CN110596586B - 一种基于Alexnet算法的电机电流波形分析方法 - Google Patents
一种基于Alexnet算法的电机电流波形分析方法 Download PDFInfo
- Publication number
- CN110596586B CN110596586B CN201910747620.4A CN201910747620A CN110596586B CN 110596586 B CN110596586 B CN 110596586B CN 201910747620 A CN201910747620 A CN 201910747620A CN 110596586 B CN110596586 B CN 110596586B
- Authority
- CN
- China
- Prior art keywords
- alexnet
- waveforms
- waveform
- training
- selecting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明公开了一种基于Alexnet算法的电机电流波形分析方法,包括:数据预处理;基于Alexnet算法建立电流分析模型;电流分析模型参数的优化。本发明的波形分析方法采用两层Alexnet结构,第一层结构可以区分出大部分波形,第二层结构可以进一步区分波形,有利于更快速地提取出有效特征。本发明设计的电机电流波形分析方法可以更好地帮助工厂关注电机的使用情况,在电机发生故障时快速、准确地找到故障原因,一定程度上减少技术人员的工作量,同时也避免了可能导致的经济损失以及人身安全问题。
Description
技术领域
本发明涉及一种基于Alexnet算法的电机电流波形分析方法,是一种针对电机电流波形分析的故障检测方法。
背景技术
电机是一种依据电磁感应定律实现电能转换或传递的电磁装置。电机的主要作用是生成驱动转矩,为用电器或各种机械的运行提供动力,将电能转化为其他能量,在现如今的社会中,在生产生活中被普遍运用。然而,电机故障是一个亟待解决的问题。如若电机有故障发生,则会对工厂的生产效率产生影响,并造成一定程度的经济影响,更有甚者,电机可能会过热而导致燃烧,从而引起大型事故,使得操作人员的人身安全被威胁。因此,需要对电机的各种不稳定或故障状态进行排查,在故障出现之前进行预知并对电机做出维修,避免因电机故障而产生的各种影响。
在小数据集的环境下,传统的电机故障诊断方法,如特征工程法,已经达到了非常好的效果。但由于故障数据维度的增加,使得诊断的时效性以及准确率无法得到很好的保障。因此从电流波形的角度出发,对电机的故障进行分类是电机故障检测技术所迫切需求的。
发明内容
为了解决上述问题,本发明提供了一种基于Alexnet算法的电机电流波形分析方法,包括如下步骤:
(1)数据预处理;
(2)基于Alexnet算法建立电流分析模型;
(3)电流分析模型参数的优化。
根据权利要求1所述的一种基于Alexnet算法的电机电流波形分析方法,其特征在于,所述步骤(1)的数据预处理的过程如下:在读取输入图片之后,首先将所有波形图片大小统一为100*100像素,然后将训练样本中的所有图片按预设比例分为训练集与测试集,训练集用于训练模型,测试集用于测试所得模型的准确率等结果。
根据权利要求1所述的一种基于Alexnet算法的电机电流波形分析方法,其特征在于,所述步骤(2)的基于Alexnet算法建立电流分析模型为两层Alexnet结构,第一层结构区分出大部分普通波形,第二层结构进一步区分与正常波形相似的波形,具体采用如下步骤进行建模:
(2.1)波形标签处理,包括对异常特征明显的波形和异常特征不明显的波形的标签处理,每一种波形都有各自的类别标签,保持异常特征明显的波形的标签不变,将异常特征不明显的波形视为一大类,并将其标签修改为相同的值;
(2.2)第一层模型建立,将带标签的波形输入Alexnet进行训练,得到第一层波形分析模型;
(2.3)数据筛选,从训练集中选取异常特征不明显的波形作为新的训练集,并将这些波形的标签修改为原本的异常类别标签;
(2.4)第二层模型建立,将新的数据集输入Alexnet进行训练,得到第二层波形分析模型。
根据权利要求1所述的一种基于Alexnet算法的电机电流波形分析方法,其特征在于:所述步骤(3)电流分析模型参数的优化,包括以下几个方面:
(3.1)一次训练样本数量的选择,在Alexnet算法中,自行设置每次训练过程中所输入的波形样本的数量,选取不同的值,选取收敛速度最快的值为一次训练样本数量;
