本發(fā)明涉及一種電機故障檢測方法，屬于電機。

背景技術(shù)：

1、永磁同步電動機由于其超高的效率、功率密度和轉(zhuǎn)矩密度，已成為許多工業(yè)領(lǐng)域的動力核心。但也由于永磁同步電機的功率密度大、運行工況復(fù)雜、安裝空間狹小和散熱環(huán)境惡劣等原因，永磁同步電機經(jīng)常發(fā)生永磁體退磁故障和轉(zhuǎn)子動偏心故障。與此同時，由于電機運行負荷較大導(dǎo)致的磨損，過高的溫度、腐蝕性物質(zhì)或顆粒物都會對軸承造成損害，隨著碳化硅等高開關(guān)頻率器件的廣泛使用導(dǎo)致軸承電蝕故障增加，也增加了軸承故障音頻信號數(shù)據(jù)的海量性和多樣性。因此準(zhǔn)確診斷永磁體退磁故障、轉(zhuǎn)子動偏心故障和軸承故障對確保系統(tǒng)安全、提高系統(tǒng)效率和減少損耗具有重要意義。

2、傳統(tǒng)的電機轉(zhuǎn)子故障診斷方法主要有兩類方法。第一種方法是基于電機模型建立電機在不同故障下的數(shù)學(xué)方程，然后推導(dǎo)出隱藏在電壓電流與振動噪音等信號中的故障特征。另一種方法稱為電機電流/電壓特征分析，它是基于電機電流或電壓信號的諧波成分對電機狀態(tài)進行識別，但往往受到電機極槽配合的影響，且難以準(zhǔn)確區(qū)分退磁故障與轉(zhuǎn)子偏心故障。對于軸承故障主流的方法是基于振動信號人工智能分類的方法，即通過機器學(xué)習(xí)等模型對振動信號中隱藏的故障信息進行提取，此類方法往往需要通常需要專門的儀器和設(shè)備來采集和分析振動信號，這增加了設(shè)備的成本和使用門檻，而且侵入性傳感器會對被測系統(tǒng)產(chǎn)生額外的影響，這些方法也不便于實時監(jiān)測早期發(fā)現(xiàn)故障。

3、在音頻特征提取領(lǐng)域，時域特征一般包括短時能量、短時過零率等特征參數(shù)。頻域特征包括頻譜、頻域能量、頻譜質(zhì)心等參數(shù)。倒譜域特征包括梅爾頻率倒譜系數(shù)(mfcc)和線性預(yù)測倒譜系數(shù)(lpcc)。使用單一時頻域特征并不能準(zhǔn)確的表達故障音頻特征，通常準(zhǔn)確率較低，大部分音頻特征提取研究選擇使用mfcc來進行特征提取，但是由于單一的mfcc物理意義不明確，反而不易描述故障原始特征，在故障種類繁多以及高噪聲場景下性能易受影響。

4、在視覺神經(jīng)網(wǎng)絡(luò)領(lǐng)域,卷積神經(jīng)網(wǎng)絡(luò)(cnn)因其自身固有的一系列優(yōu)良特性已得到了廣泛應(yīng)用。然而cnn也存在一些缺陷：1、cnn中的卷積操作只能捕獲局部信息，而不能建立全局圖像的長距離連接。2、池化層的存在會導(dǎo)致許多非常有價值的信息的丟失，同時也會忽略掉整體與部分之間的關(guān)聯(lián)。而視覺transformer模型雖然在大模型中取得了優(yōu)異的成果，但是模型龐大復(fù)雜，而且需要大量的參數(shù)并做好預(yù)訓(xùn)練，在小數(shù)據(jù)樣本中表現(xiàn)一般，在嵌入式平臺中的應(yīng)用也將受到限制。2021年，dongyoon?han等人在輕量化網(wǎng)絡(luò)mobilenet基礎(chǔ)上研究了一種設(shè)計輕量化模型的新方法rexnets(rank?expandsion?networks)，在coco對象檢測、實例分割和細粒度分類方面進一步表現(xiàn)出顯著的調(diào)優(yōu)性能。

