无负载向变负载工况迁移的电机智能故障诊断方法及系统

1.本发明涉及机械故障诊断领域，特别是涉及电机故障诊断领域，具体涉及无负载向变负载工况迁移的电机智能故障诊断方法及系统。


背景技术：

2.电机被广泛应用于工业生产。作为动力源，电机需要更稳定的性能，但实际运行过程中容易受到不同因素的影响，这给电机的机械结构可靠性带来考验。因此对电机进行准确的故障诊断是保障设备安全平稳运行的重要措施。
3.基于信号处理的故障诊断方法，需要较强的专业知识，算法开发成本和结果分析难度大。随着人工智能、大数据等相关技术的发展，基于深度学习的故障诊断方法得到快速发展。
4.电机常工作于变工况下，数据分布差异大。深度学习算法基于数据同分布的假设，在处理各种变负载工况下的数据时，诊断准确率难以保证，重新训练模型，工况数据获取困难，模型再训练成本高。在关于振动信息转换为图像的方法中，缺少转换简单且各种工况下故障类别间样本差异大，同类故障类别内样本差异小的转换方法。


技术实现要素：

5.本发明的目的在于提供无负载向变负载工况迁移的电机智能故障诊断方法及系统，以克服电机常处于变工况的工作环境，以及现有振动信号转图像方法和智能故障诊断方法存在的不足，本发明设计变负载工况下振动信号转灰度纹理图像的方法，结合具有较强泛化能力的智能诊断模型，实现对电机从无负载工况向变负载工况迁移的高效、准确的智能故障诊断。
6.为达到上述目的，本发明采用如下技术方案：
7.无负载向变负载工况迁移的电机智能故障诊断方法，包括如下步骤：
8.1)构建电机故障特征数据集：采集电机的振动信号，对振动信号按指定点数分段拼接为特征矩阵后依次进行标准化、等比例缩放和局部二值化处理，生成振动信号的灰度纹理图像，将灰度纹理图像打上标签后建立故障特征数据集，并分为训练集、验证集和测试集；
9.2)构建故障诊断模型：使用无负载工况数据，经过步骤1)中的操作构建无负载工况的故障特征数据集，利用无负载工况的故障特征数据集构建卷积神经网络的故障诊断模型，卷积神经网络包含特征提取器和分类器，在特征提取器中加入批归一化操作，所述训练集用于模型训练，验证集用于对故障诊断模型的超参数进行调优，在测试阶段，将批归一化替换为自适应批归一化操作，然后再使用测试集检验最终诊断效果，保存故障诊断模型最终的结构与权重参数；
10.3)迁移诊断：使用步骤2)在无负载工况的故障特征数据集训练的故障诊断模型，迁移诊断时，对工况数据按步骤1)生成灰度纹理图像，全部作为新的测试集数据，将故障诊
断模型权重参数导入，将故障诊断模型的批归一化更换为自适应批归一化操作作为测试模式下的故障诊断模型，代入测试集数据，完成变负载工况下的故障诊断。
11.进一步地，所述步骤1)构建感应电机故障特征数据集，具体为：
12.1.1)采集电机的振动信号，对振动信号按指定点数进行分段拼接，组成特征矩阵；
13.1.2)对特征矩阵的元素进行0-255的标准化处理转换为灰度图像，特征矩阵元素值与灰度图像像素值之间转换关系为：
[0014][0015]
式中：i，j表示特征矩阵或灰度图像中的位置坐标，a
i,j
为特征矩阵中位于(i，j)元素的值，max和min分别表示特征矩阵中最大值和最小值，g
i,j
为转化后对应位置的灰度值；
[0016]
1.3)对转换后的灰度图像等比例缩放至256
×
256像素大小；
[0017]
1.4)对等比例缩放后得到的图像进行局部二值化处理生成最终的灰度纹理图像，以图像中3
×
3的像素区域大小依次计算，局部二值化的计算公式为：
[0018][0019]
式中：ic代表中心点的像素值，i
p
代表中心点周围某一点的像素值，p代表各周围点的序号，从左上角顺时针排列分别为1至8，(xc,yc)为中心点的坐标，lbp(xc,yc)为经lbp算子处理后的中心点lbp值，
[0020]
1.5)对获得的全部灰度纹理图像根据不同电机状态进行标记，按预设比例划分为训练集、验证集和测试集。
[0021]
