CN115754713B 一种基于频率图及efa-bp深度学习的电机故障诊断方法 （淮阴工学院）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115754713B(45)授权公告日2025.07.11

(21)申请号202210913649.7

(22)申请日2022.07.29

(65)同一申请的已公布的文献号申请公布号CN115754713A

(43)申请公布日2023.03.07

(73)专利权人淮阴工学院

地址223000江苏省淮安市经济技术开发

区枚乘东路1号

(72)发明人付丽辉刘金桂朱恩林刘立成石跃

(74)专利代理机构淮安市科文知识产权事务所

GO1R31/52(2020.01)

GO1M13/04(2019.01)

GO6F18/241(2023.01)

GO6N3/006(2023.01)

GO6N3/0464(2023.01)

GO6N3/084(2023.01)

(56)对比文件

CN110363277A,2019.10.22CN109444740A,2019.03.08审查员李妍臻

32223

专利代理师吴晶晶

(51)Int.CI.

G01R31/34(2020.01)权利要求书4页说明书13页附图7页

(54)发明名称

一种基于频率图及EFA-BP深度学习的电机故障诊断方法

(57)摘要

CN115754713B本发明公开了一种基于频率图及EFA-BP深度学习的电机故障诊断方法，包括：通过对电机电流信号的检测，完成对电机的四种故障(轴承错位、定子线圈匝间短路、转子断条和外轴承损坏)的分类；使用频率变换将其从时域转换成频域，并完成数据预处理；将预处理后信号从频谱转换为频率图，从而完成对电机故障的特征的提取；提出基于电磁学和萤火虫算法的混合模型，有效解决电机故障处理等复杂问题，能增强人工神经网络对电机故障的预测能力；构建EFA-BP分类算法，完成对测试用健康及故障电机的状况及故障类型的分类，基于EFA的自动记忆，并优化参数至最小预测误差，分类模型可以显著减少计算时间，提高预测精度，在电机故障诊断中表现良

CN115754713B

输入

输入PLT特征

训练频率图PLT

→将样本分类

测试PLTS

采样数量范围内输入PLT特征

开始

选择分类器模型参数

训练

分类器模型

测试

测试性能

N

次测试结束?

结束

训练性能

完成六次运行

交叉验证

CN115754713B权利要求书1/4页

2

1.一种基于频率图及EFA-BP深度学习的电机故障诊断方法，其特征在于，包括以下步

骤：

步骤(1)在电机空载稳定运行下，模拟四种电机故障，即轴承错位、定子绕组匝间短路、转子断条和外圈轴承损坏，采集电机故障状态下定子电流信号，获得来自五种耦合负载变化下的时间序列数据，即时间序列的电机故障状态电流信号；

步骤(2)使用频率变换将时间序列的电机故障状态电流信号从时域转换成频域，并完成数据预处理；将预处理后信号从频谱转换为频率图(PLT),并且进行必要的归一化计算，将数据分为测试及训练数据，记录存储数据，建立故障数据库，从而完成对电机故障的特征

提取；

步骤(3)提出一种基于电磁学(FA)和萤火虫算法(EA)的混合模型(EFA),设所有萤火虫都被磁化，萤火虫的电荷取决于其目标值，并且，所有萤火虫都可以参与到搜索、处理中，从而确保在勘探阶段，EFA的萤火虫可以迅速找到目标领域，在开发阶段，EFA的萤火虫可以在这些区域执行有效的局部搜索，并找到最佳解决方案；

步骤(4)构建EFA-BP分类算法，利用EFA对BP神经网络的权值及偏移量参数进行训练，从而完成对测试用健康及故障电机的状况及故障类型的分类。

2.根据权利要求1所述的基于频率图及EFA-BP深度学习的电机故障诊断方法，其特征在于，所述步骤(1)中，五种耦合负载变化情况分别为0、25%、50%、75%和100%,用钳形电流互感器测量流过电动机的定子电流，获取四种电机故障，即轴承错位、定子绕组匝间短路、转子断条和外圈轴承损坏的状态数据，即呈时间序列的电机故障状态电流信号，将故障状态信号进行存储。

3.根据权利要求1所述的基于频率图及EFA-BP深度学习的电机故障诊断