CN110376522B - 一种数据融合的深度学习网络的电机故障诊断方法 - Google Patents

Abstract

一种数据融合的深度学习网络的电机故障诊断方法；该神经网络中包括数据压缩网络、特征提取网络和分类网络；其确定与训练方法为：1、采集电机的A,B两相电流信号和电机端部轴承的振动信号。进行数据标准化，通过希尔伯特‑黄变换得到频谱序列，建立神经网络的数据集；2、建立深度神经网络，确定网络结构并初始化参数；3、将训练集输入神经网络，分别计算不同神经网络的损耗函数，并利用损耗值更新神经网络参数；4、将测试集的数据输入神经网络，计算准确率，重复步骤3直至准确率满足要求；训练结束后，神经网络可以将输入的电流、振动数据映射至特征平面，分类网络根据其所在区域对应的故障状态可预测电机是否发生故障。

Description

一种数据融合的深度学习网络的电机故障诊断方法

技术领域

本发明涉及电气设备的故障诊断技术领域，具体涉及一种数据融合的深度学习网络的电机故障诊断方法，通过改变深度学习神经网络的结构，利用自动编码器进行数据融合，实现利用电流与振动数据实现综合判断电机故障。

背景技术

电机是现代工业、生产和生活中最常用的驱动设备，其使用范围十分广泛。在工业生产长期服役的情况下，电机可能发生轴承疲劳磨损、定子匝间短路、转子断条等故障。通过电机状态监测和故障诊断能够及时检修，保证电机的可靠运行。

随着近年深度学习的发展与硬件计算速度的提升，很多基于深度神经网络的故障诊断模型和算法被提出并应用于工业生产中。相对于传统的建模分析法，基于数据的故障诊断技术不会只考虑故障的主要因素，分析更加全面，能够通过已有的全部数据进行训练，学习信号中的规律。

通过数据融合技术，可利用不同类型的传感器测得的数据进行综合判断，提高故障辨识的准确率与可靠性。但由于神经网络通常采用多层全连接结构，特征融合方法不易实现。

发明内容

为提高电机故障监测的可靠性，本发明的目的在于提出一种数据融合的深度学习网络的电机故障诊断方法，利用深度神经网络学习数据特征，融合电机电流、振动数据并综合判断电机故障。

为达到上述目的，本发明所采用的技术方案是：

一种数据融合的深度学习网络的电机故障诊断方法，包括如下步骤：

步骤1：采集电机的A,B两相电流信号i_A(t)、i_B(t)和电机端部轴承的振动信号v(t)，进行数据标准化，通过希尔伯特-黄变换得到A，B两相电流信号与振动信号的频谱序列i_A(z)、i_B(z)、v(z)；建立神经网络的数据集：

对采集到的电流信号、振动信号进行标准化，使其均值为0，方差为1；对于A相电流式(1)：

式中i_Amean、i_Avar为A相电流的平均值、方差；

为A相电流标准化后的结果；n为序列长度；

同样，根据式(2)、式(3)得到B相电流和振动数据标准化后的结果

v^*(t)；

式中i_Bmean、i_Bvar为B相电流的平均值、方差；

为B相电流标准化后的结果；

式中v_mean、v_var为振动信号的平均值、方差；v^*为振动信号标准化后的结果；

对标准化后的结果进行HHT变换：对于

首先对标准化后的结果进行经验模态分解并计算幅频特性函数：

a)

的极大值点经三次样条插值得到的上包络线记为S_max(t)，极小值点经三次样条插值得到的下包络线记为S_min(t)，则上、下包络线的中线m(t)表示为式(4)：

b)根据式(5)计算

的本征模态函数h₁(t)：

c)若m(t)极大值、极小值个数均大于1，则重复a)、b)，对m(t)进行进一步的经验模态分解，到高次的本征模态函数h₂(t)、h₃(t)、...h_p(t)，直至极大值或极小值个数为1，其中p为本征模态函数的个数；

d)将所有本征模态函数的幅频特性相加，得到原始信号的频域信号，如下式(6)：

式中

表示Hilbert变换，Re(·)表示取实部，h_k为第k个本征模态函数；

上述经验模态分解与幅频特性函数计算过程中，将

分别替换为

v^*(t)，则能够分别得到B相电流和振动数据的频域信号i_B(z)、v(z)；

将i_A(z)、i_B(z)连接为i(z)，作为电流输入信号，信号长度为N_i；v(z)为振动输入信号，长度为N_v；一组电流、振动信号共同组成一个神经网络的输入；

