基于混合倒谱的微特电机故障诊断方法及系统

本发明属于微电子，涉及微特电机故障诊断，尤其涉及一种基于混合倒谱的微特电机故障诊断方法及系统。

背景技术：

1、现代制造业面向智能化、信息化、自动化方向快速发展。滚动微特电机作为机械、电器设备中使用最广泛的基础元件之一，其运行状态关系到整台机器设备的状态性能；因此针对微特电机故障诊断方法研究对制造业发展大有裨益。

2、基于振动信号的微特电机故障诊断技术是国内外最普遍、科学的检测方法之一。其中传统的信号处理方法，主要通过对信号数据采集、预处理和某种单一特征提取等步骤进行对关键信息的人工提取，通过单一特征反映的时域、频域信息完成故障诊断分类，如小波包分解(wavelet packet decomposition,wpd)、经验模态分解(empirical modedecomposition，emd)等技术。单一特征提取对故障诊断起到关键作用，但难以有效提取信号中隐藏特征，导致部分有效信息缺失。随着机器学习技术发展，支持向量机(supportvector machine，svm)、bp神经网络等算法运用在微特电机故障诊断中，但由于其非线性拟合能力限制导致模型对高维信号的诊断准确率难以提升。

3、然而，微特电机在混合工况环境下容易出现多重故障，重复故障导致微特电机位置诊断准确率低、特征提取效果不佳，且在少量样本训练情况下检测模型鲁棒性较差。因此，设计一种能够在少样本训练条件下实现对微特电机故障的有效诊断方法，是本领域亟待解决的关键问题之一

技术实现思路

1、本发明目的旨在针对现有技术中存在的上述问题，提供一种基于混合倒谱的微特电机故障诊断方法，有效提取特征，提升对微特电机故障诊断的准确率。

2、为了达到上述目的，本发明提供的基于混合倒谱的微特电机故障诊断方法，其包括以下步骤：

3、s1构建混合倒谱特征：基于微特电机振动信号分别提取梅尔倒谱系数mfcc、伽马特征倒谱系数gfcc和线性预测倒谱系数lpcc，并通过向量拼接方式对三者归一化后的倒谱特征融合，构建混合倒谱特征；

4、s2故障诊断：将混合倒谱特征输入训练好的lstm网络模型，得到故障诊断结果。

5、步骤s1中，首先对采集的微特电机振动信号进行预加重，分帧、加窗处理等预处理。预处理后的振动信号经快速傅里叶变换(fft)得到振动频谱。依据振动频谱，分别获取梅尔倒谱系数mfcc、伽马特征倒谱系数gfcc；具体实现方式中：(1)利用mel滤波器组对振动频谱进行分析得到第一能量谱，取第一能量谱的对数并经dct变换得到梅尔倒谱系数mfcc；(2)利用gammatone滤波器组对振动频谱进行分析得到第二能量谱，取第二能量谱的对数并经dct变换得到伽马特征倒谱系数gfcc。依据预处理后的振动信号经lpc分析得到lpc系数，进一步经递推公式得到线性预测倒谱系数lpcc。

6、所得梅尔倒谱系数mfcc、伽马特征倒谱系数gfcc和线性预测倒谱系数lpcc再分别进行归一化处理，之后通过向量拼接的方式对mfcc、gfcc和lpcc进行重组得到新的特征向量作为混合倒谱特征。

7、上述步骤s2中，所述lstm网络模型包括依次设置的两层lstm和全连接层。

8、本发明还提供了一种基于混合倒谱的微特电机故障诊断系统，其包括：

9、特征提取模块，用于基于微特电机振动信号分别提取梅尔倒谱系数mfcc、伽马特征倒谱系数gfcc和线性预测倒谱系数lpcc，并通过向量拼接方式对三者归一化后的倒谱特征融合，构建混合倒谱特征；

10、lstm网络模型，用于以混合倒谱特征作为输入，对微特电机故障进行诊断，得到故障诊断结果。

11、所述特征提取模块包括预处理单元、振动频谱获取单元、梅尔倒谱系数mfcc生成单元、伽马特征倒谱系数gfcc生成单元、线性预测倒谱系数lpcc生成单元和特征融合单元；

