本發(fā)明涉及電信號數(shù)據(jù)處理的（g06f），具體涉及基于電流樣本特征歸類分析的電機系統(tǒng)故障定性診斷方法。

背景技術：

1、電機作為現(xiàn)代工業(yè)中的關鍵驅動設備，在各種機械系統(tǒng)中發(fā)揮著不可或缺的作用。然而，電機在長時間運行過程中，不可避免地會出現(xiàn)一些故障。了解這些常見故障及其產(chǎn)生原因，對于預防故障發(fā)生、及時維修以及延長電機使用壽命都具有重要意義，其電機故障包括有電機過熱、電機振動、電機啟動困難和電機噪音過大引起的一系列電機故障。

2、電機狀態(tài)監(jiān)測和故障診斷技術是一種了解和掌握電機在使用過程中的狀態(tài)，確定其整體或局部正?；虍惓＃缙诎l(fā)現(xiàn)故障及其原因，并能預報故障發(fā)展趨勢的技術，電機狀態(tài)監(jiān)測與故障診斷技術包括識別電機狀態(tài)監(jiān)測和預測發(fā)展趨勢兩方面?。在電機故障診斷中，常用的方法包括基于信號處理的方法和基于機器學習的方法，基于信號處理的方法需要對信號進行復雜的預處理和分析，對于復雜的故障類型可能無法準確診斷，而基于機器學習的方法則需要大量的樣本數(shù)據(jù)進行訓練，這不僅加大了對系統(tǒng)的負荷，而且對于一些少見的故障類型可能會出現(xiàn)誤診的情況。因此需要一種全面且高效率的診斷方法，來對電機系統(tǒng)進行一個故障定性與診斷。

技術實現(xiàn)思路

1、針對現(xiàn)有技術的不足，本發(fā)明采用基于電流樣本特征歸類分析來進行電機系統(tǒng)的故障定性和診斷，在電機工作狀態(tài)下也能進行檢測和診斷，非常便利，且成本較低。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：基于電流樣本特征歸類分析的電機系統(tǒng)故障定性診斷方法，包括以下步驟：

3、s1、通過多個傳感器對電機系統(tǒng)的運行時的電流樣本進行多點采樣，得到原始電流信號，并將原始電流信號轉換為綜合電流信號；對電機出現(xiàn)故障時的電機電流進行分時采樣，得到故障電流信號；

4、s2、將綜合電流信號和故障電流信號構建為預訓練數(shù)據(jù)集；

5、s3、基于卷積神經(jīng)網(wǎng)絡建立深度學習模型，將處理后的預訓練數(shù)據(jù)集導入到模型中進行訓練，得到預訓練權重系數(shù)矩陣，完成預訓練模型的構建；

6、s4、基于故障類型、故障程度和故障位置信息對故障樣本進行故障定性分類；

7、s5、對故障定性分類后的故障樣本的故障電流信號建立故障電流向量，求取典型故障平均電流向量；

8、s6、對電機系統(tǒng)的電流進行實時采樣，在出現(xiàn)未知故障時得到故障采樣電流，計算故障綜合電流信號，以故障綜合電流信號作為樣本，使用預訓練模型計算得到故障預測電流，并構建故障預測電流向量；

9、s7、計算故障預測電流向量與任意一種典型故障平均電流向量的向量差，選擇向量差最小的一種典型故障作為判定故障，完成針對電機系統(tǒng)的故障定性診斷。

10、進一步的，步驟s1的電流信號采集具體為：

11、s11、連接電機驅動器，將電流傳感器連接于電源線路上；

12、s12、采集電流信號，利用驅動器中的采樣電路和采樣芯片，對連接的電流傳感器進行電流信號的采樣，得到原始電流信號；

13、s13、將采集的原始電流信號轉換為綜合電流信號，轉換公式滿足：

14、?（1）

15、其中，表示綜合電流信號的離散索引，用于指代轉換公式計算得到的輸出采樣點，表示離散索引的綜合電流信號的值；表示原始信號的采樣索引，表示采樣索引的原始電流信號的值；為虛數(shù)符號，為自然底數(shù)；

