基于深度学习的电动机故障诊断

摘要: 传统的电动机故障诊断技术通常基于单一类型的状态参数，如振动参数或电气参数等。然而，单一类型的电动机状态参数监测范围很多时候都是非常有限的，难以满足对电动机进行全面综合故障诊断的需求。本文的研究旨在通过融合振动数据和电流数据两种类型的参数，提出一种综合的电动机故障诊断方法，以提高诊断的可靠性和准确性。并在数据融合的基础上考虑到在实际工业和生产环境中，获取大规模标记样本的成本往往较高，甚至不可行。因此，对神经网络进行进一步的学习与改进，提出基于RNN和注意力机制的小样本故障诊断网络。本文利用电动机故障特征提取方法，研究电动机在不同故障下的振动及电流信号特征，所采用的故障特征提取方法包括：快速傅里叶变换 (FFT)和希尔伯特-黄变换。根据本文的实际数据融合需求，设计数据融合整体实施方案，依次利用快速傅里叶变换（FFT）、希尔伯特-黄变换（HHT）以及卷积神经网络(CNN)串联多层感知机(MLP)等方法提取故障特征，融合电动机的振动及电流参数，对电动机进行综合故障识别与故障诊断。结果表明，采用数据融合方法的电动机故障诊断技术能够提高诊断结果的准确性，减少由于单一参数造成的不确定性，从而提高电动机故障诊断的准确性。设计的小样本故障诊断网络用于识别小样本下设备的健康状态，其中注意力机制捕捉信号的空间和通道关系，利用单一实验样本验证本文使用的网络在不同的小样本工作条件下具有诊断效率和准确率优势