基于VMD和CNN-BiLSTM的矿井提升电动机故障诊断方法
李敬兆1
何娜1
张金伟2
王擎3
李化顺1
1.安徽理工大学电气与信息工程学院,安徽淮南 2320002.安徽理工大学计算机科学与工程学院,安徽淮南 2320003.中国电子信息产业集团有限公司,广东 深圳 518057
摘要：针对传统基于音频信号的电动机故障诊断方法获取电动机音频信号特征信息不足和故障诊断精度不高的问题,提出了一种基于优化的变分模态分解(VMD)和卷积神经网络CNN-双向长短期记忆(BiLSTM)的矿井提升电动机故障诊断方法.针对模态混叠和端点效应问题,采用鲸鱼算法(WOA)优化的VMD对电动机音频信号进行分解,将电动机音频信号分解为K个本征模态分量(IMF),经Pearson相关系数筛选后,提取主IMF分量的 13维静态MFCC特征参数,为了获取信号的动态特征,提取 13维静态MFCC的一阶差分和二阶差分系数,构成 39维特征向量,从而把动静态特征结合起来,提高故障诊断性能.为了提高故障诊断精度,在CNN中引入BiLSTM层,CNN在空间维度上提取音频信号的局部特征,BiLSTM在时间维度上保留音频信号的双向时间序列信息,捕获音频信号长距离依赖关系,从而最大程度保留全局和局部特征.实验结果表明:①VMD分解的每个IMF分量都具有独立的中心频率且分布均匀,在频域上表现出稀疏性的特点,能够有效避免模态混叠问题;在IMF求解中,VMD分解通过镜像延拓的方式避免了经验模态分解(EMD)和集合经验模态分解(EEMD)中出现的端点效应问题.②基于 13维静态MFCC特征的故障诊断准确率为 97.5%,基于 39维动静态MFCC特征的故障诊断准确率比基于 13维静态MFCC特征的故障诊断准确率提高了 1.11%.③基于CNN-BiLSTM诊断模型的准确率达到 98.61%,与目前通用诊断模型 CNN,BiLSTM和 CNN-LSTM相比,准确率分别提高 5.83%,4.17%和3.89%.
关键词：矿井提升电动机故障诊断音频信号变分模态分解梅尔倒谱系数CNN-BiLSTM
分类号：TD67(矿山电工)
资助基金：国家自然科学基金(51874010)淮南市科技计划项目(2021A243)
论文发表日期：2023-07-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：11( 49-59 )
英文信息