CN112162196B - 一种基于图注意力网络的电机故障诊断方法 - Google Patents

一种基于图注意力网络的电机故障诊断方法 Download PDF

Info

Publication number
CN112162196B
CN112162196B CN202010881735.5A CN202010881735A CN112162196B CN 112162196 B CN112162196 B CN 112162196B CN 202010881735 A CN202010881735 A CN 202010881735A CN 112162196 B CN112162196 B CN 112162196B
Authority
CN
China
Prior art keywords
network
graph
attention
representing
phase current
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
Application number
CN202010881735.5A
Other languages
English (en)
Other versions
CN112162196A (zh
Inventor
徐东伟
朱钟华
戴宏伟
杨浩
林臻谦
宣琦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010881735.5A priority Critical patent/CN112162196B/zh
Publication of CN112162196A publication Critical patent/CN112162196A/zh
Application granted granted Critical
Publication of CN112162196B publication Critical patent/CN112162196B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Discrete Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Acoustics & Sound (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

一种基于图注意力网络的电机故障诊断方法，包括以下步骤：1)、数据样本划分；2)、对每个小样本中的两相电流分别进行带通滤波，得到去噪的状态特征电信号；3)、构建图网络：根据状态特征电信号的极值点构建电流图网络，再将大样本中两相电流的n个电流图网络融合得到该大样本的两相电流图网络；4)、构建基于图注意力网络的分类模型：基于两相电流图网络分别构建图注意力网络，再融合两个网络提取的特征进行分类。本发明采用的电信号数据在采集数据方面比较方便且成本低，并提出了一种将信号转成图网络的方法，在经过图注意力网络和卷积神经网络提取特征后，能够有效的对电机故障进行分类诊断。

