[发明专利]一种基于改进神经网络的电机故障检测方法

说明书

本发明涉及一种基于改进神经网络的电机故障检测方法，包括以下步骤：1)采集电机在不同负载及不同故障类型下的运行数据，形成数据样本集；2)构建基于改进神经网络的电机故障检测模型，并进行训练；3)将现场采集的电机运行数据转换后输入到训练好的电机故障检测模型中进行检测，得到故障类型。与现有技术相比，本发明具有减少大量的人力和物力，减少故障检测成本，提高故障分类的效率和精度等优点。

技术领域

本发明涉及电机故障检测领域，尤其是涉及一种基于改进神经网络的电机故障检测方法。

背景技术

现有的电机故障检测还不够完善，大部分还是采用人工观测的方式，需要消耗大量的人力和物力，成本高，而且目前故障检测的实时性不高，工作人员不能很好的发挥故障排除作用，排除难度很大，目前故障检测对精度要求很高，但大部分检测方法不能达到预期检测效果，故障检测精度达不到预期且检测成本高，故亟需一种能够自动、实时、高效地进行电机故障检测的方法。

中国专利CN112036435A公开了一种基于卷积神经网络的无刷直流电机传感器故障检测方法。其具体如下：获取无刷直流电机运行时的原始数据；通过小波变换，将原始数据转换为时-频谱图作为样本集；对训练集中样本标记故障种类以及故障程度，作为数据样本的已知标签；建立卷积神经网络，将训练集中的时-频谱图输入卷积神经网络并提取分类前一层的特征；根据前面给定的标签和提取的特征，训练多类SVM分类器；训练完成后，得到SVM分类器对每一类故障的预测率；最后对无刷直流电机系统状态进行分析，对可能存在的故障进行预示，但是该检测方法会损失一部分的特征信息，使得分类结果不准确。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进神经网络的电机故障检测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于改进神经网络的电机故障检测方法，其特征在于，包括以下步骤：

1)采集电机在不同负载及不同故障类型下的运行数据，形成数据样本集；

2)构建基于改进神经网络的电机故障检测模型，并进行训练；

3)将现场采集的电机运行数据转换后输入到训练好的电机故障检测模型中进行检测，得到故障类型。

所述的步骤1)中，故障类型包括转子断条故障、气隙偏心故障、定子匝间短路故障以及轴承内圈、外圈和保持架故障。

所述的步骤1)中，电机的运行数据具体为电机定子的一维振动加速度数据，将电机定子的一维振动加速度数据转换为二维矩阵后构建数据样本集。

所述的数据样本集由训练集和验证集构成，所述的训练集用以训练电机故障检测模型，所述的验证集用以验证电机故障检测模型的精度。

所述的步骤2)中，基于改进神经网络的电机故障检测模型具体采用ERFFN模型。

所述的ERFFN模型的网络结构包括依次连接的扩感受野模块、聚焦模块、激活函数层、全局平均池化层和全连接层，所述的扩感受野模块用以接收输入的二维矩阵扩大感受野，增大特征的信息量，所述的聚焦模块用以提取特征。

所述的ERFFN模型采用扩张率为分别为1、2和5的三层扩感受野模块扩充特征提取范围。

所述的聚焦模块设有一个或多个。

所述的聚焦模块由三个卷积层、残差连接、最大池化子模块以及依次连接的阈值函数层、第一激活函数层和输出卷积层构成，所述的最大池化子模块包括依次连接的最大池化层、第一1*1*1的卷积层、第二激活函数层以及第二1*1*1的卷积层，用以进行降维去除冗余信息。

所述的阈值函数层将三个卷积层的输出特征、作为残差连接的第一个卷积层输出特征以及最大池化子模块的输出特征作为输入，并进行特征融合后激活。