CN112766042A - 电机故障诊断方法、装置、存储介质及电子设备 - Google Patents
电机故障诊断方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN112766042A CN112766042A CN202011562056.8A CN202011562056A CN112766042A CN 112766042 A CN112766042 A CN 112766042A CN 202011562056 A CN202011562056 A CN 202011562056A CN 112766042 A CN112766042 A CN 112766042A
- Authority
- CN
- China
- Prior art keywords
- vibration
- sample set
- vibration signal
- motor
- frequency
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000005070 sampling Methods 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 abstract description 9
- 230000015556 catabolic process Effects 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000005236 sound signal Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本申请涉及故障诊断技术领域，具体涉及一种电机故障诊断方法、装置、存储介质及电子设备，解决了相关技术中由于采用单域特征提取，导致故障诊断结果不准确的问题。该方法包括：采集待测电机的振动信号；对所述振动信号进行采样，得到振动信号样本集；提取所述振动信号样本集中的振动特征，得到振动特征样本集；其中，所述振动特征包括时域特征、频域特征和时频特征；将所述振动特征样本集输入到预先训练完成的诊断模型中，得到诊断结果。本申请通过提取多域特征的方式进行故障诊断，能够精确的描述电机设备的性能退化程度，高效的获取到准确的故障诊断结果。
Description
技术领域
本申请涉及故障诊断技术领域，特别地涉及一种电机故障诊断方法、装置、存储介质及电子设备。
背景技术
随着我国社会经济的不断发展，人民的生活水平不断提高，各种家用电器不断走入人们的生活中，带给人们极大地方便。但随着人们对电器设备的需求不断增长，在给电器设备带来巨大商机的同时，也对保证电器设备的正常运行提出了更高的要求。例如包含电机的电器设备，由于电机不可避免的会发生老化、磨损等情况，致使电器设备的性能发生劣化甚至失去工作能力。当电气设备发生故障时，传统的人工排查故障方法，在需要专家丰富的诊断经验的同时，还需要对电器设备进行拆机，整个过程繁琐耗时，检测效率交底，准确性也无法保证。
现有的电机故障诊断技术，采用单域特征提取方法提取故障特征，与预设的故障特征作比较，得到故障诊断结果。该方法由于采用单域特征提取，难以精确的描述电机设备的性能退化程度，容易导致故障诊断结果不准确。
发明内容
针对上述问题，本申请提供一种电机故障诊断方法、装置、存储介质及电子设备，解决了相关技术中由于采用单域特征提取，导致故障诊断结果不准确的技术问题。
第一方面，本申请提供了一种电机故障诊断方法，所述方法包括：
采集待测电机的振动信号；
对所述振动信号进行采样，得到振动信号样本集；
提取所述振动信号样本集中的振动特征，得到振动特征样本集；其中，所述振动特征包括时域特征、频域特征和时频特征；
将所述振动特征样本集输入到预先训练完成的诊断模型中，得到诊断结果。
可选的，所述诊断模型的训练过程，包括：
对历史故障振动信号按照故障类型进行标注，得到标注后的故障信号集；
提取所述故障信号集中的振动特征，得到故障振动特征样本集；其中，所述振动特征包括时域特征、频域特征和时频特征；
将所述故障振动特征样本集输入支持向量机中进行训练，得到训练结果；
采用遗传算法对所述训练结果进行寻优，得到诊断模型。
可选的，所述提取所述振动信号样本集中的振动特征，包括：
提取所述振动信号样本集中的预设时域特征指标作为时域特征；所述预设时域特征指标包括均方根值、峰-峰值、波形值、脉冲值、裕度值和峭度值。
可选的，所述提取所述振动信号样本集中的振动特征，包括：
提取所述振动信号样本集中的预设频域特征指标作为频域特征；所述预设频域特征指标包括重心频率、均方频率、均方根频率和频率方差。
可选的，所述提取所述振动信号样本集中的振动特征，包括：
对所述振动信号样本集进行变分模态分解，得到所述振动信号样本集的固有模态函数；
将所述固有模态函数组成矩阵，并求解矩阵的奇异值作为时频特征。
可选的，对所述振动信号进行采样，得到振动信号样本集，包括：