若电机状态类型数为s，电机处于第j种状态时，状态标签向量表示为下式(7)

将多个时间段的电流、振动信号进行预处理，得到多个神经网络输入，建立数据集，并根据输入数据对应的电机状态通过式(7)确定训练标签；随机选取一半作为训练集，另外一半作为测试集；

步骤2：建立深度神经网络，确定网络结构并初始化参数：

深度神经网络包括数据压缩网络、特征提取网络和特征分类网络三个部分；

数据压缩网络采用等效自动编码器架构，对于电流数据压缩网络，输入、输出神经元个数为N_i，经过压缩的特征向量层的神经元个数为τN_i，其中τ为常系数，取值范围为0.1～0.5；对于振动数据压缩网络，输入、输出神经元个数为N_v，经过压缩的特征向量层的神经元个数为τN_v；从输入层到特征向量层共3～4层，神经元个数逐层递减，解码器与编码器对称；

特征提取网络以两个数据压缩网络的压缩结果为输入，神经元个数为τ(N_i+N_v)，采用自动编码器结构，最中间的隐藏层神经元个数为2，编码部分层数为5，神经元数目逐层减少，解码器与编码器对称；

特征分类网络是一个Soft-max分类器，输入为二维特征潜向量[f₁,f₂]^T；分类先通过一个两层的神经网络，将特征潜向量映射至每种故障的置信值v_i,i＝1,2,...,n，计算公式如式(8):

v＝[v₁,v₂,…,v_s]^T＝g(W_s×2·[f₁,f₂]^T+b_s) (8)

式中W_s×2、b_s分别为神经网络的权重矩阵、偏置向量，g(·)为激活函数；

由公式(9)根据置信值计算电机发生每种故障的概率；

式中p_i为被测电机发生第i种故障的概率；

建立好对应结构的神经网络后，生成均值为0、方差为1的随机数，将神经网络参数初始化；

步骤3：将步骤1建立的训练集输入神经网络，分别计算不同神经网络的损耗函数，并利用损耗值更新神经网络参数：

将训练集中的电流数据输入至电流数据压缩网络，该网络输出层为

特征向量层的为电流数据的特征向量f_i(n)，电流数据压缩网络的损失函数表示为式(10)

式中L_i为电流数据压缩网络的损耗值，||·||₂为向量的模；i为电流数据压缩网络输入的电流数据；

为电流数据压缩网络输出层输出的向量；

将训练集中的振动数据输入至振动数据压缩网络，该网络输出层为

特征向量层的为振动数据的特征向量f_v(n)，振动数据压缩网络的损失函数表示为式(11)

式中L_v为振动数据压缩网络的损耗值；v为振动数据压缩网络输入的振动数据；

为振动数据压缩网络输出层输出的向量；

根据损失函数L_i,L_v，利用梯度下降法更新电流数据压缩网络与振动数据压缩网络的参数；

将f_i(n)、f_v(n)合并为f_in(n)，输入至特征提取网络，得到输出层f_out(n)和二维特征潜向量[f₁,f₂]^T；特征提取网络损失函数表示为式(12)，并根据特征压缩网络的损耗值L_f更新该网络的参数；

L_f＝||f_in(n)-fo_ut(n)||₂ (12)

将二维的特征潜向量输入特征分类网络，得到最终预测不同故障的概率向量p＝[p_i,p₂,…,p_n]^T，则概率最大的状态为预测的电机状态类型如式(13)，并计算特征分类网络的损耗函数L_p如式(14)，根据损耗函数更新分类网络的参数；

L_p＝||q-l||₂ (14)

式中q为故障预测向量，q_k是q的k个元素，是对第k种故障的预测结果，若q_k＝1表示输入信号是第i种故障，若q_k＝0表示输入信号不是第i种故障；

步骤4：将测试集的数据输入神经网络：电流数据输入电流数据压缩网络，提取电流数据特征；振动数据输入振动数据压缩网络，提取振动数据特征；将该两网络的输出合并，作为特征提取网络的输入，提取输入数据的特征潜向量；由特征分类网络计算故障概率向量，并由式(13)计算故障预测向量q，判断电机状态；

对于一组数据，其对应电机的真实状态的标签向量l由式(7)计算得到，若q＝l，则神经网络正确判断了电机的状态，否则判断错误；计算准确率a如式(15)

