[发明专利]基于神经网络的电力驱动系统振动信号诊断方法及装置

权利要求书

1.一种基于神经网络的电力驱动系统振动信号诊断方法，其特征在于，所述基于神经网络的电力驱动系统振动信号诊断方法包括，

步骤S1，多组振动传感器获取电力驱动系统中不同部件的振动信号数据，其中，所述电力驱动系统包括驱动电机、电机控制器、变速器、差速器、半轴，所述驱动电机包括电机壳体、电机输出轴，半轴包括左半轴、右半轴，所述振动信号至少包括所述电机壳体、所述电机输出轴、所述左半轴、所述右半轴的振动信号源；

步骤S2，将不同信号源的振动信号数据分别输入经验模态模型进行时域分解，每一信号源的振动信号分解得到N个固有模态分量IMF数据，其中，所述经验模态模型包括输入振动信号、输出多组固有模态分量数据和残余量，所述经验模态模型为Hilbert-Huang变换模型；

步骤S3，将N个固有模态分量IMF数据输入卷积模型，与窗函数进行卷积计算，得到M个第一卷积数据，其中，窗函数包括三角窗或矩形窗，MN，M、N均为正整数；

步骤S4，将M个第一卷积数据输入到训练好的神经网络模型，输出故障发生点数据与标签数据，其中，神经网络模型为经过训练得到的机器学习模型，所述机器学习模型的训练集包括第一数据集和第二数据集，所述第一数据集包括多组输入数据，所述第二数据包括故障发生点数据与标签数据，所述标签数据包括正常标签与故障码标签，所述故障发生点数据与所述故障码标签具有映射关系；

在步骤S1中，根据电力驱动系统动力传输方向，多组所述振动传感器依次设置在电机控制器、电机壳体、电机输出轴、变速器输入轴、变速箱壳体、变速器输出轴、差速器输入轴、差速器壳体、左半轴、右半轴，多个所述振动传感器分别与各部件连接，用于获取不同信号源的振动信号数据；所述电机输出轴、变速器输入轴、变速器输出轴、差速器输入轴、左半轴、右半轴的振动传感器包括电涡流传感器，用于测量轴相对轴承振动信号数据；

在步骤S2中，所述经验模态模型中的残余量为一个单调信号或值小于预先设定的阀值，即停止信号源的振动信号分解；

在步骤S4中，所述神经网络模型包括隐含层；

在步骤S4中，所述输入数据包括来自所述电力驱动系统不同部件的振动信号数据经过步骤S2中的经验模态模型进行时域分解，再经过步骤S3中卷积计算后得到；

在步骤S3中，所述卷积模型为一维卷积神经网络模型。

2.一种装置，其特征在于，所述装置包括：

获取模块，包括多组振动传感器，用于获取电力驱动系统中不同部件的振动信号数据，其中，所述电力驱动系统包括驱动电机、电机控制器、变速器、差速器、半轴，所述驱动电机包括电机壳体、电机输出轴，半轴包括左半轴、右半轴，所述振动信号至少包括所述电机壳体、所述电机输出轴、所述左半轴、所述右半轴的振动信号源；

经验模态分解模块，用于将不同信号源的振动信号数据分别输入经验模态模型进行时域分解，每一信号源的振动信号分解得到N个固有模态分量IMF数据，其中，所述经验模态模型包括输入振动信号、输出多组固有模态分量数据和残余量，所述经验模态模型为Hilbert-Huang变换模型；

卷积计算模块，用于将N个固有模态分量IMF数据与窗函数进行卷积计算，得到M个第一卷积数据，其中，窗函数包括三角窗或矩形窗，MN，M、N均为正整数；

神经网络处理模块，用于将M个第一卷积数据输入到训练好的神经网络模型，输出故障发生点数据与标签数据，其中，神经网络模型为经过训练得到的机器学习模型，所述机器学习模型的训练集包括第一数据集和第二数据集，所述第一数据集包括多组输入数据，所述第二数据包括故障发生点数据与标签数据，所述标签数据包括正常标签与故障码标签，所述故障发生点数据与所述故障码标签具有映射关系；

多组振动传感器包括声音传感器，用于获取电力驱动系统运行过程中的噪声信号数据。

3.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1所述的方法。