基于多头稀疏自编码器及Goertzel分析的电机故障诊断方法

基于多头稀疏自编码器及goertzel分析的电机故障诊断方法
技术领域
1.本发明涉及电机故障诊断技术领域，具体涉及一种基于多头稀疏自编码器及 goertzel分析的电机故障诊断方法。


背景技术：

2.随着现代科技的进步、生产系统的发展和设备制造水平的提高，生产系统所采用 的电机数量不断增加，电机的正常工作对保障生产制造过程的安全、高效、优质、低 耗运行具有非常重大的意义，而电机故障诊断技术就是在这种背景下出现的。电机故 障诊断技术包含多门技术学科，可以根据电机运行过程中产生的各种信息来判断电机 运行是否正常，在不拆卸的情况下，即可以找到故障位置及原因，因此，电机的故障 预测与健康管理对工业发展具有重要意义。常见的无刷直流电动机驱动器，由于位置 传感器引起错位等故障。由于制造缺陷，位置传感器可以安装在超前或滞后位置，分 别导致负或正换向角误差，在位置传感器错位的情况下，会影响电机转子位置反馈， 导致故障交替，产生额外的振动信号，这些振荡会导致电机电流增加，进而导致电机 电流波动和机械振荡，电机电流和扭矩将受到影响，降低系统性能、威胁电机预期寿 命。从而威胁电机控制器电路和电机绕组的正常工作，影响驱动系统性能。


技术实现要素：

3.发明目的：针对无刷直流电动机驱动器的由于位置传感器引起的错位故障与击穿故 障，本发明提供一种基于多头稀疏自编码器及goertzel分析的电机故障诊断方法，利用 压电传感器、goertzel谐波分析及多头稀疏自编码器分类的方法，使测试分类系统具有 更高的灵活性和非侵入性，减少计算负担，更适合对位置传感器引起的故障诊断。
4.技术方案：本发明公开了一种基于多头稀疏自编码器及goertzel分析的电机故障 诊断方法，包括以下步骤：
5.步骤1：通过压电传感器检测电机位置传感器故障引起的振动信号，完成对位置 传感器的击穿故障或错位故障信号的前端信号采集，获得相应故障的振动信号频谱；
6.步骤2：利用goertzel算法作为故障频谱的窄带谐波分析工具，对电机位置传感 器故障引起的振动信号频谱的二次谐波分量进行评估，并将其作为故障检测的激励特 征，再利用振动信号的四次谐波分量来完成对电机位置传感器的错位故障或击穿故障 特征的提取；
7.步骤3：提出多头稀疏自编码器深度神经网络(mh-dnn)来联合学习电机故障 特征，实现对电机故障数据的无监督重建和有监督分类；所述多头稀疏自编码器深度 神经网络(mh-dnn)构建多隐层编码器以及解码器，所述解码器和编码器的结构及 隐藏层数量和尺寸完全对称，且在传统sae基础上增加分类模块；编码器使用多层非 线性变换，从输入数据中提取高层表示特征，用作解码器和分类模块的输入，解码器 重建输入数据，分类模块预测输入数据；所述mh-dnn利用代价函数完成训练，直 接训练具有校正功能的线性单元激
活函数，完成对健康及故障电机的健康状况及故障 类型的分类。
8.进一步地，所述步骤1具体包括如下步骤：
9.步骤1.1：构建故障信号采集系统，利用三相电压源逆变器(vsi)驱动无刷直流 电机，测试电路包括一组7个5khz的有源一阶低通滤波器，两个集成运算放大器， 将压电陶瓷传感器安装在实验装置上，模拟通道以10khz和12位精度进行采样和数 字化，并进行数据存储、处理；
10.步骤1.2：建立内置霍尔效应的位置传感器的无刷直流电机模型，获得电机反电 势和转子位置相电流的波形在位置传感器出现故障时的变化规律，完成无刷直流电机 驱动控制器配置；
11.步骤1.3：建立压电传感器模型及其电气模拟器，通过压电传感器对振动信号的 监测，来获得由于位置传感器错位等故障引起的扭矩和速度振荡信号。
12.进一步地，所述步骤1.2具体操作为：
13.(1)获得无刷直流电机控制电路的状态空间
14.对于具有中性点的无刷直流电机，其控制电路的状态空间：
[0015][0016][0017]
其中，v
xs
、r、ls、m、i
x
(x＝a，b，c)、e
xs
、ke、f(θ)分别表示相电压、 相电阻、自感、互感、相电流、反电动势、反电动势常数、机械转子角速度和梯形函 数；
[0018]
(2)建立无刷直流电机驱动控制系统的机械动力学模型
[0019]
