论文部分内容阅读
异步电机在日常生活和社会工业生产中都有广泛应用,由于电机长时间高速、高压运转,加之环境恶劣,出现故障的几率十分大,电机正常运转与否直接影响工业生产制造的人员设备安全和经济效益,因此采用先进科学技术对电机进行状态监测和故障诊断具有十分重要的意义,可实现对设备故障的早期发现,有利于提高电机生产的可靠性,降低维修成本。本文主要研究了深度学习算法及其在异步电机常见故障诊断中的应用,主要研究工作如下:本文首先介绍了异步电机常见的故障类型,包括定子、转子和轴承方面的故障,分析了电机产生这些故障的原因,进而引出电机故障诊断的基本原理及其方法。其次,研究了深度学习基本理论和常用的基本模型,提出基于卷积神经网络(Convolutional neural network,CNN)深度学习模型的电机故障诊断方法。该方法能够直接从原始数据逐层提取深层抽象的特征规律,真正实现了端到端的电机的大数据特征挖掘与故障诊断,通过实验验证了传统CNN应用于电机故障诊断领域的合理性。然后,针对传统CNN方法缺乏特征理解导致特征提取效率和诊断准确率低、模型鲁棒性差的问题,提出基于门结构扩张卷积胶囊网络(Gate-structure Dilated Convolutions Capsule Network,GDCCN)的电机故障诊断新方法。该方法首先引入LSTM的输入门结构和扩张卷积,扩大了滤波器的感受野同时,提高模型的分类性能和鲁棒性;其次将提取到的特征值送入初级神经胶囊(低层)和数字神经胶囊(高层),通过Squash激活函数和动态路由协议,得到了最终的输出向量神经元,高层胶囊的输出向量可以提取到更细致的特征表达。通过实验验证GDCCN模型的诊断准确率为99.75%,该模型自动完成电机信号有效判别性特征的提取并实现故障分类,与传统深度学习方法相比,诊断准确率更高,鲁棒性和泛化能力更强,显著降低了错误识别率,为电机故障诊断提供了一种高效的新的智能诊断方法。最后搭建异步电机故障诊断实验平台,并且人为设置定子匝间短路和转子断条、气隙偏心以及轴承磨损、保持架断裂故障。通过研华数据采集工控机IPC-610L采集电机正常和故障运行时的振动信号;为了便于人机交互,制作了异步电机数据采集系统界面,可以将采集信号显示到数据采集系统界面上;还制作了智能故障诊断界面,可以直接调用训练好的GDCCN模型完成对电机运行状态的在线预测,并将满意的诊断结果显示在故障诊断界面上。