进一步地，所述指定点数根据采样频率和电机运行转速设定，指定点数的每段信号至少包含一个变化周期的信息。
[0022]
进一步地，步骤1.5)中预设比例为8:1:1。
[0023]
进一步地，所述步骤2)中构建故障诊断模型，具体为：
[0024]
2.1)构建卷积神经网络的故障诊断模型，包含特征提取器和分类器，在特征提取器中加入批归一化层；
[0025]
2.2)针对无负载工况数据，利用步骤1)构建无负载工况下电机故障特征数据集，使用无负载工况故障特征数据集的训练集对故障诊断模型进行训练，通过故障诊断模型在验证集上的表现更新故障诊断模型的超参数设置，通过故障诊断模型在测试集上的分类准确率作为评价指标，准确率计算公式为：
[0026][0027]
式中：a表示测试集的分类准确率，n表示测试集样本中被正确分类的样本数，m表示测试集样本的总数；
[0028]
2.3)在模型测试阶段，将故障诊断模型结构以及权重参数导入，将批归一化层替换为自适应批归一化层，其中自适应批归一化层会重新计算一个批次内数据的均值和方差并进行替换，然后使用2.2)中的测试集样本代入故障诊断模型，通过故障诊断模型在测试
集上的分类准确率检验故障诊断模型在测试集数据上的表现，保存故障诊断模型最终的结构以及权重参数。
[0029]
进一步地，所述步骤3)中迁移诊断，具体为：
[0030]
3.1)采集变负载工况下不同状态电机的振动信号；
[0031]
3.2)使用步骤1)中的操作生成灰度纹理图像，并将该灰度纹理图像全部作为新的测试集数据；
[0032]
3.3)导入步骤2)在无负载工况故障特征数据集训练的故障诊断模型，对工况数据按步骤1)生成灰度纹理图像，全部作为新的测试集数据，将故障诊断模型权重参数导入，将模型的批归一化更换为自适应批归一化操作作为测试模式下的诊断模型，代入测试集数据，完成变负载工况下的故障诊断。
[0033]
无负载向变负载工况迁移的电机智能故障诊断系统，包括：
[0034]
电机故障特征数据集构建模块：用于采集电机的振动信号，对振动信号按指定点数分段拼接为特征矩阵后依次进行标准化、等比例缩放和局部二值化处理，生成振动信号的灰度纹理图像，将灰度纹理图像打上标签后建立故障特征数据集，并分为训练集、验证集和测试集；
[0035]
故障诊断模型构建模块：用于使用无负载工况数据，经过电机故障特征数据集构建模块中的操作构建无负载工况的故障特征数据集，利用无负载工况的故障特征数据集构建卷积神经网络的故障诊断模型，卷积神经网络包含特征提取器和分类器，在特征提取器中加入批归一化操作，所述训练集用于模型训练，验证集用于对故障诊断模型的超参数进行调优，在测试阶段，将批归一化替换为自适应批归一化操作，然后再使用测试集检验最终诊断效果，保存故障诊断模型最终的结构与权重参数；
[0036]
迁移诊断模块：用于使用故障诊断模型构建模块中在无负载工况的故障特征数据集训练的故障诊断模型，迁移诊断时，对工况数据按电机故障特征数据集构建模块生成灰度纹理图像，全部作为新的测试集数据，将故障诊断模型权重参数导入，将故障诊断模型的批归一化更换为自适应批归一化操作作为测试模式下的故障诊断模型，代入测试集数据，完成变负载工况下的故障诊断。
[0037]
进一步地，所述电机故障特征数据集构建模块中，构建感应电机故障特征数据集，具体为：
[0038]
1.1)采集电机的振动信号，对振动信号按指定点数进行分段拼接，组成特征矩阵；
[0039]
1.2)对特征矩阵的元素进行0-255的标准化处理转换为灰度图像，特征矩阵元素值与灰度图像像素值之间转换关系为：
[0040][0041]
式中：i，j表示特征矩阵或灰度图像中的位置坐标，a
i,j
为特征矩阵中位于(i，j)元素的值，max和min分别表示特征矩阵中最大值和最小值，g
i,j
为转化后对应位置的灰度值；
[0042]
1.3)对转换后的灰度图像等比例缩放至256
×
256像素大小；
[0043]