无刷直流电机驱动控制系统的机械动力学模型产生的电磁波扭矩见以下公式：
[0020][0021][0022]
其中，θm，t
l
，b，j分别是转子位置、负载扭矩、摩擦扭矩系数和机械惯性；
[0023]
(3)根据位置传感器的输出和所需旋转的方向，获得电机反电势和转子位置相 电流的波形，确定电循环六个扇区的控制器配置数据。
[0024]
进一步地，所述步骤1.3的具体操作为：
[0025]
(1)建立压电传感器模型
[0026]
将压电传感器安装在圆形黄铜板(负极)上，并涂有一层薄金属膜，作为正电极， 建立该压电传感器模型，其正向和反向压电效应为：
[0027][0028]
其中，di是电位移分量，d
ikl
和d
kij
是压电系数，t
kl
是牵引矢量分量，是恒定 条件下的介电常数分量，ek是电场分量，s
ij
是应变分量，s
ijkle
是恒定电场下的柔度 常数，i，j，k，l代表压电晶体系统的自然坐标，取值为1、2和3；
[0029]
(2)建立电气模拟器，电气模拟器采用the butterworth-van dyke(bvd)模型；
[0030]
(3)利用压电传感器检测位置传感器故障引起的振动信号。
[0031]
进一步地，所述步骤2中goertzel算法的实现过程如下：
[0032]
步骤2.1：首先，计算信号x[n]的第k个离散傅立叶变换(dft)的分量：
[0033][0034]
其中，特征长度为n，k是整数；
[0035]
步骤2.2：求取yk[n]期望值的一阶差分方程：
[0036][0037]
步骤2.3：求取二阶差分方程：
[0038][0039]
步骤2.4：获得基于goertzel谐波分析的最终表达式：
[0040][0041]
进一步地，所述步骤3中构建多隐层编码器具体步骤如下：
[0042]
1)首先构建单层编码器，从输入层到隐藏层，称为编码器，单层编码器接收样 本x作为输入，并将输入的d维样本x转换为其隐藏层输出，表示为a＝[a1,a2,a3,
…ad1
]， a＝σ(w1x+b1)，其中，σ是激活函数，w1，b1是编码器的权重矩阵和偏置矢量；
[0043]
2)在单层编码器的基础上，构建多隐层编码器；使用l个隐层来提取编码器的 高层特征，其中，l∈n，令a1,a2,
…
,a
l
是从相应隐藏层中提取的特征，其维数为 d1,d2,
…
,d
l
；
[0044]
3)维数设置：d1设置大于输入层d的值，以获得第一次隐藏层的稀疏过完备表 示特征；剩余隐层的维度d
l
,l＝2,3,
…
,l，小于d
l-1
，用以获得压缩特征；
[0045]
4)relu激活函数被用于输入层和所有隐藏层，在所有隐藏层中，应用稀疏正则 化提取判别特征，l2正则化用于约束编码器的权重：
[0046][0047]
其中，r
sp
为稀疏正则化，利用kullback-leibler(kl)的散度函数计算，用以衡 量与期望稀疏比例p的接近程度，当所有等于p时，kl函数为零；为第j个 隐藏神经元的平均激活度，考虑所有输入样本xi,i＝1,
…
,n，其定义如下： a
i,j
是第i个隐藏特征的第j个元素。
[0048]
进一步地，所述步骤3中构建解码器的具体步骤为：
[0049]
1)解码器是从隐藏层到输出层，根据特征向量a，利用输入样本x重建解码 器和
数：
[0069][0070]
其中，第一项是重建误差，第二项是l2正则化项，y
i，k
为yi被转化成的c维向量，xi为输入样本，为解码器输出，n为数据长度，w是整个mh-dnn的权重矩阵，是应用于编码器的第j个隐藏层的稀疏正则化，最后一项是分类模块的交叉熵损 失性参数，λ，β，η1，η2是相关项的权重控制系数。
[0071]
有益效果：
[0072]
1、本发明通过用压电传感器、goertzel分析及多头稀疏自编码器分类的方法完成 对电机故障诊断的过程，对由于位置传感器引起的错位故障与击穿故障进行正确预测。 在电机故障信号采集中，采用压电传感器来采集位置传感器故障引起的振动信号。压 电传感器是一种廉价的测试技术，具有灵活性和非侵入性。该方法可以作为外部的诊 断工具，能够检测所有潜在的基于霍尔效应的位置传感器的故障类型，如错位或单次 击穿故障或双次击穿故障，而无需对电机进行硬件修改，无需改变控制器或增加外部 电压或电流传感器，由此，该方法独立于驱动系统的电压和电流，且独立于位置传感 器，能最大限度地减少系统连接线，消除基于电机的位置传感器映射的需求，无需将 位置传感器加倍或添加逻辑电路，即可以实现本地或远程对电机健康或故障状态的监 测。