Description

一种基于图注意力网络的电机故障诊断方法
技术领域
本发明涉及一种基于图注意力网络的电机故障诊断方法，属于电机故障诊断领域。
背景技术
电机轴承是电机中最关键的组件之一。任何轴承故障，甚至很小的故障，都可能导致整个系统的故障。据统计，40-70％的机电驱动系统和电机故障是由滚动轴承损坏引起的。因此，电机故障的检测和诊断非常重要，及早发现电机故障，可以防止轴承意外导致系统停机，在确保安全的同时又保证了系统的持续运行，从而稳定了工作效率。
目前，电机振动信号能够传达出电机运行时的健康状况信息，因此主流的电机故障诊断方法主要是基于此信号进行电机状况分析。通常使用振动传感器来测量电机的振动信号，例如加速度传感器，但是振动传感器对于安装位置具有一定要求，另外，对于大量使用小型电机的工业应用，会使得成本增加。在工业上，许多感应电动机驱动的设备已经具有通过变频器进行控制或通过电流互感器进行保护的电流监控措施，因此可以通过利用电机的定子电流来进行故障诊断，且无需安装其他类型的传感器。即使在不存在变频器或电流互感器的情况下，也可以通过电流传感器轻松测量电机的定子电流。
传统的信号处理和特征提取技术，例如傅里叶变换、小波分解、经验模态分解、西尔伯特变换，应用于基于电机电流信号的电机故障诊断时结果并不理想。近年来，深度学习因为具有自动学习数据深层次抽象表达的能力，被广泛的应用于各个领域，并取得了很好的效果。在电机故障诊断的任务中，利用深度学习来提取原始信号中的特征，可以达到较好的效果，并且优于传统方法。
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注意力网络的电机故障诊断方法，该方法首先对电流的两相电流进行预处理，进行样本划分并通过高通滤波除去电信号中的主要波动，提取电信号中的状态特征信号，然后把此信号中的每个数据点作为节点，根据其极值点创建节点之间的关系，从而构建电信号图网络，最后利用多层图注意力网络提取特征并对电机故障进行分类。
本发明解决其技术问题所采用的技术方案是：
一种基于图注意力网络的电机故障诊断方法，包括以下步骤：
1)数据样本划分：利用傅里叶变换对电机的其中一相电流连续的电信号进行低通滤波，将滤波后的信号的相邻波峰对应的时间点作为划分依据，每两个相邻时间点为一个时间周期，在原始电流信号中依次截取一个时间周期的两相电流信号作为一个小样本，再将连续的n个小样本合并为一个大样本，这样可以让每个大样本包含更多信息并增加了样本数量；
2)数据预处理：对每个小样本中的两相电流分别进行带通滤波，得到去噪的状态特征电信号；
3)构建图网络：根据状态特征电信号的极值点构建电流图网络，再将大样本中两相电流的n个电流图网络融合得到该大样本的两相电流图网络；
4)构建基于图注意力网络的分类模型：基于两相电流图网络分别构建图注意力网络，再融合两个网络提取的特征进行分类。
本发明的有益效果：本发明中采用的电信号数据在采集数据方面比较方便且成本低，并提出了一种将信号转成图网络的方法，在经过图注意力网络和卷积神经网络提取特征后，能够有效的对电机故障进行分类诊断。
附图说明
图1是图注意力网络层结构图；
图2是基于图注意力网络的分类模型整体框架图。
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2，一种基于图注意力网络的电机故障诊断方法，包括以下步骤：
1)数据样本划分：利用傅里叶变换对电机的其中一相电流连续的电信号进行低通滤波，将滤波后的信号的相邻波峰对应的时间点作为划分依据，每两个相邻时间点为一个时间周期，在原始电流信号中依次截取一个时间周期的两相电流信号作为一个小样本，再将连续的n个小样本合并为一个大样本，这样可以让每个大样本包含更多信息并增加了样本数量；
所述步骤1)的过程如下：首先，利用傅里叶对电机的第一相电流连续的电信号进行低通滤波，将滤波后信号的波峰对应的时间点作为划分依据，在原始电流信号中截取划分点之后第j个周期时间内的两相电流信号作为一个小样本
Figure BDA0002652926230000031
Figure BDA0002652926230000032
其中
Figure BDA0002652926230000033
表示第j个周期内第一、第二相电流数据，每个周期内单相电流的数据长度为N。再将从第j个周期开始连续的n个小样本合并为一个大样本Cj＝[cj,cj+1,…,cj+n-1]，j＝0,1,2,…；
2)数据预处理：对每个小样本中的两相电流进行带通滤波，先对其中的两个电信号
Figure BDA0002652926230000034
进行快速傅里叶变换：
Figure BDA0002652926230000035
其中，FFT表示傅里叶变换，