1.4)对等比例缩放后得到的图像进行局部二值化处理生成最终的灰度纹理图像，以图像中3
×
3的像素区域大小依次计算，局部二值化的计算公式为：
[0044][0045]
式中：ic代表中心点的像素值，i
p
代表中心点周围某一点的像素值，p代表各周围点的序号，从左上角顺时针排列分别为1至8，(xc,yc)为中心点的坐标，lbp(xc,yc)为经lbp算子处理后的中心点lbp值，
[0046]
1.5)对获得的全部灰度纹理图像根据不同电机状态进行标记，按预设比例划分为训练集、验证集和测试集。
[0047]
进一步地，所述故障诊断模型构建模块中，构建故障诊断模型具体为：
[0048]
2.1)构建卷积神经网络的故障诊断模型，包含特征提取器和分类器，在特征提取器中加入批归一化层；
[0049]
2.2)针对无负载工况数据，利用步骤1)构建无负载工况下电机故障特征数据集，使用无负载工况故障特征数据集的训练集对故障诊断模型进行训练，通过故障诊断模型在验证集上的表现更新故障诊断模型的超参数设置，通过故障诊断模型在测试集上的分类准确率作为评价指标，准确率计算公式为：
[0050][0051]
式中：a表示测试集的分类准确率，n表示测试集样本中被正确分类的样本数，m表示测试集样本的总数；
[0052]
2.3)在模型测试阶段，将故障诊断模型结构以及权重参数导入，将批归一化层替换为自适应批归一化层，其中自适应批归一化层会重新计算一个批次内数据的均值和方差并进行替换，然后使用2.2)中的测试集样本代入故障诊断模型，通过故障诊断模型在测试集上的分类准确率检验故障诊断模型在测试集数据上的表现，保存故障诊断模型最终的结构以及权重参数。
[0053]
进一步地，所述迁移诊断模块中，具体为：
[0054]
3.1)采集变负载工况下不同状态电机的振动信号；
[0055]
3.2)使用步骤1)中的操作生成灰度纹理图像，并将该灰度纹理图像全部作为新的测试集数据；
[0056]
3.3)导入步骤2)在无负载工况故障特征数据集训练的故障诊断模型，对工况数据按步骤1)生成灰度纹理图像，全部作为新的测试集数据，将故障诊断模型权重参数导入，将模型的批归一化更换为自适应批归一化操作作为测试模式下的诊断模型，代入测试集数据，完成变负载工况下的故障诊断。
[0057]
与现有技术相比，本发明具有以下有益的技术效果：
[0058]
1)针对变工况下振动信号转换图像时类间差异和类内差异难以平衡的问题，提出了以局部二值化为主要操作的振动信号灰度纹理图像转换方法。与常规振动图像转换方法相比，灰度纹理图像在变工况下故障类别间样本有较大的差异，同类故障类别内样本有较小的差异，有利于进一步进行特征提取。
[0059]
2)为了解决不同工况数据分布不同导致智能诊断模型准确率难以保证，模型在训
练时，数据获取困难、训练成本大的问题，设计了基于卷积神经网络的具有较强泛化能力的智能诊断模型。使用无负载工况下得到的灰度纹理图像进行训练和模型更新，在变负载工况下实现迁移应用，以分类准确率为指标，评价模型诊断效果。本发明与常规故障诊断方法相比，在于训练数据存在分布差异的变负载工况下仍能有高的诊断准确率，实用性强。
附图说明
[0060]
说明书附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
[0061]
图1为无负载向变负载工况迁移的电机智能故障诊断方法流程图；
[0062]
图2为不同状态时电机振动信号生成的灰度纹理图像，其中(a)为正常状态,(b)为轴承故障，(c)为转子不平衡，(d)为转子弯曲；
[0063]
图3为本发明构建的卷积神经网络结构示意图；
[0064]
图4为本发明在三种变负载工况下的分类表现，其中(a)为轻载，(b)为中载，(c)为重载。
具体实施方式
[0065]
以下结合附图及具体实施例对本发明进行进一步详细说明。