式中m为测试集样本的总数，m_c为故障判断正确的个数；

提前设定常数a_min作为准确率阈值低限，若a<a_min，则重复步骤3，直至准确率满足a≥a_min时训练结束；

训练结束后，通过数据压缩网络和特征提取网络，将电机的电流、振动数据映射为二维的特征潜向量；若将二维向量表示在平面直角坐标系中，该直角坐标系即能够作为电机状态的特征平面；特征分类网络就是根据特征潜向量在特征平面的分布，预测电机是否发生故障；将不同输入数据的特征潜向量用离散的点表示在特征平面，即实现故障预测的可视化。

和现有技术相比较，本发明具备如下优点：

本发明采用深度神经网络进行信号特征的提取与分类，避免了复杂的建模过程，直接对数据进行分类，可以减小建模过程考虑不全面、忽略次要因素而造成的误差；采用了数据融合的神经网络结构，一般的神经网络为了考虑不同类型的数据，只能将他们连接为一个向量并从输入层输入，这样的提取特征值计算成本高、特征向量准确性差、效率低，本发明在步骤2中建立了数据压缩网络和特征融合网络，先通过数据压缩网络对不同类型的数据进行降维，再将压缩后的数据输入特征压缩网络提取用于分类的特征潜向量，这样减小了计算量、提高了数据融合的效率；传统的基于神经网络的故障检测只能简单的给出对监测对象是否发生故障，难以直观的观察，而本发明中采用的特征分类网络最中间一层的向量维数为2，因此可以将特征潜向量的训练结果表示在平面直角坐标系中，并将平面分为不同的区域，对应不同的故障类型，在特征潜向量跃变到不同区域时即表示监测对象发生故障，实现故障判断的可视化。

附图说明

图1为振动信号EMD分解为本征模态函数示例，其中，图1a到图1h分别为第一本征模态函数h₁(t)到第八本征模态函数h₁(t)。

图2为故障诊断网络总体结构。

图3为数据压缩网络结构，其中，图3a为电流数据压缩网络，图3b为振动数据压缩网络。

图4为特征潜向量提取网络。

图5为Soft-max分类器结构。

图6为训练集和测试集的特征潜向量在特征平面分布，其中，图6a为训练集的特征潜向量在特征平面分布，图6b为测试集的特征潜向量在特征平面分布。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细说明。

根据以上对数据融合的深度学习网络的电机故障诊断方法的详细介绍，下面以同步电机轴承故障的开源数据集为例说明本发明的具体实施方式。

开源数据由帕德博恩大学轴承中心提供。该数据集对33个不同状态的电机进行测试，包括正常、轴承内环故障、轴承外环故障三种状态。不同电机故障的严重程度、形成方式不同。数据集中测量了电机在不同转速、负载下的两相电流数据与振动数据，可用于故障判断。按照表1选定数据集，选取部分人工制造的故障电机作为神经网络的训练集，选取部分加速老化的故障电机作为测试集，验证本发明方案的故障辨识能力。

表1数据集选择

步骤1：取不同轴承编号对应的电机的数据，截取同一时刻对应的两相电流数据号i_A(t)、i_B(t)和电轴承振动信号v(t)；进行数据标准化，通过希尔伯特-黄变换得到A，B两相电流信号与振动信号的频谱序列i_A(z)、i_B(z)、v(z)；建立神经网络的数据集：

截取电流数据号和电轴承振动信号，每次截取数据2000点的数据；对采集到的电流信号、振动信号进行标准化，使其均值为0，方差为1；对于A相电流式(1)：

式中n＝2000；

同样，根据式(2)、式(3)得到B相电流和振动数据标准化后的结果

v^*(t)；

对标准化后的数据进行HHT变换：对于

首先对标准化后的结果进行经验模态分解并计算幅频特性函数：

a)