Figure BDA0002652926230000036
表示电信号
Figure BDA0002652926230000037
在频域的结果；
原始电流信号中的采样频率为f，设置带通滤波范围为0.01f～0.3f：
Figure BDA0002652926230000038
其中w表示频率，即只保留频率在0.01f～0.3f之间的数据；
再对滤波后的信号进行傅里叶逆变换(IFFT)，得到去噪的状态特征电信号：
Figure BDA0002652926230000041
3)构建图网络：根据状态特征电信号的极值点构建电流图网络，再将大样本中两相电流的n个电流图网络融合得到该大样本的两相电流图网络；
所述步骤3)的过程为：根据状态特征电信号中的极值点建立图网络:
令:
Figure BDA0002652926230000042
Figure BDA0002652926230000043
Figure BDA0002652926230000044
Figure BDA0002652926230000045
Figure BDA0002652926230000046
Figure BDA0002652926230000047
其中，将状态特征电信号中每个数据点的数值映射到
Figure BDA0002652926230000048
N表示数据点数量，
Figure BDA0002652926230000049
和
Figure BDA00026529262300000410
表示状态特征电信号中的极大、极小值点的集合，这两个集合中的点就是图网络中的节点
Figure BDA00026529262300000411
分别在这两个集合中寻找相邻距离不超过d且电信号数值符号相同的两个点，并在图网络中为其添加连边关系，
Figure BDA00026529262300000412
表示图网络中第m个连边，
Figure BDA00026529262300000413
表示图网络中所有的连边集合，
Figure BDA00026529262300000414
表示根据第j个状态特征电信号的极值点建立的图网络。
对于一个大样本来说，每一相电流都包含了n个图网络，对其分别进行融合：
Figure BDA00026529262300000415
Figure BDA00026529262300000416
Figure BDA00026529262300000417
其中，
Figure BDA00026529262300000418
表示大样本中由两相电流构建而来的图网络；
Figure BDA00026529262300000419
表示图网络
Figure BDA00026529262300000420
中的节点，由多个小样本中的图网络节点融合而来，若出现多次相同节点，则只保留一个，
Figure BDA0002652926230000051
表示图网络
Figure BDA0002652926230000052
中的连边关系，由多个小样本中的图网络连边融合而来，若出现多次相同连边关系，则只保留一次；
Figure BDA0002652926230000053
表示图网络
Figure BDA0002652926230000054
中节点的特征，由状态特征电信号经过融合并转置得到，大小为N×n，
Figure BDA0002652926230000055
表示N个节点的特征向量，大小为1×n；Xj表示模型输入样本。
4)构建基于图注意力网络的分类模型：基于两相电流图网络分别构建图注意力网络，对于图网络
Figure BDA0002652926230000056
令
Figure BDA0002652926230000057
其中，
Figure BDA0002652926230000058
表示所有节点的特征向量，
Figure BDA0002652926230000059
表示第p个节点的特征向量，F表示节点特征向量的长度，即F＝n。
经过一层图注意力网络层提取特征后，得到新的节点特征向量集
Figure BDA00026529262300000510
Figure BDA00026529262300000511
其中，F′表示新的节点特征向量长度。
为了得到上述输入输出的转换，需要引入注意力机制，来表达其他节点对当前节点的影响，该影响即注意力系数的计算为：
Figure BDA00026529262300000512
其中，
Figure BDA00026529262300000513
表示节点q对节点p的影响力，
Figure BDA00026529262300000514
表示权重矩阵，a表示注意力机制，且该机制只应用于节点p相邻的节点集Np上，即q∈Np。为了规范化注意力系数，先对注意力系数使用LeakyReLU激活函数，其小于零斜率设为0.2，再引入softmax对所有相关的注意力系数进行正则化：