[0066]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0067]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0068]
实施例一
[0069]
无负载向变负载工况迁移的电机智能故障诊断方法，包括以下步骤：
[0070]
1)构建电机故障特征数据集：采集电机的振动信号，对振动信号按指定点数分段拼接为特征矩阵后进行标准化、等比例缩放和局部二值化处理，生成振动信号的灰度纹理图像，将灰度纹理图像打上标签后建立故障特征数据集，并分为训练集、验证集和测试集；
[0071]
步骤1)中构建电机故障特征数据集具体步骤如下：
[0072]
1.1)采集电机的振动信号，对信号按指定点数进行分段拼接，组成特征矩阵，根据采样频率和电机运行转速设定点数，需要包含至少一个变化周期的信息；
[0073]
1.2)对特征矩阵元素进行0-255的标准化处理转换为灰度图像，特征矩阵元素值与灰度图像像素值之间转换关系为：
[0074][0075]
式中：i，j表示特征矩阵或灰度图像中的位置坐标，a
i,j
为特征矩阵中位于(i，j)元素的值，max和min分别表示特征矩阵中最大值和最小值，g
i,j
为转化后对应位置的灰度值；
[0076]
1.3)对转换后的灰度图像等比例缩放至256
×
256像素大小；
[0077]
1.4)进行局部二值化处理生成最终的灰度纹理图像，局部二值化的计算公式为：
[0078][0079]
式中：ic代表中心点的像素值，i
p
代表中心点周围某一点的像素值，p代表各周围点的序号，从左上角顺时针排列分别为1至8，(xc,yc)为中心点的坐标，lbp(xc,yc)为经lbp算子处理后的中心点lbp值，
[0080]
1.5)对获得的全部样本根据不同电机状态对图像样本进行标记，按8:1:1的比例划分为训练集、验证集和测试集。
[0081]
2)构建故障诊断模型：使用无负载工况数据，经过步骤1)中的操作构建无负载工况的故障特征数据集，利用无负载工况的故障特征数据集构建卷积神经网络的故障诊断模型，卷积神经网络包含特征提取器和分类器，在特征提取器中加入批归一化操作，数据集中的训练集用于模型训练，验证集用于对故障诊断模型的超参数进行调优，在测试阶段，将批归一化替换为自适应批归一化操作，然后再使用测试集数据检验最终诊断效果，保存故障诊断模型最终的结构与权重参数；
[0082]
步骤2)中的构建故障诊断模型具体步骤如下：
[0083]
2.1)构建卷积神经网络模型，包含特征提取器和分类器，在特征提取器中加入批归一化操作；
[0084]
2.2)使用无负载工况数据，使用步骤1)构建无负载工况下电机故障特征数据集，使用无负载工况故障特征数据集的训练集对故障诊断模型进行训练，通过故障诊断模型在验证集上的表现更新故障诊断模型的超参数设置，通过模型在测试集上的分类准确率作为评价指标，准确率计算公式为：
[0085][0086]
式中：a表示测试集的分类准确率，n表示测试集样本中被正确分类的样本数，m表示测试集样本的总数；
[0087]
2.3)在模型测试阶段，将模型结构以及权重参数导入，将批归一化层替换为自适应批归一化层，其中自适应批归一化层会重新计算一个批次内数据的均值和方差并进行替换，然后使用步骤1)中的测试集样本代入诊断模型，通过模型在测试集上的分类准确率检验模型在测试集数据上的表现，保存模型最终的结构以及权重参数。
[0088]
3)迁移诊断：使用步骤2)在无负载的图像样本下训练的网络模型，迁移诊断时，将模型权重导入，将批归一化更换为自适应批归一化操作，对工况数据按步骤1)生成灰度纹理图，全部作为新的测试数据，代入测试模式的诊断模型，完成变负载工况下的故障诊断；
[0089]
步骤3)中的迁移诊断具体步骤如下：
[0090]
3.1)采集变负载工况下不同健康状态电机的振动信号；
[0091]
3.2)使用步骤1)中的操作生成灰度纹理图像全部作为新的测试集数据；
[0092]