的极大值点经三次样条插值得到的上包络线记为S_max(t)，极小值点经三次样条插值得到的下包络线记为S_min(t)，则上、下包络线的中线m(t)表示为式(4)：

b)根据式(5)计算

的本征模态函数h₁(t)：

c)若m(t)极大值、极小值个数均大于1，则重复a)、b)，对m(t)进行进一步的经验模态分解，到高次的本征模态函数h₂(t)、h₃(t)、...h_p(t)，直至极大值或极小值个数为1，其中p为本征模态函数的个数；一个振动数据样本的本征模态分解结果如图1所示，图1a到图1h分别为第一本征模态函数h₁(t)到第八本征模态函数h₈(t)；

d)将所有本征模态函数的幅频特性相加，得到原始信号的频域信号，如下式(6)：

上述经验模态分解与幅频特性函数计算过程中，将

分别替换为

v^*(t)，则能够分别得到B相电流和振动数据的频域信号i_B(z)、v(z)；

其中i_A(z)、i_B(z)分别截取前400点的低频的有效成分，连接为i(z)，作为电流输入信号，信号长度为800；截取振动信号前1000点的低频的有效成分作为v(z)为振动输入信号，长度为1000；一组电流、振动信号共同组成一个神经网络的输入，信号长度为1800；

开源数据集中电机状态类型数为3，若电机处于第j种状态时，状态向量标签可以表示为下式(7)

其中s＝3；

因此正常电机、内环故障电机、外环故障电机输入信号的标签分别为[1,0,0]^T、[0,1,0]^T、[0,0,1]^T；选择与输入信号对应的标签，作为一组数据；

选取不同时间片段的信号进行上述预处理操作，使得每个编号的轴承都有1600组数据，用于训练、测试神经网络，建立规模为8000的训练数据集和规模为8000的训练数据集；

步骤2：建立深度神经网络，确定网络结构并初始化参数：

深度神经网络总体结构如图2，包括数据压缩网络、特征提取网络和特征分类网络三个部分；

数据压缩网络采用等效自动编码器架构，其结构如图3；如图3a，对于电流数据压缩网络，输入、输出神经元个数为1000，经过压缩的特征向量层的神经元个数为750；如图3b，对于振动数据压缩网络，输入、输出神经元个数为800，经过压缩的特征向量层的神经元个数为400；

数据压缩网络从输入层到特征向量层，神经元个数逐层递减；电流数据压缩网络从输入层到特征向量层，每层神经元个数为1000、900、750，解码器与编码器对称；振动数据压缩网络从输入层到特征向量层，每层神经元个数为800、700、600，解码器与编码器对称；

特征提取网络结构如图4，以两个数据压缩网络的压缩结果为输入，神经元个数为1350，采用自动编码器结构，最中间的隐藏层神经元个数为2，编码部分层数为5，神经元数目逐层减少，每层神经元个数为1350、700、500、350、2，解码器与编码器对称；

分类网络是一个Soft-max分类器，其结构如图5，输入为二维特征潜向量[f₁,f₂]^T；分类先通过一个两层的神经网络，将特征潜向量映射至每种故障的置信值v_i,i＝1,2,...,n，计算公式如式(8):

v＝[v₁,v₂,…,v_s]^T＝g(W_s×2·[f₁,f₂]^T+b_s) (8)

由公式(9)根据置信值计算电机发生每种故障的概率；

建立好对应结构的神经网络后，生成均值为0、方差为1的随机数，将神经网络参数初始化；

步骤3：将步骤1建立的训练集输入神经网络，分别计算不同神经网络的损耗函数，并利用损耗值更新神经网络参数：

将训练集中的电流数据输入至电流数据压缩网络，该网络输出层为

特征向量层的为电流数据的特征向量f_i(n)，根据式(10)计算电流数据压缩网络的损失函数；

将训练集中的振动数据输入至振动数据压缩网络，该网络输出层为

特征向量层的为振动数据的特征向量f_v(n)，根据式(11)计算振动数据压缩网络的损失函数；

根据损失函数L_i,L_v，利用梯度下降法更新电流数据压缩网络与振动数据压缩网络的参数；

将f_i(n)、f_v(n)合并为f_in(n)，输入至特征提取网络，得到输出层f_out(n)和二维的特征潜向量[f₁,f₂]^T；特征提取网络损失函数可表示为式(9)，并根据特征压缩网络的损耗值L_f更新该网络的参数；

L_f＝||f_in(n)-f_out(n)||₂ (9)

将二维的特征潜向量输入特征分类网络，得到最终预测不同故障的概率向量p＝[p_i,p₂,…,p_n]^T，则概率最大的状态为预测的电机状态类型如式(13)，并计算特征分类网络的损耗函数L_p如式(14)，根据损耗函数更新分类网络的参数；

L_p＝||q-l||₂ (14)

步骤4：对于一组数据，其对应电机的真实状态的标签向量l由式(7)计算得到，若q＝l，则神经网络正确判断了电机的状态，否则判断错误；计算准确率a如式(15)

