CN112836346B

CN112836346B - 基于cn和pca的电机故障诊断方法、电子设备及介质

Info

Publication number: CN112836346B
Application number: CN202110020431.4A
Authority: CN
Inventors: 赵运基; 许孝卓; 吴中华; 张新良; 王莉; 苏波; 刘晓光
Original assignee: Henan University of Technology
Current assignee: Henan University of Technology
Priority date: 2021-01-07
Filing date: 2021-01-07
Publication date: 2024-04-23
Anticipated expiration: 2041-01-07
Also published as: CN112836346A

Abstract

本发明实施例涉及故障检测技术领域，公开了基于CN和PCA的电机故障诊断方法、电子设备及介质。该方法包括：接收传感器采集的电机的原始数据；对原始数据进行归一化处理，并转换为15位的二进制数据；利用CN算法对二进制数据进行空间映射，得到10维的空间映射矩阵；利用PCA算法对空间映射矩阵进行降维处理，获取3维的特征矩阵；将特征矩阵输入预先训练的网络模型，输出诊断结果。实施本发明实施例，可以提升故障类型的空间可分离性，提升故障诊断算法的检测效率。

Description

基于CN和PCA的电机故障诊断方法、电子设备及介质

技术领域

本发明涉及故障检测技术领域，具体涉及基于CN和PCA的电机故障诊断方法、电子设备及介质。

背景技术

先进制造业是创新驱动发展和经济社会高质量发展的主引擎和主推手。高端装备与智能制造领域中，电动机可直接将电能转化为直线运动的机械能，由于其推力大、力密度高、长行程、低惯量、动态响应快、机械结构简单等优点。

电机直接驱动运动设备，省去了机械传动机构，完全消除机械传动元件的速度和加速度的物理极限限制，已广泛应用于往复式伺服系统、工业机器人和高精度定位直接驱动系统。

故障诊断技术包括的内容，是指在设备运行状态或称工作状态下，通过各种监测手段，判别其工作是否正常；如果不正常，经过分析与判断，指出发生了什么故障，便于管理人员维修；或者在故障未发生之前，提出可能发生故障的预报，便于管理人员尽早采取措施，避免发生故障，或避免发生重大故障，因而造成停机停产，给工程带来重大经济损失。这就是故障诊断技术的任务，也是发展设备故障诊断技术的目的。

在大数据这一时代背景下，伴随而来的是极大的计算复杂度和建模复杂度，数据驱动的智能故障诊断方法更为适用，表现在其对海量、多源、高维数据进行统计分析和信息提取的直接性和有效性。该技术以采集到的不同来源、不同类型的监测数据作为基底，利用各种数据挖掘技术获取其中隐含的有用信息，表征系统运行的正常模式以及故障模式，进而达到检测与诊断的目的。

智能故障诊断方法的性能极大地依赖于所提取的特征质量，包括特征的实时变化、阶段性变化、趋势性变化及故障模式等，即数据的表示学习是智能故障诊断技术的核心。传统的特征表示学习方法存在以下问题：

(1)需要领域的先验信息、专业知识和深厚的数学基础才能设计出合适的特征提取方法；

(2)提取的特征多是浅层特征，针对复杂分类问题其泛化能力受到一定制约；

(3)受限于机械系统的物理特性，组件或故障条件变化均可能显著改变特征提取方法或其评估标准；

(4)特征提取依赖于原有特征和评估标准，对于新特征的挖掘具有一定局限性。

针对生产过程和设备运行中的海量状态数据及监控变量，信息采集通常为多维向量形式，例如：旋转设备运行过程中基座的振动信息、驱动端的振动信息、设备运行过程中的电流、电压信息等。针对多通道的传感器信息，如何将传感器采集到的故障信息融合为多通道的矩阵形式是实现基于卷积神经网络的故障诊断的关键。基于矩阵形式输入的卷积神经网络故障诊断方法中，传统的故障数据拼接实现的矩阵形式样本的处理方法具有一定的随机性，必然要求故障诊断的深度网络具有较强的特征提取鲁棒性和较强的分类泛化能力。较强的特征提取鲁棒性和较强的泛化能力必然要求相对复杂的网络结构满足要求。复杂的卷积网络必然要求具有足够的样本进行模型预训练、实时故障诊断过程中较为强大的硬件支持。

