【技术实现步骤摘要】
电机轴承故障诊断方法
[0001]本专利技术涉及电机轴承故障诊断方法。
技术介绍
[0002]在现代工业生产中,电机作为电能生产、传输、使用的核心设备占据重要地位。电机轴承是电机的核心组件,在支撑和输送动力方面起着极其重要的作用。电机作为一个复杂的综合电气设备,通常工作在比较恶劣的环境中,电机轴承的内圈、滚动体和外圈很容易出现故障,据统计,在感应电机故障中,电机轴承引发的故障约占电动机故障的40%,因此电机轴承的故障诊断是电机安全运行的重要保障,直接关系到公司的安全生产和经济效益。
[0003]卷积神经网络(CNN)在处理二维数据时具有一定优势,因为它可以通过其分层结构自主学习并提取输入数据的特征。一种基于卷积网络和振动信号双频谱分析的方案,该方法可用于变速工况下的轴承故障诊断,且诊断精度高。一种基于多尺度卷积神经网络的风电齿轮箱故障诊断,该方法不需要任何耗时的手工特征提取过程,并且在工作负载变化和噪声环境下工作良好。CNN在特征提取方面的表现方面良好,但随着层数增多,在训练的过程中需要大量的样本,且对训练的设备配置要求高。
[0004]循环神经网络(RNN)。循环神经网络的路径从其隐藏层到输出层时,循环模型可以捕获并建模顺序数据或时间序列数据。长短期记忆网络(LSTM)改进了RNN梯度消失的问题。一种基于LSTM神经网络的模型,对原始信号采用数据增强技术,取得了很好的故障识别效果。一种基于长短时记忆循环神经网络的智能故障诊断方案,利用空间和时间的依赖性对故障进行预测,并在实验中验证了方案的有效性。但
【技术保护点】
【技术特征摘要】
1.电机轴承故障诊断方法,其特征在于,包括:步骤S1,构建CLSTM故障诊断模型,并采用SSA进行优化,获得SSA
‑
CLSMT模型;步骤S2,采集电机轴承在正常、外圈损伤、内圈损伤、滚珠损伤的原始振动信号,并对数据集打标签分类,按0.2比例划分为训练集和测试集,输入到SSA
‑
CLSMT模型中;步骤S3,初始化SSA
‑
CLSMT模型参数——最大迭代次数G、麻雀种群数N、麻雀个体数Dim、发现者比例P、上边界Ub、下边界Lb、预警值R2和适应度函数f;步骤S4,更新麻雀个体的位置,返回当前最佳麻雀个体和最佳适应度值;步骤S5,不满足迭代次数重复步骤S4,满足迭代次数输出最佳的麻雀个体和最佳适应度值并保存;步骤S6,将最佳的麻雀个体回代SSA
‑
CLSMT模型,输出相应结果。2.根据权利要求1所述的电机轴承故障诊断方法,其特征在于,所述步骤S1中构建CLSTM故障诊断模型,对输入数据特征X
r
=(x1,x2,x3…
x
n
},采用一层卷积核的个数为1,大小为7x1,步长为1的2d卷积层对其进行特征提取,窗口数据滑窗(步长为1)与卷积核做内积:其中,X(j)和b
i
分别表示卷积层的第i个卷积核的权矩阵和偏置矩阵,X(j)(j∈r)表示第j个样本,u
i
(j)表示第j个样本在和第i个卷积核内积后的输出特征;最终输出卷积后的特征U
r
=(u1,u2,u3…
u
n
};针对序列数据的特点,引入两层LSTM对U
r
进一步挖掘其潜在联系;LSTM是一种RNN特殊的类型,可以学习长期依赖信息,结构核心是在里面加入了三个
‘
门
’
机制——忘记门、输入门和输出门;将U
r
=(u1,u2,u3…
u
n
}输入LSTM模型,遗忘门决定模型从细胞状态中丢弃的信息,该门会读取h
t
‑1和u
t
,输入一个在[0,1]之间的数值给每个在细胞状态C
t
‑1中的数字,模型可描述为:f
t(i)
=σ(W
f
·
[h
t(i)
,u
t(i)
+b
f
]);输入门有两部分功能,一部分找到需要更新的细胞状态,另一部分把需要更新的信息更新到新的细胞状态里,模型可描述为:s
t(i)
=σ(W
s
·
[s
t
‑
1(i)
,u
t(i)
]+b
i
);忘记门找到需要忘记的信息f
t
后,再将它与旧细胞状态相乘,丢弃确定需要丢弃的信息。再将结果加上i
c
xC
t
使细胞状态获得新的信息,完成细胞状态的更新,模型可描述为:输出门通过一个Sigmoid层来确定哪部分的信息将输出,接着把细胞状态通过Tanh进行处理,得到一个在(
‑
1,1)之间的值,并将其和Sigmoid门的输出相乘,最终得出想要输出的部分,其模型可以描述为:o
t(i)
=σ(W
o
·
[h
t
‑
1(i)
,u
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。