一种基于神经网络的电机故障识别方法、系统及存储介质

摘要

本申请公开了一种基于神经网络的电机故障识别方法、系统及存储介质。该方法包括：分别采集电机在正常运行和不同故障状态下的多组信号并进行小波包变换获得不同小波包节点对应的频带能量指标值，利用频带能量指标值构建电机在正常运行和不同故障状态下的特征向量；将多组信号的特征向量输入到神经网络进行训练测试，并将电机正常运行状态和不同故障状态下的识别率分别作为优化目标，将神经网络的网络结构参数作为待优化参数，获得多个优化目标下的最优解集对应的多个神经网络，可根据不同应用场景灵活选择调用不同神经网络。本发明可解决电机不同运行状态识别率之间的互斥问题，提高神经网络的适用性，实现电机正常及不同故障状态的智能识别。

权利要求

1.一种基于神经网络的电机故障识别方法，其特征在于，包括：

分别采集电机在正常运行和不同故障状态下的多组信号，每组信号包括同一时刻采集的若干个信号，对每组信号中的每个信号进行小波包变换获得不同小波包节点对应的频带能量指标值，利用每组信号中所有信号的频带能量指标值构建电机在正常运行和不同故障状态下的特征向量；

将多组信号的特征向量输入到神经网络进行训练测试，并将电机正常运行状态和不同故障状态的识别率分别作为优化目标，将神经网络的网络结构参数作为待优化参数，采用带精英策略的非支配排序的遗传算法和训练样本对网络结构参数进行优化，获得多个优化目标下的最优解集，每个最优解对应神经网络的一组网络结构参数，从而获得具有不同网络结构参数的多个神经网络，所述获得多个优化目标下的最优解集包括：

确定神经网络中待优化的变量个数和神经网络的优化目标个数；

生成神经网络中待优化变量的初始种群，初始种群中的每个个体对应神经网络的一组网络结构参数；

对初始种群执行NSGA‑Ⅱ算法中的快速非支配排序和拥挤度计算操作，并通过选择、交叉、变异操作产生其子代种群；

最后执行精英策略得到下一代种群个体，当满足迭代终止条件后，所得到末代种群的个体构成多个优化目标下的最优解集；

根据不同应用场景下对电机正常运行和不同故障状态下的识别率需求，选择调用多个神经网络的一个或多个进行电机正常及不同故障状态的智能识别。

2.如权利要求1所述的基于神经网络的电机故障识别方法，其特征在于，每组信号包括同一时刻采集的若干个不同类型的信号。

3.如权利要求2所述的基于神经网络的电机故障识别方法，其特征在于，每组信号包括同一时刻采集的定子电流信号、径向电磁力信号和不平衡磁拉力信号。

4.如权利要求1所述的基于神经网络的电机故障识别方法，其特征在于，所述对每组信号中的每个信号进行小波包变换获得不同小波包节点对应的频带能量指标值包括：对每组信号中的每个信号进行3层小波包变换，将每个信号划分到8个细分的频带，分别计算第3层第i个节点对应的节点能量E(3,i)，0≤i≤7；

再计算第3层第i个节点对应的节点能量E(3,i)与第3层8个节点的节点能量总和的比值，得到第3层所有节点的能量占比，将每组信号中的所有信号的第3层所有节点的能量占比组成n×8维的向量作为特征向量，n为每组信号包含的信号数量。

5.如权利要求1所述的基于神经网络的电机故障识别方法，其特征在于，所述不同故障状态包括电机转子断条故障、气隙静偏心故障、气隙动偏心故障、气隙混合偏心故障和定子匝间短路故障。

6.如权利要求1所述的基于神经网络的电机故障识别方法，其特征在于，将所述神经网络的不同神经元之间的连接权值和阈值作为待优化参数。

7.如权利要求1所述的基于神经网络的电机故障识别方法，其特征在于，神经网络采用BP神经网络。

8.一种基于神经网络的电机故障识别系统，其特征在于，包括：

数据采集及预处理模块，用于分别采集电机在正常运行和不同故障状态下的多组信号，每组信号包括同一时刻采集的若干个信号，对每组信号中的每个信号进行小波包变换获得不同小波包节点对应的频带能量指标值，利用每组信号中所有信号的频带能量指标值构建电机在正常运行和不同故障状态下的特征向量；

