电机轴承故障诊断方法

本发明涉及电机轴承故障诊断方法。

背景技术：

1、在现代工业生产中，电机作为电能生产、传输、使用的核心设备占据重要地位。电机轴承是电机的核心组件，在支撑和输送动力方面起着极其重要的作用。电机作为一个复杂的综合电气设备，通常工作在比较恶劣的环境中，电机轴承的内圈、滚动体和外圈很容易出现故障，据统计，在感应电机故障中，电机轴承引发的故障约占电动机故障的40％，因此电机轴承的故障诊断是电机安全运行的重要保障，直接关系到公司的安全生产和经济效益。

2、卷积神经网络(cnn)在处理二维数据时具有一定优势，因为它可以通过其分层结构自主学习并提取输入数据的特征。一种基于卷积网络和振动信号双频谱分析的方案，该方法可用于变速工况下的轴承故障诊断，且诊断精度高。一种基于多尺度卷积神经网络的风电齿轮箱故障诊断，该方法不需要任何耗时的手工特征提取过程，并且在工作负载变化和噪声环境下工作良好。cnn在特征提取方面的表现方面良好，但随着层数增多，在训练的过程中需要大量的样本，且对训练的设备配置要求高。

3、循环神经网络(rnn)。循环神经网络的路径从其隐藏层到输出层时，循环模型可以捕获并建模顺序数据或时间序列数据。长短期记忆网络(lstm)改进了rnn梯度消失的问题。一种基于lstm神经网络的模型，对原始信号采用数据增强技术，取得了很好的故障识别效果。一种基于长短时记忆循环神经网络的智能故障诊断方案，利用空间和时间的依赖性对故障进行预测，并在实验中验证了方案的有效性。但lstm模型的参数多，人工调参困难。

4、在基于深度学习的电机轴承故障诊断算法中，参数的选择决定了算法模型的准确性。近年来，研究人员一直在研究优化算法来解决参数选择的问题，如粒子群算法、蚁群算法、人工蜂群算法、萤火虫算法等。但传统的优化算法在解决多目标问题中，存在参数不具备适应性、易陷入局部最优、收敛速度慢等问题。

5、因此，针对以上问题提出了电机轴承故障诊断方法。

技术实现思路

1、本发明的目的在于克服现有的缺陷而提供的电机轴承故障诊断方法，避免了故障诊断模型人工调参，改善了传统的优化算法收敛精度低、优化速度慢、易陷入局部最优的状况，有效缓解过拟合，提升了故障的诊断效果。

2、实现上述目的的技术方案是：

3、电机轴承故障诊断方法，包括：

4、步骤s1，构建clstm(长短期记忆模型结合的混合深度神经网络模型)故障诊断模型，并采用ssa(麻雀搜索算法)进行优化，获得ssa-clsmt(麻雀搜索算法-长短期记忆模型结合的混合深度神经网络模型)模型；

5、步骤s2，采集电机轴承在正常、外圈损伤、内圈损伤、滚珠损伤的原始振动信号，并对数据集打标签分类，按0.2比例划分为训练集和测试集，输入到ssa-clsmt模型中；

6、步骤s3，初始化ssa-clsmt模型参数——最大迭代次数g、麻雀种群数n、麻雀个体数dim、发现者比例p、上边界ub、下边界lb、预警值r2和适应度函数f；

7、步骤s4，更新麻雀个体的位置，返回当前最佳麻雀个体和最佳适应度值；

8、步骤s5，不满足迭代次数重复步骤s4，满足迭代次数输出最佳的麻雀个体和最佳适应度值并保存；

9、步骤s6，将最佳的麻雀个体回代ssa-clsmt模型，输出相应结果。

10、优选的，所述步骤s1中构建clstm故障诊断模型，对输入数据特征xr＝{x1,x2,x3…xn},采用一层卷积核的个数为1，大小为7x1，步长为1的2d卷积层对其进行特征提取，窗口数据滑窗(步长为1)与卷积核做内积：

11、

12、其中，x(j)和bi分别表示卷积层的第i个卷积核的权矩阵和偏置矩阵，x(j(j∈r)表示第j个样本，ui(j)表示第j个样本在和第i个卷积核内积后的输出特征；最终输出卷积后的特征ur＝{u1,u2,u3…un}；

13、针对序列数据的特点，引入两层lstm对ur进一步挖掘其潜在联系；lstm是一种rnn特殊的类型，可以学习长期依赖信息，结构核心是在里面加入了三个‘门’机制——忘记门、输入门和输出门；

