一种基于稀疏自编码器的电机故障诊断方法

王黎阳

1

，杜

翀

2

，汪

欣

2

，翟旭平

1

【摘

要】

在电机故障诊断研究领域，基于人工智能技术和现代信号处理方法相

结合的故障诊断技术正逐步成为目前的研究热点。一般的模式识别方法往往对

信号的数据采集和处理有较高要求，且往往因模型泛化能力有限而受到制约。

为解决这一问题，提出一种基于稀疏自编码器的故障诊断方法，利用

Hilbert

包络谱信号训练稀疏自编码器，自适应将大数据的内在特征提炼为简单的特征

函数，通过特征函数表达实现电机状况的智能诊断。实验结果表明，相比

BP(Back propagation

，

BP)

神经网络和支持向量机分类算法，本方法可快速、

有效地提高故障分类的准确度，对电机故障精准诊断具有重要意义。

【期刊名称】

《噪声与振动控制》

【年

(

卷

),

期】

2019(039)005

【总页数】

7

【关键词】

故障诊断；稀疏自编码；模式识别；特征提取

基金项目：中国科学院重点部署资助项目

(KFZD-SW-310)

在当前的电机领域中，航空发动机、永磁直流电动机、军用特种电机组等装备

正朝着自动化、智能化、高效化方向发展。建立可靠的故障智能诊断系统，保

障装备安全运行，避免事故发生显得愈发必要

[1]

。对电机进行实时的状态监测

与故障诊断，不仅可以保证电机的正常运转，而且能够及时发现问题并进行维

修，减少不必要的损失

[2]

。

在故障诊断研究中，普遍采用信号处理与模式识别相结合的诊断方法

[3]

，其中

特征提取和分类识别是故障诊断的核心技术。南京理工大学邢宗义团队提出了