CN111812507A - 一种基于图卷积的电机故障诊断方法 - Google Patents
一种基于图卷积的电机故障诊断方法 Download PDFInfo
- Publication number
- CN111812507A CN111812507A CN202010462054.5A CN202010462054A CN111812507A CN 111812507 A CN111812507 A CN 111812507A CN 202010462054 A CN202010462054 A CN 202010462054A CN 111812507 A CN111812507 A CN 111812507A
- Authority
- CN
- China
- Prior art keywords
- sample
- data
- graph
- current
- neural network
- 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.)
- Granted
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
Abstract
一种基于图卷积的电机故障诊断方法,包括以下步骤:1)划分数据样本:利用傅里叶变换和逆变换将定子电流数据参照单个周期正弦函数划分单位样本的;2)构建电流图网络:在每个单位周期样本中,首先根据电流数值正负以及样本周期将样本划分为两个部分,然后分别确定两个部分中的数据点是否存在联系,并以数据点为节点创建节点关系矩阵,最后根据节点关系矩阵和电流数值波动特征构建电流图网络;3)构建图卷积神经网络并分类:将电流图网络作为模型训练数据,设计图卷积神经网络分类模型,并进行故障分类。本发明大大降低了人的工作量,使用的电流数据获取更为方便。
Description
技术领域
本发明涉及一种基于图卷积的电机故障诊断方法,属于电机故障 诊断领域。
背景技术
电机是现代化机械以及工业设备中必不可少的驱动装置。在电机 的运行过程中,电机随时可能会出现故障。严重的故障往往可能会导 致整个系统瘫痪,造成巨大经济损失,甚至引起人员伤亡。所以,对 电机进行实时状态监测与故障诊断,能够及时发现问题并进行维修, 从而保证电机的正常运转。
故障诊断可以看作是一个监督学习任务,其目标是将新的测试观 察分类到现有类别之一。故障诊断是保证电机安全稳定运行的关键技 术手段,先进的故障诊断技术可以在初期及时发现电机某些部分的故 障,以便于迅速维修出现的故障,防止出现严重的事故,延长电机的 使用寿命和工作周期,还能带来巨大的经济效益。
在电机故障诊断中,一般通过对电机的电流、电压、振动和转速 等参数来研究故障的特征,主要使用信号处理方法来提取故障信号的 特征,从而进行故障诊断。虽然这些信号处理方法在故障诊断特征提 取上取得了显著的成就,但其对特征的选取大多数时候要依靠人为分 析,需要研究者对电机系统有较深厚的了解,并且研究者也要熟练掌 握大量的信号处理技术才能灵活应对复杂的工况。
近年来,随着机器学习、人工智能领域的不断发展,机器学习作 为一种能够从数据集中自主挖掘数据内在特征的学习方式受到专家学 者越来越多的关注。深度学习是机器学习算法研究中的一个分支,近 年来呈现一种迅速发展的趋势。对于电机故障信号在特征提取方面出 现的问题,深度学习提供了较好的解决方案。深度学习模型能够自动 进行特征学习,发掘深层次不易被提取的故障本质特征,提高诊断的 准确率,解决了传统网络手动选择特征的复杂性问题。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种基于图卷 积的电机故障诊断方法。该方法首先根据电机定子电流数据中相邻数 据点的数值关系确定节点关系矩阵,再基于此矩阵以及电流数值波动 特征构建电流图网络,最后使用图卷积方法提取特征并进行电机故障 诊断。
本发明解决其技术问题所采用的技术方案是:
一种基于图卷积的电机故障诊断方法,包括以下步骤:
1)划分数据样本:利用傅里叶变换和逆变换将定子电流数据参照 单个周期正弦函数划分单位样本的;
2)构建电流图网络:在每个单位周期样本中,首先根据电流数值 正负以及样本周期将样本划分为两个部分,然后分别确定两个部分中 的数据点是否存在联系,并以数据点为节点创建节点关系矩阵,最后 根据节点关系矩阵和电流数值波动特征构建电流图网络;
3)构建图卷积神经网络并分类:将电流图网络作为模型训练数据, 设计图卷积神经网络分类模型,并进行故障分类。
本发明的有益效果:相比于需要人工提取特征以及人为分析的电 机故障诊断方法,本发明使用了图卷积神经网络,能够自动提取数据 中的特征,大大降低了人的工作量,同时,大多数电机故障诊断方法 是基于电机振动数据的,而本发明使用的电流数据获取更为方便。
附图说明
图1是图卷积分类模型结构图;
图2是四种状态电流对比图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1和图2,一种基于图卷积的电机故障诊断方法,包括以 下步骤:
1)划分数据样本,过程如下:
首先,对各种电机故障的定子电流数据Xi进行快速傅里叶变换:
ffti=FFT(Xi) (1)
其中,ffti表示第i种电机故障的定子电流数据经过快速傅里叶变换 的结果,FFT表示快速傅里叶变换;
其次,记ffti中所有高幅值分量为ampi,对此分量集合进行傅里叶 逆变换:
fiti=IFFT(ampi) (2)
其中,fiti表示经过傅里叶逆变换得到的第i种故障的拟合的光滑曲 线,根据此曲线中每个正弦函数的时间段,在原始定子电流数据上划 分单位样本xij,样本数据长度为一个周期,j表示样本数;
2)构建电流图网络,过程如下:
每个样本xij中都有n个数据点,令:
xij=f(t)t∈[1,2,…,n] (3)
