[發明專利]一種基于膠囊網絡的三相感應電機變工況多故障診斷方法

有效

• 申請號: 202010558093.5
• 申請日: 2020-06-18
• 公開（公告）號: CN111766513B
• 公開（公告）日: 2021-08-20
• 發明（設計）人: 胡維昊;李堅;黃琦;陳健軍;曹迪;張真源;井實;易建波;許瀟;蒙怡帆
• 申請（專利權）人: 電子科技大學
• 主分類號: G01R31/34
• 分類號: G01R31/34;G06N3/04;G06N3/08
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平

1.一種基于膠囊網絡的三相感應電機變工況多故障診斷方法，其特征在于，包括以下步驟：

(1)、采集三相感應電機在不同工況下的電流數據，及對應電流下的電機健康狀態，記為I_j[state_m]；其中，j＝1,2,3,…，j表示電機不同的工況編號；m＝1,2,…,7，m表示電機的健康狀態，包括正常工作狀態和六種故障狀態，故障類型有：匝間短路、缺相、鼠籠條斷條、突然丟失負載、轉子動態偏心與轉子靜態偏心；

(2)、數據預處理

(2.1)、將不同健康狀態下的電流數據添加標簽，其中，正常狀態記為Normal，匝間短路記為ISC，缺相記為OP，鼠籠條斷條記為BRB，突然丟失負載記為LM，轉子動態偏心記為RDE，轉子靜態偏心記為RSE；添加標簽后的電流數據在膠囊網絡中所對應索引值為1～7；

(2.2)、將添加標簽后的電流數據隨機劃分成N個等長度的子序列，每個子序列記為一個Batch，共計得到N個Batch；

(3)、搭建并訓練基于膠囊網絡的故障診斷模型；

(3.1)、設置基于膠囊網絡的故障診斷模型的學習率α；設置總的迭代次數T；

(3.2)、隨機選取n個Batch輸入至卷積神經網絡CNN，利用卷積神經網絡CNN提取的初始特征，提取公式為：

其中，f_c(t)是t時刻CNN提取的初始數據特征，act()表示激活函數，表示t時刻的權重矩陣，為t時刻的偏置向量，I_t為t時刻輸入Batch中的電流數據，t為當前訓練次數；

(3.3)、將CNN提取的初始特征輸入至膠囊網絡模型的卷積層，通過卷積運算后將初始特征映射到初級膠囊層；

其中，g₁(t)是t時刻膠囊網絡卷積層的輸出；e_i(t)為t時刻初級膠囊層的輸出，是一系列的8維向量；為t時刻膠囊網絡卷積層的權重矩陣和偏置向量；為t時刻初級膠囊層的權重矩陣和偏置向量；tanh()為雙曲正切激活函數；

(3.4)、通過壓縮與動態路由算法對初級膠囊層的輸出進行處理，得到數字膠囊層的輸出，處理的具體公式為：

其中，v_j(t)是t時刻數字膠囊層第j個膠囊的輸出，j∈[1,7]它是每一種電機健康狀態所對應的索引值；l_j(t)是t時刻從初級膠囊層到數字膠囊層的總輸入向量；為t時刻預測向量，通過將初級膠囊層的輸出乘以一個權重矩陣W_ij(t)得到，i為初級膠囊層輸出8維向量的個數；a_ij(t)為t時刻的耦合系數；b_ij(t)為t時刻動態路由算法的迭代更新參數，初始值為0；r為動態路由算法的迭代次數；

(3.5)、計算向量v_j(t)的長度，并比較當前t時刻所有向量長度的最大值，再將最長向量的索引值對應的電機狀態作為當前數據所對應的電機狀態，并輸出電機狀態；

(3.6)、根據數字膠囊層的輸出v_j(t)搭建用于優化故障診斷模型的損失函數；

L_loss(t)＝Y_j(t)maxmax(0,m₁-‖v_j(t)‖)²+λ(1-Y_j(t))max(0,‖v_j(t)‖-m₂)²

其中，Y_j(t)是不同健康狀態下電機數據標簽所對應的索引值，‖v_j‖就是數字膠囊層輸出向量v_j的長度，m₁、m₂、λ均是[0,1]之間的常量；

(3.7)、計算t時刻的損失函數值L_loss(t)，再與t-1時刻的損失函數值L_loss(t-1)進行比較，如果L_loss(t)小于L_loss(t-1)，則利用梯度下降法直接優化CNN和膠囊網絡的權重及偏置；否則，則利用AdamOptimizer優化器優化CNN和膠囊網絡的權重及偏置，AdamOptimizer優化器優化的具體公式為：

其中，g(t)為t時刻的梯度；m_t為指數移動均值；h_t為平方梯度；β₁、β₂為常數，β₁、β₂∈[0,1]；∈為常數，默認為1e-8；θ_t-1表示前一個時刻的模型參數，θ_t表示更新后的模型參數，包括CNN和膠囊網絡更新后的權重及偏置；

(3.8)、判斷當前迭代次數t是否達到最大迭代次數T，如果滿足，則迭代停止，將本次更新后的權重及偏置作為CNN和膠囊網絡的參數，然后進入步驟(4)；否則，將當前迭代次數t自加1，再返回步驟(3.2)，繼續選取下一組Batch進行訓練；

(4)、實時采集三相感應電機的電流數據，然后輸入至模型，從而輸出三相感應電機的健康狀態類型。