[发明专利]基于卷积神经网络的电动机故障诊断方法、装置和介质

权利要求书

1.一种基于卷积神经网络的电动机故障诊断方法，其特征在于：包括步骤如下：

步骤1，模型训练；

A，获取电动机的电参量信息和非电参量信息；提取电参量信息中的统计量特征和/或频率谱特征，并且对电参量信息进行Park变换后再进行傅里叶变换，得到变换后的频率谱特征；统计量特征和/或频率谱特征，以及变换后的频率谱特征共同组成人工特征；

B，利用卷积神经网络进行预训练，再将所述非电参量信息输入预训练后的卷积神经网络，得到隐性特征；

C，将人工特征与所述隐性特征一起输入分类模型，进行训练；

步骤2，采集实时样本数据；

步骤3，将采集到实时样本数据依照步骤A、B的方式进行处理后，一起输入到训练好的分类模型，得到故障诊断结果。

2.根据权利要求1所述的一种基于卷积神经网络的电动机故障诊断方法，其特征在于：所述电参量信息为电压、电流波形；所述非电参量信息为三轴加速度波形。

3.根据权利要求1所述的一种基于卷积神经网络的电动机故障诊断方法，其特征在于：所述电参量和非电参量采样时间一致，采样率一致或者不一致。

4.根据权利要求1所述的一种基于卷积神经网络的电动机故障诊断方法，其特征在于：还包括对电参量信号和非电参量信号进行切片的步骤，切片时，按相同时间段进行切片，这样即保证了样本数的一致，同时在特征融合时也保证了融合的特征为同一时间段的多种特征。

5.根据权利要求1所述的一种基于卷积神经网络的电动机故障诊断方法，其特征在于：步骤A中，还包括对电参量信息和非电参量信息信号加噪的步骤。

6.根据权利要求1所述的一种基于卷积神经网络的电动机故障诊断方法，其特征在于：所述电参量的统计量特征包括：最大值、最小值、均值、方差、标准差、均方根、偏度、峭度、波形因子、峰值因子、脉冲因子、裕度因子。

7.根据权利要求1所述的一种基于卷积神经网络的电动机故障诊断方法，其特征在于：所述分类模型为LightGBM网络。

8.根据权利要求1所述的一种基于卷积神经网络的电动机故障诊断方法，其特征在于：所述卷积神经网络包括：第一卷积层，第一池化层，第二卷积层，第二池化层和全连接层。

9.一种基于卷积神经网络的电动机故障诊断装置，包括处理器和存储器，处理器用于执行存储于存储器中的计算机程序，以实现如权利要求1-8任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，以实现如权利要求1-8任一项所述的方法。