【技术实现步骤摘要】
本专利技术涉及电机电气故障诊断，特别是指一种基于多传感器数据融合的电机电气故障诊断方法。
技术介绍
1、
2、传统的电机故障诊断方法通常基于专家经验，需要维护人员依靠历史经验分析电机的运行数据以发现故障。但是，这种方法局限于个人经验，存在主观性强的缺点。随着传感器技术和深度学习技术的发展，设备在线故障诊断技术应运而生。然而，上述故障诊断技术在电机上的应用较少。大多设备在线故障诊断算法大多依靠单一振动传感器实现故障诊断，单一振动传感器在设备故障诊断中所能提供的信息是有限的，导致故障诊断准确率低。因此，人们越来越多地在设备上安装多个类型的传感器，以便更全面地监测设备运行状态从而实现设备的故障诊断。
3、电机故障分为电机机械故障和电机电气故障，电机的机械故障例如轴承损坏、联轴器损坏等可通过分析振动信号来进行故障诊断。但由于电机内部具有复杂的电路结构，电机的电气故障比如缺相、相间短路等故障通过单一振动信号无法全面反应故障信息，所以需要联合不同的数据例如三相电流、三相电压等信号进行故障诊断。多传感器数据融合技术可以使故障特征数据融合、互补，使故障诊断模型达到更高的诊断精度。
技术实现思路
1、本专利技术要解决的技术问题是提供一种故障诊断精度高的基于多传感器数据融合的电机电气故障诊断方法。
2、为解决上述技术问题，本专利技术提供技术方案如下：
3、一种基于多传感器数据融合的电机电气故障诊断方法，包括：
4、步骤s101：获取待测电机上
5、步骤s102：对所述三相电流时序数据和转子电流时序数据进行预处理；
6、步骤s103：使用数据级融合方式将预处理后的三相电流时序数据融合为三相电流三通道二维彩色图像；
7、步骤s104：将所述三相电流三通道二维彩色图像与预处理后的转子电流时序数据输入预先训练好的电机电气故障诊断模型，得到故障诊断结果。
8、进一步的，所述步骤s102包括：
9、将所述三相电流时序数据和转子电流数据归一化到[0,255]区间。
10、进一步的，所述步骤s103包括：
11、步骤s1031：将预处理后的三相电流时序数据ia、ib、ic分别分割成n份固定长度为k2的数据段；
12、步骤s1032：分别将长度为k2的数据段平均分为k份，每份长度为k，构建ia、ib、ic对应的色彩矩阵
13、步骤s1033：将色彩矩阵合并成一张三个通道的二维故障特征图像gi，即得所述三相电流三通道二维彩色图像。
14、进一步的，所述电机电气故障诊断模型包括cnn图像特征提取网络和lstm时序特征提取网络；
15、所述步骤s104包括：
16、步骤s1041：将所述三相电流三通道二维彩色图像输入所述cnn图像特征提取网络，提取得到第一故障特征；
17、步骤s1042：将预处理后的转子电流时序数据输入所述lstm时序特征提取网络，提取得到第二故障特征；
18、步骤s1043：将所述第一故障特征和第二故障特征进行特征级融合后经多级特征提取后进行电机电气故障诊断，得到所述故障诊断结果。
19、进一步的，所述cnn图像特征提取网络包括：一个5×5的卷积层、四个3×3的卷积层、一个7×7的池化层和一个2×2的池化层，在每个卷积层后使用批量标准化层和relu激活层。
20、进一步的，所述lstm时序特征提取网络包括：一个数据输入层、多个lstm单元和一个数据输出层，其中每个lstm单元都有遗忘门、输入门和输出门。
21、进一步的，所述步骤s1043包括：
22、将所述第一故障特征和第二故障特征连接后进行展平；
23、使用softmax函数输出每种故障的概率。
24、进一步的，所述电机电气故障诊断模型的训练方法包括：
25、步骤a1：获取电机在正常运行和多种电气故障状态下多种传感器的时序数据样本，并对所述时序数据样本进行标注，形成故障特征数据集，其中所述时序数据样本包括三相电流时序数据和转子电流时序数据；
26、步骤a2：对所述时序数据样本中的三相电流时序数据和转子电流时序数据进行预处理；
27、步骤a3：使用数据级融合方式将预处理后的三相电流时序数据融合为三相电流三通道二维彩色图像；
28、步骤a4：利用该三相电流三通道二维彩色图像、预处理后的转子电流时序数据和所述故障特征数据集中的标注信息，训练所述电机电气故障诊断模型。
29、进一步的，所述步骤a1中，多种电气故障包括缺相故障、相间短路故障、相对地故障、转子励磁电压故障和转子励磁电流故障；
30、和/或，所述步骤a1中，使用ni cdaq-9174便携式传感器测量系统测量三相电流时序数据ia、ib、ic与转子电流时序数据ir，共采集800000个连续采样点，其中模拟了160次各类电机电气故障。
31、进一步的，所述电机电气故障诊断模型选择交叉熵损失函数作为模型的损失函数，选择sgd作为优化器，设置学习率η为0.0001，批量大小为16。
32、本专利技术具有以下有益效果：
33、本专利技术的基于多传感器数据融合的电机电气故障诊断方法，解决了现有技术中故障诊断模型无法结合多传感数据进行故障诊断、多特征数据融合效果差的问题。本专利技术能够使故障诊断模型达到更高的诊断精度。
本文档来自技高网...【技术保护点】
1.一种基于多传感器数据融合的电机电气故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤S102包括：
3.根据权利要求1所述的方法，其特征在于，所述步骤S103包括：
4.根据权利要求1所述的方法，其特征在于，所述电机电气故障诊断模型包括CNN图像特征提取网络和LSTM时序特征提取网络；
5.根据权利要求4所述的方法，其特征在于，所述CNN图像特征提取网络包括：一个5×5的卷积层、四个3×3的卷积层、一个7×7的池化层和一个2×2的池化层，在每个卷积层后使用批量标准化层和ReLU激活层。
6.根据权利要求4所述的方法，其特征在于，所述LSTM时序特征提取网络包括：一个数据输入层、多个LSTM单元和一个数据输出层，其中每个LSTM单元都有遗忘门、输入门和输出门。
7.根据权利要求4所述的方法，其特征在于，所述步骤S1043包括：
8.根据权利要求1所述的方法，其特征在于，所述电机电气故障诊断模型的训练方法包括：
9.根据权利要求8所述的方法，其特征在于
10.根据权利要求8所述的方法，其特征在于，所述电机电气故障诊断模型选择交叉熵损失函数作为模型的损失函数，选择SGD作为优化器，设置学习率η为0.0001，批量大小为16。
...【技术特征摘要】
1.一种基于多传感器数据融合的电机电气故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤s102包括：
3.根据权利要求1所述的方法，其特征在于，所述步骤s103包括：
4.根据权利要求1所述的方法，其特征在于，所述电机电气故障诊断模型包括cnn图像特征提取网络和lstm时序特征提取网络；
5.根据权利要求4所述的方法，其特征在于，所述cnn图像特征提取网络包括：一个5×5的卷积层、四个3×3的卷积层、一个7×7的池化层和一个2×2的池化层，在每个卷积层后使用批量标准化层和relu激活层。
6.根据权利要求4所述的方法，其特征在于，所述lstm...
【专利技术属性】
技术研发人员：孟庆龙，孟祥钰，郝慧娟，许红剑，孔冰洁，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
类型：发明
国别省市：
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。