根据所述待测电机的种类和采样频率设置每个振动信号样本的采样点数；
根据所述采样点数对所述振动信号进行采样，得到振动信号样本集。
可选的，采集待测电机的振动信号，包括：
采用加速度传感器采集待测电机的振动信号。
第二方面，一种电机故障诊断装置，所述装置包括：
采集单元，用于采集待测电机的振动信号；
采样单元，用于对所述振动信号进行采样，得到振动信号样本集；
提取单元，用于提取所述振动信号样本集中的振动特征，得到振动特征样本集；其中，所述振动特征包括时域特征、频域特征和时频特征；
诊断单元，用于将所述振动特征样本集输入到预先训练完成的诊断模型中，得到诊断结果。
第三方面，一种存储介质，该存储介质存储的计算机程序，可被一个或多个处理器执行，可用来实现如上述第一方面所述的电机故障诊断方法。
第四方面，一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述存储器和所述处理器之间互相通信连接，该计算机程序被所述处理器执行时，执行如上述第一方面所述的电机故障诊断方法。
本申请提供的一种电机故障诊断方法、装置、存储介质及电子设备，包括：采集待测电机的振动信号；对所述振动信号进行采样，得到振动信号样本集；提取所述振动信号样本集中的振动特征，得到振动特征样本集；其中，所述振动特征包括时域特征、频域特征和时频特征；将所述振动特征样本集输入到预先训练完成的诊断模型中，得到诊断结果。本申请通过提取多域特征的方式进行故障诊断，能够精确的描述电机设备的性能退化程度，高效的获取到准确的故障诊断结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种电机故障诊断方法的流程示意图；
图2为本申请实施例提供的一种电机故障诊断装置的结构示意图；
图3为本申请实施例提供的一种电子设备的连接框图。
具体实施方式
以下将结合附图及实施例来详细说明本申请的实施方式，借此对本申请如何应用技术手段来解决技术问题，并达到相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征，在不相冲突前提下可以相互结合，所形成的技术方案均在本申请的保护范围之内。
由背景技术可知，现有的电机故障诊断技术，采用单域特征提取方法提取故障特征，与预设的故障特征作比较，得到故障诊断结果。该方法由于采用单域特征提取，难以精确的描述电机设备的性能退化程度，容易导致故障诊断结果不准确。
有鉴于此，本申请提供一种电机故障诊断方法、装置、存储介质及电子设备，解决了相关技术中由于采用单域特征提取，导致故障诊断结果不准确的技术问题。
实施例一
图1为本申请实施例提供的一种电机故障诊断方法的流程示意图，如图1所示，本方法包括：
S101、采集待测电机的振动信号。
S102、对所述振动信号进行采样，得到振动信号样本集。
S103、提取所述振动信号样本集中的振动特征，得到振动特征样本集。
在步骤S103中，所述振动特征包括时域特征、频域特征和时频特征。
S104、将所述振动特征样本集输入到预先训练完成的诊断模型中，得到诊断结果。
需要说明的是，本申请的整个诊断过程不需要对电机所属的电器设备进行拆机，同时采用时域特征、频域特征和时频特征的多域特征方式作为诊断依据，真实的反应电器设备的电机的运行状态，为科学安排检修提供依据。对电子设备的性能退化程度进行全面描述，更加准确地描述电器设备的性能退化过程和更加准确的诊断故障。
可选的，所述诊断模型的训练过程，包括：
对历史故障振动信号按照故障类型进行标注，得到标注后的故障信号集；
提取所述故障信号集中的振动特征，得到故障振动特征样本集；其中，所述振动特征包括时域特征、频域特征和时频特征；
将所述故障振动特征样本集输入支持向量机中进行训练，得到训练结果；
采用遗传算法对所述训练结果进行寻优，得到诊断模型。
需要说明的是，本申请采用了支持向量机和遗传算法得到诊断模型，其中，支持向量机(Support Vector Machine,SVM)是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。SVM使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险，是一个具有稀疏性和稳健性的分类器。SVM可以通过核方法进行非线性分类，是常见的核学习方法之一。
而遗传算法(Genetic Algorithm，GA)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式，利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时,相对一些常规的优化算法,通常能够较快地获得较好的优化结果。
可选的，所述提取所述振动信号样本集中的振动特征，包括：
提取所述振动信号样本集中的预设的预设时域特征指标作为时域特征；所述预设时域特征指标包括均方根值、峰-峰值、波形值、脉冲值、裕度值和峭度值。
