文献类型：期刊文章

作　　者：刘琦昊[1,2,3] 许盛之[1,2,3] 俞梅[1,2,3] 赵二刚[1,2,3] 杨松泽[1,2,3] 张建军[1,2,3]

LIU Qi-hao;XU Sheng-zhi;YU Mei;ZHAO Er-gang;YANG Song-ze;ZHANG Jian-jun(Department of Electronic Science and Technology, College of Electronic Information and Optical Engineering, Nankai University, Tianjin 300350, China;Key Laboratory of Photoelectronic Thin Film Devices and Technology of Tianjin, Tianjin 300071, China;Engineering Research Center of Thin Film Optoelectronics Technology, Ministry of Education, Tianjin 300350, China)

机构地区：[1]南开大学电子信息与光学工程学院电子科学与工程系,天津300350 [2]天津市光电子薄膜器件与技术重点实验室,天津300071 [3]薄膜光电子技术教育部工程研究中心,天津300350

出　　处：《科学技术与工程》

基　　金：国家自然科学基金(61974074)。

年　　份：2022

卷　　号：22

期　　号：6

起止页码：2326-2333

语　　种：中文

收录情况：BDHX、BDHX2020、RCCSE、ZGKJHX、核心刊

摘　　要：为了克服传统电机故障检测方法的准确率低、测量过程为侵入式、严重依赖先验知识的缺点,提出了一种基于卷积神经网络的非侵入式电机故障检测方法。通过将电机与其他设备共同工作时的总电源信号作为检测样本,实现检测过程的非侵入式,并基于残差优化卷积网络结构进行神经网络训练,最终实现电机超载、单相短路及相间短路故障的非侵入式检测与分类。结果表明,本文提出的方法可以使故障识别准确率达到96.79%,能够更加快速准确并稳定地实现电机的非侵入式故障诊断。

关 键 词：卷积神经网络 电机故障诊断 残差网络  非侵入式  

分 类 号：TP183] TM343.2]