3.3)导入步骤2)中在无负载工况下训练所得的诊断模型结构与权重参数，将批归一化层替换为自适应归一化层，将在工况下的测试集样本导入测试模式的诊断模型，完成变负载工况下的故障诊断。
[0093]
实施例二
[0094]
下面结合具体实例对本发明做进一步详细说明，所述内容均为对本发明的解释，但这些说明不能被理解为限制了本发明的范围，本发明的保护范围由随附的权利要求书限定，任何在本发明权利要求基础上的改动就是本发明的保护范围。
[0095]
参见附图1，本发明的无负载向变负载工况迁移的电机智能故障诊断方法，主要包含如下步骤：
[0096]
1)利用动力传动故障综合实验台进行电机的故障模拟实验，实验设置四种不同状态的电机，包括健康、轴承故障、转子不平衡和转子弯曲，设定电机转速为1800r/min，设定四种负载档位，包括无、轻、中和重档位，将压电式加速度传感器竖直布置于电机输出端面采集振动信号；
[0097]
1.1)采集电机不同工况、不同状态时的振动信号得到原始数据，将得到的原始数据以4096个采样点为一组数据，无重叠地划分多组数据，将其按行依次拼接为特征矩阵，
[0098]
1.2)对特征矩阵元素进行0-255的标准化处理转换为灰度图像，特征矩阵元素值与灰度图像像素值之间转换关系为：
[0099][0100]
式中：i，j表示特征矩阵或灰度图中的位置坐标，a
i,j
为特征矩阵中位于(i，j)元素的值，max和min分别表示特征矩阵中最大值和最小值，g
i,j
为转化后对应位置的灰度值；
[0101]
1.3)对灰度图像等比例缩放至256
×
256大小的灰度图像；
[0102]
1.4)对1.3)处理后的灰度图像进行局部二值化处理，表达式为：
[0103][0104]
式中：ic代表中心点的像素值，i
p
代表中心点周围某一点的像素值，p代表各周围点的序号，从左上角顺时针排列分别为1至8，(xc,yc)为中心点的坐标，lbp(xc,yc)为经lbp算子处理后的中心点lbp值，
[0105]
经处理后生成的各种状态灰度纹理图像样本如例图2所示。
[0106]
1.5)对生成的灰度纹理图像样本根据不同电机状态对图像样本进行标记，按照8:1:1的比例划分为训练集、验证集和测试集，完成电机故障特征数据集的构建。
[0107]
2)构建故障诊断模型，具体包含如下步骤：
[0108]
2.1)使用步骤1)中的故障特征数据集构建卷积神经网络的故障诊断模型，设计的模型结构如附图3所示；
[0109]
2.2)使用步骤1)构建的电机故障数据集的无负载训练集样本对网络模型进行迭代训练，更新其模型参数，通过模型在验证集上的表现更新模型超参数设置，最终模型各层的具体参数设置如表1所示，其中批归一化层将在测试阶段被替换为自适应批归一化层；
[0110]
表1模型各层参数设置
[0111][0112]
2.3)保存训练调优后最终模型的结构以及权重参数，在模型测试阶段，将模型结构以及权重参数导入，将批归一化层替换为自适应批归一化层，其中自适应批归一化层会重新计算一个批次内数据的均值和方差并进行替换，然后使用步骤1)中的测试集样本代入诊断模型，通过模型在测试集上的分类准确率检验模型在测试集数据上的表现。
[0113]
3)迁移诊断具体包含如下步骤：
[0114]
3.1)采集的轻、中和重负载数据变负载工况原始数据；
[0115]
3.2)使用步骤1)中的操作生成变负载工况下的灰度纹理图像全部作为新的测试集数据；
[0116]
3.3)导入步骤2)中在无负载下训练所得的诊断模型结构与权重参数，将批归一化层替换为自适应批归一化层，将轻、中和重三种变负载工况的样本导入测试模式的诊断模型，最终输出电机的故障状态类型，完成变负载工况下的故障诊断。
[0117]
最终模型在无负载工况下训练集准确率为100％，测试集准确率为100％。对于变
负载工况，轻载下诊断准确率为99.9％，中载下诊断准确率为99.9％，重载下诊断准确率为99.8％，附图4为三种带载工况下的分类情况。
