一种电机轴损伤检测方法与流程

本发明涉及电机轴损伤检测，具体涉及一种电机轴损伤检测方法。

背景技术：

1、电机是现代工业中不可或缺的动力源，其性能和可靠性直接影响生产线的稳定运行。而电机轴作为传递扭矩的关键部件，其健康状态对整个电机的性能具有重要影响。因此，对电机轴进行有效的损伤检测与评估至关重要。

2、现有技术在针对机械损伤时，常采用超声波进行损伤检测，但是电机结构复杂，在各部件衔接处存在衔接缝，因此采用超声波进行损伤检测时，可能会受到结构的干扰，从而影响检测的准确性和效率。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种电机轴损伤检测方法解决了现有采用超声波进行损伤检测，存在检测准确性低的问题。

2、为了达到上述发明目的，本发明采用的技术方案为：一种电机轴损伤检测方法，包括以下步骤：

3、s1、采集电机轴的振动信号，将振动信号进行分段，对每段信号构建汉克尔矩阵；

4、s2、对每个汉克尔矩阵进行奇异值分解，构建奇异值向量，其中，奇异值向量由一个汉克尔矩阵对应的各奇异值构成；

5、s3、计算每个奇异值向量与奇异值标准向量的差异系数，构建差异系数向量；

6、s4、对汉克尔矩阵中每行进行傅里叶变换，提取频谱特征值，并分离出主特征序列和非主特征序列；

7、s5、根据主特征序列和非主特征序列，基于差异系数向量的补偿，采用双通道增强补偿模型预测电机轴损伤程度。

8、本发明的有益效果为：本发明采集电机轴的振动信号，然后对振动信号进行分段，并对每段信号构建汉克尔矩阵，对汉克尔矩阵进行奇异值分解，构建奇异值向量，根据奇异值向量与奇异值标准向量的差异系数，构建差异系数向量，体现每段信号存在的微小变化和潜在损伤特征，本发明对汉克尔矩阵中每行进行傅里叶变换，提取出各频谱特征值，并将各频谱特征值分成主特征序列和非主特征序列，应用双通道增强补偿模型结合主特征序列和非主特征序列以及差异系数向量的补偿，精确预测电机轴的损伤程度。本发明基于振动信号的分析，避免采用超声波进行损伤检测带来的检测准确性低的问题。

9、进一步地，所述s3包括以下分步骤：

10、s31、计算每个奇异值向量与奇异值标准向量的皮尔逊相关系数；

11、s32、计算每个奇异值向量与奇异值标准向量的交并比；

12、s33、根据皮尔逊相关系数和交并比，计算每个奇异值向量对应的差异系数；

13、s34、将各个差异系数作为元素，构建差异系数向量。

14、进一步地，所述s33中计算差异系数的公式为：

15、，

16、其中，ε为差异系数，α1为第一加权系数，α2为第二加权系数，xp为皮尔逊相关系数，xi为交并比。

17、上述进一步地方案的有益效果为：本发明通过每个奇异值向量与奇异值标准向量的皮尔逊相关系数，以及交并比，体现奇异值向量与奇异值标准向量的差异情况，差异系数越大，振动信号偏离正常范围越大。

18、进一步地，所述s4包括以下分步骤：

19、s41、对汉克尔矩阵中每行进行傅里叶变换，得到每行频谱信息；

20、s42、根据每行频谱信息，计算频谱特征值；

21、s43、将一个汉克尔矩阵对应的频谱特征值，构成一个频谱特征集合；

22、s44、对各个频谱特征集合取交集；

23、s45、统计交集中的频谱特征值在各个频谱特征集合出现的次数；

24、s46、将出现次数大于阈值的各频谱特征值作为元素，构建主特征序列；

25、s47、将出现次数小于等于阈值的各频谱特征值作为元素，构建非主特征序列。

26、上述进一步地方案的有益效果为：本发明对汉克尔矩阵中每行进行傅里叶变换，得到每行的频谱信息，对每行的频谱信息计算频谱特征值，将一个汉克尔矩阵对应的频谱特征值，构成一个频谱特征集合，存在多个汉克尔矩阵，因此，存在多个频谱特征集合，对各个频谱特征集合取交集，找到在各段信号中均存在的频谱特征值，统计均存在的频谱特征值出现的次数，找到出现次数多的各频谱特征值，构成主特征序列，出现次数少的频谱特征值，构成非主特征序列。