训练测试模块，用于将多组信号的特征向量输入到神经网络进行训练测试，并将电机正常运行状态和不同故障状态下的识别率分别作为优化目标，将神经网络的网络结构参数作为待优化参数，采用带精英策略的非支配排序的遗传算法和训练样本对网络结构参数进行优化，获得多个优化目标下的最优解集，每个最优解对应神经网络的一组网络结构参数，从而获得具有不同网络结构参数的多个神经网络，所述获得多个优化目标下的最优解集包括：确定神经网络中待优化的变量个数和神经网络的优化目标个数；

生成神经网络中待优化变量的初始种群，初始种群中的每个个体对应神经网络的一组网络结构参数；

对初始种群执行NSGA‑Ⅱ算法中的快速非支配排序和拥挤度计算操作，并通过选择、交叉、变异操作产生其子代种群；

最后执行精英策略得到下一代种群个体，当满足迭代终止条件后，所得到末代种群的个体构成多个优化目标下的最优解集；

调用模块，用于根据不同应用场景下对电机正常运行和不同故障状态下的识别率需求，选择调用多个神经网络的一个或多个进行电机正常及不同故障状态的智能识别。

9.一种存储介质，其特征在于，其存储有计算机程序，当所述计算机程序在处理器上运行时，使得所述处理器执行权利要求1～7任一项所述方法的步骤。

说明书

一种基于神经网络的电机故障识别方法、系统及存储介质

技术领域

[0001] 本申请涉及故障识别技术领域，更具体地，涉及一种基于神经网络的电机故障识别方法、系统及存储介质。

背景技术

[0002] 异步电机具有结构简单、运行可靠、制造容易、价格低廉、坚固耐用，具有较高工作效率和较好工作特性等显著优点，被广泛应用于冶金、煤炭、矿山、机械和油田等各个工业生产领域。电机作为工业生产系统的重要核心部件，其可靠性将影响整个系统的性能，一旦发生故障，容易产生链式反应，导致整个系统瘫痪，因此对电机初期的故障诊断显得尤为重要。其中转子断条、气隙偏心、定子匝间短路以及轴承故障是异步电机的常见故障，在现有的电机故障诊断方法中，电流频谱分析由于信号获取方便且含有丰富的故障信息而被广泛应用，但在传统的电流频谱分析中，故障识别信号单一，易受基频分量泄露和电机负载波动的影响，故障特征分量不易识别，极易造成误判。

[0003] 此外，随着工业生产智能化运维水平的提高，一系列的机器学习算法被应用于电机故障识别领域，通过训练样本进行自动训练学习，得到识别精度达到训练误差要求的分类器模型，实现电机运行状态的自动化分类与故障智能识别，但是仍然存在诸多问题，对于模型性能的提高有待进一步研究。

发明内容

[0004] 针对现有技术的至少一个缺陷或改进需求，本发明提供了一种基于神经网络的电机故障识别方法、系统及存储介质，实现电机正常及不同故障状态的智能识别。

[0005] 为实现上述目的，按照本发明的第一个方面，提供了一种基于神经网络的电机故障识别方法，包括：

[0006] 分别采集电机在正常运行和不同故障状态下的多组信号，每组信号包括同一时刻采集的若干个信号，对每组信号中的每个信号进行小波包变换获得不同小波包节点对应的频带能量指标值，利用每组信号中所有信号的频带能量指标值构建电机在正常运行和不同故障状态下的特征向量；

[0007] 将多组信号的特征向量输入到神经网络进行训练测试，并将电机正常运行状态和不同故障状态的识别率分别作为优化目标，将神经网络的网络结构参数作为待优化参数，获得多个优化目标下的最优解集，每个最优解对应神经网络的一组网络结构参数，从而获得具有不同网络结构参数的多个神经网络；