[0073]
2、本发明利用goertzel算法进行故障振动信号的谐波分析。goertzel算法仅在感 兴趣的谐波分量周围使用窄频带，就可用于频域分析，相对来说具有较大优势。 goertzel算法无需归一化，在所研究频谱范围内，没有其他高振幅谐波分量，因此可 以进一步缩小范围，实施过程更快，适合用于电机故障诊断和状态监测等应用场合。
[0074]
3、本发明提出多头稀疏自编码器深度神经网络(mh-dnn)来联合学习电机故 障特征，从而完成对测试用健康及故障电机的健康状况及故障类型的分类。重点在于 构建多隐层编码器，以及隐藏层数量和尺寸完全对称的解码器，增加分类模块。该方 法不需要执行经典dnn所需的预训练和微调阶段，直接训练具有校正功能的线性单 元激活函数，可以减少计算负担，有利于提高电机生产的可靠性，降低维修成本，对 电机检测维护均具有重大的实际意义。
附图说明
[0075]
图1是基于位置传感器的无刷直流电动机故障信号采集系统；
[0076]
图2是无刷直流电机外形尺寸图；
[0077]
图3是电机绕组引线图；
[0078]
图4是具有内置霍尔位置传感器的典型无刷直流电机驱动器的框图；
[0079]
图5是理想的电机反电势(ex)和转子位置相电流(ix)的波形(x＝a、b、c)；
[0080]
图6是基于不同的机械和电气的正向和反向压电效应简化框图；
[0081]
图7是压电传感器的the butterworth-van dyke(bvd)模型；
[0082]
图8是二阶goertzel算法的实现框图；
位置相电流的波形的变化规律，完成无刷直流电机驱动控制器配置；
[0102]
1)获得无刷直流电机控制电路的状态空间
[0103]
对于具有中性点的无刷直流电机，其控制电路的状态空间由等式(1)和(2)表示：
[0104][0105][0106]
其中，v
xs
、r、ls、m、i
x
(x＝a，b，c)、e
xs
、ke、f(θ)分别表示相电压、 相电阻、自感、互感、相电流、反电动势、反电动势常数、机械转子角速度和梯形函数。
[0107]
2)建立无刷直流电机驱动控制系统的机械动力学模型
[0108]
无刷直流电机驱动控制系统的机械动力学模型和产生的电磁波扭矩见等式(3)和 (4)：
[0109][0110][0111]
其中，θm，t
l
，b，j分别是转子位置、负载扭矩、摩擦扭矩系数和机械惯性，其 他参数同上。
[0112]
3)根据位置传感器的输出和所需旋转的方向，获得电机反电势和转子位置相电流 的波形，根据这些波形，确定电循环六个扇区的控制器配置数据。
[0113]
无刷直流电机通常使用内置霍尔效应的位置传感器，这是一种低成本、体积小的转 子位置检测方法，具有60度分辨率和速度估计，其低速时的速度更新率较低，准确地 说，每个传感器的数字输出高达180度，剩下的时间都是低电气循环，而最常见的配置 是位于相隔120度，将电循环分为六个扇区的情况。由于典型的无刷直流电机驱动系统 带有电压源逆变器，因此，可根据电机转子位置来进行相电流的检测及变换。
[0114]
具有内置霍尔位置传感器的无刷直流电机驱动器的典型框图如图4所示。
[0115]
工作期间，功率开关根据预定义的顺序激活，用以实现标准120度的换向逻辑，并 且，在每个扇区具有两个有源相位，因此，每个阶段包括120度正向通电，60度断电， 120度负通电，其余为停止工作状态。
[0116]
理想的电机反电势和转子位置相电流的波形如图5所示。
[0117]
值得注意的是，图5中的波形基于以下假设：忽略功率开关的开启及关闭时间，并 且在无刷直流电机(bldc)具有理想梯形反电势和低相电感的情况下获得对应波形。
[0118]
获得一个电循环六个扇区的控制器配置见表2。
[0119]
表2基于转子位置和传感器信号的120
°
换向逻辑
并涂有一层薄金属膜，作为正电极，该传感器频率差异较小，制造成本低。
[0135]