发明内容

针对所述缺陷，本发明实施例公开了一种基于CN和PCA的电机故障诊断方法、电子设备及介质，应用CN(Color Names)多颜色空间模型方法将原始数据映射到高维空间，将高维空间映射结果通过PCA的方法进行降维，最终获得故障数据高维空间主元，提升故障类型的空间可分离性，提升故障诊断算法的检测效率。

本发明实施例第一方面公开一种基于CN和PCA的电机故障诊断方法，所述方法包括：

接收传感器采集的电机的原始数据；

对所述原始数据进行归一化处理，并转换为15位的二进制数据；

利用CN算法对所述二进制数据进行空间映射，得到10维的空间映射矩阵；

利用PCA算法对所述空间映射矩阵进行降维处理，获取3维的特征矩阵；

将所述特征矩阵输入预先训练的网络模型，输出诊断结果。

作为一种可选的实施方式，在本发明实施例第一方面中，接收传感器采集的电机的原始数据，包括：

接收一个或多个类型的传感器采集的电机的单通道或多通道原始数据；

所述传感器为振动传感器、电压互感器、电流互感器、加速度传感器中的任一种或多种。

作为一种可选的实施方式，在本发明实施例第一方面中，所述原始数据为单通道原始数据；

所述对所述原始数据进行归一化处理，并转换为15位的二进制数据，包括：

将所述单通道原始数据规范化至0-32，即每个单通道原始数据均采用5位二进制数据进行表示；

选择相邻的3个5位二进制数据依次连接，组成15位的二进制数据：

S_i＝{M_i-1,M_i,M_i+1}

其中，S_i为组成的第i个15位的二进制数据，M_i为单通道的第i个原始数据规范化后的5位二进制数据；0≤i≤L，L为单通道原始数据的长度；当i＝0时，使用线性差值方式获取M_i-1，当i＝L时，使用线性差值方式获取M_i+1。

作为一种可选的实施方式，在本发明实施例第一方面中，所述原始数据为双通道原始数据；

将所述双通道原始数据分别规范化至0-127以及0-255，即其中一通道的原始数据采用7位二进制数据进行表示，另一通道的原始数据采用8位二进制数据进行表示；

选择其中一通道规范后的7位二进制数据与另一通道对应的规范后的8位二进制数据连接，组成15位的二进制数据：

S_i＝{M_i,N_i}

其中，S_i为组成的第i个15位的二进制数据，M_i为其中一通道的第i个原始数据经规范化后的7位二进制数据；N_i为另一通道的第i个原始数据经规范化后的8位二进制数据；0≤i≤L，L为每个通道原始数据的长度。

作为一种可选的实施方式，在本发明实施例第一方面中，所述原始数据为三通道原始数据；

将所述三通道原始数据均规范化至0-32，即三通道原始数据中每个通道的原始数据均采用5位二进制数据进行表示；

选择三个通道相对应的原始数据进行连接，组成15位的二进制数据：

S_i＝{M_i,N_i,O_i}

其中，S_i为组成的第i个15位的二进制数据，M_i、N_i、O_i分别为三个通道的第i个原始数据经规范化后的5位二进制数据；0≤i≤L，L为每个通道原始数据的长度。

作为一种可选的实施方式，在本发明实施例第一方面中，利用CN算法对所述二进制数据进行空间映射，得到10维的空间映射矩阵，包括：

使用转换矩阵32768×10对所述15位的二进制数据组成的数据集进行高维空间映射，得到映射后的10为空间映射矩阵L×10，其中，L为原始数据的长度，也即是15位的二进制数据组成的数据集的个数。

作为一种可选的实施方式，在本发明实施例第一方面中，预先训练的网络模型，包括：

获取多组不同故障类型的电机样本数据以及未故障的电机样本数据，构建样本集；

创建网络初始模型，并使用样本集中的各个电机样本数据对所述网络初始模型进行训练，得到训练后的网络模型。

作为一种可选的实施方式，在本发明实施例第一方面中，所述原始数据的长度L满足：

其中，β为传感器的采样频率，n为电机转速。

本发明实施例第二方面公开一种电子设备，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行本发明实施例第一方面公开的一种基于CN和 PCA的电机故障诊断方法。

本发明实施例第三方面公开一种计算机可读存储介质，其存储计算机程序，其中，所述计算机程序使得计算机执行本发明实施例第一方面公开的一种基于 CN和PCA的电机故障诊断方法。

本发明实施例第四方面公开一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本发明实施例第一方面公开的一种基于CN和PCA的电机故障诊断方法。

