文献类型：期刊文章

作　　者：王丽华[1] 谢阳阳[1] 周子贤[2] 张永宏[1] 赵晓平[2]

机构地区：[1]南京信息工程大学信息与控制学院,南京210044 [2]南京信息工程大学计算机与软件学院,南京210044

出　　处：《振动．测试与诊断》

基　　金：国家自然科学基金资助项目(51405241;51505234;51575283)

年　　份：2017

卷　　号：37

期　　号：6

起止页码：1208-1215

语　　种：中文

收录情况：BDHX、BDHX2014、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：由于电机内部结构的复杂性,使得其故障特征与故障类型之间存在较强的非线性关系;目前用于异步电机故障诊断的方法都是人工手动提取特征,这需要大量的先验知识、丰富的信号处理理论和实际经验作为支撑,诊断效率不高;同时用于模式识别时的样本量过少,会导致网络过拟合等问题。针对以上问题,提出了基于短时傅里叶变换(short-time fourier transform,简称STFT)和卷积神经网络(convolutional neural networks,简称CNN)的电机故障诊断方法。该方法以单一振动信号为监测信号,使用STFT将故障信号转换成时频谱图,构建大量不同故障样本,以确保样本多样性,提高网络鲁棒性。将预处理后的样本作为CNN的输入,有监督地调整网络参数,以实现准确的电机故障诊断。将所提出的STFT+CNN算法分别与传统的电机故障诊断方法及堆叠降噪自编码进行比较分析。试验结果表明,该方法能够更有效地进行电机故障诊断。

关 键 词：电机 振动信号 短时傅里叶变换 卷积神经网络

分 类 号：TH17] TN911]