[0118]
为证明本发明方法的优越性，将本发明方法与lenet5、alexnet两种经典卷积神经网络进行对比，对比方法同样在无负载情况下训练调优后在变负载工况下迁移诊断，对比结果如表2所示。
[0119]
表2不同诊断方法结果对比
[0120][0121]
实施例三
[0122]
无负载向变负载工况迁移的电机智能故障诊断系统，包括：
[0123]
电机故障特征数据集构建模块：用于采集电机的振动信号，对振动信号按指定点数分段拼接为特征矩阵后依次进行标准化、等比例缩放和局部二值化处理，生成振动信号的灰度纹理图像，将灰度纹理图像打上标签后建立故障特征数据集，并分为训练集、验证集和测试集；
[0124]
故障诊断模型构建模块：用于使用无负载工况数据，经过电机故障特征数据集构建模块中的操作构建无负载工况的故障特征数据集，利用无负载工况的故障特征数据集构建卷积神经网络的故障诊断模型，卷积神经网络包含特征提取器和分类器，在特征提取器中加入批归一化操作，所述训练集用于模型训练，验证集用于对故障诊断模型的超参数进行调优，在测试阶段，将批归一化替换为自适应批归一化操作，然后再使用测试集检验最终诊断效果，保存故障诊断模型最终的结构与权重参数；
[0125]
迁移诊断模块：用于使用故障诊断模型构建模块中在无负载工况的故障特征数据集训练的故障诊断模型，迁移诊断时，对工况数据按电机故障特征数据集构建模块生成灰度纹理图像，全部作为新的测试集数据，将故障诊断模型权重参数导入，将故障诊断模型的批归一化更换为自适应批归一化操作作为测试模式下的故障诊断模型，代入测试集数据，完成变负载工况下的故障诊断。
[0126]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0127]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0128]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0129]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0130]
最后应当说明的是：以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在发明待批的权利要求保护范围之内。

技术特征：
1.无负载向变负载工况迁移的电机智能故障诊断方法，其特征在于，包括如下步骤：1)构建电机故障特征数据集：采集电机的振动信号，对振动信号按指定点数分段拼接为特征矩阵后依次进行标准化、等比例缩放和局部二值化处理，生成振动信号的灰度纹理图像，将灰度纹理图像打上标签后建立故障特征数据集，并分为训练集、验证集和测试集；2)构建故障诊断模型：使用无负载工况数据，经过步骤1)中的操作构建无负载工况的故障特征数据集，利用无负载工况的故障特征数据集构建卷积神经网络的故障诊断模型，卷积神经网络包含特征提取器和分类器，在特征提取器中加入批归一化操作，所述训练集用于模型训练，验证集用于对故障诊断模型的超参数进行调优，在测试阶段，将批归一化替换为自适应批归一化操作，然后再使用测试集检验最终诊断效果，保存故障诊断模型最终的结构与权重参数；3)迁移诊断：使用步骤2)在无负载工况的故障特征数据集训练的故障诊断模型，迁移诊断时，对工况数据按步骤1)生成灰度纹理图像，全部作为新的测试集数据，将故障诊断模型权重参数导入，将故障诊断模型的批归一化更换为自适应批归一化操作作为测试模式下的故障诊断模型，代入测试集数据，完成变负载工况下的故障诊断。2.根据权利要求1所述的无负载向变负载工况迁移的电机智能故障诊断方法，其特征在于，所述步骤1)构建感应电机故障特征数据集，具体为：1.1)采集电机的振动信号，对振动信号按指定点数进行分段拼接，组成特征矩阵；1.2)对特征矩阵的元素进行0-255的标准化处理转换为灰度图像，特征矩阵元素值与灰度图像像素值之间转换关系为：式中：i，j表示特征矩阵或灰度图像中的位置坐标，a
