基于时频图与改进图卷积神经网络的异步电机故障诊断方法

作     者：陈起磊 蒋亦悦 唐瑶 张晓飞 王朝红 CHEN Qilei;JIANG Yiyue;TANG Yao;ZHANG Xiaofei;WANG Zhaohong

作者机构：中国船舶集团有限公司第七〇八研究所上海200011 湖南大学电气与信息工程学院长沙410082 

出 版 物：《振动与冲击》 (Journal of Vibration and Shock)

年 卷 期：2022年第41卷第24期

页      面：241-248页

核心收录：

学科分类：0710[理学-生物学] 080801[工学-电机与电器] 0808[工学-电气工程] 080802[工学-电力系统及其自动化] 08[工学] 0701[理学-数学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(52077064) 

主　　题：异步电机 故障诊断 图神经网络 小波变换 振动信号 结构学习 

摘      要：由于传统故障诊断技术依赖于人工提取特征,造成方法的泛化能力及应用受限。针对该问题,提出一种基于时频图与改进图卷积神经网络的异步电机故障诊断方法。首先,通过小波分析方法将电机振动信号转换为时频图,构建不同工况的图像样本;再基于超像素分割法处理图像生成超像素块,将其作为节点,并根据其纹理、颜色、距离特征生成图结构数据;然后将图结构数据输入改进网络,算法可以自适应地提取故障特征、得到诊断结果,其中,网络通过结构学习方法进行改进。该方法通过对节点相似度计算打分,以重构图连接结构,从而克服传统图卷积神经网络在池化操作后存在的图结构完整性缺失问题,实现卷积层和池化层的层层堆叠及图级分类。试验结果表明,所提方法可实现对转子断条故障、轴承故障、单相短路故障的有效诊断,与传统方法相比,具有较高的故障识别准确率。