其中,f(t)表示xij中第t个点的电流值,且每个样本的数值分布都类 似于一个相位为0-2π的正弦函数。再根据电流数值正负以及样本周期, 将每个样本划分为S1,S2两部分:
对于S1部分,首先取t1和t3两个点,且1≤t1<t3≤n/2,对于任意 的一个点t2,t1<t2<t3,都满足以下关系时,则定义t1和t3之间存在 联系:
对于S2部分,首先取t1和t3两个点,且n/2+1≤t1<t3≤n,对于 任意的一个点t2,t1<t2<t3,都满足以下关系时,则定义t1和t3之间 存在联系:
此外,样本中每个数据点与其自身及相邻点也视为存在联系,然 后将所有数据点作为节点,根据节点之间的联系创建节点关系矩阵: Aij∈{0,1}n×n,n表示节点数量,1表示存在联系,0表示无联系,并 对该关系矩阵进行归一化:
其中D-1表示节点关系矩阵Aij的度矩阵,I表示单位矩阵;
另外,由于所有样本的电流数据分布近似正弦函数,且在正弦函数 上下一定范围内波动,而故障特征主要体现在此波动上,该波动特征 提取方法如下:
x′ij=xij-fitnormal (9)
3)构建图卷积神经网络并分类,过程如下:
图卷积神经网络可以经过多次迭代,来不断抽象图网络的特征, 其过程表示为:
其中,xij (k)表示第i种故障第j个样本在第k层图卷积神经网络中的 特征值,W(k)和b(k)分别表示第k层图卷积神经网络的可训练权重矩阵 和偏置,且每层结果都会经过ReLU激活函数;
然后将最后一层图卷积特征进行展开,得到一维特征F1,以便后续 使用全连接神经网络进行分类:
C=Softmax(F1·W1) (12)
其中,W1表示全连接神经网络的可训练权重,C表示电机故障的分 类结果。
实例2:实际实验中的数据
(1)选取实验数据
实验数据包括电机在正常状态以及三种故障(轴承滚珠故障、轴 承内外圈故障、转子故障)状态下的3分钟定子电流数据,电流采样 频率为10000Hz,因此,每种状态的样本数为1800个。
(2)参数确定
在整个模型结构中,每个输入样本的电流数据为1000个,也代表 了电流数值特征,图卷积神经网络层数为3层,即k=3,且每一层中 的特征数d分别为16、64、8。
(3)实验结果
在实验中,通过比较LSTM和bp神经网络两种方法,本专利所涉 及方法的电机故障预测准确率是最高的,证明了该方法的有效性。实 验结果如表1所示。
方法 | 预测准确度 |
本专利方法 | 0.8491 |
LSTM | 0.6702 |
bp神经网络 | 0.7640 |
表1。
Claims (4)
1.一种基于图卷积的电机故障诊断方法,其特征在于,所述方法包括以下步骤:
1)划分数据样本:利用傅里叶变换和逆变换将定子电流数据参照单个周期正弦函数划分单位样本的;
2)构建电流图网络:在每个单位周期样本中,首先根据电流数值正负以及样本周期将样本划分为两个部分,然后分别确定两个部分中的数据点是否存在联系,并以数据点为节点创建节点关系矩阵,最后根据节点关系矩阵和电流数值波动特征构建电流图网络;
3)构建图卷积神经网络并分类:将电流图网络作为模型训练数据,设计图卷积神经网络分类模型,并进行故障分类。
2.如权利要求1所述的一种基于图卷积的电机故障诊断方法,其特征在于,所述步骤1)的过程如下:
首先,对各种电机故障的定子电流数据Xi进行快速傅里叶变换:
ffti=FFT(Xi) (1)
其中,ffti表示第i种电机故障的定子电流数据经过快速傅里叶变换的结果,FFT表示快速傅里叶变换;
其次,记ffti中所有高幅值分量为ampi,对此分量集合进行傅里叶逆变换:
fiti=IFFT(ampi) (2)
其中,fiti表示经过傅里叶逆变换得到的第i种故障的拟合的光滑曲线,根据此曲线中每个正弦函数的时间段,在原始定子电流数据上划分单位样本xij,样本数据长度为一个周期,j表示样本数。
3.如权利要求1或2所述的一种基于图卷积的电机故障诊断方法,其特征在于,所述步骤2)的过程如下:
每个样本xij中都有n个数据点,令:
xij=f(t) t∈[1,2,…,n] (3)
其中,f(t)表示xij中第t个点的电流值,且每个样本的数值分布都类似于一个相位为0-2π的正弦函数,再根据电流数值正负以及样本周期,将每个样本划分为S1,S2两部分:
对于S1部分,首先取t1和t3两个点,且1≤t1<t3≤n/2,对于任意的一个点t2,t1<t2<t3,都满足以下关系时,则定义t1和t3之间存在联系:
对于S2部分,首先取t1和t3两个点,且n/2+1≤t1<t3≤n,对于任意的一个点t2,t1<t2<t3,都满足以下关系时,则定义t1和t3之间存在联系:
此外,样本中每个数据点与其自身及相邻点也视为存在联系,然后将所有数据点作为节点,根据节点之间的联系创建节点关系矩阵:Aij∈{0,1}n×n,n表示节点数量,1表示存在联系,0表示无联系,并对该关系矩阵进行归一化:
其中D-1表示节点关系矩阵Aij的度矩阵,I表示单位矩阵;
另外,由于所有样本的电流数据分布近似正弦函数,且在正弦函数上下一定范围内波动,而故障特征主要体现在此波动上,该波动特征提取方法如下:
x′ij=xij-fitnormal (9)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010462054.5A CN111812507B (zh) | 2020-05-27 | 2020-05-27 | 一种基于图卷积的电机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010462054.5A CN111812507B (zh) | 2020-05-27 | 2020-05-27 | 一种基于图卷积的电机故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111812507A true CN111812507A (zh) | 2020-10-23 |