5、此研究通常先使用麥克風(fēng)對電機發(fā)出的音頻信號進行采集，將采集的音頻信號傳給單片機或筆記本電腦等設(shè)備，通過這些平臺計算主要的音頻特征指標(biāo)，然后進一步判斷故障是否發(fā)生。據(jù)調(diào)查，電機與軸承發(fā)生故障的電磁噪聲和機械噪聲特征頻率通常不會超過5000hz，人耳的聽覺范圍在20-20000hz，所以使用采集語音信號的麥克風(fēng)便可滿足條件。數(shù)字信號分析系統(tǒng)的選擇要求具備集成度高，計算能力較強，功耗低，實時性高，抗干擾能力強，系統(tǒng)穩(wěn)定等特點，通常為計算機和fpga等平臺。

技術(shù)實現(xiàn)思路

1、本發(fā)明為解決現(xiàn)有電機故障檢測方法不便于實時監(jiān)測早期發(fā)現(xiàn)故障的問題，進而提出一種基于音頻信號多維度敏感特征和s-rexnet的電機故障檢測方法。

2、本發(fā)明為解決上述問題采取的技術(shù)方案是：本發(fā)明具體包括：

3、步驟1、采集數(shù)據(jù)；采集健康電機、永磁體退磁電機、轉(zhuǎn)子動態(tài)偏心電機和四種軸承故障的不同轉(zhuǎn)速和負載工況運行過程中的音頻信號；

4、步驟2、處理信號；

5、步驟3、搭建卷積自編碼器并預(yù)訓(xùn)練；

6、步驟4、搭建s-rexnet網(wǎng)絡(luò)；

7、步驟5、故障檢測模型訓(xùn)練；

8、步驟6、故障檢測與性能評估。

9、進一步的，步驟二中根據(jù)步驟一采集到的數(shù)據(jù)，數(shù)據(jù)處理過程包括：

10、步驟201、對原始音頻信號進行分幀加窗等預(yù)處理，以構(gòu)建多維度敏感特征矩陣；mds矩陣由短時能量、短時過零率、振動熵、線性預(yù)測倒譜系數(shù)、梅爾頻率倒譜系數(shù)和delta系數(shù)六部分組成；

11、步驟202、對音頻處理得到的特征向量進行重組，將時間幀對齊，不同特征順序排列得到mds的rgb特征譜圖。

12、進一步的，步驟201具體包括：

13、步驟a、使用漢明窗w[n]作為窗函數(shù)，公式如下：

14、

15、公式(1)中，n為窗口中的采樣點索引，l為窗口的長度；

16、步驟b、由于音頻信號的能量隨時間而變化，對短時能量進行分析，短時能量表達式為：

17、

18、公式(2)中，x(m)表示一幀聲音離散采樣數(shù)據(jù)，w(n)表示窗函數(shù)，n表示窗長；

19、步驟c、設(shè)音頻信號為x[n]，分幀處理后得到的第i幀語音信號為yi[n]，幀長為l，短時過零率計算公式為：

20、

21、公式(3)中，yn(m-1)為第n幀信號的上一個采樣點；

22、步驟d、設(shè)分幀信號的頻域信號為xk，振動熵的計算公式為：

23、

24、步驟e、利用lpcc進行特征提取，經(jīng)過預(yù)處理后，提取lpc特征參數(shù)：

25、

26、公式(5)中，用lpc推導(dǎo)出lpcc特征參數(shù)，p表示lpc階數(shù)，n為時延，m表示lpcc階數(shù)，x(n)表示協(xié)方差函數(shù)，表示lpc系數(shù)；

27、

28、公式(6)和(7)中，cm表示第m階lpcc系數(shù)，ck表示第k階lpcc系數(shù)，xm表示第m階lpc系數(shù)，xm-k表示第m-k階lpc系數(shù)；

29、步驟f、提取mfcc系數(shù)，mfcc特征提取包括分幀、預(yù)處理、離散傅立葉變換、mel帶通濾波、離散余弦變換等步驟，具體如下：

30、物理頻率與mel頻率之間關(guān)系為：

31、mel(f)＝2595lg(1+f/700)(8)，

32、公式(8)中，f表示；

33、步驟g、差分參數(shù)的計算公式為：

34、

35、公式(14)中，d(t)表示第t個一階差分；c(t)表示第t個倒譜系數(shù)，k表示一階導(dǎo)數(shù)的時間差，取1或2，c(t-1)表示第t-1個倒譜系數(shù)，t表示梅爾頻率倒譜系數(shù)索引，m表示倒譜系數(shù)的階數(shù)。

