[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

本發明公開了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，通過采集不同工況下多種電機健康狀態的三相電流數據，并進行數據預處理，然后利用處理好的數據搭建基于膠囊網絡的故障診斷模型，并對該模型的訓練，從而得到快速、準確地檢測出三相感應電機的多種故障的故障診斷模型，進而用于三相感應電機的實時檢測，這樣不僅降低了測量成本和時間成本，提高了電機故障診斷的效率，提升了電機系統的安全性。

技術領域

本發明屬于三相感應電機智能故障檢測技術領域，更為具體地講，涉及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。

背景技術

在現代工業制造中，電動機廣泛應用于發電、風機、機床、壓縮機、機械臂等領域。隨著可再生能源的發展，電機在風力發電和電動汽車領域也發揮著重要的作用。電機作為現代工業中最基本的部件之一，它經常在惡劣的環境和多變的工作條件下工作，時常會發生各種緊急故障，造成嚴重的事故和巨大的經濟損失。同時，隨著電機在生產生活中的廣泛應用，為保證機械設備和工業系統的經濟可靠運行，提高復雜機電系統的運行效率，對電機工作狀態的監測變得越來越重要。

為了減輕電機故障對工業系統的影響，提高工業生產的運行效率，有必要探索一種有效的電機運行監測和故障診斷方法。近年來，隨著人工智能技術的飛速發展，基于機器學習的方法在許多領域得到了應用，如谷歌的AlphaG使用深度神經網絡從大量的圍棋對弈數據或圍棋規則中進行認知學習，并取得了重大突破；此外人工智能在電力系統的應用也得到廣泛的研究，如電力系統輸電線路故障診斷，風力發電機的出力、故障預測等。人工智能對數據強大的學習能力同樣可以應用在電機故障診斷中，通過神經網絡對電機數據進行處理，探索正常電機與故障電機數據之間的差異，進而實現電機故障診斷的方法是可行的。盡早發現電機故障可以盡早的去檢查維修，提高了電機故障診斷的效率，提升了電機系統的安全性，可以預防系統發生更嚴重的事故。

發明內容

本發明的目的在于克服現有技術的不足，提供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，通過對電機三相電流進行分析，進而檢測出多種常見電機故障，從而解決了傳統電機故障檢測方法因為電機工況改變時檢測精度大幅下降的特點，以及傳統故障檢測需要安裝額外的傳感器使得測量成本增加的特點。

為實現上述發明目的，本發明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表示電機在不同的工況；m＝1,2,…,7m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：