需要说明的是，每个预设时域特征指标的计算过程如下：
均方根值，均方根值指标能够反映信号振动强度和能量。均方根值越大，说明信号的振动强度越大，即电机器件磨损越大。均方根值的计算公式为：
其中，N为采样点数，x(n)为采样离散化的振动信号，其中振动信号表示为x(t)。x(t)是连续信号，x(n)是离散信号，x(t)离散化后得到x(n)，而N的取值与采样频率有关，N应当大于电机运行一个周期所能采取到的点数，以提取足够的特征，且N应当取2的整数次幂，一般可取2048或4096点，以达到最优采样效果。
峰-峰值，峰-峰值指标为一段时间内信号的波峰值和波谷值之差，能够反映电机局部故障点造成冲击性振动大小。峰-峰值越大说明电机产生的冲击性振动越大，表明存在局部缺陷越严重。峰-峰值的计算公式为：
xp～p＝xmax-xmin
其中，xmax为信号的波峰值，xmin为信号的波谷值。
波形值，波形值指标是均方根值与绝对平均值的商。波形值的计算公式为：
其中：
脉冲值，脉冲值指标是信号的波峰值与绝对平均值的商，能够反应电机振动信号波形的尖峰程度。脉冲值的计算公式为：
裕度值，裕度值时信号的波峰值与方根幅值xr的商，裕度值的计算公式为：
其中：
峭度值，能够反映振动信号幅值的分布特性。具体的，其特性为幅值经四次方处理后，高的越高，低的越低，峭度值指标能够明显反映出故障早期不明显的变化。峭度值的计算公式为：
其中，β为
可见，通过以上多个时频特征指标可以反映出电机的多方面性能及其变化。
可选的，所述提取所述振动信号样本集中的振动特征，包括：
提取所述振动信号样本集中的预设频域特征指标作为频域特征；所述预设频域特征指标包括重心频率、均方频率、均方根频率和频率方差。
需要说明的是，每个预设频域特征指标的计算过程如下：
重心频率，计算公式为：
均方频率，计算公式为：
均方根频率，计算公式为：
频率方差，计算公式为：
FV＝FMS-(FC)2
上述频域特征指标中，均方频率、均方根频率、重心频率是描述功率谱主频带位置变化的特征参量。频率方差是描述谱能量分散程度的物理量。通过上述频域特征指标可以进一步反应电机的多方面性能及其变化。
可选的，所述提取所述振动信号样本集中的振动特征，包括：
对所述振动信号样本集进行变分模态分解，得到所述振动信号样本集的固有模态函数；
将所述固有模态函数组成矩阵，并求解矩阵的奇异值作为时频特征。
需要说明的是，将得到的时频特征与之前描述的时域特征和频域特征共同构建成多域特征集作为电机振动信号的振动特征，用于对故障的诊断。
可选的，对所述振动信号进行采样，得到振动信号样本集，包括：
根据所述待测电机的种类和采样频率设置每个振动信号样本的采样点数；
根据所述采样点数对所述振动信号进行采样，得到振动信号样本集。
需要说明的是，振动信号样本的采样点数指的是一个振动信号样本的点数。电机运行一个周期的过程中，对振动信号进行采样，受采样频率的限制，电机运行一个周期只能采到固定的点数，那么振动信号样本的点数应当大于电机运行一个周期采到的点数。这样一个样本才能包含电机的故障信息。这样的样本才有效。
可选的，采集待测电机的振动信号，包括：
采用加速度传感器采集待测电机的振动信号。
需要说明的是，本申请包括但不限于采用加速度传感器采集待测电机的振动信号，所有能够采集待测电机的振动信号的方式均在本申请的保护范围之内，具体可以根据实际情况和需求自行采用相应的采集振动信号的方式。
综上所述，本申请实施例提供了一种电机故障诊断方法，包括：采集待测电机的振动信号；对所述振动信号进行采样，得到振动信号样本集；提取所述振动信号样本集中的振动特征，得到振动特征样本集；其中，所述振动特征包括时域特征、频域特征和时频特征；将所述振动特征样本集输入到预先训练完成的诊断模型中，得到诊断结果。本申请通过提取多域特征的方式进行故障诊断，能够精确的描述电机设备的性能退化程度，高效的获取到准确的故障诊断结果。
实施例二
基于上述本发明实施例公开的电机故障诊断方法，图2具体公开了应用该电机故障诊断方法的电机故障诊断装置。
如图2所示，本发明实施例公开了一种电机故障诊断装置，该装置包括：
采集单元201，用于采集待测电机的振动信号；
采样单元202，用于对所述振动信号进行采样，得到振动信号样本集；
提取单元203，用于提取所述振动信号样本集中的振动特征，得到振动特征样本集；其中，所述振动特征包括时域特征、频域特征和时频特征；
诊断单元204，用于将所述振动特征样本集输入到预先训练完成的诊断模型中，得到诊断结果。
以上本发明实施例公开的电机故障诊断装置中的数据采集单元201、采样单元202、提取单元203和诊断单元204的具体工作过程，可参见本发明上述实施例公开的电机故障诊断方法中的对应内容，这里不再进行赘述。
综上所述，本申请实施例提供了一种电机故障诊断装置，包括：采集待测电机的振动信号；对所述振动信号进行采样，得到振动信号样本集；提取所述振动信号样本集中的振动特征，得到振动特征样本集；其中，所述振动特征包括时域特征、频域特征和时频特征；将所述振动特征样本集输入到预先训练完成的诊断模型中，得到诊断结果。本申请通过提取多域特征的方式进行故障诊断，能够精确的描述电机设备的性能退化程度，高效的获取到准确的故障诊断结果。
