基于深度学习的电机故障在线检测技术优化.pdfVIP

基于深度学习的电机故障在线检测技术优化

作者：王志明罗勇柳本林曹廷祥张应洲邓豪

来源：《粘接》2024年第03期

摘要：为有效提高电机故障检测效率，研究建立了深度学习模型，并利用深度学习模型

构建在线检测函数。试验结果表明，基于深度学习模型可以降低电机轴承振动干扰信号，以保

证清晰识别特征频率，所建立的深度学习检测模型对电机轴承外部的外圈磨损、轴承缺口且有

裂纹及保护架破损的精度及准确率均大于98.5%，而电机轴承内部的检测精度与准确率较低，

但检测精度仍大于90%，可满足电机故障在线检测要求。研究成果可为电机故障在线检测提供

理论参考。

关键词：深度学习；电机故障；轴承；检测技术优化；精度；准确率

中图分类号：TM307

文献标志码：A文章编号：1001-5922（2024）03-0193-04

Optimizationofonlinemotorfaultdetectiontechnologybasedondeeplearning

WANGZhiming，LUOYong，LIUBenlin，CAOTingxiang，ZHANGYingzhou，DENG

Hao

（SouthernNetworkEnergyStorageCompanyWestMaintenanceTestBranch，Xingyi

562400，GuizhouChina）

Abstract：Toeffectivelyimprovetheefficiencyofmotorfaultdetection，establishesadeep

learningmodelwasestablished，andanonlinedetectionfunctionwasconstructedusingthedeep

learningmodel.Theexperimentalresultsshowedthatthedeeplearningmodelreducedthevibration

interferencesignalofmotorbearings，ensuringclearrecognitionoffeaturefrequencies.Theaccuracy

outerringwearofthemotorbearing，thebearingnotchandcrack，andthedamageoftheprotective

frame.Theinternaldetectionaccuracyandaccuracyrateofthemotorbearingwererelativelylow，but

thedetectionaccuracywasstillgreaterthan90%，whichcouldmeettherequirementsofonline

ofmotorfaults.

Keywords：deeplearning;motorfailure;bearings;optimizationofdetection

technology;accuracy;accuracyrate

電机轴承是旋转机械的重要组成部分，而电机轴承的健康状况直接决定了电机的性能。由

于早期故障检测技术能够及时确定故障发生，因此可以在故障达到危及整个电机运行的严重水

平之前进行维护［1］。随着传感器技术的快速发展，早期故障的在线检测已成为电机故障预

测和健康管理的关键问题［2］。由于早期故障信息容易被噪声打断，因此很难确定正常状态

和早期故障状态之间的具体界限［3］。如利用归一化稀疏自编码器（AE）构建本地连接网

络，从原始数据中提取深层特征，然后进行早期电机故障诊断［4］。提出了一种新的深度AE

网络，并能够提取更有效的特征以进行早期故障诊断［5］。提出了一种堆叠的多层去噪声发

射，以增强早期电机故障特征的鲁棒性和辨别能力［6］。

基于上述分析，电机在线早期故障检测的关键问题是提取具有良好判别能力和自适应能力

的特征［7］。因此需要提出一种新的算法模型以提高电机故障检测效率。基于此，研究将采

用深度学习模型应用在电机故障检测中。

在线检测技术1优化

深度学习可以被视为最成功的机器学习技术之一。深度学习技术正