[0008] 根据不同应用场景下对电机正常运行和不同故障状态下的识别率需求，选择调用多个神经网络的一个或多个进行电机正常及不同故障状态的智能识别。

[0009] 进一步地，每组信号包括同一时刻采集的若干个不同类型的信号。

[0010] 进一步地，每组信号包括同一时刻采集的定子电流信号、径向电磁力信号和不平衡磁拉力信号。

[0011] 进一步地，所述对每组信号中的每个信号进行小波包变换获得不同小波包节点对应的频带能量指标值包括：

[0012] 对每组信号中的每个信号进行3层小波包变换，将每个信号划分到8个细分的频带，分别计算第3层第i个节点对应的节点能量E(3,i)，0≤i≤7；

[0013] 再计算第3层第i个节点对应的节点能量E(3,i)与第3层8个节点的节点能量总和的比值，得到第3层所有节点的能量占比，将每组信号中的所有信号的第3层所有节点的能量占比组成n×8维的向量作为特征向量，n为每组信号包含的信号数量。

[0014] 进一步地，所述不同故障状态包括电机转子断条故障、气隙静偏心故障、气隙动偏心故障、气隙混合偏心故障和定子匝间短路故障。

[0015] 进一步地，将所述神经网络的不同神经元之间的连接权值和阈值作为待优化参数。

[0016] 进一步地，所述获得多个优化目标下的最优解集包括：

[0017] 生成初始种群，初始种群中的每个个体对应神经网络的一组网络结构参数；

[0018] 对初始种群执行NSGA‑Ⅱ算法中的快速非支配排序和拥挤度计算操作，并通过选择、交叉、变异操作产生其子代种群；

[0019] 最后执行精英策略得到下一代种群个体，当满足迭代终止条件后，所得到末代种群的个体构成多个优化目标下的最优解集。

[0020] 进一步地，神经网络采用BP神经网络。

[0021] 按照本发明的第二个方面，还提供了一种基于神经网络的电机故障识别系统，包括：

[0022] 数据采集及预处理模块，用于分别采集电机在正常运行和不同故障状态下的多组信号，每组信号包括同一时刻采集的若干个信号，对每组信号中的每个信号进行小波包变换获得不同小波包节点对应的频带能量指标值，利用每组信号中所有信号的频带能量指标值构建电机在正常运行和不同故障状态下的特征向量；

[0023] 训练测试模块，用于将多组信号的特征向量输入到神经网络进行训练测试，并将电机正常运行状态和不同故障状态下的识别率分别作为优化目标，将神经网络的网络结构参数作为待优化参数，获得多个优化目标下的最优解集，每个最优解对应神经网络的一组网络结构参数，从而获得具有不同网络结构参数的多个神经网络；

[0024] 调用模块，用于根据不同应用场景下对电机正常运行和不同故障状态下的识别率需求，选择调用多个神经网络的一个或多个进行电机正常及不同故障状态的智能识别。

[0025] 按照本发明的第三个方面，还提供了一种存储介质，其存储有可由处理器执行的计算机程序，当所述计算机程序在处理器上运行时，使得处理器执行上述任一项所述方法的步骤。

[0026] 总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

[0027] （1）本发明通过利用电机在正常运行和不同故障状态下的多组信号进行小波包分解构建输入神经网络的特征向量，将电机正常运行和不同故障状态下的识别率分别作为优化目标，将神经网络的网络结构参数作为待优化参数，即神经网络构建了优化目标与待优化参数之间的非线性数学模型，通过算法的优化迭代，获得多个优化目标下的最优解集对应的多个神经网络，根据不同应用场景灵活选择调用神经网络，可解决电机不同运行状态识别率之间的互斥问题，提高神经网络的适用性，实现电机运行状态的自动化分类与故障智能识别。

[0028] （2）本发明中通过小波包分解将电机在正常及不同故障状态下的定子电流信号、径向电磁力信号、不平衡磁拉力信号分解到不同频带，计算各频带的信号能量，并将各频带的能量占比作为神经网络的特征向量。小波包分析对于信号的频率分解是以频率段作为处理方式，不同于傅里叶变换以频率点来处理，所以只需提高小波包分解层数就可以有效避免傅里叶变换所存在的频谱泄漏和频谱波动等问题，通过小波包频带能量的变化可直观反映电机运行状态的变化。

