异步电机运行声音包含着许多重要信息,对声学特征的有效提取结果可用于故障检测。因此,提出一种基于可听声信号的异步电机故障诊断方法。以异步电机为实验对象,利用Gammatone滤波器提取一种正常工况和两种异常工况的声音信号GFCC特征向量;采用卷积神经网络对可视化后的特征量进行分类识别。结果表明:相较于利用梅尔滤波器提取的两种特征量,利用GFCC提取的特征量具有更高的目标识别率。

针对变频环境下异步电机故障时定子电流信号非平稳的问题,提出一种互补集合经验模态分解(CEEMD)与卷积神经网络(CNN)结合的异步电机故障诊断方法。首先通过ANSYS对变频环境下电机建模获得仿真电流数据,利用CEEMD将电机定子电流信号分解为一系列本征模态函数(IMF);其次通过计算排列熵和样本熵,选取复杂程度小的IMF分量并计算其平均值来提取出故障特征;接着将特征数据集输入卷积神经网络(CNN)进行训练和验证;最后搭建实验平台收集电流信号,对信号进行滤