i,j
为特征矩阵中位于(i，j)元素的值，max和min分别表示特征矩阵中最大值和最小值，g
i,j
为转化后对应位置的灰度值；1.3)对转换后的灰度图像等比例缩放至256
×
256像素大小；1.4)对等比例缩放后得到的图像进行局部二值化处理生成最终的灰度纹理图像，以图像中3
×
3的像素区域大小依次计算，局部二值化的计算公式为：式中：i
c
代表中心点的像素值，i
p
代表中心点周围某一点的像素值，p代表各周围点的序号，从左上角顺时针排列分别为1至8，(x
c
,y
c
)为中心点的坐标，lbp(x
c
,y
c
)为经lbp算子处理后的中心点lbp值，1.5)对获得的全部灰度纹理图像根据不同电机状态进行标记，按预设比例划分为训练集、验证集和测试集。3.根据权利要求2所述的无负载向变负载工况迁移的电机智能故障诊断方法，其特征在于，所述指定点数根据采样频率和电机运行转速设定，指定点数的每段信号至少包含一个变化周期的信息。4.根据权利要求2所述的无负载向变负载工况迁移的电机智能故障诊断方法，其特征
在于，步骤1.5)中预设比例为8:1:1。5.根据权利要求1所述的无负载向变负载工况迁移的电机智能故障诊断方法，其特征在于，所述步骤2)中构建故障诊断模型，具体为：2.1)构建卷积神经网络的故障诊断模型，包含特征提取器和分类器，在特征提取器中加入批归一化层；2.2)针对无负载工况数据，利用步骤1)构建无负载工况下电机故障特征数据集，使用无负载工况故障特征数据集的训练集对故障诊断模型进行训练，通过故障诊断模型在验证集上的表现更新故障诊断模型的超参数设置，通过故障诊断模型在测试集上的分类准确率作为评价指标，准确率计算公式为：式中：a表示测试集的分类准确率，n表示测试集样本中被正确分类的样本数，m表示测试集样本的总数；2.3)在模型测试阶段，将故障诊断模型结构以及权重参数导入，将批归一化层替换为自适应批归一化层，其中自适应批归一化层会重新计算一个批次内数据的均值和方差并进行替换，然后使用2.2)中的测试集样本代入故障诊断模型，通过故障诊断模型在测试集上的分类准确率检验故障诊断模型在测试集数据上的表现，保存故障诊断模型最终的结构以及权重参数。6.根据权利要求1所述的无负载向变负载工况迁移的电机智能故障诊断方法，其特征在于，所述步骤3)中迁移诊断，具体为：3.1)采集变负载工况下不同状态电机的振动信号；3.2)使用步骤1)中的操作生成灰度纹理图像，并将该灰度纹理图像全部作为新的测试集数据；3.3)导入步骤2)在无负载工况故障特征数据集训练的故障诊断模型，对工况数据按步骤1)生成灰度纹理图像，全部作为新的测试集数据，将故障诊断模型权重参数导入，将模型的批归一化更换为自适应批归一化操作作为测试模式下的诊断模型，代入测试集数据，完成变负载工况下的故障诊断。7.无负载向变负载工况迁移的电机智能故障诊断系统，其特征在于，包括：电机故障特征数据集构建模块：用于采集电机的振动信号，对振动信号按指定点数分段拼接为特征矩阵后依次进行标准化、等比例缩放和局部二值化处理，生成振动信号的灰度纹理图像，将灰度纹理图像打上标签后建立故障特征数据集，并分为训练集、验证集和测试集；故障诊断模型构建模块：用于使用无负载工况数据，经过电机故障特征数据集构建模块中的操作构建无负载工况的故障特征数据集，利用无负载工况的故障特征数据集构建卷积神经网络的故障诊断模型，卷积神经网络包含特征提取器和分类器，在特征提取器中加入批归一化操作，所述训练集用于模型训练，验证集用于对故障诊断模型的超参数进行调优，在测试阶段，将批归一化替换为自适应批归一化操作，然后再使用测试集检验最终诊断效果，保存故障诊断模型最终的结构与权重参数；迁移诊断模块：用于使用故障诊断模型构建模块中在无负载工况的故障特征数据集训
