[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

本發明公開了一種基于多尺度可視圖和深度學習的電機故障診斷方法，通過將故障轉速加速度時序數據規約成不同粒度的維度特征，得到不同尺度的數據，然后數據轉化為多尺度圖結構，通過在所生成的圖上提取深度特征，并通過Softmax線性分類器訓練得到故障分類器，本發明能夠同時考慮故障轉速加速度信號的全局和局部故障特性，從而實現了高效的電機故障診斷。

技術領域

本發明屬于電機運行與分析領域，涉及了一種基于多尺度可視圖和深度學習的電機故障診斷方法。

背景技術

隨著電力需求的的迅猛發展,國內的發電量需求越來越大，電機已被廣泛應用于電廠生產的各個領域。由于電機工作過程中,發生故障或失效的潛在可能性隨著運行時間的增長逐漸增大。往往部件的故障就能引起鏈式反應,導致整個設備系統不能正常運行,甚至癱瘓。因此,提高設備系統的安全性和可靠性已成為刻不容緩的問題,而及時準確地發現電廠電機潛在的或現有的故障正是保證設備安全運行的重要措施,研究不同條件、不同運行狀態下電廠電機故障診斷的理論方法和技術策略正是提高設備系統可靠運行的保證。

傳統的電機故障診斷方法,需要建立精確的數學模型、有效的狀態估計或參數估計、適當的統計決策方法等,這些前提條件使得傳統的電機故障診斷具有相當的局限性。而人工智能控制方法,如神經網絡、模糊邏輯、模糊神經和遺傳算法等,能夠處理傳統故障診斷方法所無法解決的問題,具有傳統診斷方法無以比擬的優越性,因而使得電機故障診斷的人工智能方法在近幾年得到廣泛的認可和應用,已被認為是電機診斷技術的重要發展方向。

Hinton等提出了深度學習理論,開啟了深度學習在學術界和工業界的浪潮。深度學習可以通過組合低層特征形成更加抽象的高層特征表示，從而發現數據的分布式特征表達。深度學習非線性表達能力強，判別能力好，已經在語音識別、圖像識別等領域取得了突破性進展。

對于電廠電機而言，其運行環境和工況復雜多變，存在電氣量(各相電壓，電流，功率)和非電氣量(溫度，濕度，振動位移)等高維時間信號，運行模態也不盡相同，與常規信號差異很大，同時，運行狀態也沒有標簽可用，因此要提高電機故障預警的可靠性，不能套用原始的深度學習網絡，為此，本專利提出了將故障轉速加速度時序序數據做不同粒度的維度規約，得到不同尺度的數據，然后數據轉化為多尺度圖結構，通過在所生成的圖上提取深度特征，并通過Softmax線性分類器訓練得到故障分類器，由于該方法能夠同時考慮全局(global)和局部(local)故障特性，從而實現了高效的電機故障診斷。

發明內容

發明目的：為了克服現有技術中存在的不足，本發明提供一種基于多尺度可視圖和深度學習的電機故障診斷方法。

技術方案：為實現上述目的，本發明采用的技術方案為：

一種基于多尺度可視圖和深度學習的電機故障診斷方法，通過將故障轉速加速度時序序數據規約不同粒度的維度特征，得到不同尺度的數據，然后數據轉化為多尺度圖結構，通過在所生成的圖上提取深度特征，并通過Softmax線性分類器訓練得到故障分類器，具體包括以下步驟：

任意圖表示為G＝(V,E)，V為該圖的邊的集合，E為該圖的邊的集合，該圖具有n個頂點V＝(1,...,n)，邊e＝(i,j)∈E，i∈V,j∈V。

步驟1，獲取K電機不同故障類型，并進行標注；

步驟2，對故障進行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，將加速度時間序列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，構建多尺度時間序列：