本发明实施例第五方面公开一种应用发布平台，所述应用发布平台用于发布计算机程序产品，其中，当所述计算机程序产品在计算机上运行时，使得所述计算机执行本发明实施例第一方面公开的一种基于CN和PCA的电机故障诊断方法。

与现有技术相比，本发明实施例具有以下有益效果：

基于CN和PCA的故障诊断方法具有较高的诊断精度，同时模型收敛较快，能够提升不同类别数据之间的可分离性，进而提升算法的故障诊断效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例公开的基于CN和PCA的电机故障诊断方法的流程示意图；

图2是本发明实施例公开的基于CN和PCA的电机故障诊断装置的结构示意图；

图3是本发明实施例公开的电子设备的结构示意图。

具体实施方式

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，所描述的实施例仅是本发明一部分实施例，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，都属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象，而不是用于描述特定顺序。本发明实施例的术语“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，示例性地，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。

一种基于CN和PCA的电机故障诊断方法、电子设备及介质，用于根据检测数据判断电机是否故障以及故障类型，基于CN和PCA的故障诊断方法具有较高的诊断精度，同时模型收敛较快，能够提升不同类别数据之间的可分离性，进而提升算法的故障诊断效率，以下对其进行详细描述。

实施例一

请参阅图1，图1是本发明实施例公开的一种基于CN和PCA的电机故障诊断方法的流程示意图。其中，本发明实施例所描述的方法的执行主体通过软/ 硬件搭建而成，可以使用计算机、服务器等具有处理和存储功能的设备，在数据量较小的情况下，也可以使用手机、平板电脑等。如图1所示，该基于CN和 PCA的电机故障诊断方法包括以下步骤：

110，接收传感器采集的电机的原始数据。

传感器可以采集电机的内部参数数据，例如电压、电流以及加速度等，也可以采集电机在运行过程中基座、驱动端等的振动信息。传感器可以为一个或多个，为多个时，优选采用不同类型的传感器，例如，使用振动传感器采集基座的振动信息，使用电压互感器采集电机的电压信息等，当然，在一些场景中，也可以采用相同类型传感器采集电机不同位置的参数信息。

每一个传感器采集的电机的原始数据称为一个通道的原始数据。可以理解的是：当使用一个传感器采集电机数据时，则可以称为单通道原始数据；当使用二个传感器采集电机数据时，则可以称为双通道原始数据等等。

原始数据的长度(或称数量)应该满足：

其中，L为每个通道的原始数据的长度，β为传感器的采样频率，n为电机转速。在本发明较佳的实施例中，如果使用多个传感器对电机的原始数据进行采集，则该多个传感器的采样频率相同，且采集时间相等，则保证各个通道的原始数据的长度之间的相等的。

120，对所述原始数据进行归一化处理，并转换为15位的二进制数据。

在CN变换中，因为CN变换的变换矩阵为32768×10，即2¹⁵×10，因此，将原始数据构建成15位的二进制数据，则一方面利用后续的变换，另一方面因为数据并不是孤立存在的，其与前后相邻的一个或多个数据或者不同通道相同时间的数据之间必然存在一定的关联，如果可以将通道内或通道间的原始数据进行关联，则可以使得诊断更准确。

而本步骤120则是用于上述的转换操作，对原始数据进行归一化处理，并将通道内或通道间的原始数据进行关联。

具体地：

对于单通道原始数据而言，即通过单一传感器采集的电机的原始数据，则可以使用以下方式实现通道内的原始数据的关联。

将所述单通道原始数据规范化至0-32，即每个单通道原始数据均可以采用5 位二进制数据进行表示；选择相邻的3个5位二进制数据依次连接，从而就可以拼接组成15位的二进制数据：

S_i＝{M_i-1,M_i,M_i+1}

其中，S_i为组成的第i个15位的二进制数据，M_i为单通道的第i个原始数据规范化后的5位二进制数据；0≤i≤L，L为单通道原始数据的长度；当i＝0时，使用线性差值方式获取M_-1，当i＝L时，使用线性差值方式获取M_L+1。

例如，如果第i-1、i、i+1个单通道原始数据归一化处理得到的数据转换成二进制分别为10001、01110、11010、则得到的第i个15位的二进制数据为 100010111011010。

可以理解的是：单通道原始数据经过归一化以及拼接后得到的15位的二进制数据的数量与单通道原始数据的数量是相等的，均具有L个数据。归一化处理可以使用Z-score标准化方法。