(3.2)学习率的选择,选取不同的学习率分别运行,得到的准确率图像,根据收敛速度和算法复杂度选择合适的学习率;
(3.3)比例的选择,采用留出法对数据集进行分类,选择不同的训练集和测试集比例进行测试,选择合适的比例。
本发明的有益效果:
本发明从电流波形的角度出发,对电机的故障进行分类,可以为工作人员的检修提供便利。同时,采取了二层训练结构,通过将相似故障类型进行二次训练,以提取出更多的有效特征并进行参数调节的对比,使得故障检测的准确率大幅度提高。
在经过多次试验后,本方法在数据集上表现较为良好,识别准确率可以达到93%以上。
附图说明
图1 是本发明的电机电流波形分析方法流程图;
图2是实施例中不良品波形图片示例图。
具体实施方式
如图1所示,本发明提出的一种基于Alexnet算法的电机电流波形分析方法,包括如下步骤:
(1)数据预处理;
(2)基于Alexnet算法建立电流分析模型;
(3)电流分析模型参数的优化。
所述步骤(1)进行数据预处理,在读取输入图片之后,首先将所有波形图片大小统一为100*100像素,然后将训练样本中的所有图片按预设比例分为训练集与测试集,训练集用于训练模型,测试集用于测试所得模型的准确率等结果。
所述步骤(2)基于Alexnet算法建立电流分析模型为两层Alexnet结构,第一层结构可以区分出大部分普通波形,第二层结构可以进一步区分与正常波形相似的波形,具体采用如下步骤进行建模:
(2.1)波形标签处理,包括对异常特征明显的波形和异常特征不明显的波形的标签处理,作为训练样本每一种波形都有各自的类别标签,保持异常特征明显的波形的标签不变,将异常特征不明显的波形视为一大类,并将其标签修改为相同的值;
以N10带摆锤、N10不带摆锤和180三种型号电机的不同故障为例,收集了如图2所示的波形。其中只有P1为正常波形,其他均为某些原因造成的故障波形,而180型电机产品的不良波形与正常波形极为相似,需要将这些波形的标签视为一大类,统一修改为B;
(2.2)第一层模型建立,将带标签的波形输入Alexnet进行训练,次数由预设值确定,得到第一层波形分析模型,其中Alexnet网络是一个具有十一层网络结构的深度神经网络,包含五个卷积层、三个池化层以及三个全连接层,卷积层与池化层交替出现;
(2.3)数据筛选,从训练集中选取异常特征不明显的波形作为新的训练集,并将这些波形的标签修改为原本的异常类别标签,即单独训练被识别为B类的波形图片,使其分为10类;
由于B类中的电流波形图相似度较高,与其他类一起进行分类时,特征提取较为模糊,提取的有效特征不足,使得在识别过程中准确率偏低;而B类经过Alexnet单独训练后,特征提取清晰,提取出的有效特征更多,识别的准确率大幅上升;
(2.4)第二层模型建立,将新的数据集输入Alexnet进行训练,得到第二层波形分析模型。
所述步骤(3)电流分析模型参数的优化,具体包括以下几个方面:
(3.1)一次训练样本数量的选择,在Alexnet算法中,可以自行设置每次训练过程中所输入的波形样本的数量,选取不同的值,选取收敛速度最快的值为一次训练样本数量;
根据经验,一次训练的图片数量一般取2的整数次幂,因此,可以取2,4,8三个值,根据准确率曲线中的模型驯良的收敛速度,选取收敛速度最快的值为一次训练样本数量;
(3.2)学习率的选择,学习率是卷积神经网络的重要参数之一,会影响每次迭代更新参数时的更新步长,当学习率较小时,准确率曲线波动较小,但算法的时间复杂度大大提高,训练耗时增大;当学习率较大时,准确率曲线波动较大,但算法时间复杂度下降,模型收敛速度快;
可以选取不同的学习率如0.001,0.0001和0.00001分别运行,得到的准确率图像,根据收敛速度和算法复杂度选择合适的学习率;
(3.3)比例的选择,采用“留出法”对数据集进行分类,选择不同的训练集和测试集比例进行测试,选择合适的比例。
Claims (3)
1.一种基于Alexnet算法的电机电流波形分析方法,其特征在于包括如下步骤:
(1)数据预处理;
(2)基于Alexnet算法建立电流分析模型;
所述步骤(2)的基于Alexnet算法建立电流分析模型为两层Alexnet结构,第一层结构区分出大部分普通波形,第二层结构进一步区分与正常波形相似的波形,具体采用如下步骤进行建模:
(2.1)波形标签处理,包括对异常特征明显的波形和异常特征不明显的波形的标签处理,每一种波形都有各自的类别标签,保持异常特征明显的波形的标签不变,将异常特征不明显的波形视为一大类,并将其标签修改为相同的值;
(2.2)第一层模型建立,将带标签的波形输入Alexnet进行训练,得到第一层波形分析模型;
(2.3)数据筛选,从训练集中选取异常特征不明显的波形作为新的训练集,并将这些波形的标签修改为原本的异常类别标签;
