电机轴承故障诊断方法技术

本发明专利技术公开了电机轴承故障诊断方法，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

【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LSTM模型的参数多，人工调参困难。
[0005]在基于深度学习的电机轴承故障诊断算法中，参数的选择决定了算法模型的准确性。近年来，研究人员一直在研究优化算法来解决参数选择的问题，如粒子群算法、蚁群算法、人工蜂群算法、萤火虫算法等。但传统的优化算法在解决多目标问题中，存在参数不具备适应性、易陷入局部最优、收敛速度慢等问题。
[0006]因此，针对以上问题提出了电机轴承故障诊断方法。

技术实现思路

[0007]本专利技术的目的在于克服现有的缺陷而提供的电机轴承故障诊断方法，避免了故障诊断模型人工调参，改善了传统的优化算法收敛精度低、优化速度慢、易陷入局部最优的状况，有效缓解过拟合，提升了故障的诊断效果。
[0008]实现上述目的的技术方案是：
[0009]电机轴承故障诊断方法，包括：
[0010]步骤S1，构建CLSTM(长短期记忆模型结合的混合深度神经网络模型)故障诊断模型，并采用SSA(麻雀搜索算法)进行优化，获得SSA
‑
CLSMT(麻雀搜索算法
‑
长短期记忆模型结合的混合深度神经网络模型)模型；
[0011]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；
[0012]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；
[0013]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；
[0014]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；
[0015]步骤S6，将最佳的麻雀个体回代SSA
‑
CLSMT模型，输出相应结果。
[0016]优选的，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：
[0017][0018]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
}；
[0019]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；
[0020]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：
[0021][0022]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：
[0023]s
t(i)
＝σ(W
s
·
[s
t
‑
1(i)
,u
t(i)
]+b
i
)；
[0024][0025]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：
[0026][0027]输出门通过一个Sigmoid(逻辑斯谛)层来确定哪部分的信息将输出，接着把细胞状态通过Tanh(双曲正切)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：
[0028]o
t(i)
＝σ(W
o
·
[h
t
‑
1(i)
,u
t(i)
]+b
o
)；
[0029]h
t(i)
＝o
t(i)
*tanh(C
t(i)
)；
[0030]其中，f
t(i)
，s
t(i)
，C
t(i)
，o
t(i)
分别为t时间步长下第i个样本下遗忘门、输入门、记忆单元和输出门的输出；W
f
，W
s，
W
c
，W
o
分别为遗忘门、输入门、记忆单元和输出门的权重矩阵；
b
f
，b
i
，b
c
...

【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
...

【专利技术属性】
技术研发人员：胡思鹏，王洋，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：