Figure BDA00026529262300000515
其中，
Figure BDA00026529262300000516
表示正则化后的注意力系数。综上所述，完整的注意力机制如下：
Figure BDA0002652926230000061
其中，||表示矩阵融合操作，
Figure BDA0002652926230000062
是权重矩阵，在实验中，注意力机制a是一个单层的前馈神经网络。
得到正则化的注意力系数之后，根据每个节点所相关的节点特征来预测该节点的输出特征：
Figure BDA0002652926230000063
其中，σ表示ReLU激活函数。
为了保证注意力机制的稳定性，扩展使用了多层注意力机制，每层注意力机制独立，然后将所有特征融合：
Figure BDA0002652926230000064
其中，R表示独立注意力机制的层数，
Figure BDA0002652926230000065
分别表示第r层注意力机制的注意力系数和权重矩阵。
对于最后一层图注意力网络层也可采用R平均来代替融合操作：
Figure BDA0002652926230000066
然后将基于两相电流的图注意力网络的输出
Figure BDA0002652926230000067
和
Figure BDA0002652926230000068
融合成一个特征矩阵Zj：
Figure BDA0002652926230000069
Figure BDA00026529262300000610
其中，
Figure BDA00026529262300000611
M为图注意力网络输出的特征维数，|||表示在新的维度将矩阵融合，即
Figure BDA00026529262300000612
然后对该融合矩阵Zj进行多次卷积，过程如下：
Figure BDA00026529262300000613
Figure BDA0002652926230000071
其中，符号*表示二维卷积，Wl、bl表示第l次卷积的权重和偏置，卷积中还包括卷积核数量knl、卷积核大小ksl和卷积步长sl，并且每次卷积后使用ReLU激活函数。
最后，展开卷积结果为一维特征
Figure BDA0002652926230000072
并使用带有SoftMax激活函数的全连接层神经网络将特征映射到故障诊断分类结果中：
Figure BDA0002652926230000073
其中，Dense()表示全连接层神经网络，resj表示第j个样本的故障诊断结果。
实例2：实际实验中的数据，过程如下：
(1)选取实验数据
实验数据集为德国帕德博恩大学提供的电机轴承数据集，其轴承故障由加速损耗寿命测试而获得，且轴承状态可分为轴承外圈故障、轴承内圈故障和健康三种状态。表1显示了三种电机运行工况，包括电机转速S、负载扭矩M和径向力F，表2显示了不同轴承状态的细分类编号，每个编号的数据包括20次重复测量，每次得到时间为4秒的连续两相电流数据。其中，电机电流是通过LEM CKSR15-NP型电流互感器测量的，该电流首先通过25kHz低通滤波器，再经过采样从而得到64kHz的数字信号。
工况 S(rpm) M(Nm) F(N)
A 1500 0.1 1000
B 900 0.7 1000
C 1500 0.7 400
表1
轴承状态 标签 编号
健康 1 K001,K002,K003,K004,K005
外圈故障 2 KA04,KA15,KA16,KA22,KA30
内圈故障 3 KI04,KI14,KI16,KI18,KI21
表2
(2)参数确定
在数据预处理阶段中，大样本中含有n＝10个小样本，小样本的数据长度N为一个周期内的数据长度，当电机转速为1500时，N＝640，当电机转速为900时，N＝1067；在构建图网络中，确定节点之间的连边时，其相邻距离最大为d＝20；在构建基于图注意力网络的分类模型中，基于两相电流分别搭建2层图注意力网络层，第一层中新的节点特征数量F′＝32，注意力机制数量K＝8，且采用融合法，第一层中新的节点特征数量F"＝15，注意力机制数量K＝2，且采用K平均法，最后采用3次二维卷积神经网络以及一次全连接神经网络，其中，卷积中的卷积核数量knl分别为16、32、64，卷积核大小ksl分别为7、5、3，卷积步长sl都为(3,1)，全连接层的输出大小为3。
(3)实验结果
Figure BDA0002652926230000081
表3
实验对比了一种基于深度学习和信息融合的方法，表3显示了在3种工况下的实验结果对比，这些方法都是基于电流信号进行电机故障诊断的。结果显示，本专利提出的方法在3种工况下的预测准确度最高，证明本方法是有效的。

