[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

说明书

本发明涉及一种基于卷积神经网络的电动机故障诊断方法、装置和介质，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，得到人工特征；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，输入分类模型，进行训练；步骤2，采集实时样本数据；步骤3，进行故障诊断。本发明为解决现有技术存在的问题，本发明采用卷积神经网络进行振动特征提取，并与电流特征进行融合，有效的提升了故障诊断分类的准确性，降低了诊断时间。

技术领域

本发明涉及高压和低压电动机的故障诊断与保护领域，特别是基于卷积神经网络的故障诊断分类方法、装置和计算机可读存储介质。

背景技术

对电动机（包括高压电动机和低压电动机）进行保护，需要对电动机的状态进行检测，对其可能产生的故障进行判断，然后再根据故障类型执行相应的保护策略。这就会用到各种传感器来采集电动机运行时的电参量（电流、电压、功率因数等）和非电参量（振动信号、位移等）。

传统的数据分析和故障诊断方法包括：

一，对电参量和非电参量独立分析，给出分析结果，这样的效率和准确率往往不是很高。

二，将电参量和非电参量直接输入到深度神经网络中，进行特征分类。这种方式能够进行特征分类，但是其时间消耗巨大而且准确性不甚理想。

发明内容

本发明给出了一种基于卷积神经网络电动机故障诊断方法，有效的提升了故障诊断分类的准确性，降低了诊断时间。同时还提供了基于卷积神经网络电动机故障诊断装置和计算机可读存储介质。

一种基于卷积神经网络的电动机故障诊断方法，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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，所述分类模型为LightGBM网络。

进一步的，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。

本发明还提供了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，以实现上述方法。

本发明还提供了一种计算机可读存储介质，其存储有实现上述方法的计算机程序。