一种电机故障诊断方法

技术领域

本发明涉及故障诊断，具体涉及一种电机故障诊断方法。

背景技术

在实际应用中，由于受到频繁启停、负载波动、工作环境等因素的影响，电机出现运行状态异常进而产生故障是不可避免的。这些故障如果得不到及时的诊断和发现，就会不断恶化最终导致整个系统失效，给工业生产带来巨大的损失。

电机在实际运行中，诸如在启动加速、恒速、制动减速等状态之间的切换，以及在不同工况下表现出来的动态特性是不一样的，系统参数变化复杂。例如，当电机运行在启动加速的工况下输出转矩大，对应的启动电流较大，电机电压增大；在恒速的工况下，若低速运行，电机绕组电流和磁动势较大，若高于额定转速运行，电机还需要进行弱磁控制，电机的磁动势出现明显变化；在制动减速工况下，电机工作在发电机模式中，输出转矩反向，机械能转换为电能重新反馈给电网或者通过制动电阻消耗掉，电机定子电流、磁动势、转速等会有较大变化。由此可见，电机运行处于动态变化中且参数较多，导致电机发生故障的因素众多。

发明内容

(一)解决的技术问题

针对现有技术所存在的上述缺点，本发明提供了一种电机故障诊断方法，能够有效克服现有技术所存在的不能准确对电机故障进行有效诊断的缺陷。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种电机故障诊断方法，包括以下步骤：

S1、采集电机的定子电流数据和振动信号；

S2、根据定子电流数据得到电流频谱，基于电流频谱对电机进行故障诊断，得到第一故障诊断结果；

S3、提取振动信号的特征向量，并将特征向量输入回归模型中，基于回归模型的分析结果得到第二故障诊断结果；

S4、基于第一故障诊断结果、第二故障诊断结果综合判定电机存在故障。

优选地，S2中根据定子电流数据得到电流频谱，包括：

对定子电流数据进行傅里叶变换，得到定子电流数据对应的电流频谱。

优选地，S2中基于电流频谱对电机进行故障诊断，得到第一故障诊断结果之前，包括：

对电流频谱进行分段采样，基于分段采样数据采用下式对电流频谱进行标准化，拟合后得到电流频谱对应的归一化频谱：

其中，X(m,n)为第m组采样数据中的第n个，X

优选地，S2中基于电流频谱对电机进行故障诊断，得到第一故障诊断结果，包括：

获取已知故障类型在谐波次数的设定取值范围内对应的特征频率，并利用特征频率处的归一化频谱构建搜索矩阵；

遍历搜索矩阵中的最大元素，将该最大元素与预设频谱阈值进行比较，根据比较结果得到第一故障诊断结果。

优选地，所述根据比较结果得到第一故障诊断结果，包括：

若搜索矩阵中的最大元素大于预设频谱阈值，则将该最大元素对应的频率作为异常谐波频率，从而确定已知故障类型的故障谐波次数；

对实时检测的电机谐波次数与已知故障类型的故障谐波次数进行比较，以判断电机存在故障。

优选地，S3中提取振动信号的特征向量，并将特征向量输入回归模型中之前，包括：

分别提取正常电机、转子故障电机、轴承故障电机的振动信号，并通过小波包分解与重构提取振动信号的特征向量；

根据特征向量所属故障类型添加不同的标签，并相应划分为训练数据集、测试数据集；

利用训练数据集对Softmax回归模型进行训练，再利用测试数据集对训练好的Softmax回归模型进行测试，以得到优化后的Softmax回归模型。

优选地，所述通过小波包分解与重构提取振动信号的特征向量，包括：

通过小波包对振动信号进行降噪处理，得到降噪信号；

绘制降噪信号的功率谱图与1/3倍频程谱图，并根据能量分布确定小波包分解的最终层数；

进行小波包重构处理得到重构后的信号，根据重构后的信号绘制小波包能量谱图。

优选地，所述利用训练数据集对Softmax回归模型进行训练，包括：

设置Softmax回归模型的基本参数，构建初始Softmax回归模型；

将训练数据集作为输入，通过迭代训练调整初始Softmax回归模型的权重；

输入完训练数据集后，保存当前Softmax回归模型的权重，得到训练好的Softmax回归模型。

优选地，所述利用测试数据集对训练好的Softmax回归模型进行测试，以得到优化后的Softmax回归模型，包括：

将测试数据集中的特征向量输入训练好的Softmax回归模型进行测试；

输入完测试数据集后，对测试结果正确率进行统计；

若测试结果正确率大于预设正确率阈值，则将通过测试的训练好的Softmax回归模型作为优化后的Softmax回归模型输出，否则生成新的训练数据集对当前Softmax回归模型进行重复训练。