Claims (5)

1.一种基于图注意力网络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)数据样本划分：利用傅里叶变换对电机的其中一相电流连续的电信号进行低通滤波，将滤波后的信号的相邻波峰对应的时间点作为划分依据，每两个相邻时间点为一个时间周期，在原始电流信号中依次截取一个时间周期的两相电流信号作为一个小样本，再将连续的n个小样本合并为一个大样本，这样可以让每个大样本包含更多信息并增加了样本数量；
2)数据预处理：对每个小样本中的两相电流分别进行带通滤波，得到去噪的状态特征电信号；
3)构建图网络：根据状态特征电信号的极值点构建电流图网络，再将大样本中两相电流的n个电流图网络融合得到该大样本的两相电流图网络；
4)构建基于图注意力网络的分类模型：基于两相电流图网络分别构建图注意力网络，再融合两个网络提取的特征进行分类。
2.如权利要求1所述的一种基于图注意力网络的电机故障诊断方法，其特征在于，所述步骤1)的过程为：首先，利用傅里叶对电机的第一相电流连续的电信号进行低通滤波，将滤波后信号的波峰对应的时间点作为划分依据，在原始电流信号中截取划分点之后第j个周期时间内的两相电流信号作为一个小样本
Figure FDA0003555786360000011
其中
Figure FDA0003555786360000012
表示第j个周期内第一、第二相电流数据，每个周期内单相电流的数据长度为N；再将从第j个周期开始连续的n个小样本合并为一个大样本Cj＝[cj,cj+1,…,cj+n-1]，j＝0,1,2,…。
3.如权利要求2所述的一种基于图注意力网络的电机故障诊断方法，其特征在于，所述步骤2)的过程为：对每个小样本中的两相电流进行带通滤波，先对其中的两个电信号
Figure FDA0003555786360000013
进行快速傅里叶变换：
Figure FDA0003555786360000021
其中，FFT表示傅里叶变换，
Figure FDA0003555786360000022
表示电信号
Figure FDA0003555786360000023
在频域的结果；
原始电流信号中的采样频率为f，设置带通滤波范围为0.01f～0.3f：
Figure FDA0003555786360000024
其中w表示频率，即只保留频率在0.01f～0.3f之间的数据；
再对滤波后的信号进行傅里叶逆变换(IFFT)，得到去噪的状态特征电信号：
Figure FDA0003555786360000025
4.如权利要求3所述的一种基于图注意力网络的电机故障诊断方法，其特征在于，所述步骤3)的过程为：根据状态特征电信号中的极值点建立图网络：
令:
Figure FDA0003555786360000026
Figure FDA0003555786360000027
Figure FDA0003555786360000028
Figure FDA0003555786360000029
Figure FDA00035557863600000210
Figure FDA00035557863600000211
其中，将状态特征电信号中每个数据点的数值映射到
Figure FDA00035557863600000212
N表示数据点数量，
Figure FDA00035557863600000213
和
Figure FDA00035557863600000214
表示状态特征电信号中的极大、极小值点的集合，这两个集合中的点就是图网络中的节点
Figure FDA00035557863600000215
分别在这两个集合中寻找相邻距离不超过d且电信号数值符号相同的两个点，并在图网络中为其添加连边关系，
Figure FDA00035557863600000216
表示图网络中第m个连边，
Figure FDA00035557863600000217
表示图网络中所有的连边集合，
Figure FDA00035557863600000218
表示根据第j个状态特征电信号的极值点建立的图网络；
对于一个大样本来说，每一相电流都包含了n个图网络，对其分别进行融合：
Figure FDA00035557863600000219
Figure FDA00035557863600000220
Figure FDA00035557863600000221
其中，
Figure FDA00035557863600000222
表示大样本中由两相电流构建而来的图网络；
Figure FDA00035557863600000223
表示图网络
Figure FDA00035557863600000224
中的节点，由多个小样本中的图网络节点融合而来，若出现多次相同节点，则只保留一个，
Figure FDA00035557863600000225
表示图网络
Figure FDA00035557863600000226
中的连边关系，由多个小样本中的图网络连边融合而来，若出现多次相同连边关系，则只保留一次；
Figure FDA00035557863600000227
表示图网络
Figure FDA00035557863600000228
中节点的特征，由状态特征电信号经过融合并转置得到，大小为n×N，
Figure FDA00035557863600000229
表示特征向量，大小为n×1；Xj表示模型输入样本。
5.如权利要求4所述的一种基于图注意力网络的电机故障诊断方法，其特征在于，所述步骤4)的过程为：基于两相电流图网络分别构建图注意力网络，对于图网络
Figure FDA0003555786360000031
令
Figure FDA0003555786360000032
其中，
Figure FDA0003555786360000033
表示所有节点的特征向量，
Figure FDA0003555786360000034
表示第p个节点的特征向量，F表示节点特征向量的长度，即F＝n；
经过一层图注意力网络层提取特征后，得到新的节点特征向量集
Figure FDA0003555786360000035
Figure FDA0003555786360000036
其中，F′表示新的节点特征向量长度；
为了得到上述输入输出的转换，需要引入注意力机制，来表达其他节点对当前节点的影响，该影响即注意力系数的计算为：
Figure FDA0003555786360000037
其中，
Figure FDA0003555786360000038
表示节点q对节点p的影响力，
Figure FDA0003555786360000039
表示权重矩阵，a表示注意力机制，且该机制只应用于节点p相邻的节点集Np上，即q∈Np，为了规范化注意力系数，先对注意力系数使用LeakyReLU激活函数，其小于零斜率设为0.2，再引入softmax对所有相关的注意力系数进行正则化：
Figure FDA00035557863600000310
其中，
Figure FDA00035557863600000311
表示正则化后的注意力系数，综上所述，完整的注意力机制如下：
Figure FDA00035557863600000312
其中，||表示矩阵融合操作，
Figure FDA00035557863600000313
是权重矩阵，在实验中，注意力机制a是一个单层的前馈神经网络；
得到正则化的注意力系数之后，根据每个节点所相关的节点特征来预测该节点的输出特征：
Figure FDA00035557863600000314
其中，σ表示ReLU激活函数；
为了保证注意力机制的稳定性，扩展使用了多层注意力机制，每层注意力机制独立，然后将所有特征融合：
Figure FDA00035557863600000315
其中，R表示独立注意力机制的层数，
Figure FDA00035557863600000316
分别表示第r层注意力机制的注意力系数和权重矩阵；
对于最后一层图注意力网络层也采用R平均来代替融合操作：
Figure FDA0003555786360000041
然后将基于两相电流的图注意力网络的输出
Figure FDA0003555786360000042
和
Figure FDA0003555786360000043
融合成一个特征矩阵Zj：
Figure FDA0003555786360000044
Figure FDA0003555786360000045
其中，
Figure FDA0003555786360000046
为图注意力网络输出的特征维数，|||表示在新的维度将矩阵融合，即
Figure FDA0003555786360000047
然后对该融合矩阵Zj进行多次卷积，过程如下：
Figure FDA0003555786360000048
Figure FDA0003555786360000049
其中，符号*表示二维卷积，Wl、bl表示第l次卷积的权重和偏置，卷积中还包括卷积核数量knl、卷积核大小ksl和卷积步长sl，并且每次卷积后使用ReLU激活函数；
最后，展开卷积结果为一维特征
Figure FDA00035557863600000410
并使用带有SoftMax激活函数的全连接层神经网络将特征映射到故障诊断分类结果中：
Figure FDA00035557863600000411
其中，Dense()表示全连接层神经网络，resj表示第j个样本的故障诊断结果。
CN202010881735.5A 2020-08-27 2020-08-27 一种基于图注意力网络的电机故障诊断方法 Active CN112162196B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010881735.5A CN112162196B (zh) 2020-08-27 2020-08-27 一种基于图注意力网络的电机故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010881735.5A CN112162196B (zh) 2020-08-27 2020-08-27 一种基于图注意力网络的电机故障诊断方法

