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）

一种基于频率图及EFA-BP深度学习的电机本发明公开了一种基于频率图及EFA_BP深2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，并完步骤(3)提出一种基于电磁学(FA)和萤火虫算法(E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方法，其特征步骤(2)a：利用离散傅立叶变换(DFT)将之前生成的时间序列电机电流信号转换为频4.根据权利要求3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35.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k6.根据权利要求5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7.根据权利要求5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t以及L(s)通过如下方式确定：40σv＝18.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，其特征步骤(4)b：利用基于电磁学和萤火虫算法的混合模型EFA的萤火虫初始化BP算法中的59.根据权利要求8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i电机故障数据；hijh6时域参数对电机故障异常信号的敏感性对电机进行故障诊断，其特征表现一般不太明确，[0005]技术方案：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[0007]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，7[0012]步骤(2)a：利用离散傅立叶变换(DFT)将之前生成的时间序列电机电流信号转换8αt是第t次迭代的处的权衡系数；γ是自适应参数0<γ<1；9[0062]步骤(4)b：利用基于电磁学和萤火虫算法的混合模型EFA的萤火虫初始化BP算法[0087]实验表明，本发明所提出的方法可以在不使用电机负载变化作为输入数据标签[0090]图3是定子电流的三周期时间序列样本(五种电机条件，0、50％和100％三种负[0102]本发明还提出基于电磁学(FA)和萤火虫算法(EA)的混合模型(EFA)，并构建EFA_[0105]结合图1，一种基于频率图及EFA_BP深度学习的电机故障诊断方法，包括以下步[0106]步骤1：在电机空载稳定运行下，采集电机正常状态和故障状态下的定子电流信从时域转换成频域，并完成数据预处理，接下来，将预处理后信号从频谱转换为频率图[0139]定义度量空间M，并令B(j)∈M，即先前定义的频谱B的第j列上的点。则频率图[0145]在本专利中，利用萤火虫算法(FA)和电磁算法(EA)来求解电机故障分类的问[0146]基于电磁学的萤火虫算法(EFA)是一种新的融合萤火虫算法(FA)和电磁算法(EA)αt是第t次迭代的处的权衡系数；γ是自适应参数0<γ<1。o;)(10)[0218]表2中，第一种模型对轴承错位(故障1)进行分类，其召回率为96.2精度为