一种电机的智能异常检测方法与流程

本发明涉及电机异常检测领域，尤其涉及一种电机的智能异常检测方法。

背景技术：

1、近年来世界各国陆续推出新能源政策，包括印度、挪威、法国和英国政府在2040年前逐步禁止销售燃油车，终端能源使用清洁能源成为新的发展趋势，而电力的使用也将逐步提升。国际能源署预估2020-2030年间再生能源发电量将逐步超过煤炭，届时风力发电逐步成为主要发电来源。风力发电主要由风力发电机利用风能带动风机扇片旋转将风能转化为电能，但是由于其常年暴漏在室外环境，加上恶劣天气的影响，对风力发电机的扇片影响较大；然而从其结构和生产方面来看，扇片损坏难以仅从施工和生产方面消除。因此对风力发电机的异常检测工作极为重要。

2、现有技术中对电机异常检测方法包括布拉格光线光栅(fiber bragg grating,fbg)、振动分析、红外线热像、光学影像、x光、超音波等。例如采用布拉格光线光栅内部折射率的变化反推扇片的形变量，但是这种方式的安装较为复杂；而振动分析的方法虽然有效，且测量范围大，但是必须要将传感器安装到电机上，对于零部件复杂多样的电机来说，不同部件之间的交互影响可以导致所测量的振动信号不容易判断；此外，还可以采用声发射技术(acoustic emission,ae)来实现，但受限于声发射信号衰减快的特点，在安装感测器前必须先预测可能发生的位置，并将感测器安装于其附近，因此整体的检测效率较低，检测成本较高。

3、电机异常检测对于电机的正常运行影响巨大，因此在工业生产实践中对于异常电机需要实现高效检测，以便维修人员能够更早地介入维修工作，同时对于正常的电机要尽可能避免漏检，因此需要更为准确的检测结果。因此如何提高电机异常检测的检测效率，降低检测成本同时兼顾检测结果的准确率是本领域亟待解决的技术问题。

技术实现思路

1、本发明的目的在于提供一种基于人工智能技术和基于声谱特征的联合检测方法，该方法可以弥补背景技术所提到的技术问题。

2、本发明第一方面提供了一种电机的智能异常检测方法，其特征在于，包括以下步骤：

3、s1：通过音频采集器阵列获取待检测的电机运行时的声音信号；

4、s2：将所述声音信号输入fp检测模型，得到对应的电机异常检测结果；若检测结果为正常，转入步骤s3；若检测结果为异常，则该电机存在异常；

5、s3：将所述声音信号输入ai检测模型，得到对应的电机异常检测结果，若检测结果为正常，则该电机不存在异常，否则该电机存在异常；

6、所述fp检测模型的检测方法包括如下步骤：

7、s21：获取待检测信号，并计算其时频响应和功率谱；

8、s22：根据所述时频响应和功率谱计算所述待检测信号的频率特征和功率特征；

9、s23：根据所述频率特征和功率特征计算所述频率特征和功率特征对应的多通道特征；

10、s24：基于所述多通道特征进行电机异常的检测，并得到检测结果；

11、所述ai检测模型的检测方法包括如下步骤：

12、s31：获取电机的历史运行的声音信号，并计算其瞬时振幅时频图，所述声音信号还包含对应的正常或异常的标记；

13、s32：对所述瞬时振幅时频图进行预处理和归一化；

14、s33：将步骤s32的输出数据作为训练数据；

15、s34：将所述训练数据输入卷积神经网络进行训练，并不断更新所述卷积神经网络的训练参数；

16、s35：获取待检测电机的声音信号，重复步骤s31-s32得到待检测信号对应的时频图，并输入所述训练好的卷积神经网络，输出分类结果，得到电机异常的检测结果。

17、作为本发明的进一步改进，所述步骤s21具体包括：所述音频采集器阵列形成多通道采集器，并计算所述信号x(n)的时频响应，其中所述时频响应的计算方式为：其中l是时间索引，k是频率索引，w(n)是汉明窗函数，其长度与dft变换的长度nft相等；所述信号归一化的功率谱为：其中当k＝0或nft/2时，a＝1，其余情况a＝2。

18、作为本发明的进一步改进，所述步骤s22具体为：

19、获取所述声音信号的频率特征和功率特征集合fp＝[f1,f2…f6]，包括：

20、f1表示功率特征，其中ks1为480hz，ke为36khz，ls1为0，le1为0.03s；

21、f2表示高频频率特征，其中ks1为8khz，ke为36khz，ls1为0，le1为0.03s；

22、f3表示功率增长特征，其中ks为8khz，ke为36khz，ls1为0，le1为0.03s，ls2为-0.1s，le2为-0.03s；

23、f4表示频谱平整度，其中ks为8khz，ke为36khz；

24、f5表示频谱偏移特征，其中s(l)表示功率谱的质心，pdb(k,l)表示对功率谱取对数，f是所有频带的中心频率，ks为8khz，ke为36khz，ls3为0，le3为0.01s，ls2为-0.1s，le2为-0.03s；

