(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111435740.4 (22)申请日 2021.11.29 (71)申请人 江苏科技大学 地址 212100 江苏省镇江市丹徒区长晖路 666号 (72)发明人 孙洁　齐亮　叶树霞　张永韡　 宋英磊　李长江　暴琳　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 代理人 柏尚春 (51)Int.Cl. G06Q 10/04(2012.01) G06N 3/04(2006.01) G06K 9/00(2022.01) G01R 31/34(2006.01) (54)发明名称 基于CNN-Bi LS TM的电机故障预测方法及系 统 (57)摘要 本发明公开了一种基于CNN ‑Bi LSTM的电机 故障预测方法及系统， 所述方法包括： 采集信号 数据， 对采集的信号数据进行预处理， 利用预处 理后的数据建立CNN ‑Bi LSTM电机故障预测模型 并进行故障预测； 建立所述模型的步骤包括通过 卷积神经网络进行故障特征提取， 双向长短时记 忆神经网络从双向发掘时序特征， 将故障特征转 化为时序故障特征， 全 连接层完成对时序故障特 征的整合， 获得故障预测结果。 本发明融合两种 神经网络模型， 具有较强的非线性映射能力， 能 充分发掘数据特 征， 实现高精度故障预测。 权利要求书1页 说明书5页 附图1页 CN 114118586 A 2022.03.01 CN 114118586 A 1.一种基于 CNN‑Bi LSTM的电机故障预测方法， 其特 征在于， 包括以下步骤： (1)采集信号数据； (2)对采集的信号数据进行 预处理； (3)利用预处 理后的数据建立CN N‑Bi LSTM电机故障预测模型并进行故障预测。 2.根据权利要求1所述的基于CNN ‑Bi LSTM的电机故障预测方法， 其特征在于， 所述步 骤(1)中采集的信号数据为电机无故障和多个故障工况 下的电流信号和振动信号。 3.根据权利要求1所述的基于CNN ‑Bi LSTM的电机故障预测方法， 其特征在于， 所述步 骤(2)中数据预处理过程包括首先使用时频域分析方法， 提取振动信号和电流信号的特征 向量， 然后对所得到的电流信号和振动信号进行数据融合处理分析， 最后将所得到的特征 数据集进行划分。 4.根据权利要求3所述的基于CNN ‑Bi LSTM的电机故障预测方法， 其特征在于， 所述时 频域分析方法包括对信号数据进行希尔伯特变换， 得到原始的包络数据， 然后对包络波形 进行傅里叶变换得到包络频谱， 从包络频谱中提取电机故障特征频率； 对电机非稳态下 的 信号数据噪声过大 的情况， 利用频谱细化技术来进行故障特征提取， 将信号通过小波变换 后， 选取阀值， 保留大于阀值的小 波系数， 小于阀值的则置为 零， 最后进行小 波重构。 5.根据权利要求3所述的基于CNN ‑Bi LSTM的电机故障预测方法， 其特征在于， 所述特 征数据集进行划分包括将特 征数据集按比例划分为训练集、 验证集与测试集。 6.根据权利要求1所述的基于CNN ‑Bi LSTM的电机故障预测方法， 其特征在于， 所述建 立步骤(3)中的模型的步骤为： (31)卷积神经网络进行故障特 征提取； (32)双向长短时记 忆神经网络建立故障预测模型； (33)全连接层完成对时序故障特 征的整合， 获得故障预测结果。 7.根据权利要求6所述的基于CNN ‑Bi LSTM的电机故障预测方法， 其特征在于， 所述步 骤(31)中故障特征提取包括首先通过卷积层 对输入数据特征进 行提取， 然后通过池化层 对 提取到的特 征进行提炼， 最后经由Flat ten层压平后进行输出。 8.根据权利要求6所述的基于CNN ‑Bi LSTM的电机故障预测方法， 其特征在于， 所述步 骤(32)中建立故 障预测模型包括以Bi ‑LSTM神经网络作为故障预测模型主体， 从双向发掘 时序特征， 将故障特 征转化为时序故障特 征。 