CN112200214B - 一种基于图像识别和卷积神经网络的pmsm多故障诊断方法 - Google Patents

一种基于图像识别和卷积神经网络的pmsm多故障诊断方法 Download PDF

Info

Publication number
CN112200214B
CN112200214B CN202010853759.XA CN202010853759A CN112200214B CN 112200214 B CN112200214 B CN 112200214B CN 202010853759 A CN202010853759 A CN 202010853759A CN 112200214 B CN112200214 B CN 112200214B
Authority
CN
China
Prior art keywords
data
image
pmsm
fault diagnosis
fault
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
CN202010853759.XA
Other languages
English (en)
Other versions
CN112200214A (zh
Inventor
李志远
吴钦木
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.)
Guizhou University
Original Assignee
Guizhou University
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 Guizhou University filed Critical Guizhou University
Priority to CN202010853759.XA priority Critical patent/CN112200214B/zh
Publication of CN112200214A publication Critical patent/CN112200214A/zh
Application granted granted Critical
Publication of CN112200214B publication Critical patent/CN112200214B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G06T9/002—Image coding using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/64—Electric machine technologies in electromobility

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Multimedia (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于图像识别和卷积神经网络的PMSM多故障诊断方法，该方法包括步骤：(1)数据预处理：对电机电流数据转化成图像数据，图像数据用作深度CNN的输入数据；(2)特征提取：特征提取采用深度卷积网络模型进行提取，深度卷积网络用于提取步骤(1)中形成的图像中含有PMSM故障的深层次特征；(3)故障分类：故障分类采用分类器进行故障分类。本发明提高故障诊断可靠性和准确性，采用将电机电流信号转为图形数据进行卷积网络处理，便于深度卷积网络的特征提取，故障诊断无需硬件获取振动信号，降低设备成本，不直接受系统外环境因素的影响，如振动、温度等，使得电动车用电机故障诊断方法可靠性更高。

Description

一种基于图像识别和卷积神经网络的PMSM多故障诊断方法
技术领域
本发明属于电机故障诊断技术领域，涉及一种基于图像识别和卷积神经 网络的PMSM多故障诊断方法。
背景技术
通常，PMSM故障可分为三种类型，即电气故障、机械故障和磁性故障。 其中，电气故障发生的概率约占整个电机故障的36％；机械故障占电机故障的 50％,在电机的机械故障中，轴承故障占约40％，偏心故障约占10％，其他类型 的故障约占14％。
以电动车用PMSM为例，分析PMSM运行中容易发生多故障并存的特点。 在电动车中，PMSM运行工况复杂。一方面，电机安装空间狭小，电机散热条 件差，容易引发PMSM退磁故障；另一方面，电动车运行过程中常出现急停急 起的行为，电机启动时需要较大的电磁转矩。大转矩容易引发电枢反应，进 一步引起退磁。此外，电动车行驶过程中常受路况等外界环境影响，出现频 繁的抖动，容易导致机械故障。