提前设定常数a_min＝0.8作为准确率阈值低限，若a<a_min，则重复步骤3，直至准确率满足a≥a_min时训练结束；

训练结束后，通过数据压缩网络和特征提取网络，将电机的电流、振动数据映射为二维的特征潜向量；若将二维向量表示在平面直角坐标系中，该直角坐标系即能够作为电机状态的特征平面；特征分类网络就是根据特征潜向量在特征平面的分布，预测电机是否发生故障；将不同输入数据的特征潜向量用离散的点表示在特征平面，即实现故障预测的可视化；

图6中图6a为训练结束后训练集特征潜向量的分布，同种灰度的点代表同一种故障状态的向量；经过训练集对神经网络的优化，平面直角坐标系被不同的特征向量点分割成不同的区域，对应不同的故障状态；测试集被输入神经网络后，也被映射到该特征平面；根据特征潜向量所在的区域，根据区域对应的故障状态可以预测输入信号包含的故障类型；图6b为测试集特征潜向量的分布；可见其分布与测试集类似，同一故障类型的特征潜向量所在的区域与训练集的近乎相同；根据预测的故障类型和实际标签对比，可计算出该故障诊断系统的准确率达到84％。

可见，本发明提出的数据融合的深度学习网络的电机故障诊断方法，可以根据已有的数据集训练、优化神经网络参数，使其将输入信号映射到特征平面，将其分割成不同的故障区域；当待测电机信号输入网络，根据其潜向量所在的区域，可以由电流和机械振动信号综合预测其故障类型。

Claims (1)

1.一种数据融合的深度学习网络的电机故障诊断方法，其特征在于：包括如下步骤：

步骤1：采集电机的A,B两相电流信号i_A(t)、i_B(t)和电机端部轴承的振动信号v(t)，进行数据标准化，通过希尔伯特-黄变换得到A，B两相电流信号与振动信号的频谱序列i_A(z)、i_B(z)、v(z)；建立神经网络的数据集：

对采集到的电流信号、振动信号进行标准化，使其均值为0，方差为1；对于A相电流式(1)：

式中i_Amean、i_Avar为A相电流的平均值、方差；

为A相电流标准化后的结果；n为序列长度；

同样，根据式(2)、式(3)得到B相电流和振动数据标准化后的结果

v^*(t)；

式中i_Bmean、i_Bvar为B相电流的平均值、方差；

为B相电流标准化后的结果；

式中v_mean、v_var为振动信号的平均值、方差；v^*为振动信号标准化后的结果；

对标准化后的结果进行HHT变换：对于

首先对标准化后的结果进行经验模态分解并计算幅频特性函数：

a)

的极大值点经三次样条插值得到的上包络线记为S_max(t)，极小值点经三次样条插值得到的下包络线记为S_min(t)，则上、下包络线的中线m(t)表示为式(4)：

b)根据式(5)计算

的本征模态函数h₁(t)：

c)若m(t)极大值、极小值个数均大于1，则重复a)、b)，对m(t)进行进一步的经验模态分解，到高次的本征模态函数h₂(t)、h₃(t)、...、h_p(t)，直至极大值或极小值个数为1，其中p为本征模态函数的个数；

d)将所有本征模态函数的幅频特性相加，得到原始信号的频域信号，如下式(6)：

式中

表示Hilbert变换，Re(·)表示取实部，h_k为第k个本征模态函数；

上述经验模态分解与幅频特性函数计算过程中，将

分别替换为

v^*(t)，则能够分别得到B相电流和振动数据的频域信号i_B(z)、v(z)；

将i_A(z)、i_B(z)连接为i(z)，作为电流输入信号，信号长度为N_i；v(z)为振动输入信号，长度为N_v；一组电流、振动信号共同组成一个神经网络的输入；

若电机状态类型数为s，电机处于第j种状态时，状态标签向量表示为下式(7)

将多个时间段的电流、振动信号进行预处理，得到多个神经网络输入，建立数据集，并根据输入数据对应的电机状态通过式(7)确定训练标签；随机选取一半作为训练集，另外一半作为测试集；