(2.4)第二层模型建立,将新的数据集输入Alexnet进行训练,得到第二层波形分析模型;
(3)电流分析模型参数的优化。
2.根据权利要求1所述的一种基于Alexnet算法的电机电流波形分析方法,其特征在于,所述步骤(1)的数据预处理的过程如下:在读取输入图片之后,首先将所有波形图片大小统一为100*100像素,然后将训练样本中的所有图片按预设比例分为训练集与测试集,训练集用于训练模型,测试集用于测试所得模型的准确率结果。
3.根据权利要求1所述的一种基于Alexnet算法的电机电流波形分析方法,其特征在于:所述步骤(3)电流分析模型参数的优化,包括以下几个方面:
(3.1)一次训练样本数量的选择,在Alexnet算法中,自行设置每次训练过程中所输入的波形样本的数量,选取不同的值,选取收敛速度最快的值为一次训练样本数量;
(3.2)学习率的选择,选取不同的学习率分别运行,得到的准确率图像,根据收敛速度和算法复杂度选择合适的学习率;
(3.3)比例的选择,采用留出法对数据集进行分类,选择不同的训练集和测试集比例进行测试,选择合适的比例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910747620.4A CN110596586B (zh) | 2019-08-14 | 2019-08-14 | 一种基于Alexnet算法的电机电流波形分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910747620.4A CN110596586B (zh) | 2019-08-14 | 2019-08-14 | 一种基于Alexnet算法的电机电流波形分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110596586A CN110596586A (zh) | 2019-12-20 |
CN110596586B true CN110596586B (zh) | 2021-12-10 |
Family
ID=68854120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910747620.4A Active CN110596586B (zh) | 2019-08-14 | 2019-08-14 | 一种基于Alexnet算法的电机电流波形分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110596586B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710752A (zh) * | 2018-05-17 | 2018-10-26 | 西南科技大学 | 一种基于灰色关联分析和bp神经网络的电机数据分析方法 |
CN109360120A (zh) * | 2018-10-22 | 2019-02-19 | 常州大学 | 一种基于卷积神经网络的电潜泵井工况智能诊断方法 |
CN109800520A (zh) * | 2019-01-25 | 2019-05-24 | 国网浙江省电力有限公司湖州供电公司 | 一种基于神经网络的电动汽车充电站谐波建模方法 |
CN109946606A (zh) * | 2019-04-03 | 2019-06-28 | 四川大学 | 基于卷积神经网络的微型振动马达缺陷故障分类方法及装置 |
CN110068760A (zh) * | 2019-04-23 | 2019-07-30 | 哈尔滨理工大学 | 一种基于深度学习的异步电动机故障诊断方法 |
CN110109015A (zh) * | 2019-05-31 | 2019-08-09 | 中南大学 | 一种基于深度学习的异步电动机故障监测与诊断方法 |
-
2019
- 2019-08-14 CN CN201910747620.4A patent/CN110596586B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108710752A (zh) * | 2018-05-17 | 2018-10-26 | 西南科技大学 | 一种基于灰色关联分析和bp神经网络的电机数据分析方法 |
CN109360120A (zh) * | 2018-10-22 | 2019-02-19 | 常州大学 | 一种基于卷积神经网络的电潜泵井工况智能诊断方法 |
