基于深度学习的电机振动信号智能诊断系统

1. 项目背景与核心思路

电机作为工业生产的核心动力设备，其运行状态直接影响生产线的稳定性。传统电机故障诊断主要依赖人工经验或简单阈值判断，存在响应滞后、误判率高等问题。本项目通过深度学习技术，构建了一个基于振动信号分析的智能诊断系统。

为什么选择振动信号？电机不同故障类型会产生特征各异的振动模式。例如：

• 轴承故障：高频周期性冲击
• 绕组短路：50Hz基频伴随谐波
• 转子偏心：转频及其倍频分量

我们实验室搭建的采集系统包含：

• 3轴振动传感器（采样率12.8kHz）
• 3相电压互感器
• 温度传感器（辅助验证）

实际工程中发现：Z轴（垂直方向）振动对多数机械故障最敏感，这与旋转设备的受力特性相关

2. 数据准备与特征工程

2.1 数据集构建难点

工业场景中故障样本获取成本极高，我们采用的方法：

1. 实验室模拟故障（如人工制造轴承划痕）
2. 变频器参数篡改诱发绕组异常
3. 长期老化测试获取自然故障数据

数据集分布特点：

2.2 信号预处理流程

python复制def preprocess(raw_signal):
    # 1. 带通滤波 (50-6000Hz)
    b, a = butter(4, [50,6000], btype='bandpass', fs=12800)
    filtered = filtfilt(b, a, raw_signal)
    
    # 2. 归一化
    normalized = (filtered - np.mean(filtered)) / np.std(filtered)
    
    # 3. 分段加窗
    segments = []
    for i in range(0, len(normalized)-1024, 1024):
        window = normalized[i:i+1024] * np.hamming(1024)
        segments.append(window)
    return np.array(segments)

关键参数选择依据：

• 1024点窗长：兼顾频率分辨率（12.5Hz）和时域细节
• 汉明窗：减少频谱泄漏效应
• 50Hz高通：消除电网工频干扰

3. 模型架构设计

3.1 CNN-LSTM混合结构

python复制def build_model(input_shape):
    inputs = Input(shape=input_shape)
    
    # CNN分支
    x = Conv1D(64, 32, activation='relu', padding='same')(inputs)
    x = MaxPooling1D(4)(x)
    x = Conv1D(128, 16, activation='relu', padding='same')(x)
    
    # LSTM分支
    y = LSTM(64, return_sequences=True)(inputs)
    y = LSTM(32)(y)
    
    # 特征融合
    combined = concatenate([GlobalAvgPool1D()(x), y])
    
    # 分类头
    outputs = Dense(6, activation='softmax')(combined)
    
    return Model(inputs, outputs)

设计考量：

1. 卷积核尺寸选择：

   • 第一层32点：覆盖2.5ms时窗（适合冲击特征）
   • 第二层16点：提取更精细特征

2. 双路结构优势：

   • CNN捕捉局部振动模式
   • LSTM建模时序依赖关系

3.2 训练技巧

• 类别加权损失函数：解决样本不均衡

python复制class_weights = {
    0: 1.0,  # 正常
    1: 2.5,  # 轴承故障
    2: 3.0,  # 断条
    ... 
}

• 动态学习率调度：
  • 初始lr=0.001
  • 验证损失停滞时衰减系数0.5

4. 部署优化实践

4.1 工程化改进

1. 实时性优化：

   • 将1024点窗改为512点重叠窗（步长256）
   • 使用TensorRT加速推理

2. 抗干扰设计：

   • 增加置信度阈值（<0.7视为不确定）
   • 引入滑动窗口投票机制

4.2 常见问题排查

1. 误报率高：

   • 检查传感器安装是否松动
   • 验证电网电压是否稳定

2. 特定故障漏检：

   • 收集更多该类型样本
   • 调整对应类别的损失权重

实测中发现：轴承外圈故障在低速时容易与正常状态混淆，建议增加转速特征作为辅助输入

5. 效果评估与对比

测试集性能指标：

混淆矩阵分析：

• 主要混淆发生在：
  • 轴承内/外圈故障（12%）
  • 断条与匝间短路（9%）

改进方向：

1. 引入注意力机制增强特征区分度
2. 融合多传感器数据（电流+温度）