[发明专利]一种基于欧拉特征提取的故障诊断方法

说明书

本发明公开一种基于欧拉特征提取的故障诊断方法，涉及残差网络领域，包括以下步骤：步骤一：欧拉特征提取，EFE处理原始故障数据生成的波形图可以直接用作Resnet50网络的输入；步骤二：ResNet50网络的训练，将经过EFE处理的特征图像输入Resnet50网络模型，并对其参数进行训练。步骤三：故障诊断，ResNet50分类器的角色由Linear来扮演，它通过前一个训练阶段对网络参数进行训练后，对故障类型进行分类。进一步地，所述ResNet50网络包含了CNN中各种重要的基本单元；同时，可应用于电力电子电路和旋转轴承的故障诊断。欧拉特征提取可以增强时间序列故障数据的空间信息，从而清晰地区分故障。

技术领域

本发明涉及残差网络领域，具体的是一种基于欧拉特征提取的故障诊断方法。

背景技术

核心部件的运行状态通常可以通过其运行数据来反映，如机械设备中的滚动轴承和电力电子电路中电容性工作参数的变化。通过对故障类型的准确判断，可以揭示正在发生的故障的特征，帮助维护人员快速检修，避免重大事故的发生。近年来，各种故障诊断方法已经被提出，这些方法通常包括两部分:特征提取和故障分类。在常用的特征提取方法中有经验模态分解(EMD)，集合经验模态分解(EEMD)和变分模态分解(VMD)。得到不同频率的模态组合后，将其进行线性重组，作为故障特征输入支持向量机(SVM)或反向传播神经网络(BPNN)进行故障分类。

然而，基于人工神经网络的故障诊断方法的准确性在很大程度上依赖于所提取特征、专家知识的有效性，并且诊断过程复杂。随着深度学习在图像等领域的快速发展，其出色的深度特征提取能力和处理海量数据的能力，引领了电路故障和轴承故障诊断新方法的研究。

发明内容

为解决上述背景技术中提到的不足，本发明的目的在于提供一种基于欧拉特征提取的故障诊断方法，本发明旨在通过欧拉特征提取公式来突出故障特征；

本发明的目的可以通过以下技术方案实现：

一种基于欧拉特征提取的故障诊断方法，包括以下步骤：

步骤一：欧拉特征提取，EFE处理原始故障数据生成的波形图可以直接用作Resnet50网络的输入；

步骤二：ResNet50网络的训练，将经过EFE处理的特征图像输入Resnet50网络模型，并对其参数进行训练。

步骤三：故障诊断，ResNet50分类器的角色由Linear来扮演，它通过前一个训练阶段对网络参数进行训练后，对故障类型进行分类。

进一步地，所述ResNet50网络包含了CNN中各种重要的基本单元。

进一步地，所述欧拉特征值提取包括在欧拉公式的基础上提出了利用数据与时间信息的欧拉特征提取公式

e^iπ＝cosφ+isinφ (1）

其中，i为时间序列信号所对应的时间点，φ为时序信号对应的角余弦；

欧拉特征提取公式如下：

第一，对于给定时间序列X＝{x₁,x₂，…，x_{_n}}，首先，将其所有值压缩在[-1,1]区间内；

式中x_i为原始时间序列，为压缩后的时间序列；

第二，压缩值被编码为角余弦；

最后，结合角余弦、原始时间序列和压缩后的时间序列，得到两个欧拉特征提取公式；