由于制造缺陷，位置传感器可以安装在超前或滞后位置，分别导致负或正换向角误 差，在位置传感器错位的情况下，电机电流和扭矩将受到影响，产生额外的振动信号。 因此，压电传感器可用于诊断具有不同或均匀移动的非理想安装角度。在本专利中，将 压电传感器应用于诊断位置传感器的错位故障，并使用goertzel算法对振动信号的二次 谐波分量提取故障特征。
[0136]
本实施方式中，针对单位置传感器故障进行研究。
[0137]
如前所述，位置传感器故障可以通过故障传感器在高电平或低电平下的永久输出信 号来识别，与转子无关位置，这种故障条件会影响相电流换向，因为它会导致扩展120 度扇区。对于有效相位，在单传感器击穿故障的情况下，也会观察到(0，0，0)和(1，1，1) 的“禁止”向量。在本发明中，控制器编程对禁止向量作出反应，在pwm输出端发送零 矢量命令，将电机绕组驱动至三相浮动状态。
[0138]
电机健康状态与由传感器位置不当引起的故障状态如表3所示：
[0139]
表3电机健康状态与由传感器位置不当引起的故障状态的换向序列
[0140][0141]
故障传感器以不同方式影响相电流换向，在位置传感器存在缺陷的情况下。通过对 相电流波形的比较得出以下结论：
[0142]
单位置传感器击穿故障，会施加额外的零电流扇区或延长的传导周期，可能导致控 制器电源开关故障或电机绕组温度升高。另外，当反电动势幅值从平顶值降低到较低值 时，由于输入电压及其电压差，相电流将增加。因此，由于两相传导模式，另一个激活 相位也受到影响，预计两个相位的电流值都会增加。在不同位置传感器击穿故障的情况 下，类似的波形为其故障状态预测提供了依据。
[0143]
步骤2：提出利用goertzel算法作为故障频谱的窄带谐波分析工具，对电机位置传 感器故障引起的振动信号频谱的二次谐波、四次谐波分量进行评估，并利用其提取位置 传感器的错位故障或击穿故障特征。
[0144]
在故障诊断的频域分析中，常用到快速傅立叶变换(fft)，然而，其主要缺点是 频率分辨率、频谱泄漏以及计算成本等性能具有局限性。由此，本发明采用goertzel算 法，
goertzel算法仅在感兴趣的谐波分量周围使用窄频带，就可用于频域分析，相对来 说具有较大优势，而fft分析则需要使整个频谱的方法来完成频率分析，而且，goertzel 算法无需归一化，在所研究频谱范围内，没有其他高振幅谐波分量，因此可以进一步缩 小范围，实施过程更快。总体来说，goertzel算法在信号长度和低内存需求方面均优于 fft，其计算复杂度与信号长度无关，适合用于电机故障诊断和状态监测等应用场合。
[0145]
具体地说，goertzel算法的实现过程如下：
[0146]
(1)首先，计算信号x[n]的第k个离散傅立叶变换(dft)的分量，其特征长度为 n，表达式如等式(7)所示。其中，k是整数，算法使用相位因子e
j2πk
完成计算，基 于e
j2πk
的周期性，算法的计算复杂度会大大减少；
[0147]
(2)然后，求取yk[n]的期望值的一阶差分方程，见等式(8)，这其中包含复数 和计算量大的乘法因子；
[0148]
(3)接下来，求取二阶差分方程，具体由方程(9)表示；
[0149]
(4)最后，获得最终系统的表达式，具体描述见方程(10)；
[0150][0151][0152][0153][0154]
所用到的二阶goertzel算法的流程图如图8所示。
[0155]
在利用goertzel算法进行电机故障信号特征提取及分析的具体实施中，当检测到二 次谐波分量，则会触发故障诊断过程。具体的说，首先获取电机故障振动数据，然后对 其进行基于goertzel算法的频率分析，判断是否有二次谐波分量，如果没有则再次进行 频率分析，如果检测到二次谐波分量，则检测四次谐波分量，接下来判断是否为高增量 的四次故障谐波成分，以此来获得两组特征数据，最后将特征值送入分类器，获得最终 分类结果。
[0156]
基于goertzel算法的电机故障频率分析及特征提取流程如图9。
[0157]
实施中，采用goertzel算法来分析由于位置传感器引起的电机故障，系统频率为 60hz基频，额定扭矩为65％，在单个位置传感器错位故障情况下，通过goertzel算法 分析压电传感器频谱的二次谐波分量，对应的窄频谱的特性输出如图9所示。
[0158]
