基于GADF-CNN-DOA-LSSVM的变频电机故障诊断OA

针对传统电机故障诊断方法在变频电机非平稳工况下存在特征提取不足、诊断准确率低等问题,提出了一种基于格拉姆角差场(Gramian angular difference field,GADF)、卷积神经网络(convolutional neural network,CNN)、梦境优化算法(dream optimization algorithm,DOA)和最小二乘支持向量机(least squares support vector machine,LSSVM)的智能故障诊断新方法。研究的目的是为了提升电机在非线性、非平稳变频工况下的故障诊断精度,解决现有方法在处理变频电机信号时的时变性和特征丢失等问题。首先,通过GADF将电机振动信号从一维时序数据转化为二维图像,二维图像有效保留了信号的时序拓扑特征,增强了信号的辨识度。随后,使用CNN提取信号中的深层特征,结合批归一化和ReLU激活函数进一步增强特征的鲁棒性和分类效果。最后,引入DOA算法对LSSVM的超参数进行自适应优化,提升了分类器的全局搜索能力和稳定性,从而在变频工况下实现了更精确的故障分类。实验采用渥太华大学(uOttawa)公开数据集,验证了该方法在变频工况下的有效性。研究结果表明,所提方法在各变频工况下综合准确率达到(98.123±0.213)%;30-60 Hz空载数据集可达99.583%;30-60 Hz负载数据集达96.7708%,相较于传统算法和现有变频工况诊断方法,准确率有了显著提升。同时,该方法端到端诊断延迟仅17.20 ms/样本,模型大小2.21 MB,具备优异的实时性和轻量化特性,可适配边缘计算场景。该研究不仅为电机多工况故障诊断提供了新思路,还在实际工业应用中具有重要价值,尤其是在设备调速、负载波动等非平稳运行场景下具有广泛的应用前景。