面向感应电机故障诊断的深度学习方法研究

作者：李莎莎; 石颉^*

来源：计算机工程与应用, 2023, 1-10.

• 感应电机
• 故障诊断
• 注意力机制
• 卷积神经网络
• 长短期记忆神经网络

振动信号能够有效地反映出电机运行的状态，因此被视为诊断感应电机故障的重要依据。然而，原始振动信号存在特征单一、时序过长的问题，已有研究通常基于专家经验提取特征，成本较高。近年来，故障数据的积累推动了基于深度学习方法在故障诊断中的运用。针对上述问题本文提出了一种基于多头注意力机制和一维卷积神经网络的特征工程方法（Multi-Attention with 1D Convolutional Neural Network， MAC-LSTM）用于感应电机的故障诊断，该方法无需任何先验知识。首先，多头注意力机制被用来拓展特征的维度，使得原始特征的表示更加丰富；其次，卷积神经网络从时间维度上提取特征并降维，有效解决原始信号时序过长的问题；最后，LSTM捕获信号的时序依赖性，用于感应电机的故障诊断。实验结果表明，MAC-LSTM在基于振动信号的感应电机故障诊断中取得了优异的性能，并且具有很高的泛化能力。

• 单位
  苏州科技大学