9.根据权利要求8所述的基于CNN ‑Bi LSTM的电机故障预测方法， 其特征在于， 所述故 障预测模型建好后， 对于学习率的优化采用Adam优化 算法。 10.一种基于 CNN‑Bi LSTM的电机故障预测系统， 其特 征在于， 包括： 数据采集模块， 用于采集所需的信号数据； 数据预处理模块， 用于对采集的信号数据采用时频域分析方法提取特征向量， 然后进 行数据融合处 理分析， 并进行 数据集划分； 特征提取模块， 用于通过卷积神经网络卷积层对输入数据特征进行提取， 通过池化层 对提取到的特 征进行提炼， 然后经由Flat ten层压平后进行输出； 故障预测模块， 用于通过双 向长短时记忆网络从双 向发掘时序特征， 将故障特征转化 为时序故障特 征， 并对时序故障特 征进行整合， 获得故障预测结果。权　利　要　求　书 1/1 页 2 CN 114118586 A 2基于CNN‑Bi LSTM的电机故障预测方 法及系统 技术领域 [0001]本发明涉及一种电机故障预测方法， 尤其涉及一种基于CNN ‑Bi LSTM的电机故障 预测方法。 背景技术 [0002]电机是人类社会的各种生产活动和生活中用量最大、 覆盖面最广的工业设备； 在 工业领域中， 工厂中的设备基本上都是电机驱动的， 对于一个发达的工业化国家而言， 整个 国家的40％ ‑60％的电能都是由电机消耗的。 由此可见， 电机在人类生产和生活中占据着 举 足轻重的地位。 电机一旦发生故障， 带来的经济财产损失巨大， 严重影响人们的生产生活。 为了避免电机失效造成的经济损失和生产事故， 对电机进行故障预测具有重要的意 义。 [0003]故障预测方法可分为基于模型的故障预测方法和基于数据驱动的故障预测方法 这两类。 [0004]基于模型的故障预测方法中模型包括了数学模型和物理模型。 该方法分析被测对 象的运行条件、 材料特点、 机械构造和失效机制等信息， 动态建模从而 预测未来时间的工作 状态， 该方法的优点是故障预测的实时性强和预测精度高， 缺点是建模需要建立在对被测 对象深入了解的基础上， 过程较为复杂和计算量较大。 基于模型 的故障预测主要方法有时 间序列分析、 灰色模型方法、 隐马尔科夫模型、 卡尔曼滤波、 扩展卡尔曼滤波和粒子滤波方 法。 [0005]基于数据驱动的故障预测方法是指直接于系统的输出端测量性能数据， 对性能数 据进行机器学习， 建立故障预测模型进行预测的方法。 基于数据驱动的故障预测方法并不 需要对复杂电气与电子系统的运行条件、 材料特点、 机械构 造和失效机制等深入了解， 只需 要先对测 量数据进行信号分析， 然后应用机器学习方法进行建模和预测， 因此不需要建立 大计算量的复杂物理或数 学模型。 [0006]目前基于数据驱动的故障预测方法大多数采用基于深度学习的模型， 如CNN神经 网络、 LSTM网络来进 行故障预测， 但是， CNN神经网络主要用来提取 空间特征， 对于时序特征 规律往往无法有效发掘， 而 时序数据的处理是LSTM网络的长处， 但是LSTM网络只能单向发 掘时序特征。 而且电机特征数据的变化是多因素共同作用的结果， 它们 具有复杂的内在联 系， 单一模型往往很难有效的捕捉这种关系。 在建立模型过程中， 模型计算时间相对较长， 需要进一步优化隐藏层数与神经元个数， 使模型能够更快、 更精确地预测出故障的发生， 满 足电机生产运行的需要。 发明内容 [0007]发明目的： 本发明旨在提供一种能够实现快速、 高精度故障预测的基于CNN ‑Bi  LSTM的电机故障预测方法及系统。 [0008]技术方案： 本发明所述的基于 CNN‑Bi LSTM的电机故障预测方法， 包括以下步骤： [0009](1)采集信号数据；说　明　书 1/5 页 3 CN 114118586 A 3