一种声振信号联合1D-CNN的大型电机故障诊断方法

摘要

本发明公开了一种声振信号联合一维卷积神经网络(1D‑CNN)故障诊断方法，该方法包括以下内容：首先对采集到的声信号采用背景噪声库联合稀疏表示去除噪声，然后将声音信号进行带通滤波(7kHz‑20kHz)，叠加低频振动信号(7kHz内)形成频带更完整的电动机状态表征信息。再对经过滤波提纯处理后信息进行重叠式数据扩容，获取1D‑CNN训练所需大量数据。最后将数据样本输入1D‑CNN进行学习训练，采用局部均值归一化(LRN)和核函数去相关性改进1D‑CNN模型结构，降低了抽油机正负半周工况波动对电动机诊断准确性影响。这是一种针对复杂运行环境下大功率电动机故障诊断的新方法，诊断准确率高，泛化性能好，与传统的电动机故障诊断方法相比优势明显。