实施例三
本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等，其上存储有计算机程序，该计算机程序被处理器执行时可以实现如实施例一的方法步骤，本实施例在此不再重复赘述。
实施例四
图3为本申请实施例提供的一种电子设备500的连接框图，如图3所示，该电子设备500可以包括：处理器501，存储器502，多媒体组件503，输入/输出(I/O)接口504，以及通信组件505。
其中，处理器501用于执行如实施例一中的电机故障诊断方法中的全部或部分步骤。存储器502用于存储各种类型的数据，这些数据例如可以包括电子设备中的任何应用程序或方法的指令，以及应用程序相关的数据。
处理器501可以是专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable LogicDevice，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述实施例一中的电机故障诊断方法。
存储器502可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
多媒体组件503可以包括屏幕和音频组件，该屏幕可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或通过通信组件发送。音频组件还包括至少一个扬声器，用于输出音频信号。
I/O接口504为处理器501和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。
通信组件505用于该电子设备500与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near Field Communication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件505可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
综上，本申请提供的一种电机故障诊断方法、装置、存储介质及电子设备，该方法包括：采集待测电机的振动信号；对所述振动信号进行采样，得到振动信号样本集；提取所述振动信号样本集中的振动特征，得到振动特征样本集；其中，所述振动特征包括时域特征、频域特征和时频特征；将所述振动特征样本集输入到预先训练完成的诊断模型中，得到诊断结果。本申请通过提取多域特征的方式进行故障诊断，能够精确的描述电机设备的性能退化程度，高效的获取到准确的故障诊断结果。
在本申请实施例所提供的几个实施例中，应该理解到，所揭露的方法，也可以通过其它的方式实现。以上所描述的方法实施例仅仅是示意性的。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然本申请所揭露的实施方式如上，但上述的内容只是为了便于理解本申请而采用的实施方式，并非用以限定本申请。任何本申请所属技术领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
Claims (10)
1.一种电机故障诊断方法，其特征在于，所述方法包括：
采集待测电机的振动信号；
对所述振动信号进行采样，得到振动信号样本集；
提取所述振动信号样本集中的振动特征，得到振动特征样本集；其中，所述振动特征包括时域特征、频域特征和时频特征；
将所述振动特征样本集输入到预先训练完成的诊断模型中，得到诊断结果。
2.根据权利要求1所述的方法，其特征在于，所述诊断模型的训练过程，包括：
对历史故障振动信号按照故障类型进行标注，得到标注后的故障信号集；
提取所述故障信号集中的振动特征，得到故障振动特征样本集；其中，所述振动特征包括时域特征、频域特征和时频特征；
将所述故障振动特征样本集输入支持向量机中进行训练，得到训练结果；
采用遗传算法对所述训练结果进行寻优，得到诊断模型。
3.根据权利要求1所述的方法，其特征在于，所述提取所述振动信号样本集中的振动特征，包括：
提取所述振动信号样本集中的预设时域特征指标作为时域特征；所述预设时域特征指标包括均方根值、峰-峰值、波形值、脉冲值、裕度值和峭度值。
4.根据权利要求1所述的方法，其特征在于，所述提取所述振动信号样本集中的振动特征，包括：
提取所述振动信号样本集中的预设频域特征指标作为频域特征；所述预设频域特征指标包括重心频率、均方频率、均方根频率和频率方差。
5.根据权利要求1所述的方法，其特征在于，所述提取所述振动信号样本集中的振动特征，包括：
对所述振动信号样本集进行变分模态分解，得到所述振动信号样本集的固有模态函数；
将所述固有模态函数组成矩阵，并求解矩阵的奇异值作为时频特征。
