买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京理工大学

摘要：本发明提出了一种基于LSTM深度降噪自编码器的飞轮故障识别方法。首先，采集飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号，使用极值包络线移动平均或小波降噪处理原始信号，并结合滑动窗口法分别构建电流信号样本、力矩信号样本和转速信号样本；然后，以LSTM单元为基础分别构建三个独立的深度降噪自编码器网络，利用电流信号样本、力矩信号样本和转速信号样本分别训练三个网络。接着，基于网络输出生成信号残差，提取信号残差特征。最后，引入网格搜寻法确定SVM最优参数，使用SVM完成飞轮故障识别。在网络训练时仅使用正常状态下采集的信号，训练完成后可直接将监测信号输入到模型中，完成故障辨识。本发明的技术可以实现飞轮故障的准确识别。

主权项：1.一种基于LSTM深度降噪自编码器的飞轮故障识别方法，其特征在于：采用极值包络线移动平均或小波降噪处理采集飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号，以LSTM单元为基础分别搭建三个深度降噪自编码器网络，对飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号进行重构，计算深度降噪自编码器网络输出与输入信号的残差并提取特征，利用SVM完成飞轮故障识别；包括以下步骤：步骤1、采集飞轮电机电流信号、飞轮输出力矩信号和飞轮转速信号，构建原始信号集，转入步骤2；步骤2、飞轮电机电流信号、飞轮输出力矩信号分别通过极值包络线移动平均方法进行预处理，对应得到电流信号和力矩信号，同时飞轮转速信号通过小波降噪方法进行预处理，得到转速信号，转入步骤3；步骤3、采用滑动窗口方法分别对电流信号、力矩信号和转速信号进行分割，对应获得电流信号样本、力矩信号样本和转速信号样本，转入步骤4；步骤4、利用LSTM单元分别搭建三个深度降噪自编码器网络，使用电流信号样本训练第一个网络，力矩信号样本训练第二个网络，转速信号样本训练第三个网络，具体如下：利用LSTM单元搭建深度降噪自编码器网络，网络层数为“layer_net”，从第一层到最后一层，每层包含的LSTM单元个数为“node_1”、“node_2”、……、“node_layer_net”，每层采用的激活函数为“func_net”，网络采用优化算法为“optimizer”，损失函数为“loss”；针对电流信号样本、力矩信号样本和转速信号样本，分别建立三个独立的深度降噪自编码器网络：即电流子网络、力矩子网络和转速子网络，每个深度降噪自编码器网络分别采用对应的电流信号样本、力矩信号样本、转速信号样本训练网络；网络输出为信号重构矩阵，分别是电流子网络输出的电流信号重构矩阵力矩子网络输出的力矩信号重构矩阵和转速子网络输出的转速信号重构矩阵转入步骤5；步骤5、分别计算三个网络对应的输出与输入之间的残差，对应得到电流信号残差矩阵、力矩信号残差矩阵、转速信号残差矩阵，将电流信号残差矩阵、力矩信号残差矩阵、转速信号残差矩阵合并构成信号残差矩阵R：R＝[RI,RT,Rω]T式中，电流信号残差矩阵力矩信号残差矩阵转速信号残差矩阵转入步骤6；步骤6、分析信号残差矩阵中的残差特性，提取残差特征，构成特征矩阵，具体如下：分别提取残差矩阵中电流信号残差、力矩信号残差和转速信号残差的最大值M、均值μ、标准差σ2、裕度L、峰值因子Cf和波形因子WS作为特征，构成特征矩阵，记为r：r＝[rI,rT,rω]T式中，电流信号特征矩阵rI＝[MRI,μRI,σ2RI,LRI,CfRI,WSRI]；力矩特征矩阵rT＝[MRT,μRT,σ2RT,LRT,CfRT,WSRT]；转速特征矩阵rω＝[MRω,μRω,σ2Rω,LRω,CfRω,WSRω]；记r'为特征矩阵r中某一参量的残差向量，r'＝[r1,r2,...,ra...,rl]，信号的序号a∈1,2,...,l，其中l为该样本的信号长度，则特征提取过程如下：Mr'＝maxra；μr'＝Era； 式中，E·为均值函数；转入步骤7；步骤7、使用特征矩阵训练SVM，引入网格搜索法确定SVM最优参数，转入步骤8；步骤8、根据SVM最优参数构建基于LSTM深度降噪自编码器的飞轮故障识别模型，通过模型实现飞轮故障识别。

全文数据：

权利要求：

百度查询： 南京理工大学 基于LSTM深度降噪自编码器的飞轮故障识别方法