[0029] （3）本发明通过将一组信号中的多个信号，例如定子电流信号、径向电磁力信号、不平衡磁拉力信号融合成一个特征向量，通过信号融合和BP神经网络可自动识别电机运行状态及故障类型，可进一步消除由于非故障因素导致电机故障误判的可能，对于电机故障的综合诊断具有重要意义。

附图说明

[0030] 为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0031] 图1为本申请实施例提供的一种基于神经网络的电机故障识别方法的流程示意图；

[0032] 图2为本申请实施例提供的NSGA‑Ⅱ算法中快速非支配排序和拥挤度计算示意图；

[0033] 图3为本申请实施例提供的NSGA‑Ⅱ算法的第一代优化目标值示意图；

[0034] 图4为本申请实施例提供的NSGA‑Ⅱ算法的最后一代优化目标值示意图。

具体实施方式

[0035] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

[0036] 本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或模块。

[0037] 如图1所示，本发明实施例提供的一种基于神经网络的电机故障识别方法，包括：

[0038] S101，分别采集电机在正常运行和不同故障状态下的多组信号，每组信号包括同一时刻采集的若干个信号，对每组信号中的每个信号进行小波包变换获得不同小波包节点对应的频带能量指标值，利用每组信号中所有信号的频带能量指标值构建电机在正常运行和不同故障状态下的特征向量。

[0039] 小波包变换对于信号的频率分解是以频率段作为处理方式，不同于傅里叶变换以频率点来处理，所以只需提高小波包分解层数就可以有效避免傅里叶变换所存在的频谱泄漏和频谱波动等问题，通过小波包频带能量的变化可直观反映电机运行状态的变化。

[0040] 通过将一组信号中的若干个信号融合成一个特征向量，通过信号融合和神经网络可自动识别电机运行状态及故障类型。

[0041] 进一步地，小波包变换选择3层小波包变换，对每组信号中的每个信号进行3层小波包变换，将每个信号划分到8个细分的频带。

[0042] 进一步地，频带能量指标值选择频带能量占比。但是用户也可以根据需要直接选择能量作为频带能量指标值，此处不作限定。

[0043] 对每组信号中的每个信号进行小波包变换获得不同小波包节点对应的频带能量指标值包括：

[0044] （1）对每组信号中的每个信号进行3层小波包变换，将每个信号划分到8个细分的频带，分别计算第3层第i个节点对应的节点能量E(3,i)，0≤i≤7；

[0045] （2）再计算第3层第i个节点对应的节点能量E(3,i)与第3层8个节点的节点能量总和的比值，得到第3层所有节点的能量占比，将每组信号中的所有信号的第3层所有节点的能量占比组成n×8维的向量作为特征向量，n为每组信号包含的信号数量。

[0046] 进一步地，每组信号包括同一时刻采集的若干个不同类型的信号。例如，每组信号包括同一时刻采集的定子电流信号、径向电磁力信号和不平衡磁拉力信号。定子电流信号可通过电流传感器获得，径向电磁力信号可通过垂直径向安装于电机定子的振动传感器获得，不平衡磁拉力信号可通过在电机轴承上安装贴有应变片的传感器获得。但是特别说明的是，用户也可以根据实际需要采集其他类型的信号。

[0047] 电机不同故障状态包括但不限于电机转子断条故障、气隙静偏心故障、气隙动偏心故障、气隙混合偏心故障和定子匝间短路故障。

[0048] 作为一个示例，若当前电机存在断条故障，定子电流将被调制，此时定子电流信号近似表达为：

[0049]

[0050] 其中， 为定子相电流基波分量的幅值， 为定子相电流基波分量的相位， 为断条故障 边频分量的幅值， 为断条故障 边频分量的相位， 为断条故障 边频分量的幅值， 为断条故障 边频分量的相位， 为电机转差
率， 为交流电角频率， 为基波频率，为时间。

[0051] 转子断条故障进一步会产生不平衡的径向电磁力，作用于定子铁心，产生区别于正常电机的特征频率的电磁振动。当电机发生断条故障后，在气隙中将产生附加磁场br(t,θ)：

[0052]

[0053] 其中，θ为某一时刻空间电角度，r = ±1, ±2, ±3…为气隙附加磁场次数，Br为气隙附加磁场幅值，p为电机极对数。

[0054] 在转子断条的情况下，附加径向电磁力由定子基波磁场和气隙附加磁场相互作用产生，附加径向电磁力pr(t,θ)的表达式为：

[0055]

