[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?？剖⒅R產權代理有限公司 31225
• 代理人: 丁云

本發明涉及一種基于空洞卷積膠囊網絡的電機故障診斷方法及系統，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。與現有技術相比，本發明能自動提取電機信號的有效特征并實現智能故障診斷，診斷準確率達到99％以上，魯棒性和泛化能力強，顯著降低了錯誤識別率。

技術領域

本發明涉及一種電機故障診斷方法及系統，尤其是涉及一種基于空洞卷積膠囊網絡的電機故障診斷方法及系統。

背景技術

目前電機故障診斷方法主要有以下幾種：

方法1：基于信號處理的電機故障診斷方法。它對采集到的信號進行預處理以此來消除噪聲，降低特征維數并且提取出有用的故障特征信息。信號處理方法主要包括傅里葉變換，小波變換，小波包變換和經驗模態分解方法等。

方法2：基于專家系統的電機故障診斷方法。它采用眾多人類專家學者的知識和推理方法，以此來處理復雜的問題。將故障信號歸納成為一種規則，建立專家知識庫。當有故障發生時，利用知識庫中的經驗分析推理達到故障診斷的目的。

方法3：基于機器學習的電機故障診斷方法。它盡可能利用計算機模擬或實現人類的學習行為，以獲取新的知識或技能，并重新組織已有的知識結構使之不斷改善自身的性能，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。常用的機器學習方法包括支持向量機(SVM)、神經網絡、深度學習等。

上述方法存在如下不足：

方法1的不足：在信號處理的過程中，不僅需要大量的信號處理專業知識來對信號進行處理和分析，并且要求技術人員對所檢測電機的運行狀態和故障相關背景都有較強的專業知識，再加上電機運轉過程中，大量不可預測的因素存在，使得故障診斷過程更為復雜，并且故障特征信號不明顯且是非線性與非平穩的，從而導致人為判斷錯誤的可能性加大。

方法2的不足：基于專家系統的診斷方法是很難建立起比較完整的電機故障知識庫，同時該系統不具備自主學習的能力，魯棒性較差。

方法3的不足：一些傳統的而機器學習方法，比如支持向量機、樸素貝葉斯、決策樹等方法的參數初始值設置需要人為經驗設置，參數的尋優過程緩慢，難以找到最優的參數來匹配最優模型，需要結合遺傳算法、粒子群等參數優化算法來輔助尋優；對于BP神經網絡，容易陷入局部最小值，加深的深度學習網絡模型雖然學習能力提升，但是容易出現過擬合現象，同時增加了模型的復雜度。在電機大數據背景下，針對復雜分類問題時，信號處理的方法和傳統機器學習方法的特征提取能力和泛化能力受到一定的約束，已經不能滿足所需要求。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于空洞卷積膠囊網絡的電機故障診斷方法及系統。

本發明的目的可以通過以下技術方案來實現：

一種基于空洞卷積膠囊網絡的電機故障診斷方法，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。

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。