14、将ur＝{u1,u2,u3…un}输入lstm模型，遗忘门决定模型从细胞状态中丢弃的信息，该门会读取ht-1和ut，输入一个在[0,1]之间的数值给每个在细胞状态ct-1中的数字，模型可描述为：

15、

16、输入门有两部分功能，一部分找到需要更新的细胞状态，另一部分把需要更新的信息更新到新的细胞状态里，模型可描述为：

17、st(i)＝σ(ws·[st-1(i),ut(i)]+bi)；

18、

19、忘记门找到需要忘记的信息ft后，再将它与旧细胞状态相乘，丢弃确定需要丢弃的信息。再将结果加上icxct使细胞状态获得新的信息，完成细胞状态的更新，模型可描述为：

20、

21、输出门通过一个sigmoid(逻辑斯谛)层来确定哪部分的信息将输出，接着把细胞状态通过tanh(双曲正切)进行处理，得到一个在(-1，1)之间的值，并将其和sigmoid门的输出相乘，最终得出想要输出的部分，其模型可以描述为：

22、ot(i)＝σ(wo·[ht-1(i),ut(i)]+bo)；

23、ht(i)＝ot(i)*tanh(ct(i))；

24、其中，ft(i)，st(i)，ct(i)，ot(i)分别为t时间步长下第i个样本下遗忘门、输入门、记忆单元和输出门的输出；wf，ws，wc，wo分别为遗忘门、输入门、记忆单元和输出门的权重矩阵；bf，bi，bc，bo分别为遗忘门、输入门、记忆单元和输出门的偏置矩阵；σ为sigmiod函数；为t时间步长下第i个样本在记忆单元的细胞状态信息；ht(i)为在t时间步长下第i个样本；

25、为了缓解过拟合，改进lstm，在其中添加dropout(丢弃)层，让某些神经元的激活值以一定的概率停止工作；经两层改进后的lstm的，最终输出特征，h＝{h1,h2…,ht}；

26、输出层使用softmax(归一化指数)作为模型的分类器，对不同类型的信号进行分类，得到最终的故障分类概率，公式如下:

27、

28、其中ypred最终预测故障概率；hj为lstm最终输出特征。

29、优选的，所述步骤s1中采用ssa进行优化，获得ssa-clsmt模型，将多分类交叉熵函损失函数作为麻雀算法中的适应度函数，数学模型为：

30、

31、其中，n为样本数量，m为故障类别的数量；为符号函数，如果样本i的真实类别等于c取1，否则取0；观测样本i属于类别c的预测概率；

32、需要优化的学习率、第一隐层神经元数、第二隐层神经元数、dropout作为虚拟的麻雀个体位置，其搜寻边界设置为其下边界为[0.001，10，10，0.01]，上边界为[0.01，150，150，0.2]，并由10只麻雀个体构成种群，去寻找最优解，其为数学模型如下：

33、

34、其中，x为麻雀种群，z为麻雀位置参数；

35、麻雀的适应度值可描述为：

36、

37、其中为适应度函数，为麻雀个体；

38、发现者的位置更新描述如下：

39、

40、其中，t为当前迭代数，t表示最大的迭代次数，xi,j(t)表示第i个麻雀在第j维中的位置信息，α为(0,1]是一个随机数，r∈[0,1]和st∈[0.5,1]分别表示预警值和安全值，q是服从正态分布的随机数，l表示一个1×d的矩阵，其中该矩阵内每个元素全部为1；

41、加入者(追随者)的位置更新描述如下：

42、

43、其中，xp(t)+1)是目前发现者所占据的最优位置，xworst(t)则表示当前全局最差的位置，a表示一个1×d的矩阵，其中每个元素随机赋值为1或-1，并且a+＝at(aat)-1；

44、当意识到危险时，麻雀种群会做出反捕食行为，其数学表达式如下：

45、

46、其中，xbest(t)是当前的全局最优位置；β作为步长控制参数，是服从均值为0，方差为1的正态分布的随机数；k∈[-1,1]是一个随机数，fi则是当前麻雀个体的适应度值；fg和fw分别是当前全局最佳和最差的适应度值；ε是最小的常数。

47、本发明的有益效果是：该方法避免了故障诊断模型人工调参，改善了传统的优化算法在处理多目标问题，如收敛精度低、优化速度慢、易陷入局部最优的状况，并解决了感应电机轴承序列数据间的关系难以挖掘的问题，有效缓解过拟合，提升了故障的诊断效果；对轴承故障数据集精度诊断到达了99.5％，训练精度和测试精度相差不到1％，30次优化用时0.75小时，验证了所提方法能有效缓解过拟合问题，且对比其他优化算法，ssa的优化速度更快、优化质量更好。