用于三相感应电机多工况故障分类的时序深度学习框架

《Scientific Reports》：Temporal deep learning framework for multi condition fault classification of three-phase induction motors

　　

摘要

感应电动机在工业领域中是一类非常重要的电气设备，其优点在于强度高、功能多样、可靠性好且成本较低。然而，由于各种故障，这类设备可能会出现生产停机、能源浪费以及维护成本上升等问题。本文采用了深度学习框架，如简单循环神经网络、长短期记忆网络、双向长短期记忆网络和门控循环单元，用于感应电动机的故障检测与分类。该研究的新颖之处在于提出了一个统一的多传感器、多类别、多模型的深度学习框架，并通过跨架构评估，在包括启动瞬态、相位丢失故障、负载导致的故障状态及正常状态在内的八种不同工作场景下，实现了可靠的故障诊断。实验结果表明，这些深度学习模型在电气故障识别方面效果显著，其中RNN的分类准确率为85.14%，LSTM为90.19%，BiLSTM为92.24%，GRU则为94.19%。所提出的方法能够有效区分设备的正常状态与故障状态，从而凸显了深度学习在基于感应电动机驱动的机械装置智能状态监测中的应用价值。