25、f6表示功率谱下降特征，其中ks为8khz，ke为36khz，ls4为0，le4为0.1s。

26、作为本发明的进一步改进，所述步骤s23具体为：所述多通道特征包括单信道特征dij和联合信道特征dij

27、

28、其中i是频率特征的索引，j是音频采集器的索引。

29、作为本发明的进一步改进，所述步骤s24具体为：

30、将所述多通道特征输入多通道分类器，并得到分类结果，所述分类结果为是否存在异常，所述分类器的分类规则为：

31、当以下判决规则全部为真，则所述分类结果为存在异常，否则为正常；所述判决规则包括：

32、a如果判定d1j>δ1，再判定d1是否大于δ1m，其中δ1和δ1m为对应的门限值；

33、b如果判定d2j>δ2，再判定d2是否大于δ2m，其中δ2和δ2m为对应的门限值；

34、c如果判定d3j>δ3，再判定d3是否大于δ3m，其中δ3和δ3m为对应的门限值；

35、d如果判定d4j<δ4，再判定d4是否小于δ4m，其中δ4和δ4m为对应的门限值；

36、e如果判定d5j<δ5，再判定d5是否小于δ5m，其中δ5和δ5m为对应的门限值；

37、f如果判定d6j<δ6，再判定d6是否小于δ6m，其中δ6和δ6m为对应的门限值。

38、作为本发明的进一步改进，所述步骤s31具体为：获取历史的电机运行时的声音信号p(n)，并计算其时频响应：其中t为时间，f是频率索引，τ是归一化时间索引，β是归一化频率索引，λ是时间窗长度，p(n)的时长为t，w是窗函数，函数值在[t,t+l]外均为0，δt为信号的采样间隔，δf为频率间隔，t＝τδt，f＝βδf，l＝λδt，pd＝p((τ+d)δt)，wd＝w(-dδt)，为dft变换的点数；所述声音信号的振幅为所述振幅的时频图为：

39、作为本发明的进一步改进，所述步骤s32包括：采样率1/δt＝25600hz，dft的点数为512，频率间隔为50hz，窗函数长度为512；将所述振幅转换为归一化功率得到其中pref为参考声压，作为时频图；去除时频图中低于4000hz的部分，记做sγ*177。

40、作为本发明的进一步改进，所述卷积神经网络包括数据输入层，卷积计算层，池化层，全连接层，输出层；所述数据输入层用于对原始数据进行预处理，所述卷积计算层用于对所述预处理的数据进行空间域滤波，所述激励层用于对所述卷积计算层的结果作非线性映射，所述池化层用于对激励层的输出结果进行压缩数据；所述全连接层用于将最后的输出映射到线性可分的空间；所述输出层用于输出分类结果。

41、作为本发明的进一步改进，所述卷积神经网络通过误差函数loss不断更新训练参数，具体包括如下步骤：

42、所述误差函数loss为：其中x(i)是所述卷积神经网络的输入，y(i)是所述卷积神经网络的输出；

43、所述训练参数的更新公式为：

44、其中wt是t时刻训练参数，μi(i＝1,2)是指数下降因子，lr是学习率，mt是一阶移动矢量，vt是二阶移动矢量，mt＝gt+μ1mt-1-μ1gt，

45、本发明提供了一种电机的智能异常检测方法，其特征在于，包括以下步骤：s1：通过音频采集器阵列获取待检测的电机运行时的声音信号；s2：将所述声音信号输入fp检测模型，得到对应的电机异常检测结果；若检测结果为正常，转入步骤s3；若检测结果为异常，则该电机存在异常；s3：将所述声音信号输入ai检测模型，得到对应的电机异常检测结果，若检测结果为正常，则该电机不存在异常，否则该电机存在异常；所述fp检测模型的检测方法包括如下步骤：s21：获取待检测信号，并计算其时频响应和功率谱；s22：根据所述时频响应和功率谱计算所述待检测信号的频率特征和功率特征；s23：根据所述频率特征和功率特征计算所述频率特征和功率特征对应的多通道特征；s24：基于所述多通道特征进行电机异常的检测，并得到检测结果；所述ai检测模型的检测方法包括如下步骤：s31：获取电机的历史运行的声音信号，并计算其瞬时振幅时频图，所述声音信号还包含对应的正常或异常的标记；s32：对所述瞬时振幅时频图进行预处理和归一化；s33：将步骤s32的输出数据作为训练数据；s34：将所述训练数据输入卷积神经网络进行训练，并不断更新所述卷积神经网络的训练参数；

46、s35：获取待检测电机的声音信号，重复步骤s31-s32得到待检测信号对应的时频图，并输入所述训练好的卷积神经网络，输出分类结果，得到电机异常的检测结果。本发明首先利用fp检测模型进行检测，在检测出异常时，表明该电机存在异常，结束检测；若检测正常，则进一步利用ai模型进行检测，若两个模型检测结果均正常，则说明电机不存在异常，否则存在异常。

47、与现有技术相比，本发明的主要有益效果在于：

48、1.本发明的fp检测模型利用了声谱的多个功率特征和频率特征对电机进行异常检测，相比于传统方法更为高效，且算法复杂度低，适应性强，可以有效降低检测的成本，其检测准确率可以达到90％以上，同时本发明的ai模型利用卷积神经网络模型进行检测，其检测准确率高，可以达到95％以上，且无需对电机结构进行改造；

49、2.针对异常电机的检测效率高的需求，本发明设计首先利用fp检测模型进行检测，其相较于ai模型算法复杂度低，在fp检测模型输出异常结果后，无需利用ai模型进行二次检测，这样检测效率高，检测成本低，可以方便维修人员尽快介入；而对于正常电机来说，为了保证检测的准确度，需要先后使用两种检测模型，同时检测正常则认定电机无异常，这样可以进一步提高检测的精度，避免遗漏异常的电机。