6.根据权利要求1所述的方法，其特征在于，对所述振动信号进行采样，得到振动信号样本集，包括：
根据所述待测电机的种类和采样频率设置每个振动信号样本的采样点数；
根据所述采样点数对所述振动信号进行采样，得到振动信号样本集。
7.根据权利要求1所述的方法，其特征在于，采集待测电机的振动信号，包括：
采用加速度传感器采集待测电机的振动信号。
8.一种电机故障诊断装置，其特征在于，所述装置包括：
采集单元，用于采集待测电机的振动信号；
采样单元，用于对所述振动信号进行采样，得到振动信号样本集；
提取单元，用于提取所述振动信号样本集中的振动特征，得到振动特征样本集；其中，所述振动特征包括时域特征、频域特征和时频特征；
诊断单元，用于将所述振动特征样本集输入到预先训练完成的诊断模型中，得到诊断结果。
9.一种存储介质，其特征在于，该存储介质存储的计算机程序，可被一个或多个处理器执行，可用来实现如权利要求1～7任意一项所述的电机故障诊断方法。
10.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有计算机程序，所述存储器和所述处理器之间互相通信连接，该计算机程序被所述处理器执行时，执行如权利要求1～7任意一项所述的电机故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011562056.8A CN112766042A (zh) | 2020-12-25 | 2020-12-25 | 电机故障诊断方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011562056.8A CN112766042A (zh) | 2020-12-25 | 2020-12-25 | 电机故障诊断方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112766042A true CN112766042A (zh) | 2021-05-07 |
Family
ID=75695677
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011562056.8A Pending CN112766042A (zh) | 2020-12-25 | 2020-12-25 | 电机故障诊断方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112766042A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113551927A (zh) * | 2021-07-07 | 2021-10-26 | 广州赛意信息科技股份有限公司 | 一种基于振动信号的机械设备故障预警方法和系统 |
| CN113642433A (zh) * | 2021-07-30 | 2021-11-12 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 一种提升机工作状态的确定方法、装置、终端设备及介质 |
| CN115574929A (zh) * | 2022-10-09 | 2023-01-06 | 正泰集团研发中心(上海)有限公司 | 电器的振动检测方法、装置、电子设备及存储介质 |
| CN116643170A (zh) * | 2023-07-21 | 2023-08-25 | 湖南璟德科技有限公司 | 电机轴系振动测试方法、装置和计算机设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110346142A (zh) * | 2019-07-25 | 2019-10-18 | 哈尔滨理工大学 | 基于无监督特征对齐的变负载下滚动轴承故障诊断方法 |
| CN110866502A (zh) * | 2019-11-19 | 2020-03-06 | 安徽工业大学 | 基于线性判别分析与粒子群优化支持向量机的故障诊断方法 |
-
2020
- 2020-12-25 CN CN202011562056.8A patent/CN112766042A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110346142A (zh) * | 2019-07-25 | 2019-10-18 | 哈尔滨理工大学 | 基于无监督特征对齐的变负载下滚动轴承故障诊断方法 |
| CN110866502A (zh) * | 2019-11-19 | 2020-03-06 | 安徽工业大学 | 基于线性判别分析与粒子群优化支持向量机的故障诊断方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113551927A (zh) * | 2021-07-07 | 2021-10-26 | 广州赛意信息科技股份有限公司 | 一种基于振动信号的机械设备故障预警方法和系统 |