步骤2：建立深度神经网络，确定网络结构并初始化参数：

深度神经网络包括数据压缩网络、特征提取网络和特征分类网络三个部分；

数据压缩网络采用等效自动编码器架构，对于电流数据压缩网络，输入、输出神经元个数为N_i，经过压缩的特征向量层的神经元个数为τN_i，其中τ为常系数，取值范围为0.1～0.5；对于振动数据压缩网络，输入、输出神经元个数为N_v，经过压缩的特征向量层的神经元个数为τN_v；从输入层到特征向量层共3～4层，神经元个数逐层递减，解码器与编码器对称；

特征提取网络以两个数据压缩网络的压缩结果为输入，神经元个数为τ(N_i+N_v)，采用自动编码器结构，最中间的隐藏层神经元个数为2，编码部分层数为5，神经元数目逐层减少，解码器与编码器对称；

特征分类网络是一个Soft-max分类器，输入为二维特征潜向量[f₁,f₂]^T；分类先通过一个两层的神经网络，将特征潜向量映射至每种故障的置信值v_i,i＝1,2,...,n，计算公式如式(8):

v＝[v₁,v₂,…,v_s]^T＝g(W_s×2·[f₁,f₂]^T+b_s) (8)

式中W_s×2、b_s分别为神经网络的权重矩阵、偏置向量，g(·)为激活函数；

由公式(9)根据置信值计算电机发生每种故障的概率；

式中p_i为被测电机发生第i种故障的概率；

建立好对应结构的神经网络后，生成均值为0、方差为1的随机数，将神经网络参数初始化；

步骤3：将步骤1建立的训练集输入神经网络，分别计算不同神经网络的损耗函数，并利用损耗值更新神经网络参数：

将训练集中的电流数据输入至电流数据压缩网络形成网络输出层，该网络输出层为

特征向量层的为电流数据的特征向量f_i(n)，电流数据压缩网络的损失函数表示为式(10)

式中L_i为电流数据压缩网络的损耗值，||·||₂为向量的模；i为电流数据压缩网络输入的电流数据；

为电流数据压缩网络输出层输出的向量；

将训练集中的振动数据输入至振动数据压缩网络形成网络输出层，该网络输出层为

特征向量层的为振动数据的特征向量f_v(n)，振动数据压缩网络的损失函数表示为式(11)

式中L_v为振动数据压缩网络的损耗值；v为振动数据压缩网络输入的振动数据；

为振动数据压缩网络输出层输出的向量；

根据损失函数L_i,L_v，利用梯度下降法更新电流数据压缩网络与振动数据压缩网络的参数；

将f_i(n)、f_v(n)合并为f_in(n)，输入至特征提取网络，得到输出层f_out(n)和二维特征潜向量[f₁,f₂]^T；特征提取网络损失函数表示为式(12)，并根据特征压缩网络的损耗值L_f更新该网络的参数；

L_f＝||f_in(n)-f_out(n)||₂ (12)

将二维的特征潜向量输入特征分类网络，得到最终预测不同故障的概率向量p＝[p_i,p₂,…,p_n]^T，则概率最大的状态为预测的电机状态类型如式(13)，并计算特征分类网络的损耗函数L_p如式(14)，根据损耗函数更新分类网络的参数；

L_p＝||q-l||₂ (14)

式中q为故障预测向量，q_k是q的k个元素，是对第k种故障的预测结果，若q_k＝1表示输入信号是第i种故障，若q_k＝0表示输入信号不是第i种故障；

步骤4：将测试集的数据输入神经网络：电流数据输入电流数据压缩网络，提取电流数据特征；振动数据输入振动数据压缩网络，提取振动数据特征；将该两网络的输出合并，作为特征提取网络的输入，提取输入数据的特征潜向量；由特征分类网络计算故障概率向量，并由式(13)计算故障预测向量q，判断电机状态；

对于一组数据，其对应电机的真实状态的标签向量l由式(7)计算得到，若q＝l，则神经网络正确判断了电机的状态，否则判断错误；计算准确率a如式(15)

式中m为测试集样本的总数，m_c为故障判断正确的个数；

提前设定常数a_min作为准确率阈值低限，若a＜a_min，则重复步骤3，直至准确率满足a≥a_min时训练结束；

训练结束后，通过数据压缩网络和特征提取网络，将电机的电流、振动数据映射为二维的特征潜向量；若将二维向量表示在平面直角坐标系中，该直角坐标系即能够作为电机状态的特征平面；特征分类网络就是根据特征潜向量在特征平面的分布，预测电机是否发生故障；将不同输入数据的特征潜向量用离散的点表示在特征平面，即实现故障预测的可视化。

Images