由于电机是一种机电转化的强耦合结构，各种类型的故障之间会产生相 互影响。电气故障中，匝间短路故障会在电机定子绕组中引起激变电流，导 致电机铜耗增加而引发电机机体过热。而且由匝间短路故障引起的故障电流 可能引发电枢反应，继而引起转子永磁体的退磁效应；此外，外部因素引起 的电机机体过热也会导致转子永磁体退磁。相反，退磁故障引发的电机过载 会增加定子绕组中的电流，继续增加电机铜耗，增加电机环境温度，从而恶 化匝间短路故障及退磁故障。偏心故障在电机故障中占比相对较少，但是， 偏心故障引起的电机各种不平衡应力是导致轴承故障的根源；此外，退磁故 障产生的转矩波动、过载、不平衡负载等也会造成轴承元素的磨损，继而引 发轴承故障。
卷积神经网络(Convolutional Neural Network，CNN)具有强大的特征 提取能力，能够提取出深层次的数据特征。但CNN不善于处理高频信号。为 了使CNN能从电机信号中提取出故障特征，可以遵循如下两种思路：
一是尝试适合处理高频信号的网络结构。现有技术中提出了DTS-CNN、 AdaptiveDCNN和TICNN等模型，通过处理电机振动信号，实现了电机轴承信 号的检测；使用卷积神经网络实现了旋转机械的故障分类，旋转机械的故障 分类包括轻度润滑不足的轴承、重度润滑不足的轴承及轴承外圈受损。
二是将电机信号转换为适合于CNN学习训练的数据。为此，一些学者将 时-频域处理技术和卷积网络结合使用，用于提取PMSM故障特征。将电机电 流的快速傅立叶变换幅值和小波变换的细节参数输入一维CNN学习，用于诊 断PMSM退磁故障和轴承故障。
但是，在目前文献中，所提出的智能诊断方法都是基于振动信号的特征 提取，需要添加额外的传感器来测量振动信号，而且检测结果受传感器安装 位置的影响。此外，基于振动信号的故障诊断方法不能应用于多振动系统的 工况。电动车在行驶过程中会产生颠簸、抖动等，会对加速度传感器等测量 振动信号的传感器产生影响，从而影响电机故障诊断的可靠性。
对于PMSM故障诊断中采用卷积网络进行故障诊断，但对于电机信号处理， 由于卷积网络难于处理电机电流的高频连续信号，因此，直接从PMSM定子电 流时域信号中提取特征比较困难。
当前文献中将时序数据转化为图像的方法可分为三个类别。分别归纳为 排列、填色和坐标映射。
基于数据排列的转化方法：基于数据排列的图像转化方法直接将连续数 据采样后排成矩阵，再通过一层映射关系，将矩阵中的值转换成图像中的像 素值。现有技术中采用了这种转化方法，亦有只将样本向量重新排列成矩阵， 没有进一步转化成图像的方法。但是，这种转化方式可能存在一种不足，即 需要较长的样本数据。以一幅100×100的图像为例，则转化一幅图像需要 10000个数据值。若是电机状态变换过快，形成一幅图像需要电机运行好几个 周期。诊断系统必须要等到数据的量达到足够的长度才能进行特征提取。
基于填色的图像转化方法：基于填色的图像转化方法是将样本数据按照 一个函数映射到指定的颜色域。现有技术中为了将半导体制造过程中不同变 量在不同时间点的变化进行可视化，把每个变量在不同时间点的值映射到一 个颜色区域，形成一幅彩色图像。基于填色的方法实质上是一种线性变换， 可将这一过程用均匀分布表示：
Figure BDA0002645689020000031
式中，(x，y)表示图像矩阵中第x行，第y列的像素点；
a，b分别表示原始样本中的最大值和最小值。
在这个均匀分布中，概率P[(x，y)]对应颜色条的权值。也有技术通过这种 方式将半导体生产过程中的变量变化进行可视化，将关键变量与次品半导体 联系起来，通过观察关键变量查找半导体次品。但是，这种线性的映射方法 可能无法表达原始数据的特征。因为，所选择颜色条的像素值与数据之间不 存在任何逻辑关系。而且，彩色图像用RGB值或HSB值表示一个像素点，即 一个像素点是一个3×1的张量。这样的数据到图像的转换方式实质上是一个 一到多的映射关系，而且没有逻辑关系。
基于坐标变换的图像转化方法：现有技术将频率响应分析(Frequency ResponseAnalysis)相位和幅值变换到极坐标中，获得变压器的指纹图(Finger Print，因为变压器的频率响应的相位和幅值在极坐标中分布成两个半圆形， 形象酷似指纹)。为了提高频率响应分析的表达(Interpretation)的准确性，将频 率响应的特征幅值和相位变换到极坐标中，使得极坐标中的每个点与特定频 率值下的频率响应特征的相位和幅值一一对应，使得频率响应特征分布更有 辨识度。基于坐标变换的图像转换方式实质上是将一种变压器的匝间短路特 征变换到另一坐标系下，使得故障特征的分布更容易观察。这种方法对于人类肉眼是一种较大的改善，但是对于机器而言，这种方法还是存在填色方法 中出现的映射逻辑关系问题。
发明内容
本发明要解决的技术问题是：提供一种基于图像识别和卷积神经网络的 PMSM多故障诊断方法，以解决现有技术中存在的技术问题。
本发明采取的技术方案为：一种基于图像识别和卷积神经网络的PMSM 多故障诊断方法，该方法包括以下步骤：
(1)数据预处理：对电机电流数据转化成图像数据，图像数据用作深度 卷积神经网络(Convolutional Neural Network，CNN)的输入数据；