16、s14、對電機出現(xiàn)故障時的電機電流進行分時采樣，得到故障電流信號，滿足：

17、

18、其中，分別表示第一個至第n-1個采樣時刻。

19、進一步的，步驟s2中，構建預訓練樣本滿足：

20、；

21、其中，至分別表示電機出現(xiàn)故障時第一個至第n-1個采樣時刻所采集到的故障電流信號；表示權重系數(shù)矩陣，為行列矩陣，表示第行第列的權重系數(shù)，以此類推。

22、進一步的，步驟s5中，故障電流向量滿足：

23、；

24、其中，表示第種典型故障的第個樣本的故障電流向量，表示第種典型故障的第個樣本在時刻的采樣電流，以此類推；

25、典型故障平均電流向量滿足：

26、；

27、其中，表示第種典型故障的典型故障平均電流向量，表示第種典型故障的樣本總數(shù)。

28、進一步的，步驟s6中，計算故障綜合電流信號滿足：

29、；

30、其中，表示出現(xiàn)未知故障時采樣索引的原始電流信號的值，表示出現(xiàn)未知故障時離散索引的綜合電流信號的值。

31、進一步的，步驟s6中，以故障綜合電流信號作為樣本使用預訓練模型計算得到故障預測電流滿足：

32、；

33、其中，至分別表示電機出現(xiàn)未知故障時利用預訓練模型得到的第一個至第n-1個采樣時刻所采集到的故障預測電流；表示預訓練權重系數(shù)矩陣，為行列矩陣，表示第行第列的預訓練權重系數(shù)，以此類推。

34、進一步的，步驟s6中，構建故障預測電流向量滿足：

35、；

36、其中，表示電機出現(xiàn)未知故障時的故障預測電流向量。

37、進一步的，計算故障預測電流向量與任意一種典型故障平均電流向量的向量差滿足：

38、；

39、其中，表示電機出現(xiàn)未知故障時的故障預測電流向量與第種典型故障平均電流向量的向量差。

40、進一步的，步驟s7中，選擇向量差最小的一種典型故障作為判定故障滿足：

41、；

42、其中，表示的電機未知故障的故障定性診斷結果；表示使得故障預測電流向量與典型故障平均電流向量的向量差值取得最小值的故障類型。

43、有益效果

44、與現(xiàn)有技術相比，本發(fā)明提供了基于電流樣本特征歸類分析的電機系統(tǒng)故障定性診斷方法，具備以下有益效果：

45、1、多點采樣與綜合信號轉換的優(yōu)勢：通過多個傳感器對電機系統(tǒng)進行多點采樣并將原始電流信號轉換為綜合電流信號，使得采集數(shù)據(jù)更加全面和精確。該步驟確保在不同部位采集到的電流信號能夠有效融合，提供更高的信號質量，有助于準確識別電機故障狀態(tài)。

46、2、預訓練深度學習模型提升診斷精度：基于卷積神經(jīng)網(wǎng)絡的深度學習模型進行預訓練，使模型能夠高效地識別不同類型的電機故障，并且通過預訓練權重系數(shù)矩陣的學習過程增強了模型對電機故障模式的泛化能力。這樣可以顯著提升模型在實際診斷時的準確性和可靠性。

47、3、故障電流向量與典型故障匹配的高效性：本方案通過構建故障電流向量和典型故障平均電流向量的向量差計算，可以快速識別電機的故障類型。通過匹配向量差最小的典型故障，提高了故障定性診斷的速度和精確性，為及時維護提供了有效依據(jù)。

48、4、實時監(jiān)測與故障預測能力：方案中的實時采樣和故障綜合電流信號計算，能夠在故障發(fā)生時即時捕獲故障信號，并通過預訓練模型進行故障預測。這種實時響應機制使系統(tǒng)具備更高的敏感性，有效提高了對未知故障的快速響應和預測能力?