一种异步电机故障诊断方法、装置及电子设备

本发明涉及电机设备状态监测，尤其涉及一种异步电机故障诊断方法、装置及电子设备。

背景技术：

1、异步电机是现代工业系统中的核心动力设备，其健康状态直接影响整个生产系统的稳定性和安全性。在长期运行过程中，异步电机可能因重载、频繁启停及恶劣环境等因素，发生转子断条、轴承损坏等多种故障。

2、近年来，随着人工智能技术的发展，深度学习方法被应用于电机故障诊断中。然而，现有技术方案仍存在一些不足。首先，许多诊断方法仅依赖振动等单一模态的信号，容易忽略如声发射信号中包含的早期高频微弱冲击特征，可能导致对某些复合故障或早期故障的漏判。其次，电机故障信号通常具有长程演化特性，而现有的一些模型（如transformer架构）在处理长序列信号时，其计算复杂度会呈二次方增长，这对于算力有限的工业边缘设备而言，难以实现低延迟的实时诊断。最后，工业现场普遍存在强背景噪声，现有的简单特征融合方法难以有效区分关键的故障特征与背景噪声，导致在强噪声环境下的诊断鲁棒性较差。

3、因此，如何有效融合多模态信号特征，在保证低计算复杂度的前提下提升模型对长序列的建模能力，并增强其在强噪声环境下的诊断鲁棒性，是当前电机故障诊断领域亟待解决的技术问题。

