[發(fā)明專利]一種基于博弈映射學(xué)習(xí)的信息融合三相電機(jī)故障診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210685133.1
• 申請(qǐng)日: 2022-06-16
• 公開（公告）號(hào): CN114970744A
• 公開（公告）日: 2022-08-30
• 發(fā)明（設(shè)計(jì)）人: 王彪;任翔宇;秦勇;賈利民
• 申請(qǐng)（專利權(quán)）人: 北京交通大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08;G01R31/34;G01M13/045;G01M13/04
• 代理公司: 北京市商泰律師事務(wù)所 11255
• 代理人: 毛燕生

1.一種基于博弈映射學(xué)習(xí)的信息融合三相電機(jī)故障診斷方法，其特征在于，包括以下步驟：

1)獲取不同工況下三相電機(jī)的多傳感器信號(hào)包括振動(dòng)信號(hào)、電流信號(hào)、轉(zhuǎn)速信號(hào)、聲信號(hào)，其中，表示第i個(gè)樣本x_i＝{x_i1,x_i2,…,x_iM}的第j個(gè)傳感器數(shù)據(jù)，表示維度為H×1的矩陣空間，M為傳感器個(gè)數(shù)，N為信號(hào)樣本個(gè)數(shù)，H為每個(gè)傳感器數(shù)據(jù)包含的數(shù)據(jù)點(diǎn)數(shù)；

2)構(gòu)建M個(gè)自學(xué)習(xí)特征映射網(wǎng)絡(luò)，與M個(gè)傳感源相對(duì)應(yīng)，且這M個(gè)自學(xué)習(xí)特征映射網(wǎng)絡(luò)結(jié)構(gòu)相同，不互相共享參數(shù)，用表示，每個(gè)自學(xué)習(xí)特征映射網(wǎng)絡(luò)由三層卷積層堆疊而成，用于從不同傳感器數(shù)據(jù)中自動(dòng)提取多傳感故障特征并將其映射至公共信息度量空間中；

3)構(gòu)建傳感源鑒別器，其由三層全連接層組成，用D(·)表示，用于識(shí)別公共信息度量空間中各類故障特征的傳感數(shù)據(jù)來源；

4)構(gòu)建故障模式識(shí)別器，結(jié)構(gòu)為三層全連接網(wǎng)絡(luò)，用C(·)表示，用于識(shí)別輸入樣本的故障類別；

5)訓(xùn)練傳感源鑒別器D(·)，最小化傳感源鑒別損失，使其能夠最大限度地區(qū)分公共信息度量空間中的故障特征的傳感來源；同時(shí)訓(xùn)練M個(gè)自學(xué)習(xí)特征映射網(wǎng)絡(luò)最大化傳感源鑒別損失，使得不同傳感器數(shù)據(jù)映射到公共信息度量空間中的故障特征差異性最小，難以被區(qū)分；即傳感源鑒別器D(·)與自學(xué)習(xí)特征映射網(wǎng)絡(luò)之間進(jìn)行“零和博弈”；構(gòu)建相關(guān)性損失，訓(xùn)練M個(gè)自學(xué)習(xí)特征映射網(wǎng)絡(luò)最小化相關(guān)性損矢，進(jìn)一步使得公共信息度量空間中的多傳感故障特征在類內(nèi)更加聚集，在類間更加分散；經(jīng)過迭代使得樣本的不同傳感器數(shù)據(jù)經(jīng)過不同的特征映射網(wǎng)絡(luò)得到的多傳感故障特征在同類故障內(nèi)差異性最小，異類故障間差異性最大；最后將公共信息度量空間中的多傳感故障特征融合后作為故障模式識(shí)別器的輸入，進(jìn)行故障診斷。

2.根據(jù)權(quán)利要求1所述的一種基于博弈映射學(xué)習(xí)的信息融合三相電機(jī)故障診斷方法，其特征在于，步驟2)具體包括以下步驟：

(2.1)自學(xué)習(xí)特征映射網(wǎng)絡(luò)的輸入為樣本x_i＝{x_i1,x_i2,…,x_iM}的一個(gè)傳感器數(shù)據(jù)x_ij，將x_ij通過線性整流單元(Rectified linear unit，ReLU)進(jìn)行激活操作，利用卷積核k^l與激活后的數(shù)據(jù)進(jìn)行卷積，得到向量u_ij，計(jì)算表達(dá)式如下：

u_ij＝σ(k^l*x_ij+b^l)

式中，k^l為該卷積層卷積核，b^l為偏置項(xiàng)，*代表卷積運(yùn)算，σ(·)表示線性整流單元；

(2.2)對(duì)向量u_ij進(jìn)行平均池化，獲取無重疊池化區(qū)域內(nèi)元素的平均值，得到池化后的向量為y_ij，計(jì)算表達(dá)式如下：

y_ij＝pool(u_ij,p,s)

其中，pool(·)表示平均池化函數(shù)，p為池化尺寸，s為池化移動(dòng)步長(zhǎng)；

(2.3)將向量y_ij再次執(zhí)行步驟(a)和(b)，再將得到向量平鋪為一維向量，最終得到故障特征X_ij。

3.根據(jù)權(quán)利要求1所述的一種基于博弈映射學(xué)習(xí)的信息融合三相電機(jī)故障診斷方法，其特征在于，步驟3)包括以下步驟：

(3.1)將自學(xué)習(xí)特征映射網(wǎng)絡(luò)輸出的故障特征X_ij作為傳感源鑒別器的輸入；將X_ij輸入傳感源鑒別器，提取傳感源特征并降維至M維(傳感器源個(gè)數(shù))得到向量計(jì)算表達(dá)式如下：

其中，表示第l-1層的輸出，表示第l層的輸出，W^l為第l層的權(quán)重矩陣，b^l為偏置項(xiàng)，σ(·)為sigmoid非線性激活函數(shù)；

(3.2)將作為softmax層的輸入，最終得到該故障特征X_ij的傳感源預(yù)測(cè)概率向量softmax函數(shù)的表達(dá)式為：

式中，表示向量的第a個(gè)值。