练的故障诊断模型，迁移诊断时，对工况数据按电机故障特征数据集构建模块生成灰度纹理图像，全部作为新的测试集数据，将故障诊断模型权重参数导入，将故障诊断模型的批归一化更换为自适应批归一化操作作为测试模式下的故障诊断模型，代入测试集数据，完成变负载工况下的故障诊断。8.根据权利要求7所述的无负载向变负载工况迁移的电机智能故障诊断系统，其特征在于，所述电机故障特征数据集构建模块中，构建感应电机故障特征数据集，具体为：1.1)采集电机的振动信号，对振动信号按指定点数进行分段拼接，组成特征矩阵；1.2)对特征矩阵的元素进行0-255的标准化处理转换为灰度图像，特征矩阵元素值与灰度图像像素值之间转换关系为：式中：i，j表示特征矩阵或灰度图像中的位置坐标，a
i,j
为特征矩阵中位于(i，j)元素的值，max和min分别表示特征矩阵中最大值和最小值，g
i,j
为转化后对应位置的灰度值；1.3)对转换后的灰度图像等比例缩放至256
×
256像素大小；1.4)对等比例缩放后得到的图像进行局部二值化处理生成最终的灰度纹理图像，以图像中3
×
3的像素区域大小依次计算，局部二值化的计算公式为：式中：i
c
代表中心点的像素值，i
p
代表中心点周围某一点的像素值，p代表各周围点的序号，从左上角顺时针排列分别为1至8，(x
c
,y
c
)为中心点的坐标，lbp(x
c
,y
c
)为经lbp算子处理后的中心点lbp值，1.5)对获得的全部灰度纹理图像根据不同电机状态进行标记，按预设比例划分为训练集、验证集和测试集。9.根据权利要求7所述的无负载向变负载工况迁移的电机智能故障诊断系统，其特征在于，所述故障诊断模型构建模块中，构建故障诊断模型具体为：2.1)构建卷积神经网络的故障诊断模型，包含特征提取器和分类器，在特征提取器中加入批归一化层；2.2)针对无负载工况数据，利用步骤1)构建无负载工况下电机故障特征数据集，使用无负载工况故障特征数据集的训练集对故障诊断模型进行训练，通过故障诊断模型在验证集上的表现更新故障诊断模型的超参数设置，通过故障诊断模型在测试集上的分类准确率作为评价指标，准确率计算公式为：式中：a表示测试集的分类准确率，n表示测试集样本中被正确分类的样本数，m表示测试集样本的总数；2.3)在模型测试阶段，将故障诊断模型结构以及权重参数导入，将批归一化层替换为自适应批归一化层，其中自适应批归一化层会重新计算一个批次内数据的均值和方差并进
行替换，然后使用2.2)中的测试集样本代入故障诊断模型，通过故障诊断模型在测试集上的分类准确率检验故障诊断模型在测试集数据上的表现，保存故障诊断模型最终的结构以及权重参数。10.根据权利要求7所述的无负载向变负载工况迁移的电机智能故障诊断系统，其特征在于，所述迁移诊断模块中，具体为：3.1)采集变负载工况下不同状态电机的振动信号；3.2)使用步骤1)中的操作生成灰度纹理图像，并将该灰度纹理图像全部作为新的测试集数据；3.3)导入步骤2)在无负载工况故障特征数据集训练的故障诊断模型，对工况数据按步骤1)生成灰度纹理图像，全部作为新的测试集数据，将故障诊断模型权重参数导入，将模型的批归一化更换为自适应批归一化操作作为测试模式下的诊断模型，代入测试集数据，完成变负载工况下的故障诊断。

技术总结
本发明公开了无负载向变负载工况迁移的电机智能故障诊断方法及系统，采用灰度纹理图像将振动信号转换为图像，凸显数据中的特征信息，通过自适应批归一化与卷积神经网络的结合提升模型泛化能力。在此基础上，本发明提出了灰度纹理图像与卷积神经网络相结合的方式，将无负载工况下训练所得模型直接用于变负载工况下的迁移诊断，解决了变负载工况数据分布存在差异时传统深度学习方法诊断准确率不高的问题，为变负载工况下感应电机的智能诊断提供了一种解决方案。了一种解决方案。了一种解决方案。


技术研发人员：樊红卫 任众孚 黄杰翔 张旭辉 曹现刚 毛清华 万翔 黄利平 鲁麒
受保护的技术使用者：西安科技大学
技术研发日：2023.06.25
技术公布日：2023/8/13