27、在主特征序列中的频谱特征值体现了振动信号的主要信号成分，代表了最为显著的损伤相关特征，非主特征序列体现了振动信号的非主要信号成分，代表了振动信号中非显著的损伤相关特征。

28、进一步地，所述s42中计算频谱特征值的公式为：

29、，

30、其中，s为频谱特征值，e为自然常数，θi为每行频谱信息中第i个频率分量的相位，fi为每行频谱信息中第i个频率分量的幅值，fi为每行频谱信息中第i个频率分量，i为正整数。

31、上述进一步地方案的有益效果为：本发明中频谱特征值为：相位、幅值和频率分量的融合，使得频谱特征值体现汉克尔矩阵每行数据的成分特征。

32、进一步地，所述s5中双通道增强补偿模型包括：主特征处理通道、非主特征处理通道、concat层、全连接层和补偿层；

33、所述主特征处理通道的输入端用于输入主特征序列；所述非主特征处理通道的输入端用于输入非主特征序列；所述concat层的输入端分别与主特征处理通道的输出端和非主特征处理通道的输出端连接，其输出端与全连接层的输入端连接；所述补偿层的输入端与全连接层的输出端连接，其输出端作为双通道增强补偿模型的输出端。

34、上述进一步地方案的有益效果为：本发明采用主特征处理通道处理主特征序列，采用非主特征处理通道处理非主特征序列，实现将两种序列分开处理，能够同时处理损伤相关的显著特征和可能的次要特征，确保了对损伤信息的全面捕捉，减少了信息遗漏，concat层将主特征处理通道和非主特征处理通道的输出合并，实现了不同类型特征的有效融合，提升了模型对复杂损伤模式的识别能力，全连接层根据concat层合并的特征，计算初始损伤程度，再采用补偿层对初始损伤程度进行补偿，提高电机轴损伤程度检测精度。

35、进一步地，所述主特征处理通道和非主特征处理通道均包括：第一卷积层、增强层、第二卷积层、sigmoid层、乘法器m1和池化层；

36、所述第一卷积层的输入端作为主特征处理通道或非主特征处理通道的输入端，其输出端与增强层的第一输入端连接；所述增强层的输出端分别与第二卷积层的输入端和乘法器m1的第一输入端连接；所述第二卷积层的输出端与sigmoid层的输入端连接；所述乘法器m1的第二输入端与sigmoid层的输出端连接，其输出端与池化层的输入端连接；所述池化层的输出端作为主特征处理通道或非主特征处理通道的输出端。

37、进一步地，所述增强层的第一输入端用于输入第一卷积层输出的特征值构成的特征向量，其第二输入端用于输入增强向量，其中，增强向量中增强系数的表达式为：

38、，

39、其中，enj为增强向量中第j个增强系数，j为正整数，在主特征处理通道中，rj为主特征序列中第j个频谱特征值出现的次数，在非主特征处理通道中，rj为非主特征序列中第j个频谱特征值出现的次数。

40、进一步地，所述增强层的表达式为：

41、，

42、其中，r为增强层的输出，en为增强向量，x为第一卷积层输出的特征值构成的特征向量，为哈达玛积。

43、上述进一步地方案的有益效果为：本发明在第一卷积层提取特征后，采用增强层对第一卷积层输出的特征进行增强处理，该增强向量来源于频谱特征值出现的次数，在频谱特征值出现的次数越多时，增强系数越大，对重要特征值的关注度越高，并设置了第二卷积层、sigmoid层和乘法器m1的自注意力通道，使得模型具备筛选重点特征的能力，提高模型的预测精度。

44、进一步地，所述补偿层的表达式为：

45、，

46、其中，y为电机轴损伤程度，y0为全连接层输出的初始损伤程度，e为自然常数，εn为差异系数向量中第n个差异系数，ωn为εn的权重，n为差异系数向量中差异系数的数量，n为正整数。

47、上述进一步地方案的有益效果为：本发明根据差异系数向量各差异系数，对初始损伤程度进行补偿处理，在各差异系数越大时，电机轴损伤程度越大。