| CN113642433A (zh) * | 2021-07-30 | 2021-11-12 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 一种提升机工作状态的确定方法、装置、终端设备及介质 |
| CN113642433B (zh) * | 2021-07-30 | 2024-04-02 | 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 | 一种提升机工作状态的确定方法、装置、终端设备及介质 |
| CN115574929A (zh) * | 2022-10-09 | 2023-01-06 | 正泰集团研发中心(上海)有限公司 | 电器的振动检测方法、装置、电子设备及存储介质 |
| CN116643170A (zh) * | 2023-07-21 | 2023-08-25 | 湖南璟德科技有限公司 | 电机轴系振动测试方法、装置和计算机设备 |
| CN116643170B (zh) * | 2023-07-21 | 2023-10-31 | 湖南璟德科技有限公司 | 电机轴系振动测试方法、装置和计算机设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112766042A (zh) | 电机故障诊断方法、装置、存储介质及电子设备 | |
| CN111046581B (zh) | 一种输电线路故障类型识别方法及系统 | |
| Huang et al. | Acoustic signal analysis for detecting defects inside an arc magnet using a combination of variational mode decomposition and beetle antennae search | |
| WO2016079972A1 (ja) | 要因分析装置、要因分析方法と記録媒体、及び、要因分析システム | |
| JP2020126021A (ja) | 異常音検知装置および異常音検知方法 | |
| CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
| CN110147389B (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
| CN109359665B (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
| Esfahanian et al. | On contour-based classification of dolphin whistles by type | |
| Yan et al. | Bearing fault diagnosis via a parameter-optimized feature mode decomposition | |
| CN112213687B (zh) | 基于伪异常点辨识的关口电能表数据异常检测方法及系统 | |
| CN113295702B (zh) | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 | |
| CN112085111B (zh) | 一种负荷辨识方法和装置 | |
| CN107582077A (zh) | 一种基于手机触摸行为的人体精神状态分析方法 | |
| CN117434384A (zh) | 一种配电网绝缘故障辨识方法及相关装置 | |
| CN116597939A (zh) | 基于大数据的药品质量控制管理分析系统及方法 | |
| CN117171657A (zh) | 风力发电设备故障诊断方法、装置、电子设备及存储介质 | |
| CN111427079A (zh) | 一种应用于实验室地震波预测的方法及其装置 | |
| CN112734445A (zh) | 电机故障报修方法、装置、存储介质及电子设备 | |
| CN117113159A (zh) | 基于深度学习的电力用户侧负荷分类方法及系统 | |
| CN111090679B (zh) | 基于时序影响和图嵌入的时序数据表示学习方法 | |
| CN107894837A (zh) | 动态情感分析模型样本处理方法及装置 | |
| CN111066562A (zh) | 一种葡萄霜霉病预测方法及系统 | |
| CN114492146B (zh) | 基于迁移学习的螺栓群松动定位和定量分析方法及系统 | |
| CN115579069A (zh) | scRNA-Seq细胞类型注释数据库的构建方法、装置及电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |