9、直流电机故障诊断方法与人工神经网络在实时预测维护中的应用

直流电机故障诊断方法与人工神经网络在实时预测维护中的应用

1. 基于简化直流电机模型的诊断系统应用

1.1 模拟诊断的局限性

模拟诊断在已知待诊断故障且数字孪生能精确模拟行为时，可诊断故障及故障组合。然而，不同故障在初始阶段可能产生相似特征，导致误诊。并且，若需诊断的故障和故障组合过多，参考表会占用大量存储空间，还会增加计算时间。不过，由于我们仅关注从故障注入到信号达到一定平衡水平的短时间段，可减少参考数据的存储。

1.2 机器学习在直流电机故障诊断中的应用

1.2.1 故障诊断问题建模

针对直流电机故障诊断，我们采用基于集成技术的机器学习算法“自助聚合（Bagging）”来建模。该问题有多个故障状态，因此使用分类器模型进行分类任务。由于已对每个故障状态进行了故障行为模拟，所以采用监督学习方法训练模型。

1.2.2 变量处理

在分类问题中，机器学习模型输入预测变量对应因变量。本案例有九个预测变量和两个因变量（电机系统的负载状态和电机状态）。为将问题转化为多分类问题，我们将负载状态和电机状态组合，引入新变量“目标”：
[target = loadstate \cdot motorstate]
最终，因变量的分布大致平均分为故障和非故障类别，分别占 42% 和 58%。由于因变量在预测变量上有值序列，机器学习模型可学习系统各状态的潜在模式。因状态多于两个，训练的是多分类模型而非二分类模型。此外，为满足机器学习模型对数据数值化的要求，使用标签编码器对因变量进行编码，为每个分类标签分配唯一的数值整数。

1.2.3 模型选择与训练