12、所述预处理单元，用于对采集的微特电机振动信号进行预加重，分帧、加窗处理等预处理；

13、所述振动频谱获取单元，用于预处理后的振动信号经快速傅里叶变换(fft)得到振动频谱；

14、所述梅尔倒谱系数mfcc生成单元，用于利用mel滤波器组对振动频谱进行分析得到第一能量谱，取第一能量谱的对数并经dct变换得到梅尔倒谱系数mfcc；

15、所述伽马特征倒谱系数gfcc生成单元，用于利用gammatone滤波器组对振动频谱进行分析得到第二能量谱，取第二能量谱的对数并经dct变换得到伽马特征倒谱系数gfcc；

16、所述线性预测倒谱系数lpcc生成单元，用于依据预处理后的振动信号经lpc分析得到lpc系数，进一步经递推公式得到线性预测倒谱系数lpcc；

17、所述特征融合单元，用于将所得梅尔倒谱系数mfcc、伽马特征倒谱系数gfcc和线性预测倒谱系数lpcc分别进行归一化处理，之后通过向量拼接的方式对mfcc、gfcc和lpcc进行重组得到新的特征向量作为混合倒谱特征。

18、所述lstm网络模型包括依次设置的两层lstm和全连接层。

19、与现有技术相比，本发明提供的基于混合倒谱的微特电机故障诊断方法及系统，具有以下有益效果：

20、本发明首先基于微特电机振动信号分别提取梅尔倒谱系数mfcc、伽马特征倒谱系数gfcc和线性预测倒谱系数lpcc，再对mfcc、gfcc和lpcc进行融合得到混合倒谱特征；利用混合倒谱特征通过lstm网络模型对微特电机进行故障诊断，能够实现有效特征提取，减少噪声干扰、挖掘隐藏特征，降低参数量的同时，利用lstm网络高效学习振动信号的时序特征，微特电机故障诊断准确率在99.0％以上，具有良好的实用性和鲁棒性。

技术特征：

1.一种基于混合倒谱的微特电机故障诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于混合倒谱的微特电机故障诊断方法，其特征在于，步骤s1中，首先对采集的微特电机振动信号进行预加重，分帧、加窗处理预处理；

3.根据权利要求2所述的基于混合倒谱的微特电机故障诊断方法，其特征在于，

4.根据权利要求1至3任一项所述的基于混合倒谱的微特电机故障诊断方法，其特征在于，所得梅尔倒谱系数mfcc、伽马特征倒谱系数gfcc和线性预测倒谱系数lpcc再分别进行归一化处理，之后通过向量拼接的方式对mfcc、gfcc和lpcc进行重组得到新的特征向量作为混合倒谱特征。

5.根据权利要求1所述的基于混合倒谱的微特电机故障诊断方法，其特征在于，步骤s2中，所述lstm网络模型包括依次设置的两层lstm和全连接层。

6.一种基于混合倒谱的微特电机故障诊断系统，其特征在于，包括：

7.根据权利要求6所述的基于混合倒谱的微特电机故障诊断系统，其特征在于，所述特征提取模块包括预处理单元、振动频谱获取单元、梅尔倒谱系数mfcc生成单元、伽马特征倒谱系数gfcc生成单元、线性预测倒谱系数lpcc生成单元和特征融合单元；

8.根据权利要求6所述的基于混合倒谱的微特电机故障诊断系统，其特征在于，所述lstm网络模型包括依次设置的两层lstm和全连接层。

技术总结
本发明公开了一种基于混合倒谱的微特电机故障诊断方法，基于微特电机振动信号分别提取梅尔倒谱系数MFCC、伽马特征倒谱系数GFCC和线性预测倒谱系数LPCC，并通过向量拼接方式对三者归一化后的倒谱特征融合，构建混合倒谱特征；将混合倒谱特征输入训练好的LSTM网络模型，得到故障诊断结果。通过本发明，微特电机故障诊断准确率在99.0％以上，具有良好的实用性和鲁棒性。

技术研发人员：张宇鹏,朱高义,方夏,王杰,王玫
受保护的技术使用者：四川大学
技术研发日：
技术公布日：2024/2/25