[發(fā)明專利]一種基于膠囊網(wǎng)絡(luò)的三相感應(yīng)電機變工況多故障診斷方法

有效

• 申請?zhí)枺?/td>: 202010558093.5
• 申請日: 2020-06-18
• 公開（公告）號: CN111766513B
• 公開（公告）日: 2021-08-20
• 發(fā)明（設(shè)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(quán)）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(wù)所(普通合伙) 51220
• 代理人: 溫利平

1.一種基于膠囊網(wǎng)絡(luò)的三相感應(yīng)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(yīng)電機在不同工況下的電流數(shù)據(jù)，及對應(yīng)電流下的電機健康狀態(tài)，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(tài)，包括正常工作狀態(tài)和六種故障狀態(tài)，故障類型有：匝間短路、缺相、鼠籠條斷條、突然丟失負載、轉(zhuǎn)子動態(tài)偏心與轉(zhuǎn)子靜態(tài)偏心；

(2)、數(shù)據(jù)預處理

(2.1)、將不同健康狀態(tài)下的電流數(shù)據(jù)添加標簽，其中，正常狀態(tài)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(zhuǎn)子動態(tài)偏心記為RDE，轉(zhuǎn)子靜態(tài)偏心記為RSE；添加標簽后的電流數(shù)據(jù)在膠囊網(wǎng)絡(luò)中所對應(yīng)索引值為1～7；

(2.2)、將添加標簽后的電流數(shù)據(jù)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(wǎng)絡(luò)的故障診斷模型；

(3.1)、設(shè)置基于膠囊網(wǎng)絡(luò)的故障診斷模型的學習率α；設(shè)置總的迭代次數(shù)T；

(3.2)、隨機選取n個Batch輸入至卷積神經(jīng)網(wǎng)絡(luò)CNN，利用卷積神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)特征，act()表示激活函數(shù)，表示t時刻的權(quán)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(shù)據(jù)，t為當前訓練次數(shù)；

(3.3)、將CNN提取的初始特征輸入至膠囊網(wǎng)絡(luò)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(wǎng)絡(luò)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(wǎng)絡(luò)卷積層的權(quán)重矩陣和偏置向量；為t時刻初級膠囊層的權(quán)重矩陣和偏置向量；tanh()為雙曲正切激活函數(shù)；

(3.4)、通過壓縮與動態(tài)路由算法對初級膠囊層的輸出進行處理，得到數(shù)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(shù)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(tài)所對應(yīng)的索引值；l_j(t)是t時刻從初級膠囊層到數(shù)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(quán)重矩陣W_ij(t)得到，i為初級膠囊層輸出8維向量的個數(shù)；a_ij(t)為t時刻的耦合系數(shù)；b_ij(t)為t時刻動態(tài)路由算法的迭代更新參數(shù)，初始值為0；r為動態(tài)路由算法的迭代次數(shù)；

(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(yīng)的電機狀態(tài)作為當前數(shù)據(jù)所對應(yīng)的電機狀態(tài)，并輸出電機狀態(tài)；

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

L_loss(t)＝Y(jié)_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(tài)下電機數(shù)據(jù)標簽所對應(yīng)的索引值，‖v_j‖就是數(shù)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(shù)值L_loss(t)，再與t-1時刻的損失函數(shù)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(yōu)化CNN和膠囊網(wǎng)絡(luò)的權(quán)重及偏置；否則，則利用AdamOptimizer優(yōu)化器優(yōu)化CNN和膠囊網(wǎng)絡(luò)的權(quán)重及偏置，AdamOptimizer優(yōu)化器優(yōu)化的具體公式為：

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

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

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