(2)特征提取：特征提取采用深度卷积网络模型进行提取，深度卷积网 络用于提取步骤(1)中形成的图像中含有PMSM故障的深层次特征；
(3)故障分类：故障分类采用分类器进行故障分类，用于将不同类别、 不同程度的故障区别出来。
电机电流数据转化成图像数据的方法为：将电机电流信号通过其求取自 相关矩阵，获得一个二维矩阵，将电机电流信号数据散落到灰度值值域，使 得原始数据与图像像素值之间存在完整的映射关系，映射关系函数设定为一 维高斯分布函数：
Figure BDA0002645689020000051
式中，xij表示自相关矩阵中第i行、第j列的元素；
μ为原始数据的均值；
σ2为原始数据的方差。
深度卷积网络模型在TensorFlow框架体系中，将样本图像制作成 TFRecord格式文件，使图片被压缩成二进制编码，在训练时，再将二进制编 码解码成图片输入卷积网络模型。
TensorFlow框架体系将TFrecord格式文件当作Dataset数据集处理，对样 本进行打乱，预读入，或将图像旋转。
深度卷积网络模型使用阿里云云服务器搭建的Linux平台(GPU算力为 7.5)搭建，深度卷积网络模型包含9个卷积层、两个池化层和3个全连接层， 其中，第一个池化层为最大池化层，第二个池化层为全局平均池化层(Global Average Pooling)，在全连接层中加入了Dropout层，比例为0.5。
本发明的有益效果：与现有技术相比，本发明的效果如下：
(1)本发明采用转化的图形进行深度卷积网络模型训练，获得含有 PMSM故障的深层次特征，再通过分类器一次性获得多类电机故障，提高故 障诊断可靠性和准确性，采用将电机电流信号转为图形数据进行卷积网络处 理，便于深度卷积网络的特征提取，故障诊断无需硬件获取振动信号，降低 设备成本，不直接受系统外环境因素的影响，如振动、温度等，使得电动车 用电机故障诊断方法可靠性更高；
(2)本发明摒弃了将数据转换成三通道图像的思路，将原始数据转换成 只有一个通道的灰度图，使得原始数据与图像之间保持严谨的映射逻辑关系， 将电机电流信号转换为一个二维矩阵，实现数据升维，而高维特征往往包含 更多数据特征，而且，相比于基于排列的图像转换方法，使用数据的自相关 矩阵进行图像转化将占用更短的原始数据，需要的原始数据量更少，提高了 诊断系统的时效性，与填色的转换方法相比，基于自相关矩阵的图像转换方 法使得原始数据与图像像素值之间存在完整的映射关系，逻辑性更严谨；
(3)在TensorFlow框架体系中，可将样本图像制作成TFRecord格式文 件，使图片被压缩成二进制编码，在训练时，再将二进制编码解码成图片输 入卷积网络模型。这种文件的处理方法能将大量图像样本进行压缩，不仅节 约了存储图像数据的空间，而且还能加快CPU将数据读入内存的速度，减小 网络训练时间，其原因在于：在读取数据时，GPU没有数据计算，处于等待 状态。为了充分利用硬件资源，需要将样本做成特定的数据格式，使得网络 模型在训练时，能够将图像呈批地输入到模型中，省去GPU等待数据的时间；
(4)将TFrecord格式文件当作Dataset数据集处理，对样本进行打乱， 预读入，甚至是将图像旋转以扩大数据集的量，十分有助于网络模型的训练；
(5)采用9个卷积层、两个池化层和3个全连接层的深度卷积网络，当 网络深度增加时，使用残差模块构建深度网络能够降低模型的训练难度，并 能继续提高故障分类精度在全连接层中加入了Dropout层，比例为0.5，防止 模型训练时出现过拟合。
附图说明
图1为本发明的逻辑框图；
图2为基于自相关矩阵的图像转换流程图；
图3为25％退磁PMSM在转速从1000rpm上升到3000rpm至稳定(空载) 运行状态下相电流转化成的灰度图像，图中，(a)1000-2000rpm； (b)2000-3000rpm；(c)3000-3000rpm，先升后降；(d)3000rpm稳速；
图4为25％退磁PMSM在转速从1000rpm上升到4000rpm至稳定(负载 为10N.m)运行状态下相电流转化成的灰度图像，图中，(a)1000-2000rpm； (b)3000-4000rpm；(c)4000-4000rpm，先升后降；(d)4000rpm稳速；
图5为正常PMSM在转速从1000rpm上升到3000rpm至稳定(空载)运行 状态下相电流转化成的灰度图像，图中，(a)1000-2000rpm；(b)2000-3000rpm； (c)3000-3000rpm，先升后降；(d)3000rpm稳速；
图6为正常退磁PMSM在转速从1000rpm上升到4000rpm至稳定(负载 为10N.m)运行状态下相电流转化成的灰度图像，图中，(a)1000-2000rpm； (b)3000-4000rpm；(c)4000-4000rpm，先升后降；(d)4000rpm稳速；
图7为输入模型的原始图像样本图，(a)25％退磁；(b)50％退磁；(c)正常； (d)10％偏心；(e)20％偏心；
图8为退磁图像的第1个卷积层的部分输出特征映射，上为25％，下为 50％；
