基于分数阶傅里叶变换的工业设备微小故障诊断方法研究.pdfVIP

摘要

随着工业电气设备在长期高负荷连续运行下，设备发生故障的可能性大大增加，

为了保证工业系统安全稳定地运行，故障诊断技术逐渐成为一个重要的研究方向。然

而对微小故障进行检测仍然是一个挑战，因为它不仅发生在早期阶段，而且经常与其

他类型的故障相混杂。目前以傅里叶变换为基础的故障诊断方法已取得了良好的效

果，但面对所呈现的分数频率故障的诊断能力缺乏鲁棒性，难以实现对设备所发生多

类故障的精细诊断。基于分数阶傅里叶变换对微小故障特征的强大提取能力，本文以

对工业设备进行故障诊断为研究背景，采用分数阶傅里叶变换（FractionalFourier

Transform,FRFT）、神经网络算法和联邦学习相结合进行学习和研究，旨在解决工业

设备分数阶微小故障难以识别并诊断的问题，进一步提高模型故障诊断性能。主要创

新点和研究内容如下：

（1）提出一种基于FRFT特征提取的微小故障诊断方法。首先，基于FRFT信号

处理方法，提取出信号中所含分数倍频故障的特征信息；然后，将提取出的故障特征

与对应故障类别的先验信息输入到SVM分类模型中，训练出一个更加准确高效的故

障分类模型；最终，在电机转子数据集上验证该方法的有效性。

（2）提出一种基于FRFT特征提取和迁移学习的复合微小故障诊断方法。首先，

基于少量人工知识所标注的样本，构建用于标注大量样本的专家标签系统，实现知识

从小样本到大样本的迁移；然后，用专家系统标注后的大样本和人工知识所标注的小

样本共同训练神经网络模型；最终，建立复合故障诊断模型，并对新方法的有效性与

（1）中方法有效性进行对比验证。

（3）提出一种基于FRFT特征提取的多客户端联邦学习故障诊断方法。针对客

户端样本小且不均衡等问题，首先，基于上述构建的样本训练本地网络模型；然后，

采用基于特征函数滤波器的方法，对客户端本地诊断模型参数进行自适应更新，并将

其上传至联邦云中心；其次，在云中心设计出适合无线网络传输数据延迟和丢包的序

贯式模型参数融合方法，并将融合后的模型参数下传至各客户端共享；最终，在滚动

轴承数据集上验证该方法的有效性。

关键词：故障诊断，分数阶傅里叶变换，神经网络，支持向量机，联邦学习

ABSTRACT

Asindustrialelectricalequipmentoperatescontinuouslyunderlong-termhighload,

thepossibilityofequipmentfailureincreasessignificantly.Inordertoensurethesafeand

stableoperationofindustrialsystems,faultdiagnosistechnologyhasgraduallybecomean

importantresearchdirection.However,detectingminorfaultsremainsachallenge,asthey

notonlyoccurintheearlystagesbutareoftenmixedwithothertypesoffaults.Currently,

faultdiagnosismethodsbasedonFouriertransformhaveachievedgoodresults.However,

theylackrobustnessindiagnosingfractionalfrequencyfaultsandcannotachievefine

diagnosisofmultipletypesofequipmentfaults.Basedonthestrongfeatureextraction

abilityofthefractionalFouriertransformindetectingsmallfaults,thisthesisfocuseson