基于深度学习的电机振动状态监测与故障诊断系统.pdfVIP

摘要

摘要

随着工业技术的发展，电机已广泛应用于航空航天、工业生产和交通运输等领域。

电机故障可能导致设备停止运行，甚至引发安全事故和生产损失。因此，电机状态监测

和故障诊断至关重要。然而，现有系统存在成本高、耗时耗力、实时性不足等问题。针

对这些挑战，本文提出了基于深度学习的电机状态监测与故障诊断系统设计方案。主

要研究内容如下：

1）针对电机振动信号不平稳、不稳定导致故障特征提取困难等问题，引入基于小

波时频图的深度学习故障诊断方法。首先采用连续小波变换(ContinuousWavelet

Transform,CWT)将时域信号转换为小波时频图；其次使用卷积神经网络(Convolutional

NeuralNetwork,CNN)进行特征提取；最后将特征图输入进视觉Transformer(Vision

Transformer,ViT)主网络模型中进行故障诊断，得到基础模型CWT-CNN-ViT。经验证，

该模型准确率为96.60%，在故障诊断方面超过其他模型，证明了基础模型的有效性。

2）针对ViT模型中的自注意力机制不直接关注样本的空间位置，导致其对局部空

间信息建模能力较弱的问题，在ViT中引入ConvNeXt网络，在全连接层实现网络融

合，得到基于CWT的并行网络模型(CWT-CFormer)。在该模型的基础上，针对ConvNeXt

过度关注无用信息而忽略重要细节的问题，引入卷积注意力模块(ConvolutionalBlock

AttentionModule,CBAM)来增强有用特征并抑制无用特征，得到基于CWT的视觉混合

模型(CWT-C2Former)。实验结果表明，模型CWT-C2Former准确率达到了99.75%，高

于基础模型，有效提高了模型性能。

3）针对ViT模型计算复杂度高、参数量大导致模型性能低效的问题，提出两种解

决方案：一是利用依赖图的模型剪枝方法对ViT进行优化。得到剪枝后的模型CWT-

ViT-ConvNeXt-tiny(CWT-CFormer-tiny)。二是采用轻量级通用视觉Transformer模型

Mobile-ViT替代原ViT。实验结果显示，基于CWT-Mobile-ViT-ConvNeXt(CWT-

CMFormer)的电机故障诊断模型准确率为98.05%，每秒浮点运算次数降低了65.85%，

参数量降低了67.96%。证明了通过模型剪枝和替换轻量级模型，成功地减少了参数量

和计算复杂度，同时尽量保持模型性能不受影响，使得模型更轻量化。

4）针对电机监测系统实时性不足以及电机信号测量不全面导致电机故障发生时无

法精准定位的问题，本文设计了一款基于STM32F407ZGT6的电机实时状态监测系统。

该系统首先利用加速度传感器ADXL345和温度传感器DS18B20实时采集振动和温度

信号，随后通过快速傅里叶变换等预处理技术得到时域和频域的加速度、速度及位移

数据，最终通过串口传输至屏幕，实现实时波形展示。

关键词：电机故障；状态监测；故障诊断；视觉Transformer；卷积神经网络

论文类型：应用研究

I

ABSTRACT

ABSTRACT

Withthedevelopmentofindustrialtechnology,motorshavebeenwidelyusedinfieldssuch

asaerospace,industrialproduction,andtransportation.Motorfailuremaycauseequipmentto

stoprunning,andevenleadtosafetyaccidentsandproductionlosses.Therefore,motor

conditionmonitoringandf