类似的方法，针对双通道原始数据，则可以使用以下方法实现通道间的原始数据进行关联：

S_i＝{M_i,N_i}

例如，如果第1通道原始数据的第i个原始数据和第2通道的第i个原始数据经过归一化处理得到的数据转换成二进制分别为1000110、11011100、则得到的第i个15位的二进制数据为100011011011100。

同样可以理解的是：双通道原始数据经过归一化以及拼接后得到的15位的二进制数据的数量与双通道每个通道的原始数据的数量是相等的，均具有L个数据。归一化处理可以使用Z-score标准化方法。

同样地，对于三通道原始数据而言，则可以使用以下方式实现通道间的原始数据的关联。

将所述三通道每个通道的原始数据均规范化至0-32，即三通道原始数据中每个通道的原始数据均可以采用5位二进制数据进行表示；

S_i＝{M_i,N_i,O_i}

例如，如果第1通道原始数据的第i个原始数据、第2通道的第i个原始数据以及第3通道的第i个原始数据经过归一化处理得到的数据转换成二进制分别为10001、01110、11010、则得到的第i个15位的二进制数据为100010111011010。

可以理解的是：三通道原始数据经过归一化以及拼接后得到的15位的二进制数据的数量与单通道原始数据的数量是相等的，均具有L个数据。归一化处理可以使用Z-score标准化方法。

对于四通道或以上的原始数据而言，可以采用类似于双通道或三通道原始数据的处理方式，例如，对于四通道而言，则可以将各个通道的原始数据分别规范至0-9、0-9、0-9、0-16，即分别可以采用三位二进制、三位二进制、三位二进制、四位二进制表示，然后将相同位置的归一化数据进行拼接，得到15位的二进制数据。五通道则均可以规范至0-9。

如果超过十五通道，则不再本发明的保护范围内。

130，利用CN算法对所述二进制数据进行空间映射，得到10维的空间映射矩阵。

近年来，CN(Color Names颜色命名)在目标检测、图像识别和动作识别领域中得到了广泛的应用。它们是语言颜色标签，根据Berlin和Kay的研究所得出的结论，颜色命名包括11个基本组成：黑色、蓝色、棕色、灰色、绿色、橙色、粉红色、紫色、红色、白色和黄色。颜色名称是人为分配的，用于在现实世界中呈现颜色。基于这种颜色属性方法，本文Google图像搜索检索的图像学习的映射，原本的RGB图像经过映射后，可以转换为概率和为1的11维颜色空间：

X₀(i,j)＝W2C_32768×10·X₁(i,j)

在计算机视觉领域，常规对象跟踪器中的灰度值始终需要在[-0.5,0.5][6]内进行归一化。颜色名称通过一种技术进行规范化以获得更好的性能。该技术是通过将颜色名称投影到此10维子空间的正交标准进行的归一化处理。因此，11 维空间可以减少到10维。同时，此投影可以使颜色特征具有中心化的特点。

将CN算法应用于本发明实施例时，计算获取的15位二进制数据对应的十进制值，确定十进制值对应与CN转换矩阵32768×10中的索引值，进而构建出与十进制值对应的高维空间映射矩阵，最终获得结果映射矩阵MR[0:L，0:10]。

140，利用PCA算法对所述空间映射矩阵进行降维处理，获取3维的特征矩阵。

在大多数研究的研究领域，需要大量的数据来找寻它们之间的规则。毫无疑问，大量数据将提供大量信息，并使其更易于分析。但是，许多变量之间可能存在相关性，因此有必要丢弃无用的数据并减小数据量以减少变量进而减少计算量。如果随机减少待分析的数据或其维度，将不可避免地导致有用信息的丢失PCA则被用来解决上述问题。

PCA(Principle Component Analysis主元分析)的原理是将原始样本数据投影到新空间中，也就是将一组矩阵映射到另一个坐标系。在新的空间或坐标中，不需要所有的原始样本，而是仅需要与原始样本的最大线性独立组的特征值相对应的空间坐标。特征值及其对应的特征向量的计算是PCA算法的关键部分，它是指此处与原始数据相对应的协方差矩阵的特征值。

本文在CN运算后变为L×10的10维数据。如果要使用PCA减小尺寸，则首先需要计算10×10的协方差矩阵。其次，通过计算得到协方差矩阵的特征值及其对应的特征向量。如果前3个特征值已占所有特征值的99％以上，则仅提取与前9个特征值相对应的特征向量，所选择的特征向量组成10×3的变换矩阵。最后，将L×10的经过CN投影的数据乘以10×3的变换矩阵，即可得到新特征空间中原始样本数据的对应坐标，10维数据在不丢失有用信息的基础上被成功地减少到了3维。