技术实现思路

1、本发明提供一种异步电机故障诊断方法、装置及电子设备，用以解决现有技术中仅依赖单一模态信号导致漏判、长序列建模计算复杂度高、以及强噪声环境下鲁棒性差的缺陷。

2、第一个方面，本发明提供一种异步电机故障诊断方法，包括：

3、同步采集异步电机的声发射信号与三轴振动信号，并进行预处理，形成多模态样本序列；

4、通过预先构建的特征提取网络，对所述多模态样本序列进行特征提取，得到局部特征表示和全局特征表示；

5、通过自适应特征融合模块对所述局部特征表示和所述全局特征表示进行自适应加权融合，得到融合特征；

6、基于所述融合特征，通过分类器输出所述异步电机的故障类型与健康状态。

7、根据本发明提供的一种异步电机故障诊断方法，同步采集异步电机的声发射信号与三轴振动信号，并进行预处理，形成多模态样本序列，包括：

8、同步采集所述异步电机的声发射序列与三轴振动序列；

9、采用带有动态轻微扰动的重叠滑窗切片方法对所述声发射序列与所述三轴振动序列中的长序列一维时域信号进行增强与阶段，形成多模态样本序列。

10、根据本发明提供的一种异步电机故障诊断方法，所述特征提取网络为并行双分支特征提取网络，包括一维卷积神经网络与多尺度双向mamba2模块；

11、通过预先构建的特征提取网络，对所述多模态样本序列进行特征提取，得到局部特征表示和全局特征表示，包括：

12、将所述声发射信号输入所述一维卷积神经网络，利用小尺寸卷积核捕捉胃管瞬态高频冲击特征，输出局部特征表示；

13、将所述三轴振动信号输入所述多尺度双向mamba2模块，输出全局特征表示。

14、根据本发明提供的一种异步电机故障诊断方法，将所述三轴振动信号输入所述多尺度双向mamba2模块，输出全局特征表示，包括：

15、所述多尺度双向mamba2模块通过多尺度池化下采样构建特征金字塔；

16、在每个尺度上利用前向因果扫描与后向全局扫描，提取所述三轴振动信号中的长程低频宏观退化趋势，输出全局特征表示。

17、根据本发明提供的一种异步电机故障诊断方法，通过自适应特征融合模块对所述局部特征表示和所述全局特征表示进行自适应加权融合，得到融合特征，包括：

18、将所述局部特征表示与全局特征表示进行时序对齐，并输入所述自适应特征融合模块；

19、通过全局平均池化与逐点卷积生成动态门控权重，对声音的瞬态特征与振动的全局特征进行自适应加权融合，得到融合特征。

20、根据本发明提供的一种异步电机故障诊断方法，基于所述融合特征，通过分类器输出所述异步电机的故障类型与健康状态，包括：

21、将所述融合特征输入残差增强模块进行特征二次提纯，得到增强特征；

22、将所述增强特征输入分类器，得到所述异步电机的故障类型与健康状态。

23、根据本发明提供的一种异步电机故障诊断方法，所述方法还包括：引入树状结构帕森估计器算法进行贝叶斯优化，设定优化目标，对所述特征提取网络、所述自适应特征融合模块、所述残差增强模块以及所述分类器的关键超参数进行自动化全局寻优，确定最优参数。

24、第二个方面，本发明还提供一种异步电机故障诊断装置，包括：

25、采集模块，用于同步采集异步电机的声发射信号与三轴振动信号，并进行预处理，形成多模态样本序列；

26、提取模块，用于通过预先构建的特征提取网络，对所述多模态样本序列进行特征提取，得到局部特征表示和全局特征表示；

27、融合模块，用于通过自适应特征融合模块对所述局部特征表示和所述全局特征表示进行自适应加权融合，得到融合特征；

28、诊断模块，用于基于所述融合特征，通过分类器输出所述异步电机的故障类型与健康状态。

29、第三个方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的异步电机故障诊断方法。

30、第四个方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一个方面所述的异步电机故障诊断方法。

31、第五个方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述第一个方面所述的异步电机故障诊断方法。

32、与现有技术相比，本发明具有以下有益效果：

33、本发明提供的异步电机故障诊断方法，通过同步采集声发射信号和三轴振动信号，并利用并行双分支网络进行差异化特征提取，其中一维卷积神经网络用于捕捉声信号中的高频瞬态冲击，而多尺度双向mamba2模块用于捕获振动信号中的长程低频趋势，实现了对不同物理特性的优势互补，提高了特征提取的全面性。进一步地，通过自适应特征融合模块，能够根据信号特性动态调整不同模态特征的权重，有效抑制噪声干扰，增强了融合特征的表征能力。同时，采用mamba2架构代替传统transformer，将处理长序列的计算复杂度降低至线性级别，显著提升了计算效率，使其适用于资源受限的边缘设备。综上，本发明提高了故障诊断的准确性和抗噪性，并降低了模型部署的硬件要求，具有良好的工业应用前景。

1.一种异步电机故障诊断方法，其特征在于，包括：

2.根据权利要求1所述的异步电机故障诊断方法，其特征在于，同步采集异步电机的声发射信号与三轴振动信号，并进行预处理，形成多模态样本序列，包括：

3.根据权利要求1所述的异步电机故障诊断方法，其特征在于，所述特征提取网络为并行双分支特征提取网络，包括一维卷积神经网络与多尺度双向mamba2模块；

4.根据权利要求3所述的异步电机故障诊断方法，其特征在于，将所述三轴振动信号输入所述多尺度双向mamba2模块，输出全局特征表示，包括：

5.根据权利要求1所述的异步电机故障诊断方法，其特征在于，通过自适应特征融合模块对所述局部特征表示和所述全局特征表示进行自适应加权融合，得到融合特征，包括：

6.根据权利要求1所述的异步电机故障诊断方法，其特征在于，基于所述融合特征，通过分类器输出所述异步电机的故障类型与健康状态，包括：

7.根据权利要求6所述的异步电机故障诊断方法，其特征在于，所述方法还包括：引入树状结构帕森估计器算法进行贝叶斯优化，设定优化目标，对所述特征提取网络、所述自适应特征融合模块、所述残差增强模块以及所述分类器的关键超参数进行自动化全局寻优，确定最优参数。

8.一种异步电机故障诊断装置，其特征在于，包括：

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的异步电机故障诊断方法。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的异步电机故障诊断方法。