36、進一步的，步驟f具體包括：

37、步驟(1)、對預(yù)處理后的每幀信號作離散傅立葉變換；設(shè)預(yù)處理后的時域信號為s(n)，dft變換后的頻域信號s(k)表示為：

38、

39、步驟(2)、求s(k)的平方，得到能量譜，再使用m個mel帶通濾波器進行濾波，第m個濾波器的傳遞函數(shù)為：

40、

41、公式(10)中，f(m)為三角濾波器中心頻率，且：

42、

43、步驟(3)、計算每個濾波器組的對數(shù)能力。第m個濾波器組的對數(shù)能量為：

44、

45、步驟(4)、經(jīng)離散余弦變換即可得到mel倒譜系數(shù)：

46、

47、公式(13)中，m為mel濾波器的個數(shù)，也是mfcc特征的維數(shù)。

48、進一步的，步驟3具體包括：

49、步驟301、編碼器由三層卷積層構(gòu)成，每一層卷積層后都跟隨relu函數(shù)以引入非線性特征，提高卷積自編碼器的表示能力；

50、三個卷積層學(xué)習(xí)輸入數(shù)據(jù)的空間信息和不同特征之間的關(guān)聯(lián)，逐漸壓縮特征并實現(xiàn)特征降維；

51、解碼器部分對編碼后的特征進行逐層反卷積操作，最終進行特征重建，得到與輸入圖像相同大小的輸出；

52、步驟302、損失函數(shù)采用均方誤差損失函數(shù)，用于衡量模型預(yù)測與實際標(biāo)簽之間的差異，采用adam優(yōu)化器，并設(shè)置l2正則化，參數(shù)為0.00001，學(xué)習(xí)率設(shè)置為0.001，批大小設(shè)置為64，共迭代60輪。

53、進一步的，步驟5中將采樣率為48000hz的音頻平均分割成80000個樣本點的音頻切片，按照25ms的幀寬、10ms步長進行分幀和加窗。

54、進一步的，步驟6中通過步驟1采集得到的數(shù)據(jù)，經(jīng)過步驟2計算，得到電機當(dāng)前狀態(tài)的音頻特征，經(jīng)過卷積自編碼器壓縮輸入到步驟四中搭建好的故障診斷模型，實現(xiàn)電機轉(zhuǎn)子和軸承的故障診斷。

55、本發(fā)明的有益效果是：

56、1、本發(fā)明提出永磁同步電機音頻多維度敏感特征構(gòu)造方法，通過引入具有明確物理原理的方法，對永磁同步電機的故障特征進行提取與重組，挖掘能深度表征音頻時頻域及倒譜域的靜態(tài)與動態(tài)信息，增強了特征表示的維度和敏感性；

57、2、相對基于振動信號，音頻信號可以通過非侵入式的方式獲取，無需對電機進行拆解或修改，這意味著可以在電機正常運行時進行實時的故障診斷，減少停機時間，提高診斷效率；

58、3、本發(fā)明使用卷積自編碼器實現(xiàn)了特征降維和特征壓縮，在保留敏感特征信息的情況下進行特征降維，減小了原來訓(xùn)練時間的69.88％；

59、4、本發(fā)明提出了基于s-rexnet網(wǎng)絡(luò)的永磁同步電機故障診斷模型，并且在高噪聲環(huán)境下的表現(xiàn)十分穩(wěn)定，為高噪聲環(huán)境下的特征分離以及輕微故障特征不明顯時的故障診斷留出裕量；

60、5、s-rexnet網(wǎng)絡(luò)是一個輕量化模型，具有較少的參數(shù)和計算復(fù)雜度，在沒有預(yù)訓(xùn)練和大量數(shù)據(jù)集情況下，仍然能保證良好的性能，在資源受限的應(yīng)用場景下，例如移動設(shè)備和嵌入式系統(tǒng)，具有廣泛的應(yīng)用潛力。