150，将所述特征矩阵输入预先训练的网络模型，输出诊断结果。

因为一般的网络模型是针对图像数据的处理，因此可以将特征矩阵转换为三通道图像，示例性地，将3维特征矩阵每一维特征矩阵中的特征均归一化至 0-255，然后3维特征矩阵分别代表R、G、B三个通道的图像的像素值，从而构建三通道的R、G、B像素点值矩阵，然后选取满足网络模型的预设数个像素点例如100个像素点构建10*10的图像，从而得到三通道的R、G、B图像。

网络模型优选可以采用MobileNetV3 small的网络结构。

选取多个电机的样本数据组成的样本集对模型进行训练。优选地，样本数据包括多种数据来源，例如包括多个单通道样本数据、多个双通道样本数据、多个三通道样本数据、以及多个四通道样本数据等，而且，样本数据应当包括多个不同故障类型例如失磁、气隙变化、定子绕组故障等样本数据，也应当包括多个未故障时的电机样本数据。

样本数据集中每个样本数据的长度也应该满足：

对样本数据同样需要上述步骤120-140的处理过程，然后将得到的3维特征矩阵转换成三通道图像，输入网络初始模型进行训练，训练的标签为样本的故障类型，例如，将未故障样本数据的标签定义为0，将失磁故障的样本数据的标签定义为1，将气隙变化故障的标签定义为2……，使用标签对网络初始模型的输出结果进行反向传播，从而确定网络初始模型的各个参数的合适函数或值，得到最终的网络模型。

将原始数据经过处理后的三通道图像输入训练好的网络模型，则可以得到该原始数据对应的电机的状态，如果为故障状态，则还可以确定故障类型。

为了验证CN+PCA能够提升多类原始数据的空间可分离性，本发明实施例应用CN+PCA的方法对西储大学的滚动轴承故障数据进行处理，构建训练和测试样本集。同时依据西储大学原始数据直接构建训练样本和测试样本数据集。两种不同的数据集在轻量级的CNN网络(整体结构为五层)上进行仿真验证，仿真实验的结果表明，基于CN+PCA故障数据处理的故障诊断方法具有较高的诊断精度，同时模型收敛较快。识别精度和误差迭代关系如表1所示。西储数据实验结果已经证明了应用CN实现的高维空间映射，应用PCA进行降维构建样本数据的方法能够提升不同类别样本数据之间的可分离性。进而提升算法的故障诊断效率。

表1：基于CN和PCA的故障诊断训练、测试的损失和准确率

迭代次数	训练损失	训练精度	测试损失	测试精度
					1	0.0217	99.5438	0.0004	100.000
2	0.0011	99.9983	0.0001	100.000
					3	0.0007	99.9983	0.0006	100.000
4	0.0005	100.000	0.0000	100.000
					5	0.0004	100.000	0.0000	100.000
6	0.0005	99.9983	0.0000	100.000
					7	0.0003	99.9983	0.0000	100.000
8	0.0003	100.000	0.0000	100.000
					9	0.0002	99.9983	0.0000	100.000
10	0.0002	100.000	0.0000	100.000
					11	0.0001	100.000	0.0000	100.000
12	0.0001	100.000	0.0000	100.000
					13	0.0001	100.000	0.0000	100.000
14	0.0001	100.000	0.0000	100.000
					15	0.0001	100.000	0.0000	100.000
16	0.0001	100.000	0.0000	100.000
					17	0.0001	100.000	0.0000	100.000
18	0.0001	100.000	0.0000	100.000
					19	0.0001	100.000	0.0000	100.000
20	0.0001	100.000	0.0000	100.000