Publications (2)

Publication Number Publication Date
CN112162196A CN112162196A (zh) 2021-01-01
CN112162196B true CN112162196B (zh) 2022-06-17

Family

ID=73860425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010881735.5A Active CN112162196B (zh) 2020-08-27 2020-08-27 一种基于图注意力网络的电机故障诊断方法

Country Status (1)

Country Link
CN (1) CN112162196B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114201989A (zh) * 2021-11-29 2022-03-18 江苏大学 一种采用卷积神经网络和双向长短时记忆网络的交流电机轴承故障诊断方法
CN117153188B (zh) * 2023-08-29 2024-05-28 安徽理工大学 一种基于声音频率的变功率设备故障分析方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111125445A (zh) * 2019-12-17 2020-05-08 北京百度网讯科技有限公司 社区主题生成方法、装置、电子设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7271216B2 (ja) * 2019-02-19 2023-05-11 株式会社東芝 情報処理装置、情報処理方法、およびプログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111125445A (zh) * 2019-12-17 2020-05-08 北京百度网讯科技有限公司 社区主题生成方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于Resnet网络和Attention-GRU门控机制的滚动轴承故障诊断;毛昭辉;《组合机床与自动化加工技术》;20200731;全文 *

Also Published As

Publication number Publication date
CN112162196A (zh) 2021-01-01

Similar Documents

Publication Publication Date Title
Hoang et al. Rolling element bearing fault diagnosis using convolutional neural network and vibration image
Kaplan et al. An improved feature extraction method using texture analysis with LBP for bearing fault diagnosis
CN112834921B (zh) 一种基于残差图注意力网络的电机故障诊断方法
CN112162196B (zh) 一种基于图注意力网络的电机故障诊断方法
Veerasamy et al. High-impedance fault detection in medium-voltage distribution network using computational intelligence-based classifiers
CN111046916A (zh) 一种基于空洞卷积胶囊网络的电机故障诊断方法及系统
Haq et al. Improved performance of detection and classification of 3-phase transmission line faults based on discrete wavelet transform and double-channel extreme learning machine
CN113176092B (zh) 基于数据融合和改进经验小波变换的电机轴承故障诊断方法
Chatterjee et al. Cross correlation aided fuzzy based relaying scheme for fault classification in transmission lines
CN112633098A (zh) 一种旋转机械故障诊断方法、系统及存储介质
Jiang et al. Fault diagnosis of planetary gearbox based on motor current signal analysis
Su et al. Fault diagnosis of rotating machinery based on wavelet domain denoising and metric distance
Pham et al. Efficient fault diagnosis of rolling bearings using neural network architecture search and sharing weights
CN114462446A (zh) 基于振动信号的滚动轴承故障诊断方法及电子设备
Li Exploring real-time fault detection of high-speed train traction motor based on machine learning and wavelet analysis
CN117171544B (zh) 基于多通道融合卷积神经网络的电机振动故障诊断方法
CN113610119B (zh) 基于卷积神经网络识别输电线路发展性故障的方法
Thuan et al. Intelligent bearing fault diagnosis with a lightweight neural network
Schmitt et al. Detecting bearing faults in line-connected induction motors using information theory measures and neural networks
Luo et al. A fault diagnosis method for rotating machinery with variable speed based on multi-feature fusion and improved ShuffleNet V2
Upendar et al. Fault classification scheme based on the adaptive resonance theory neural network for protection of transmission lines
Wang et al. The research on fault diagnosis of rolling bearing based on current signal CNN-SVM
CN116738367A (zh) 基于多尺度图Transformer的滚动轴承故障诊断方法
Priyadarshini et al. Detection of islanding and non-islanding fault disturbances in microgrid using LMD and deep stacked RVFLN based auto-encoder
Li et al. Fault diagnosis for machinery based on feature extraction and general regression neural network

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