用于防爆电机神经网络故障的诊断系统及方法

技术领域

本发明涉及电气设备的故障诊断技术领域，具体涉及用于防爆电机神经网络故障的诊断系统及方法，通过改变深度学习神经网络的结构，利用自动编码器进行数据融合，实现利用电流与振动数据实现综合判断防爆电机故障。

背景技术

防爆电机是现代工业、生产和生活中最常用的驱动设备，其使用范围十分广泛。在工业生产长期服役的情况下，防爆电机可能发生轴承疲劳磨损、定子匝间短路、转子断条等故障。通过防爆电机状态监测和故障诊断能够及时检修，保证防爆电机的可靠运行。

随着近年深度学习的发展与硬件计算速度的提升，很多基于深度神经网络的故障诊断模型和算法被提出并应用于工业生产中。相对于传统的建模分析法，基于数据的故障诊断技术不会只考虑故障的主要因素，分析更加全面，能够通过已有的全部数据进行训练，学习信号中的规律。

发明内容

为提高防爆电机故障监测的可靠性，本发明的目的在于提出用于防爆电机神经网络故障的诊断系统及方法，利用深度神经网络学习数据特征，融合防爆电机电流、振动数据并综合判断防爆电机故障。

用于防爆电机神经网络故障的诊断系统，包括：电流传感器用于检测输出电流；位置传感器安装在防爆电机轴承上，用以检测振动信号；tensorflow中的神经网络模型，可以接受信号判断故障概率；上位机中的Labview实时监控界面可以判断防爆电机的运行状态，是否发生故障。

用于防爆电机神经网络故障的诊断方法，包括以下步骤：S1、采集防爆电机的A,B两相电流信号i

式中i

S3、对三个信号离散后能够分别得到A相电流、B相电流和振动数据的频域信号i

S4、在tensorflow中建立深度神经网络模型，S3中的电流数据输入电流数据压缩网络，提取电流数据特征；振动数据输入振动数据压缩网络，提取振动数据特征；将该两网络的输出合并，作为特征提取网络的输入，提取输入数据的特征潜向量；由特征分类网络计算故障概率向量，判断防爆电机故障概率；S5、在Labview实时监控界面中可以看出防爆电机的运行状态，观察是否出现故障。

相对于现有技术，本发明的有益效果是：本发明有效地缩短了防爆电机故障排查时间，并且准确率极高。

附图说明

图1为本发明系统原理图。

具体实施方式

通过电流传感器采集防爆电机的A,B两相电流信号i

对采集到的电流信号、振动信号进行标准化，使其均值为0，方差为1；对于A相电流式

式中i

对三个信号离散后能够分别得到A相电流、B相电流和振动数据的频域信号i

在tensorflow中建立深度神经网络模型，确定网络结构并初始化参数，深度神经网络包括数据压缩网络、特征提取网络和特征分类网络三个部分。

数据压缩网络采用等效自动编码器架构，对于电流数据压缩网络；特征提取网络以两个数据压缩网络的压缩结果为输入；特征分类网络是一个Soft-max分类器，输入为二维特征潜向量；分类先通过一个两层的神经网络，将特征潜向量映射至每种故障的置信值。

建立的训练集输入神经网络，分别计算不同神经网络的损耗函数，并利用损耗值更新神经网络参数。根据损失函数L

将测试集的数据输入神经网络：电流数据输入电流数据压缩网络，提取电流数据特征；振动数据输入振动数据压缩网络，提取振动数据特征；将该两网络的输出合并，作为特征提取网络的输入，提取输入数据的特征潜向量；由特征分类网络计算故障概率向量，判断防爆电机故障概率。

在Labview实时监控界面中可以看出防爆电机的运行状态，观察是否出现故障。