实施例二

请参阅图2，图2是本发明实施例公开的一种基于CN和PCA的电机故障诊断装置的结构示意图。如图2所示，该装置可以包括：

接收单元210，用于接收传感器采集的电机的原始数据；

归一化单元220，用于对所述原始数据进行归一化处理，并转换为15位的二进制数据；

映射单元230，用于利用CN算法对所述二进制数据进行空间映射，得到10 维的空间映射矩阵；

降维单元240，用于利用PCA算法对所述空间映射矩阵进行降维处理，获取3维的特征矩阵；

诊断单元250，用于将所述特征矩阵输入预先训练的网络模型，输出诊断结果。

作为一种可选的实施方式，接收传感器采集的电机的原始数据，包括：

作为一种可选的实施方式，所述原始数据为单通道原始数据；

S_i＝{M_i-1,M_i,M_i+1}

作为一种可选的实施方式，所述原始数据为双通道原始数据；

S_i＝{M_i,N_i}

作为一种可选的实施方式，所述原始数据为三通道原始数据；

S_i＝{M_i,N_i,O_i}

作为一种可选的实施方式，利用CN算法对所述二进制数据进行空间映射，得到10维的空间映射矩阵，包括：

作为一种可选的实施方式，预先训练的网络模型，包括：

作为一种可选的实施方式，所述原始数据的长度L满足：

其中，β为传感器的采样频率，n为电机转速。

实施例三

请参阅图3，图3是本发明实施例公开的一种电子设备的结构示意图。如图 3所示，该电子设备可以包括：

存储有可执行程序代码的存储器310；

与存储器310耦合的处理器320；

其中，处理器320调用存储器310中存储的可执行程序代码，执行实施例一中的基于CN和PCA的电机故障诊断方法中的部分或全部步骤。

本发明实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行实施例一中的基于CN和PCA的电机故障诊断方法中的部分或全部步骤。

本发明实施例还公开一种计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行实施例一中的基于CN和PCA的电机故障诊断方法中的部分或全部步骤。

本发明实施例还公开一种应用发布平台，其中，应用发布平台用于发布计算机程序产品，其中，当计算机程序产品在计算机上运行时，使得计算机执行实施例一中的基于CN和PCA的电机故障诊断方法中的部分或全部步骤。

在本发明的各种实施例中，应理解，所述各过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物单元，即可位于一个地方，或者也可以分布到多个网络单元上。可根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。所述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元若以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可获取的存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或者部分，可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本发明的各个实施例所述方法的部分或全部步骤。

在本发明所提供的实施例中，应理解，“与A对应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。

本领域普通技术人体可以理解所述实施例的各种方法中的部分或全部步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质包括只读存储器(Read–Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read–only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read–Only Memory，EPROM)、一次可编程只读存储器(One–time Programmable Read–Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically–Erasable Programmable Read–Only Memory，EEPROM)、只读光盘(CompactDisc Read–Only Memory，CD–ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

以上对本发明实施例公开的一种基于CN和PCA的电机故障诊断方法、电子设备及介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人体，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims

1.一种基于CN和PCA的电机故障诊断方法，其特征在于，包括：

接收传感器采集的电机的原始数据；

将所述特征矩阵输入预先训练的网络模型，输出诊断结果；

接收传感器采集的电机的原始数据，包括：

接收一个或多个传感器采集的电机的单通道或多通道原始数据；

所述传感器为振动传感器、电压互感器、电流互感器、加速度传感器中的任一种或多种；

当所述原始数据为单通道原始数据；

S_i＝{M_i-1,M_i,M_i+1}

其中，S_i为组成的第i个15位的二进制数据，M_i为单通道的第i个原始数据规范化后的5位二进制数据；0≤i≤L，L为单通道原始数据的长度；当i＝0时，使用线性差值方式获取M_i-1，当i＝L时，使用线性差值方式获取M_i+1；

当所述原始数据为双通道原始数据；

S_i＝{M_i,N_i}

其中，S_i为组成的第i个15位的二进制数据，M_i为其中一通道的第i个原始数据经规范化后的7位二进制数据；N_i为另一通道的第i个原始数据经规范化后的8位二进制数据；0≤i≤L，L为每个通道原始数据的长度；

当所述原始数据为三通道原始数据；

S_i＝{M_i,N_i,O_i}

2.根据权利要求1所述的基于CN和PCA的电机故障诊断方法，其特征在于，利用CN算法对所述二进制数据进行空间映射，得到10维的空间映射矩阵，包括：

3.根据权利要求1所述的基于CN和PCA的电机故障诊断方法，其特征在于，预先训练的网络模型，包括：

4.根据权利要求1所述的基于CN和PCA的电机故障诊断方法，其特征在于，所述原始数据的长度L满足：

其中，β为传感器的采样频率，n为电机转速。

5.一种电子设备，其特征在于，包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，用于执行权利要求1至4任一项所述的一种基于CN和PCA的电机故障诊断方法。

6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机程序，其中，所述计算机程序使得计算机执行权利要求1至4任一项所述的一种基于CN和PCA的电机故障诊断方法。