子小波变换的振动故障诊断方法及其***

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