【技术实现步骤摘要】
本专利技术涉及电机故障诊断领域，具体地，涉及一种多源异构数据自适应特征加权融合方法，用于提高电机在多故障耦合场景下的复合故障诊断准确性。
技术介绍
1、随着工业自动化的快速发展，电机作为核心动力设备，其运行状态直接影响生产的稳定性与安全性。然而，电机在实际工作环境中，由于长期运行以及外部负载波动、电源波动、过热、润滑不足、密封不良、产品缺陷和自然老化等因素，面临诸如机械、电、热和环境应力等不可避免的应力。这些应力最终可能导致电机出现故障，不仅会干扰设备的正常运行，还会降低企业的经济效益。此外，电机故障还可能引发安全隐患，甚至导致人员伤害等事故，因此，确保电机的持续稳定运行尤为重要。
2、传统的电机维修主要依赖人工经验和技术工艺，通常由技术人员通过目测、听音或测量来判断电机的运行状态和故障状况。然而，这种方法存在滞后性。在电机运行过程中，机械部件的磨损或损坏会引发异常的振动或电流波动。这些异常信号通常是潜在故障的早期预警信号，通过分析电机的振动和电流信号，基于状态的维护(condition-basedmaintenance，cbm)的故障诊断可以有效识别电机的机械或电气故障。例如，通过傅里叶变换，可以将振动信号分解为不同的频率成分，从中发现与特定故障类型相关的频率峰值。采用时域或频域分析方法，可以从电流信号中提取故障特征，进而精确判断故障类型，实现电机的早期诊断。
3、然而，在实际工况下，电机由于处于复杂恶劣的工况下长期工作，经常会出现多种故障耦合的复合故障，这类故障通常涉及多个独立或相互关联的故障点，每个
技术实现思路
1、针对上述问题，本专利技术公开了一种电机多源异构数据的自适应特征加权融合故障诊断方法。本专利技术的目的是提供一种基于多源异构数据自适应特征加权融合的深度卷积神经网络模型(multi-source adaptive feature fusion deep convolutional neuralnetwork,msaff-dcnn)构建方法，从而可以解决在复杂恶劣的工况下电机复合故障分类和诊断问题。
2、电机多源异构数据的自适应特征加权融合故障诊断方法，所述方法包括以下步骤：
3、s1：采集数据；
4、s2：数据预处理；
5、s3：构建电机复合故障诊断的网络模型；
6、s4：优化设计网络超参数；
7、s5：评估模型性能。
8、进一步地，步骤s1具体为：
9、采集历史健康电机和实际故障电机的电流信号、振动加速度信号。
10、s1-1：利用振动传感器采集健康电机运行时的振动信号y0(t)和故障电机运行时的振动信号yi(t)故利用电流钳采集健康电机运行时的电流信号x0(t)与故障电机运行时的电流信号xi(t)；
11、进一步地，步骤s2具体为：
12、s2-1：对健康振动加速度信号、电流信号，故障振动加速度信号、电流信号进行预处理；
13、所述预处理的方法为小波处理或fir滤波器，数据预处理的目的是减少信号中的噪声。
14、进一步地，步骤s3具体为：
15、具体构建步骤如下：
16、s3-1：构建多头卷积特征提取模块
17、s3-1-1：构建电流信号特征提取通道:
18、输入电流信号inputs1，采用一维卷积层conv1d进行特征提取。
19、多个卷积块堆叠，包含卷积层和最大池化层maxpooling1d，通过以下公式表示卷积操作：
20、x1＝maxpooling(activation(conv1d(x)))
21、式x中表示输入的电流信号，x1表示进行卷积运算后的电流信号。
22、s3-1-2：构建振动信号特征提取通道：
23、输入振动信号inputs2，同样采用一维卷积层conv1d进行特征提取。
24、多个卷积块堆叠，包含卷积层和最大池化层maxpooling1d，通过以下公式表示卷积操作：
25、y1＝maxpooling(activation(conv1d(y)))
26、式中y表示输入的振动信号，y1表示进行卷积运算后的振动信号。
27、多头特征提取模块最终将两个输入信号的特征提取成两个特征张量：x1和y1用于后续的特征加权融合。
28、s3-2：构建特征加权模块
29、s3-2-1：计算皮尔逊相关性系数
30、利用公式(1)计算健康电机运行电流信号x0(t)与不同故障电机电流信号xi(t)的皮尔逊相关性系数；
31、
32、在式(1)中,current_corri表示健康电流信号x0(t)和不同故障电流信号xi(t)之间的皮尔逊相关系数。其值范围在-1到1之间。x0(n)表示健康电机电流信号x0在第n个时间点上的值。xi(n)表示第i个故障电机电流信号在第n个时间点上的值。表示信号的均值。n表示电流信号的样本数量，即信号的长度。
33、s3-2-2：计算互相关性系数
34、利用公式(2)计算健康电机振动信号y0(t)与不同故障电机振动信号yi(t)的互相关系数；
35、
36、在式(2)中，表示健康电机振动信号y0(t)和故障电机振动信号yi(t)在时延k处的互相关函数，表示它们在不同时间偏移量下的相似性。y0(n)表示健康电机振动信号y0(t)在第n个时间点上的值。yi(n+k)表示故障电机振动信号yi(t)在第n+k个时间点上的值。n表示电机振动信号的样本数量，即信号的长度。k表示时延，表示一个信号相对于另一个信号的时间偏移。对于计算互相关系数，通常取k＝0来表示没有时延的情况下的相似性。
37、s3-2-3：归一化处理互相关系数
38、利用公式(3)归一化处理得到互相关系数；
39、
40、在式(3)中，和表示是健康电机振动信号与故障电机振动信号各自与自身的互相关值。互相关系数vibration_corri的取值范围是-1到1，表示两个振动信号之间的线性相关性。
41、s3-2-4：计算电流信号权重
42、根据相关性系数进行归一化处理可得电机在第i种故障下电流信号在特征融合中的权重，利用公式(本文档来自技高网...
【技术保护点】
1.电机多源异构数据的自适应特征加权融合故障诊断方法，其特征在于，所述方法包括以下步骤：
【技术特征摘要】
1.电机多源异构数据的自适应特征加权融合故障...
【专利技术属性】
技术研发人员：巩晓赟，张世康，高艺源，赵斌斌，杜文辽，谢贵重，王良文，
申请(专利权)人：郑州轻工业大学，
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。