CN111812507B - 一种基于图卷积的电机故障诊断方法 - Google Patents

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

一种基于图卷积的电机故障诊断方法

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X_i进行快速傅里叶变换：

fft_i＝FFT(X_i)                   (1)

其中，fft_i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fft_i中所有高幅值分量为amp_i，对此分量集合进行傅里叶 逆变换：

fit_i＝IFFT(amp_i)                   (2)

其中，fit_i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x_ij，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x_ij中都有n个数据点，令:

x_ij＝f(t)t∈[1,2,…,n]                 (3)

其中，f(t)表示x_ij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： A_ij∈{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A_ij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＝x_ij-fit_normal                   (9)

其中，fit_normal表示经过傅里叶逆变换得到的电机正常状态的拟合的 光滑曲线，x′_ij表示样本中各种状态的波动特征，并对该波动特征进 行归一化得到

因此，电流图网络表示为

其中

d表示 特征数量；

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，x_ij ^(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 (2)

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；

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；

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X_i进行快速傅里叶变换：

fft_i＝FFT(X_i)  (1)

其中，fft_i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fft_i中所有高幅值分量为amp_i，对此分量集合进行傅里叶逆变换：

fit_i＝IFFT(amp_i)  (2)

其中，fit_i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x_ij，样本数据长度为一个周期，j表示样本数；

所述步骤2)的过程如下：

每个样本x_ij中都有n个数据点，令:

x_ij＝f(t) t∈[1,2,…,n]  (3)

其中，f(t)表示x_ij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：A_ij∈{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A_ij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＝x_ij-fit_normal  (9)

其中，fit_normal表示经过傅里叶逆变换得到的电机正常状态的拟合的光滑曲线，x′_ij表示样本中各种状态的波动特征，并对该波动特征进行归一化得到

因此，电流图网络表示为

其中

d表示特征数量。

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3)的过程如下：

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，x_ij ^(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。

Images