进一步地，为了研究单位置传感器的击穿故障，比较了霍尔效应的位置传感器在高 位置和低位置状态下的故障情况。当霍尔效应位置传感器持续输出高或低信号，即认定 为故障信号。实验中获得的高、低位置传感器配置故障时的相电流波形如图10和图11。
[0159]
步骤3：提出多头稀疏自编码器深度神经网络(mh-dnn)来联合学习电机故障特 征，用以完成对电机故障的检测和诊断，从而实现对电机故障数据的无监督重建和有监 督
分类。主要特点是构建多隐层稀疏编码器，以及隐藏层数量和尺寸完全对称的解码器， 增加分类模块。其中，编码器使用多层非线性变换，用以从输入数据中提取高层表示特 征，这些提取的特征用作解码器和分类模块的输入，解码器旨在重建输入数据，而分类 模块用于预测输入数据。具体步骤如下：
[0160]
(1)构建多隐层编码器
[0161]
首先构建单层编码器，从输入层到隐藏层，称为编码器，单层编码器接收样本x作 为输入，并将输入的d维样本x转换为其隐藏层输出，表示为a＝[a1,a2,a3,
…ad1
]，具体 表达式如下：
[0162]
a＝σ(w1x+b1)
ꢀꢀ
(11)
[0163]
其中，σ是激活函数，w1，b1是编码器的权重矩阵和偏置矢量。
[0164]
单层稀疏自动编码器(sae)的结构见图12。
[0165]
接下来，在单层编码器的基础上，构建多隐层编码器。使用l个隐层来提取编码器 的高层特征，其中，l∈n，令a1,a2,
…
,a
l
是从相应隐藏层中提取的特征，其维数为 d1,d2,
…
,d
l
。
[0166]
对于维数的设置，具有如下规定及特点：1)d1设置大于输入层d的值，以获得第 一次隐藏层的稀疏过完备表示特征；2)剩余隐层的维度d
l
,l＝2,3,
…
,l，应该小于d
l-1
， 用以获得压缩特征。
[0167]
实施中，relu激活函数被用于输入层和所有隐藏层。在所有隐藏层中，应用式(14) 中定义的稀疏正则化去提取判别特征，l2正则化用于约束编码器的权重。
[0168]
(2)构建解码器
[0169]
解码器是从隐藏层到输出层，根据特征向量a，利用输入样本x重建解码器和 编码器的结构及隐藏层数量和尺寸完全对称，解码器旨在利用特征a
l
恢复输入数据x。 具体如下：
[0170][0171]
其中，w2，b2分别是解码器的权重矩阵和偏差向量。
[0172]
在重建过程中，所有隐藏层均使用relu激活函数，所有输出层均使用sigmoid激 活函数，l2正则化被用于约束解码器的权重。
[0173]
作为自编码器的变体，通过在网络训练期间添加稀疏限制项，稀疏编码器完成对鉴 别性特征的提取。
[0174]
设输入样本为xi,i＝1,
…
,n，训练目标为最小化以下成本函数：
[0175][0176]
其中，第一项是重建误差，第二项是l2正则化项，w是sae权重矩阵，λ和β是 相应项的权重控制参数，r
sp
为稀疏正则化，利用kullback-leibler(kl)的散度函数计 算，用以衡量与期望稀疏比例p的接近程度，当所有等于p时，kl函数为零。具 体定义如下：
[0177][0178]
其中，为第j个隐藏神经元的平均激活度，考虑所有输入样本xi,i＝1,
…
,n，其 定义如下：
[0179][0180]ai，j
是第i个隐藏特征的第j个元素。
[0181]
(3)构建分类模块
[0182]
1)mh-dnn在传统sae基础上增加分类模块，分类模块采用具有c个神经元的 softmax层，通过softmax层将神经网络的输出结果转化成概率表达式，由此找到最大概 率项，并为其分类。softmax层代表了求解c类分类问题的不同条件，当给定特征a
l
， softmax层计算输出向量y1,y2,
…
,yc。其中，第k个输出为yk,k＝1,2,
…
,c，其具体定义 如下：
[0183][0184]
式子中，0≤yk≤1，zk是应用softmax激活函数前的第k个输出，为 了防止过度拟合，在分类模块的隐藏层上使用dropout(随机失活)正则化，因此，考虑 到dropout，利用以下等式计算zk，其定义如下：
[0185]
zk＝wk(a
l
or)+bkꢀꢀ
(17)
[0186]
其中，wk和bk是softmax层的第k个神经元的权重和偏差，o为向量乘法中的元素 乘法运算符，a