CN111812507B CN111812507B (zh) | 2023-05-02 |
Family
ID=72847748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010462054.5A Active CN111812507B (zh) | 2020-05-27 | 2020-05-27 | 一种基于图卷积的电机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111812507B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270273A (zh) * | 2020-10-30 | 2021-01-26 | 湘潭大学 | 基于gcn和wpt-md的风力发电机故障部位识别方法 |
CN113324754A (zh) * | 2021-05-27 | 2021-08-31 | 西安交通大学 | 一种基于多感受野图卷积的齿轮传动系统故障识别方法 |
CN113419172A (zh) * | 2021-06-21 | 2021-09-21 | 湘潭大学 | 基于gcn和vmd-ed的新能源汽车三相异步电机故障识别 |
CN113733164A (zh) * | 2021-11-08 | 2021-12-03 | 佛山华数机器人有限公司 | 一种基于电流检测的工业机器人故障诊断方法 |
CN114002597A (zh) * | 2021-10-25 | 2022-02-01 | 浙江理工大学 | 基于gru网络定子电流分析的电机故障诊断方法与系统 |
CN117368724A (zh) * | 2023-12-08 | 2024-01-09 | 天津国能津能滨海热电有限公司 | 电机寿命预测方法、装置、介质及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150233792A1 (en) * | 2012-05-31 | 2015-08-20 | Canrig Drilling Technology | Methods and Apparatuses for Defect Diagnosis in a Mechanical System |
CN110277165A (zh) * | 2019-06-27 | 2019-09-24 | 清华大学 | 基于图神经网络的辅助诊断方法、装置、设备及存储介质 |
CN110415215A (zh) * | 2019-06-27 | 2019-11-05 | 同济大学 | 基于图神经网络的智能检测方法 |
CN110934587A (zh) * | 2019-12-13 | 2020-03-31 | 深圳龙岗智能视听研究院 | 一种基于图卷积神经网络的阿尔兹海默症辅助诊断方法 |
CN110942637A (zh) * | 2019-12-17 | 2020-03-31 | 浙江工业大学 | 基于空域图卷积神经网络的scats系统道路交通流预测方法 |
-
2020
- 2020-05-27 CN CN202010462054.5A patent/CN111812507B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150233792A1 (en) * | 2012-05-31 | 2015-08-20 | Canrig Drilling Technology | Methods and Apparatuses for Defect Diagnosis in a Mechanical System |
CN110277165A (zh) * | 2019-06-27 | 2019-09-24 | 清华大学 | 基于图神经网络的辅助诊断方法、装置、设备及存储介质 |
CN110415215A (zh) * | 2019-06-27 | 2019-11-05 | 同济大学 | 基于图神经网络的智能检测方法 |
CN110934587A (zh) * | 2019-12-13 | 2020-03-31 | 深圳龙岗智能视听研究院 | 一种基于图卷积神经网络的阿尔兹海默症辅助诊断方法 |
CN110942637A (zh) * | 2019-12-17 | 2020-03-31 | 浙江工业大学 | 基于空域图卷积神经网络的scats系统道路交通流预测方法 |
Non-Patent Citations (3)
Title |
---|
XUANDONG ZHAO等: "Multi-Size Computer-Aided Diagnosis Of Positron Emission Tomography Images Using Graph Convolutional Networks", 《2019 IEEE 16TH INTERNATIONAL SYMPOSIUM ON BIOMEDICAL IMAGING》 * |
文彦波等: "支架搬运车发动机的倒频谱分析", 《中国工程机械学报》 * |
郑睿刚等: "图卷积算法的研究进展", 《中山大学学报(自然科学版)》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270273A (zh) * | 2020-10-30 | 2021-01-26 | 湘潭大学 | 基于gcn和wpt-md的风力发电机故障部位识别方法 |
CN113324754A (zh) * | 2021-05-27 | 2021-08-31 | 西安交通大学 | 一种基于多感受野图卷积的齿轮传动系统故障识别方法 |