[0056] 可知，当电机发生断条故障后，气隙中附加径向电磁力波的故障特征频率为| (r/p)(1‑s)+s±1| f，其中，B1为定子基波磁场幅值，μ0为真空磁导率。

[0057] 作为一个示例，若当前电机存在气隙偏心故障，此时定子电流故障特征频率分量fecc为：

[0058]

[0059] 其中，k为任意整数（k一般取1），Z2为转子槽数，nd为偏心阶数，静态偏心时nd= 0，动态偏心时nd= 1,2,3…，v为电源谐波的次数（v =1,3,5…）。

[0060] 当偏心类型为静偏心故障时，气隙磁导Λs(t,θ)为：

[0061]

[0062] 对其进行傅里叶分解，得到静偏心情况下气隙磁导的近似表达式为：

[0063]

[0064] 此时气隙磁密bs(t,θ)的表达式为：

[0065]

[0066] 式中，μ0为真空磁导率，g0为均匀气隙长度，δs为静偏心率，Λ0为正常电机气隙磁导分量，Λs为静偏心故障引起的气隙磁导分量，f  (t, θ)为电机正常运行时的气隙合成磁动势基波分量，F1为电机正常运行时的气隙合成磁动势基波分量的幅值，w为交流电角频率。

[0067] 根据麦克斯韦定律，进一步可得静偏心故障下的单位面积径向电磁力为：

[0068]

[0069] 沿圆周方向对径向电磁力积分可分别得到电机转子在水平方向和垂直方向所受到的不平衡磁拉力FX、FY为：

[0070]

[0071] 其中，L为电机轴向长度，R为转子外径。

[0072] 沿转子圆周方向对单位面积径向电磁力积分可得到电机转子在静偏心故障下所受到的不平衡磁拉力的合力为Fs：

[0073]

[0074] 当偏心类型为动偏心故障时，气隙磁导Λd(t,θ)可近似表达为：

[0075]

[0076] 式中，Λd为动偏心故障引起的气隙磁导分量，δd为动偏心率，wr为转子旋转角速度。

[0077] 此时气隙磁密bd(t,θ)为：

[0078]

[0079] 进一步可得动偏心故障下的单位面积径向电磁力为：

[0080]

[0081] 沿转子圆周方向对单位面积径向电磁力积分可得到电机转子在动偏心故障下所受到的不平衡磁拉力的合力Fd为：

[0082]

[0083] 当偏心类型为混合偏心故障时，电机定子几何中心、转子几何中心、旋转中心彼此都不重合，此时静偏心和动偏心故障下的信号特征频率都会出现，进一步可得到电机转子在混合偏心故障下所受到的不平衡磁拉力的合力Fsd为：

[0084]

[0085] 作为一个示例，若当前电机存在定子绕组匝间短路故障，定子电流故障特征频率分量fz为：

[0086]

[0087] 式中，nz = 1,2,3…，m =1,3,5…。

[0088] 此时线圈短路环中形成的故障回路电流将通过气隙产生附加脉振磁场，当忽略高次谐波后，此时气隙中附加脉振磁势f1(t,θ)可表示为：

[0089]

[0090] 则气隙附加磁密可表达b1(t,θ)为：

[0091]

[0092] 进一步可得气隙磁场中附加径向电磁力波为：

[0093]

[0094] 其中，Fm为电机气隙附加脉振磁势的幅值。

[0095] 通过上述分析，可知利用小波包分解方法对定子电流信号、径向电磁力信号和不平衡磁拉力信号三种信号进行小波包分解，构建电机在正常运行和不同故障状态下的特征向量，可以帮助较好地识别电机运行状态。

[0096] 下面以每组信号包括定子电流信号、径向电磁力信号和不平衡磁拉力信号作为示例说明步骤S101。获取电机在正常运行及不同故障状态下的多组定子电流信号、径向电磁力信号和不平衡磁拉力信号，分别对其进行小波包变换以获得不同小波包节点对应的频带能量占比，用于构建BP神经网络的特征向量。

