一种基于多元电特征的电机本体装配缺陷分类诊断方法

本发明属于大数据深度学习智能诊断领域，具体涉及一种基于多元电特征的电机本体装配缺陷分类诊断方法。

背景技术：

1、电机广泛应用于机械、钢铁、化工、国防军工等各个行业，当前因电机装配缺陷故障导致的非计划性停产事故给企业造成了巨大的经济损失，如何对装配缺陷进行快速分类诊断是电机行业亟待解决的热点问题。而传统的检测方法主要依赖于有经验的工人通过噪声异响和振动判断电机是否存在装配缺陷,该方法存在准确性受人为因素影响、检测效率低、耗费人力、难以区分装配缺陷类型等问题。因此，本发明基于大数据深度学习算法，实现电机本体装配缺陷分类诊断。

技术实现思路

1、本发明目的在于提供一种实现电机本体装配缺陷分类诊断的方法，能够保证电机装配缺陷分类诊断的准确性和及时性，提高出厂电机的质量，减少装配缺陷造成的经济损失。

2、为了解决上述技术问题，本发明提供一种基于多元电特征的电机本体装配缺陷分类诊断方法，包括：

3、采集电机运行的高频电流信号，对所述高频电流信号进行数据质量检查，通过过零点检测法、峰值点判断法及计算波峰平稳度，对电流信号进行预处理，删除不合格电流数据，得到连续无干扰正常数据，对该数据进行1s滑动窗口截取得到1s截取数据。

4、将1s截取数据进行加窗傅里叶变换，取1-400hz频谱数据，每隔5hz提取区间频谱最高值，组成区间冲高频谱序列。

5、对上述1s截取数据进行均值、方差、偏度、峭度等统计特征计算，使用重心频率公式和频率标准差公式进行时域、频率稳定度计算,提取时域和频率稳定性特征。

6、对上述1s截取数据使用希尔伯特变化，提取电流包络数据即装配缺陷调制信号，对包络数据进行傅里叶变化提取出数据中的调幅特征。

7、对上述1s截取数据使用小波包分解，提取不同采样时刻的频域信息，从中提取不同装配缺陷下的调频特征，将上述步骤提取的时域频域特征、调幅调频、区间冲高频谱序列作为第一特征。

8、对上述1s截取数据使用park变换频谱法，进行park矢量变换，生成数据信号集park_date，进行fft变换，提取park频谱特征作为第二特征。

9、对上述1s截取数据使用rms解调频谱法，对数据进行rms解调得到解调数据集，对数据集进行fft变换提取rms解调频谱特征作为第三特征。

10、将上述提取的第一、第二、第三特征值离散化，跟缺陷类型拼接成决策表，通过比较决策表中的不同决策类型的样本属性间差异形成分辨矩阵，通过分辨矩阵算法提取出与缺陷紧密相关的特征；再通过apriro算法挖掘跟缺陷紧密相关特征的频繁项集，从支持度和置信度最高的频繁项集中找出核心特征。

11、将每段截取数据的核心特征值拼接形成多元核心组合特征，将不同工况下的装配缺陷多元核心组合特征作为多源域，用上述的多源域数据训练域自适应模型，基于源域和目标域的多元核心组合特征，提取不同装配缺陷的跨域迁移特征，将目标域多元核心组合特征输入已训练好的域自适应模型，实现装配缺陷的分类诊断。

技术特征：

1.一种基于多元电特征的电机本体装配缺陷分类诊断方法，其特征在于，包括：

2.如权利要求1所述的基于多元电特征的电机本体装配缺陷分类诊断方法，其特征在于，对采集的电信号进行预处理获取连续无干扰正常数据，包括；

3.如权力要求1所述的基于多元电特征的电机本体装配缺陷分类诊断方法，其特征在于，对预处理得到的无干扰数据进行1s滑动截取，提取不同装配缺陷下的电流信号多元特征，包括；

4.如权利要求1所述的基于多元电特征的电机本体装配缺陷分类诊断方法，其特征在于，使用粗糙集分辨矩阵算法提取紧密相关特征，通过apriro算法提取核心特征，包括；

5.如权利要求1所述的基于多元电特征的电机本体装配缺陷分类诊断方法，其特征在于，学习各装配缺陷下异常特征组合，训练域自适应模型，实现装配缺陷分类诊断，包括；

技术总结
本发明提出一种基于多元电特征的电机本体装配缺陷分类诊断方法，即对采集的高频电流信号进行预处理得到无干扰数据，对该数据进行1s滑动窗口截取，提取区间冲高频谱序列、包络谱调幅特征、调频特征和时域统计特征拼接为第一特征，使用park变换频谱法提取第二特征，使用RMS解调频谱法提取第三特征，使用粗糙集分辨矩阵算法和Apriro算法挖掘出核心特征，将不同工况下的装配缺陷核心特征值拼接形成多源域的多元核心组合特征，基于源域和目标域的多元核心组合特征，采用对抗熵优化方法训练域自适应模型，提取不同装配缺陷的跨域迁移特征，将目标域核心组合特征输入该模型，实现装配缺陷在线分类诊断，该方法有助于提高出厂电机质量，减少非停事故。

技术研发人员：马天雨,陈磊
受保护的技术使用者：湖南师范大学
技术研发日：
技术公布日：2024/9/23