CN113324754B (zh) * | 2021-05-27 | 2022-05-06 | 西安交通大学 | 一种基于多感受野图卷积的齿轮传动系统故障识别方法 |
CN113419172A (zh) * | 2021-06-21 | 2021-09-21 | 湘潭大学 | 基于gcn和vmd-ed的新能源汽车三相异步电机故障识别 |
CN114002597A (zh) * | 2021-10-25 | 2022-02-01 | 浙江理工大学 | 基于gru网络定子电流分析的电机故障诊断方法与系统 |
CN113733164A (zh) * | 2021-11-08 | 2021-12-03 | 佛山华数机器人有限公司 | 一种基于电流检测的工业机器人故障诊断方法 |
CN113733164B (zh) * | 2021-11-08 | 2022-04-01 | 佛山华数机器人有限公司 | 一种基于电流检测的工业机器人故障诊断方法 |
CN117368724A (zh) * | 2023-12-08 | 2024-01-09 | 天津国能津能滨海热电有限公司 | 电机寿命预测方法、装置、介质及设备 |
CN117368724B (zh) * | 2023-12-08 | 2024-03-19 | 天津国能津能滨海热电有限公司 | 电机寿命预测方法、装置、介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111812507B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111812507A (zh) | 一种基于图卷积的电机故障诊断方法 | |
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
CN108171263B (zh) | 基于改进变分模态分解和极限学习机的滚动轴承故障诊断方法 | |
CN109555566B (zh) | 一种基于lstm的汽轮机转子故障诊断方法 | |
Zhang et al. | Fault diagnosis and prognosis using wavelet packet decomposition, Fourier transform and artificial neural network | |
Wu et al. | Induction machine fault detection using SOM-based RBF neural networks | |
CN114429153B (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
CN112418277B (zh) | 旋转机械零部件剩余寿命预测方法、系统、介质、设备 | |
CN109297689B (zh) | 一种引入权重因子的大型水力机械智能诊断方法 | |
CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
CN111538947B (zh) | 风力发电机轴承故障分类模型的构建方法 | |
CN112633098A (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
Wang et al. | Fault diagnosis of industrial robots based on multi-sensor information fusion and 1D convolutional neural network | |
CN111795819A (zh) | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 | |
CN113177357B (zh) | 一种电力系统暂态稳定评估方法 | |
CN111783941B (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
CN113962289B (zh) | 面向终身学习的旋转机械在线智能故障诊断方法及系统 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN114330413A (zh) | 牵引电机轴承的故障类型辨识及定位方法 | |
Ma et al. | Fault diagnosis of fan gearboxes based on EEMD energy entropy and SOM neural networks | |
Yang et al. | Anomaly detection of automobile welding workstation based on stacked autoencoders and long short-term memory network | |
Zhao et al. | Health indicator selection and health assessment of rolling element bearing | |
Wang et al. | Intelligent Diagnosis of Gearbox Based on Spatial Attention Convolutional Neural Network | |
Yu et al. | The fault diagnosis based on self-organizing fuzzy clustering elman network in wind turbines |
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 |