[0097] 具体地，对采集得到的定子电流信号、径向电磁力信号、不平衡磁拉力信号进行3层小波包分解运算，将信号划分到8个细分的频带，计算得到第3层第i个节点对应的节点能量E(3,i)：

[0098]

[0099] 其中d ij（j = 3，i =1, 2, … ,2j）表示第3层第i个节点的小波包系数。

[0100] 进一步计算第3层各个小波包节点对应的频带能量占比Xi，用于构建BP神经网络的特征向量T：

[0101]

[0102] S102，将多组信号的特征向量输入到神经网络进行训练测试，并将电机正常运行状态和不同故障状态的识别率分别作为优化目标，将神经网络的网络结构参数作为待优化参数，获得多个优化目标下的最优解集，每个最优解对应神经网络的一组网络结构参数，从而获得具有不同网络结构参数的多个神经网络。

[0103] 进一步地，神经网络为优化反向传播（Back Propagation，BP）神经网络。但不限于BP神经网络。

[0104] 进一步地，将神经网络的不同神经元之间的连接权值和阈值作为待优化参数。

[0105] 进一步地，利用NSGA‑II算法（带精英策略的非支配排序的遗传算法）和训练样本对BP神经网络模型的连接权值和阈值进行优化，以获得基于帕累托（Pareto）最优解集的多个BP神经网络模型。具体地，首先确定NSGA‑Ⅱ算法待优化的变量个数和优化目标个数，并分别选择一定数量的训练样本和测试样本；其次建立待优化变量的初始种群，种群中的每个个体代表BP神经网络的一组全部的连接权值和阈值；然后以电机训练样本各个运行状态下的识别率为优化目标，对初始种群执行NSGA‑Ⅱ算法中的快速非支配排序和拥挤度计算操作，并通过选择、交叉、变异操作产生其子代种群；最后执行精英策略得到下一代种群个体，当满足迭代终止条件后，所得到末代种群的个体构成所求问题的一组Pareto最优解集。

[0106] 图2是本发明实施例提供的NSGA‑Ⅱ算法中快速非支配排序和拥挤度计算示意图。如图2所示，通过快速非支配排序和拥挤度计算，可对该种群个体进行分层，最终得到所有决策变量的Pareto等级，为种群个体进化过程中筛选保留优秀个体提供依据，即：如果种群中的两个个体处于不同的Pareto等级时，则Pareto等级低的个体为优秀个体；如果种群中的两个个体处于相同的Pareto等级时，则个体拥挤度大的个体为优秀个体。

[0107] 精英策略用于扩大采样空间，将父代种群与其产生的子代种群组合在一起，共同通过竞争来产生下一代种群，有利于保留父代种群中的优良个体，提高优化结果的准确度。

[0108] 通过上述优化后，得到了一组Pareto最优解集，集合中每个最优解对应的是一组BP神经网络的网络结构参数，即对应一个BP神经网络。这样就可以获取到具有不同网络结构参数的多个BP神经网络，一个BP神经网络可能对于某种运行状态的识别率最好，但是对于其他运行状态的识别率可能会低于其他BP神经网络。

[0109] S103，根据不同应用场景下对电机正常运行和不同故障状态下的识别率需求，选择调用多个神经网络的一个或多个进行电机正常及不同故障状态的智能识别。

[0110] 换而言之，根据不同应用场景中对电机不同状态识别率的重要度次序，灵活选择BP神经网络模型，代入测试样本进行验证，实现电机运行状态的自动化分类与故障智能识别。

[0111] 具体地，以电机不同运行状态下的识别率作为多个优化目标，可得到一组Pareto最优解集，分别对应BP神经网络权值和阈值的不同取值及训练样本不同运行状态下的识别率，进一步可根据不同的应用场景灵活选择BP神经网络模型，如对电机不误判为故障要求高的场合，可优先选择对电机正常运行识别率更高的BP神经网络模型；如对电机不拒判故障要求高的场合，可优先选择对电机不同故障识别率更高的BP神经网络模型。

