[發明專利]一種基于多尺度可視圖和深度學習的電機故障診斷方法

有效

• 申請號: 202011106735.4
• 申請日: 2020-10-16
• 公開（公告）號: CN112418267B
• 公開（公告）日: 2023-10-24
• 發明（設計）人: 楊洛;呂行;沈峻;許文慶;吳茂俊;孫展展;蔡培倩;楊蘇;吳典勝;李金超;唐傳旭;王亢
• 申請（專利權）人: 江蘇金智科技股份有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/80;G06T7/00;G06V10/82
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 彭雄

1.一種基于多尺度可視圖和深度學習的電機故障診斷方法，其特征在于，包括以下步驟：

步驟1，獲取電機K種不同故障類型，并進行標注；

步驟2，對每一種故障進行one-hot編碼，得到故障樣本的標記y；

步驟3，獲取電機不同故障類型下加速度時間序列T＝(v₁，...，v_K)，其中K表示故障類型總數，v_i為第i種故障的加速度序列；

步驟4，將故障轉速加速度時間序列按7∶3劃分成訓練集和測試集；

步驟5，設延遲步長為τ∈Z，延遲長度為m∈Z，構建如下多尺度時間序列：

其中，T表示加速度時間序列，Z表示正整數集合(本專利取τ＝4)；

步驟6，分別對多尺度序列構建可視圖，將轉速加速度多尺度時間序列轉換為圖結構；

步驟7，分別找到多尺度序列的可視圖所有頂點最大為4的子圖；

步驟8，在每個子圖中計算子圖密度、K核、分類系數以及度，并記為x_i；

步驟9，構建三層Softmax線性分類器，損失函數L為：

其中，

W＝(vec(W₁)，vec(W₂)，vec(W₃)，b₁，b₂，b₃)，vec表示按列把矩陣拉成向量，σ(·)為Relu函數，R(W)為網絡的正則化項，λ＝0.1為正則化系數，y_i表示第i種故障狀態的one-hot編碼，f_i表示分類器的中間層的輸出層結果，W₁，W₂，W₃表示第一層、第二層和最后一層的權重值，b₁、b₂、b₃表示第一層、第二層和最后一層的偏置值，x_i表示分類器的中間層的輸入；

步驟10，將某故障類型對應的轉速加速度訓練樣本和標簽輸入Softmax線性分類器，并采用隨機梯度下降算法訓練網絡直至收斂；

步驟11，在測試集上測試所訓練的Softmax線性分類器的性能；如果測試集上精度高于95％，網絡訓練結束；否則返回步驟10繼續訓練，直至測試集精度高于95％；

步驟12，實時故障診斷階段，獲取待診斷電機運行加速度時間序列，將待診斷電機運行加速度時間序列導入訓練好的分類器中進行分類診斷。

2.根據權利要求1所述基于多尺度可視圖和深度學習的電機故障診斷方法，其特征在于：步驟8中子圖密度計算公式如下：

其中，p表示圖密度，|E|表示圖的邊數，|V|表示圖的頂點數。

3.根據權利要求2所述基于多尺度可視圖和深度學習的電機故障診斷方法，其特征在于：步驟6中分別對多尺度序列構建可視圖，將轉速加速度多尺度時間序列轉換為圖結構的方法：故障轉速加速度多尺度時間序列中的每個點都被視為垂直的矩形，其高度是相應的數值；每個時間步均是圖形中的頂點，則如果垂直矩陣的項部彼此可見，則連接兩個頂點，即從兩個條的項部開始存在一條直線，且與其他矩形不相交，則可視圖表示為G＝(V，E)，該圖具有n個頂點V＝(1，...，n)，V為該圖的邊的集合，E為該圖的邊的集合，邊e＝(i，j)∈E當且僅當對i＜k＜j，1≤i，j≤n使

其中，i∈V，j∈Vk∈V。

4.根據權利要求3所述基于多尺度可視圖和深度學習的電機故障診斷方法，其特征在于：步驟8中分類系數計算公式如下：

其中，r表示分類系數，a_x和b_y分別代表在頂點處以x和y開頭和終止的邊的比例，而e_xy是分類性的度量，σ_a，σ_b是分布a_x和b_y的標準偏差。