面向小样本数据的电机转子振动故障诊断研究.pdfVIP

第45卷第6期中国电机工程学报Vol.45No.6Mar.20,2025

23782025年3月20日ProceedingsoftheCSEE©2025Chin.Soc.forElec.Eng.

DOI：10.13334/j.0258-8013.pcsee.232065文章编号：0258-8013(2025)06-2378-11中图分类号：TP2文献标识码：A

面向小样本数据的电机转子振动故障诊断研究

*

蔡兆龙，张建良，孟宏宇，李超勇

(浙江大学电气工程学院，浙江省杭州市310027)

ResearchonVibrationFaultDiagnosisofMotorRotorUnderSmallQuantityofSamples

*

CAIZhaolong,ZHANGJianliang,MENGHongyu,LIChaoyong

(CollegeofElectricalEngineering,ZhejiangUniversity,Hangzhou310027,ZhejiangProvince,China)

ABSTRACT:Inordertosolvetheproblemoflowaccuracyin时序特征与故障类别之间的映射，进而基于注意力机制聚焦

vibrationfaultdiagnosisofmotorrotorduetothelimited小样本数据的关键特征，同时采用FocalLoss损失函数自适

quantityofsamplesandtheimbalanceamongdifferent应调整不平衡样本间的训练权重，提升转子振动故障诊断的

categoriesofsamples,anewfaultdiagnosismodelthat准确率。仿真结果表明，在训练环境为小样本和在信噪比

integrateslongitudinalspatialfeatureextractionmodule,3.76dB的噪声环境下，诊断准确率均达到97%以上；在不

cross-temporalfeatureextractionmodule,andanattention同类别样本存在不平衡情况下，诊断准确率达到96%以上，

mechanismisproposed.Firstly,amultiscalelongitudinal验证了在小样本、噪声环境和不平衡样本下均具有良好的故

spatialfeatureextractionmoduleisconstructedbasedon障诊断性能。

convolutionalneuralnetworks(CNN)toenablerapid

关键词：故障诊断；卷积神经网络；长短期记忆网络；注意

extractionoffeaturesfromthevibrationsamplesateach

力机制；电机转子；不同类别样本失衡；小样本

individualmoment.Then,across-temporalfeatureextraction

m