[0112] 以优化静偏心和动偏心两种故障识别率为优化目标。如图3所示，NSGA‑Ⅱ算法中种群个体第一代优化目标值的分布没有规律。如图4所示，经过算法优化，种群个体最后一代优化目标值的分布趋于Pareto前沿，即获得基于Pareto最优解集的多个BP神经网络模型，可根据在不同应用场景中对电机不同状态识别率的重要度次序，灵活选择BP神经网络模型。具体为：当对静偏心故障识别率要求较高时，可选择区域A中的个体构成BP神经网络模型；当对动偏心故障识别率要求较高时，可选择区域C中的个体构成BP神经网络模型；当对两种故障的识别率无特殊要求时，可折中选择区域B中的个体构成BP神经网络模型。

[0113] 进一步以电机六种不同运行状态（即正常运行、转子断条故障、气隙静偏心故障、气隙动偏心故障、气隙混合偏心故障、定子匝间短路故障）的识别率为多个优化目标，最终得到基于一组Pareto最优解集的多个BP神经网络模型，可根据在不同应用场景中对电机不同状态识别率的重要度次序，灵活选择BP神经网络模型，解决电机不同运行状态识别率之间的互斥问题，提高BP神经网络的适用性，实现电机运行状态的自动化分类与故障智能识别，该发明方法的实效性得以验证。

[0114] 本发明实施例中将NSGA‑II算法与BP神经网络模型相结合应用于电机故障识别，可避免直接应用信号频谱分析带来的不便，并能根据不同应用场景中对电机不同状态识别率的重要度次序，灵活选择BP神经网络模型，实现电机运行状态的自动化分类与故障智能识别。

[0115] 本发明实施例的一种基于神经网络的电机故障识别系统，包括：

[0116] 数据采集及预处理模块，用于分别采集电机在正常运行和不同故障状态下的多组信号，每组信号包括同一时刻采集的若干个信号，对每组信号中的每个信号进行小波包变换获得不同小波包节点对应的频带能量指标值，利用每组信号中所有信号的频带能量指标值构建电机在正常运行和不同故障状态下的特征向量；

[0117] 训练测试模块，用于将多组信号的特征向量输入到神经网络进行训练测试，并将电机正常运行状态和不同故障状态下的识别率分别作为优化目标，将神经网络的网络结构参数作为待优化参数，获得多个优化目标下的最优解集，每个最优解对应神经网络的一组网络结构参数，从而获得具有不同网络结构参数的多个神经网络；

[0118] 调用模块，用于根据不同应用场景下对电机正常运行和不同故障状态下的识别率需求，选择调用多个神经网络的一个或多个进行电机正常及不同故障状态的智能识别。

[0119] 该系统的实现原理、技术效果与上述方法类似，此处不再赘述。

[0120] 表1为本发明实施例电机的基本相关参数。如表1所示，以一台4 极3相电机为示例，在Ansoft Maxwell、MATLAB/SIMULINK软件中进行相应的仿真验证，该电机的基本相关参数见表1。

[0121] 表1 本发明实施例电机的基本相关参数

[0122]

[0123] 在Ansoft Maxwell软件中对电机进行有限元建模和仿真，仿真时间设定为3s，仿真步长设定为0.001s。通过仿真后处理操作分别提取正常电机、转子断条故障电机、气隙偏心故障电机、定子匝间短路故障电机所对应的定子电流信号、径向电磁力信号和不平衡磁拉力信号，继而通过MATLAB对信号作进一步的小波包分解，获得特征信号不同小波包节点对应的频带能量占比，用于构建BP神经网络的特征向量。

[0124] 本申请还提供一种存储介质，其存储有可由处理器执行的计算机程序，当计算机程序在处理器上运行时，使得处理器执行上述任一项上述基于神经网络的电机故障识别方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD‑ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统（包括分子存储器IC），或适合于存储指令和/或数据的任何类型的媒介或设备。

[0125] 需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

[0126] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

[0127] 在本申请所提供的几个实施例中，应该理解到，所揭露的系统，可通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，系统或模块的间接耦合或通信连接，可以是电性或其它的形式。

[0128] 所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

[0129] 另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

[0130] 所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器（Read‑Only Memory， ROM）、随机存取存储器（Random Access Memory，RAM）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

[0131] 本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器（Read‑Only Memory， ROM）、随机存取器（Random Access Memory，RAM）、磁盘或光盘等。

[0132] 以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。

[0133] 以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

[0134] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。