[發(fā)明專利]一種基于圖卷積的電機(jī)故障診斷方法

有效

• 申請?zhí)枺?/td>: 202010462054.5
• 申請日: 2020-05-27
• 公開（公告）號: CN111812507B
• 公開（公告）日: 2023-05-02
• 發(fā)明（設(shè)計）人: 徐東偉;朱鐘華;宣琦
• 申請（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號: G01R31/34
• 分類號: G01R31/34;G06F18/213;G06F18/214;G06F18/2415;G06N3/0464
• 代理公司: 杭州斯可睿專利事務(wù)所有限公司 33241
• 代理人: 王利強(qiáng)

1.一種基于圖卷積的電機(jī)故障診斷方法，其特征在于，所述方法包括以下步驟：

1)劃分?jǐn)?shù)據(jù)樣本：利用傅里葉變換和逆變換將定子電流數(shù)據(jù)參照單個周期正弦函數(shù)劃分單位樣本；

2)構(gòu)建電流圖網(wǎng)絡(luò)：在每個單位周期樣本中，首先根據(jù)電流數(shù)值正負(fù)以及樣本周期將樣本劃分為兩個部分，然后分別確定兩個部分中的數(shù)據(jù)點是否存在聯(lián)系，并以數(shù)據(jù)點為節(jié)點創(chuàng)建節(jié)點關(guān)系矩陣，最后根據(jù)節(jié)點關(guān)系矩陣和電流數(shù)值波動特征構(gòu)建電流圖網(wǎng)絡(luò)；

3)構(gòu)建圖卷積神經(jīng)網(wǎng)絡(luò)并分類：將電流圖網(wǎng)絡(luò)作為模型訓(xùn)練數(shù)據(jù)，設(shè)計圖卷積神經(jīng)網(wǎng)絡(luò)分類模型，并進(jìn)行故障分類；

所述步驟1)的過程如下：

首先，對各種電機(jī)故障的定子電流數(shù)據(jù)X_i進(jìn)行快速傅里葉變換：

fft_i＝FFT(X_i)??(1)

其中，fft_i表示第i種電機(jī)故障的定子電流數(shù)據(jù)經(jīng)過快速傅里葉變換的結(jié)果，F(xiàn)FT表示快速傅里葉變換；

其次，記fft_i中所有高幅值分量為amp_i，對此分量集合進(jìn)行傅里葉逆變換：

fit_i＝IFFT(amp_i)??(2)

其中，fit_i表示經(jīng)過傅里葉逆變換得到的第i種故障的擬合的光滑曲線，根據(jù)此曲線中每個正弦函數(shù)的時間段，在原始定子電流數(shù)據(jù)上劃分單位樣本x_ij，樣本數(shù)據(jù)長度為一個周期，j表示樣本數(shù)；

所述步驟2)的過程如下：

每個樣本x_ij中都有n個數(shù)據(jù)點，令:

x_ij＝f(t)?t∈[1,2,…,n]??(3)

其中，f(t)表示x_ij中第t個點的電流值，且每個樣本的數(shù)值分布都類似于一個相位為0-2π的正弦函數(shù)，再根據(jù)電流數(shù)值正負(fù)以及樣本周期，將每個樣本劃分為S1,S2兩部分：

對于S1部分，首先取t₁和t₃兩個點，且1≤t₁＜t₃≤n/2，對于任意的一個點t₂，t₁＜t₂＜t₃，都滿足以下關(guān)系時，則定義t₁和t₃之間存在聯(lián)系：

對于S2部分，首先取t₁和t₃兩個點，且n/2+1≤t₁＜t₃≤n，對于任意的一個點t₂，t₁＜t₂＜t₃，都滿足以下關(guān)系時，則定義t₁和t₃之間存在聯(lián)系：

此外，樣本中每個數(shù)據(jù)點與其自身及相鄰點也視為存在聯(lián)系，然后將所有數(shù)據(jù)點作為節(jié)點，根據(jù)節(jié)點之間的聯(lián)系創(chuàng)建節(jié)點關(guān)系矩陣：A_ij∈{0，1}^n×n，n表示節(jié)點數(shù)量，1表示存在聯(lián)系，0表示無聯(lián)系，并對該關(guān)系矩陣進(jìn)行歸一化：

其中D^-1表示節(jié)點關(guān)系矩陣A_ij的度矩陣，I表示單位矩陣；

另外，由于所有樣本的電流數(shù)據(jù)分布近似正弦函數(shù)，且在正弦函數(shù)上下一定范圍內(nèi)波動，而故障特征主要體現(xiàn)在此波動上，該波動特征提取方法如下：

x′_ij＝x_ij-fit_normal??(9)

其中，fit_normal表示經(jīng)過傅里葉逆變換得到的電機(jī)正常狀態(tài)的擬合的光滑曲線，x′_ij表示樣本中各種狀態(tài)的波動特征，并對該波動特征進(jìn)行歸一化得到

因此，電流圖網(wǎng)絡(luò)表示為其中d表示特征數(shù)量。

2.如權(quán)利要求1所述的一種基于圖卷積的電機(jī)故障診斷方法，其特征在于，所述步驟3)的過程如下：

圖卷積神經(jīng)網(wǎng)絡(luò)可以經(jīng)過多次迭代，來不斷抽象圖網(wǎng)絡(luò)的特征，其過程表示為：

其中，x_ij^(k)表示第i種故障第j個樣本在第k層圖卷積神經(jīng)網(wǎng)絡(luò)中的特征值，W^(k)和b^(k)分別表示第k層圖卷積神經(jīng)網(wǎng)絡(luò)的可訓(xùn)練權(quán)重矩陣和偏置，且每層結(jié)果都會經(jīng)過ReLU激活函數(shù)；

然后將最后一層圖卷積特征進(jìn)行展開，得到一維特征F₁，以便后續(xù)使用全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行分類：

C＝Softmax(F₁·W₁)??(12)

其中，W₁表示全連接神經(jīng)網(wǎng)絡(luò)的可訓(xùn)練權(quán)重，C表示電機(jī)故障的分類結(jié)果。