优选地，S3中提取振动信号的特征向量，并将特征向量输入回归模型中，基于回归模型的分析结果得到第二故障诊断结果，包括：

通过小波包分解与重构提取振动信号的特征向量，并将特征向量输入优化后的Softmax回归模型中，得到第二故障诊断结果。

(三)有益效果

与现有技术相比，本发明所提供的一种电机故障诊断方法，一方面能够根据容易测得的定子电流数据得到电流频谱，将时域与频域结合得到第一故障诊断结果，另一方面能够利用回归模型对电机的振动信号进行分析，得到第二故障诊断结果，并且基于第一故障诊断结果、第二故障诊断结果综合判定电机存在故障，在保证准确有效检测出电机故障的同时，也增强了诊断方法的主动学习性和鲁棒性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的流程示意图；

图2为本发明中得到第一故障诊断结果、第二故障诊断结果的流示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种电机故障诊断方法，如图1和图2所示，S1、采集电机的定子电流数据和振动信号。

S2、根据定子电流数据得到电流频谱，基于电流频谱对电机进行故障诊断，得到第一故障诊断结果。

其中，根据定子电流数据得到电流频谱，包括：

对定子电流数据进行傅里叶变换，得到定子电流数据对应的电流频谱。

其中，基于电流频谱对电机进行故障诊断，得到第一故障诊断结果之前，包括：

对电流频谱进行分段采样，基于分段采样数据采用下式对电流频谱进行标准化，拟合后得到电流频谱对应的归一化频谱：

其中，X(m,n)为第m组采样数据中的第n个，X

本申请技术方案中，通过对电流频谱进行分段采样，并基于分段采样数据对电流频谱进行标准化，不急能够最大限度地保证归一化频谱的拟合精度，同时还能够有效提升该方法的响应速度，便于后续搜索矩阵地快速建立。

其中，基于电流频谱对电机进行故障诊断，得到第一故障诊断结果，包括：

获取已知故障类型在谐波次数的设定取值范围内对应的特征频率，并利用特征频率处的归一化频谱构建搜索矩阵；

遍历搜索矩阵中的最大元素，将该最大元素与预设频谱阈值进行比较，根据比较结果得到第一故障诊断结果。

其中，根据比较结果得到第一故障诊断结果，包括：

若搜索矩阵中的最大元素大于预设频谱阈值，则将该最大元素对应的频率作为异常谐波频率，从而确定已知故障类型的故障谐波次数；

对实时检测的电机谐波次数与已知故障类型的故障谐波次数进行比较，以判断电机存在故障。

S3、提取振动信号的特征向量，并将特征向量输入回归模型中，基于回归模型的分析结果得到第二故障诊断结果。

S4、基于第一故障诊断结果、第二故障诊断结果综合判定电机存在故障。

其中，提取振动信号的特征向量，并将特征向量输入回归模型中之前，包括：

分别提取正常电机、转子故障电机、轴承故障电机的振动信号，并通过小波包分解与重构提取振动信号的特征向量；

根据特征向量所属故障类型添加不同的标签，并相应划分为训练数据集、测试数据集；

利用训练数据集对Softmax回归模型进行训练，再利用测试数据集对训练好的Softmax回归模型进行测试，以得到优化后的Softmax回归模型。

其中，通过小波包分解与重构提取振动信号的特征向量，包括：

通过小波包对振动信号进行降噪处理，得到降噪信号；

绘制降噪信号的功率谱图与1/3倍频程谱图，并根据能量分布确定小波包分解的最终层数；

进行小波包重构处理得到重构后的信号，根据重构后的信号绘制小波包能量谱图。

其中，利用训练数据集对Softmax回归模型进行训练，包括：

设置Softmax回归模型的基本参数，构建初始Softmax回归模型；

将训练数据集作为输入，通过迭代训练调整初始Softmax回归模型的权重；

输入完训练数据集后，保存当前Softmax回归模型的权重，得到训练好的Softmax回归模型。

Softmax回归模型的基本参数，包括：输入层维度、输出层维度、隐含层节点个数与隐含层层数、学习率、正则化参数、初始化权重、非线性化激励函数。

其中，利用测试数据集对训练好的Softmax回归模型进行测试，以得到优化后的Softmax回归模型，包括：

将测试数据集中的特征向量输入训练好的Softmax回归模型进行测试；

输入完测试数据集后，对测试结果正确率进行统计；

若测试结果正确率大于预设正确率阈值，则将通过测试的训练好的Softmax回归模型作为优化后的Softmax回归模型输出，否则生成新的训练数据集对当前Softmax回归模型进行重复训练。

其中，提取振动信号的特征向量，并将特征向量输入回归模型中，基于回归模型的分析结果得到第二故障诊断结果，包括：

通过小波包分解与重构提取振动信号的特征向量，并将特征向量输入优化后的Softmax回归模型中，得到第二故障诊断结果。

本申请技术方案中，先利用小波包分解与重构提取正常电机、转子故障电机、轴承故障电机振动信号的特征向量，并构建划分训练数据集、测试数据集，对初始Softmax回归模型进行训练、测试，以得到优化后的Softmax回归模型。将电机振动信号的特征向量输入优化后的Softmax回归模型，即能够准确得到第二故障诊断结果。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。