[發明專利]一種基于空洞卷積膠囊網絡的電機故障診斷方法及系統

在審

• 申請號: 201911142799.7
• 申請日: 2019-11-20
• 公開（公告）號: CN111046916A
• 公開（公告）日: 2020-04-21
• 發明（設計）人: 梁昱;焦斌;李鑫;李函朔
• 申請（專利權）人: 上海電機學院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06F30/27
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 丁云

1.一種基于空洞卷積膠囊網絡的電機故障診斷方法，其特征在于，該方法包括如下步驟：

(1)獲取有標簽的訓練樣本，所述的訓練樣本包括電機振動信號以及對應的運行狀態，所述的運行狀態包括正常狀態以及故障狀態下的故障類型；

(2)建立空洞卷積膠囊網絡，利用訓練樣本進行訓練；

(3)獲取待診斷的電機振動信號并輸入至訓練好的空洞卷積膠囊網絡，輸出電機的運行狀態。

2.根據權利要求1所述的一種基于空洞卷積膠囊網絡的電機故障診斷方法，其特征在于，所述的電機振動信號包括電機驅動端X、Y、Z三個方向的振動信號。

3.根據權利要求1所述的一種基于空洞卷積膠囊網絡的電機故障診斷方法，其特征在于，所述的空洞卷積膠囊網絡包括依次級聯的輸入層、故障特征層、空洞卷積層、初級膠囊層、數字膠囊層和輸出層，所述的輸入層輸入電機振動信號，所述的故障特征層將電機振動信號轉化為故障特征圖，所述的空洞卷積層基于故障特征圖提取特征信息，所述的初級膠囊層將特征信息向量化并輸出初級膠囊層特征向量，所述的數字膠囊層通過擠壓函數和動態路由操作將初級膠囊層特征向量變換為代表各運行狀態的數字膠囊層特征向量并輸出，所述的輸出層求取各數字膠囊層特征向量的L2范數，選取L2范數最大者對應的運行狀態作為診斷結果。

4.根據權利要求3所述的一種基于空洞卷積膠囊網絡的電機故障診斷方法，其特征在于，訓練過程中構建空洞卷積膠囊網絡的損失函數，采用Adam梯度優化器優化空洞卷積膠囊網絡使其損失函數的總體損失最小。

5.根據權利要求4所述的一種基于空洞卷積膠囊網絡的電機故障診斷方法，其特征在于，所述的損失函數：

Loss＝L_k+αR_L，

L_k＝T_k max(0,m⁺-||v_k||)²+λ(1-T_k)max(0,||v_k||-m^-)²，

其中，Loss為總體損失，L_k為邊緣損失，R_L為重構損失，α為重構損失的權重，α＝0.005，k表示運行狀態對應的標簽數值，T_k為關于分類的函數，當k出現時，T_k＝1，否則T_k＝0，||v_k||為向量v_k的模長，v_k為數字膠囊層特征向量，m⁺＝0.9為上邊緣閾值，m^-＝0.1為下邊緣閾值，λ為稀疏系數，λ＝0.5。

6.根據權利要求1所述的一種基于空洞卷積膠囊網絡的電機故障診斷方法，其特征在于，該方法還包括對訓練樣本的定期更新，并對空洞卷積膠囊網絡進行訓練更新。

7.一種基于空洞卷積膠囊網絡的電機故障診斷系統，其特征在于，該系統包括：

數據采集模塊：采集電機振動信號；

故障診斷模塊：該模塊包括離線訓練子模塊和在線診斷子模塊，

所述的離線訓練子模塊從數據采集模塊獲取有標簽的訓練樣本并訓練空洞卷積膠囊網絡，所述的訓練樣本包括電機振動信號以及對應的運行狀態，所述的運行狀態包括正常狀態以及故障狀態下的故障類型，

所述的在線診斷子模塊從數據采集模塊獲取待診斷的電機振動信號并并輸入至訓練好的空洞卷積膠囊網絡診斷電機的運行狀態；

圖形用戶界面：將故障診斷的結果以報表和日志的形式顯示。

8.根據權利要求7所述的一種基于空洞卷積膠囊網絡的電機故障診斷系統，其特征在于，所述的數據采集模塊包括三個振動傳感器，三個振動傳感器安裝在電機驅動端X、Y、Z三個方向。

9.根據權利要求7所述的一種基于空洞卷積膠囊網絡的電機故障診斷系統，其特征在于，所述的空洞卷積膠囊網絡包括依次級聯的輸入層、故障特征層、空洞卷積層、初級膠囊層、數字膠囊層和輸出層，所述的輸入層輸入電機振動信號，所述的故障特征層將電機振動信號轉化為故障特征圖，所述的空洞卷積層基于故障特征圖提取特征信息，所述的初級膠囊層將特征信息向量化并輸出初級膠囊層特征向量，所述的數字膠囊層通過擠壓函數和動態路由操作將初級膠囊層特征向量變換為代表各運行狀態的數字膠囊層特征向量并輸出，所述的輸出層求取各數字膠囊層特征向量的L2范數，選取L2范數最大者對應的運行狀態作為診斷結果。