l
为给定特征，是伯努利随机变量的“掩蔽”向量，其概率为0。 实施中，梯度计算仅通过未屏蔽神经元的反向传播来完成。
[0187]
2)将每个标签yi转化成一个c维向量
[0188]
设训练集中的数据表示为(xi,yi),i＝1,2,
…
,n，将每个标签yi转化成一个c维向量， 即(y
i,1
,y
i,2
,
…yi,c
)
i＝1,2,
…
,n
，具体如下：
[0189][0190]
3)利用代价函数完成训练
[0191]
多头稀疏自编码器深度神经网络(mh-dnn)的训练目标为是最小化如下代价函数：
[0192][0193]
其中，第一项是重建误差，第二项是l2正则化项，y
i，k
为yi被转化成的c维向量， xi为输入样本，为解码器输出，n为数据长度，w是整个mh-dnn的权重矩阵，是应用于编码
器的第j个隐藏层的稀疏正则化，最后一项是分类模块的交叉熵损失性参 数，λ，β，η1，η2是相关项的权重控制系数。
[0194]
多头稀疏自编码器深度神经网络(mh-dnn)结构见图13。
[0195]
利用mh-dnn进行电机故障诊断的具体实施中，首先，将电机故障原始信号分割 成数据样本，建立样本库。然后建立mh-dnn，并使用已收集的健康与故障状态的c类 特征数据样本进行训练，模型训练成功后，再利用测试数据样本，由mh-dnn分类算 法判别其是否属于已知的c类，并给出故障决策结论。
[0196]
基于多头稀疏自编码器深度神经网络(mh-dnn)的电机故障诊断方法的流程图如 图14所示。
[0197]
步骤4：基于以上技术，搭建实验平台，完成对电机故障分类的具体实施，主要完 成以下测试实验：
[0198]
(1)电机故障诊断实验
[0199]
本发明实施例利用压电传感器采集由于位置传感器引起的故障信号频谱，再利用 goertzel算法作为窄带谐波分析工具，对故障信号频谱进行分析，并提取其特征，最后， 加入多头稀疏自编码器深度神经网络(mh-dnn)分类器中，进而获得两种故障的类型， 错位故障与击穿故障的分类结果。
[0200]
对不同故障及健康状态信号分别采集200个数据，提取对应频率图的故障特征，送 入对应分类器模型中，完成对健康及故障电机的健康状况及故障类型的分类。算法中的 迭代次数和种群数分别为1000以及500，阈值和权值取值在[-1，1]之间，学习速率为 0.25。测试结果见表4。
[0201]
表4故障诊断分类效果
[0202][0203]
表2中可见，错位故障，击穿故障的分类精度和召回率类似，且表现良好，使用压 电传感器能够完成对电机驱动控制系统中的霍尔效应位置传感器的错位及击穿故障进 行正确诊断，该方法对于不同故障的分类效果均有效，具有良好的应用前景。该方法的 主要优点是能够区分电机控制中的两种位置传感器故障类型，将不同的谐波成分用于检 测不同的故障类型，利用窄带谐波分析的goertzel算法，即节省时间，又可以节省计算 成本和内存需求。由此，压电传感器可用于电机驱动系统的状态监测，适合形成廉价的 故障诊断的智能物联网。
[0204]
(2)不同分类器模型比较
[0205]
实施中，对提出的mh-dnn分类器与常规bp算法、rbf算法进行实验验证、比 较。对模型完成训练后，对训练好的网络误差值进行比较，随机选取20组样本，将故 障样本送入训练好的模型中进行测试，获得诊断效果如表5所示。
[0206]
表5实验结果对比(误差)
[0207][0208][0209]
从表5可以看出，基于多头稀疏自编码器深度神经网络分类器(mh-dnn)的预测 结果最佳，其预测误差绝对值明显小于bp算法、rbf算法。由于训练样本中包含电机 故障信息，因此，相较于传统的bp神经网络、rbf算法，mh-dnn分类器在电机故障 诊断方面表现出明显优势，具有较高的诊断准确率，可以获得远远高于bp算法、rbf 算法的诊断效果。
[0210]
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人 能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明 精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。