CN109800520A (zh) * | 2019-01-25 | 2019-05-24 | 国网浙江省电力有限公司湖州供电公司 | 一种基于神经网络的电动汽车充电站谐波建模方法 |
CN109946606A (zh) * | 2019-04-03 | 2019-06-28 | 四川大学 | 基于卷积神经网络的微型振动马达缺陷故障分类方法及装置 |
CN110068760A (zh) * | 2019-04-23 | 2019-07-30 | 哈尔滨理工大学 | 一种基于深度学习的异步电动机故障诊断方法 |
CN110109015A (zh) * | 2019-05-31 | 2019-08-09 | 中南大学 | 一种基于深度学习的异步电动机故障监测与诊断方法 |
Non-Patent Citations (3)
Title |
---|
余琼芳等.基于AlexNet深度学习网络的串联故障电弧检测方法.《电子测量与仪器学报》.2019,第33卷(第03期),第145-152页. * |
基于AlexNet深度学习网络的串联故障电弧检测方法;余琼芳等;《电子测量与仪器学报》;20190315;第33卷(第03期);145-152 * |
基于多层分布式卷积神经网络的电力故障预测系统;陈昊昊;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20190515(第05期);第C042-804页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110596586A (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105138413B (zh) | 一种配电网在线数据异常检测方法 | |
CN110118928B (zh) | 一种基于误差逆传播算法的断路器故障诊断方法 | |
CN105372528B (zh) | 一种电力变压器内部故障的状态检修方法 | |
CN112492567B (zh) | 一种应急指挥通信中的故障分析和解决方法及装置 | |
US11231980B1 (en) | Method, device and system for fault detection | |
CN110297207A (zh) | 智能电表的故障诊断方法、系统及电子装置 | |
CN112305388B (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN113627032B (zh) | 一种基于数字孪生的设备设计/维修方案智能决策方法 | |
CN111666978B (zh) | 一种it系统运维大数据的智能故障预警系统 | |
CN107491783A (zh) | 基于改进密度峰值聚类算法的变压器故障类型分类方法 | |
CN111832664A (zh) | 基于Borderline SMOTE的电力变压器故障样本均衡化和故障诊断方法 | |
CN113435703A (zh) | 一种基于scada数据建模风电机组故障分析系统 | |
CN114328106A (zh) | 日志数据处理方法、装置、设备及存储介质 | |
CN115481726A (zh) | 一种工业机器人整机健康评估方法及系统 | |
CN108377209A (zh) | 基于scada的设备故障检测系统和检测方法 | |
CN112988843B (zh) | 一种基于SQL Server数据库的SMT贴片机故障管理及诊断系统 | |
CN111967003B (zh) | 基于黑盒模型与决策树的风控规则自动生成系统及方法 | |
CN110596586B (zh) | 一种基于Alexnet算法的电机电流波形分析方法 | |
CN112748331A (zh) | 一种基于ds证据融合的断路器机械故障识别方法及装置 | |
CN108242411B (zh) | 用于管控线上缺陷的方法和系统 | |
CN112083275A (zh) | 一种配网故障类型识别方法及系统 | |
CN113093695A (zh) | 一种数据驱动的sdn控制器故障诊断系统 | |
CN112803587A (zh) | 一种基于诊断决策库的自动化设备状态智能巡视方法 | |
CN115587312B (zh) | 一种基于多维大数据分析的故障点定位方法和系统 | |
CN116204846A (zh) | 一种基于可见图的配电网传感器数据异常快速定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |