[发明专利]一种基于混合CNN-LSTM的三相异步电机故障诊断方法和系统

说明书

本发明涉及一种基于混合CNN‑LSTM的三相异步电机故障诊断方法和系统，所述诊断方法包括：采集电机状态信息和故障类型数据组，将故障类型数据组的数值与采集时间对应处理；将故障类型数据组分为训练样本与测试样本，设置训练样本的标签；遍历训练样本中的数据序列，挖掘深层特征并输出结果；根据输出的结果构建CNN‑LSTM深度学习模型对训练样本中的时间序列数据进行训练，确认CNN‑LSTM深度学习模型的模型参数。所述诊断系统包括包括采集模块、样本分组模块、计算模块、建模模块和预测模块。本发明能够实现对电机的特征自动全面提取的效果，并考虑到了特征信息的前后依赖关系，解决了梯度消失的问题，进而提高了对电机故障诊断结果的精确度。

技术领域

本发明属于电机故障诊断技术领域，特别涉及一种基于混合CNN-LSTM的三相异步电机故障诊断方法和系统。

背景技术

当前，电机广泛应用于钢铁企业，作为钢铁企业的基础动力设备之一，其运行状态安全可靠运行对生产顺利进行有着至关重要的作用。电机一旦发生故障，将会导致一系列负面影响，比如延生产时间、造成产品质量异常和产品交付延迟等。准确地诊断生产电机的故障，对保障钢铁企业生产和设备的维修决策具有重大意义。

通常，电机故障的诊断方法有：数据驱动方法、物理模型方法、数据驱动和物理模型混合的方法、现场人工点检排查等。深度学习是属于数据驱动方法的一种，其已在各个领域得到广泛应用。

近些年，深度学习在电机故障诊断方面也有一定应用。有运用频域和时域特征结合的集成深度学习方法，有运用小波系数峰值和RMS值的深度学习方法，有运用频域和压缩时域特征结合的集成深度学习方法，有使用改进后的限制玻尔兹曼机进行特征提取。但是，这些方法有的不能对特征进行自动全面提取，有的不能解决梯度消失问题，有的不能考虑特征信息的前后依赖关系。上述的情况都会对电机诊断的效果和精确度产生不利影响。

为了解决上述问题，需要设计一种基于混合CNN-LSTM的三相异步电机故障诊断方法和系统。

发明内容

针对上述问题，本发明提供一种基于混合CNN-LSTM的三相异步电机故障诊断方法，

所述诊断方法包括：

采集电机状态信息和故障类型数据组，将故障类型数据组的数值与采集时间对应处理；

将故障类型数据组分为训练样本与测试样本，设置训练样本的标签；

遍历训练样本中的数据序列，挖掘深层特征并输出结果；

根据输出的结果构建CNN-LSTM深度学习模型对训练样本中的时间序列数据进行训练，确认CNN-LSTM深度学习模型的模型参数；

将测试样本输入CNN-LSTM深度学习模型，预测测试集并诊断设备故障。

优选地，所述电机状态信息包括电机的电流、电压、加速度、振幅、频率和频谱；

所述频谱的振动信号通过傅里叶函数转环得出。

优选地，所述标签为故障类型序列；

所述时间序列数据具体为原始数据和对原始数据挖掘的特征数据。

优选地，所述遍历训练样本中的数据序列之前，包括设定CNN的层数、滤波器大小、步长和通道。

优选地，所述遍历训练样本中的数据序列之前，还包括将训练样本的数据输入到CNN的卷积层中。

优选地，所述挖掘深层特征包括利用CNN的卷积池化操作、局部卷积、多核卷积和权值共享特性自动提取样本数据局部抽象信息。

优选地，所述提取样本数据的局部抽象信息的运算公式为：