图9为退磁图像的第3个卷积层的部分输出特征映射，上为25％，下为50％；
图10为退磁图像的第9个卷积层的部分输出特征映射，上为25％，下为 50％；
图11为正常图像的模型中间层的输出特征映射，上、中、下分别为第1,3,9 个卷积层的部分输出；
图12为静态偏心图像的模型中第1个卷积层的部分输出特征映射，上为 10％，下为20％；
图13为静态偏心图像的模型中第3个卷积层的部分输出特征映射，上为 10％，下为20％
图14为静态偏心图像的模型中第9个卷积层的部分输出特征映射，上为 10％，下为20％。
具体实施方式
下面结合附图及具体的实施例对本发明进行进一步介绍。
实施例1：如图1-图14所示，一种基于图像识别和卷积神经网络的PMSM 多故障诊断方法，该方法包括以下步骤：
(1)数据预处理：对电机电流数据转化成图像数据，图像数据用作深度 CNN的输入数据；
(2)特征提取：特征提取采用深度卷积网络模型进行提取，深度卷积网 络用于提取步骤(1)中形成的图像中含有PMSM(内嵌式永磁同步电机(Interior Permanent MagnetSynchronous Motor)故障的深层次特征；
(3)故障分类：故障分类采用分类器进行故障分类，用于将不同类别、 不同程度的故障区别出来，分类器内设置有多分类算法，如SVM或softmax 等。
为了使电机数据适应CNN的工作机制，本发明考虑将PMSM定子电流 信号转化成图像数据。一幅图像数据是由0-255的像素值组成的矩阵，数据转 换为图像实质上是一种将数据序列转换成多维矩阵的过程。电机电流数据转 化成图像数据的方法为：将电机电流信号通过其求取自相关矩阵，获得一个 二维矩阵，将电机电流信号数据散落到灰度值值域，使得原始数据与图像像 素值之间存在完整的映射关系，映射关系函数设定为一维高斯分布函数：
Figure BDA0002645689020000091
式中，xij表示自相关矩阵中第i行、第j列的元素；
μ为原始数据的均值；
σ2为原始数据的方差。
将电机电流信号通过求取其自相关矩阵的方法转换为一个二维矩阵，实 质上是一种数据升维的方法，而高维特征往往包含更多数据特征。而且，使 用数据的自相关矩阵进行图像转化将占用更短的原始数据，提高了诊断系统 的时效性。如何将数据映射到灰度值域也是一个关键的图像转化因素。可将 数据样本值散落到灰度值值域看作是一个概率问题，如基于填色的图像转换 方法一样，把原始数据转化到颜色区域的权值看作是一种均匀分布。由大数 定理可知，只要数据样本量足够大，那么这些数据会服从高斯分布。
相比于基于排列的图像转换方法，本文提出的基于信号自相关矩阵的图 像转换方法需要的原始数据量更少，时效性更高；与填色的转换方法相比， 基于自相关矩阵的图像转换方法使得原始数据与图像像素值之间存在完整的 映射关系，逻辑性更严谨。
在CNN(卷积神经网络)的训练中，当样本数据量较小时，可将图片一 张一张地读入模型中进行训练。但是如果可用的数据集很大时，逐张读入的 方法非常浪费CPU和GPU计算资源。因为，在读取数据时，GPU没有数据 计算，处于等待状态。为了充分利用硬件资源，需要将样本做成特定的数据 格式，使得网络模型在训练时，能够将图像呈批地输入到模型中，省去GPU 等待数据的时间。在TensorFlow框架体系中，可将样本图像制作成TFRecord格式文件，使图片被压缩成二进制编码，在训练时，再将二进制编码解码成 图片输入卷积网络模型。这种文件的处理方法能将大量图像样本进行压缩， 不仅节约了存储图像数据的空间，而且还能加快CPU将数据读入内存的速度， 减小网络训练时间。此外，TensorFlow还能将TFrecord格式文件当作Dataset 数据集处理，对样本进行打乱，预读入，甚至是将图像旋转以扩大数据集的 量，十分有助于网络模型的训练。
将联合仿真中的电流数据转化成灰度图像。从转速1000rpm对应的时刻 起，将相电流每隔30个数据点取一个长为500个数据的样本，再按照图1所 示的算法，将各个样本转换成灰度图像。图3-6分别展示了25％故障PMSM 和正常PMSM在转速从1000rpm上升到不同给定转速至稳定期间各种状态下 的电流转换成的图像。
由式(1)可知，当电流幅值越大时，数据散落到灰度值值域的概率就越小， 从而转化到最终的灰度值也越小。在电机转速上升期间，需要增大电磁转矩， 电流幅值比转速稳定时要大。因此，这种状态下的图像大部分灰度值较低， 呈现出黑色，如图3中(a)和(b)所示。同理可知，带负载高的电机电流幅值要 比空载的电机电流幅值大。因此，在颜色上，带负载时的图像比空载时的图 像要“黑”，如图3(c)和(d)所示。其他故障类型的图像在人眼视觉上大同小 异，不再一一展示。
将5种电机在不同状态下的电流转换成灰度图像，再通过数据扩充的方 法(随机选取部分图像进行旋转90度，以扩充样本)建立了一个5种类别(25％ 退磁、50％退磁、正常、10％静态偏心和20％静态偏心PMSM的样本图像)。 数据集大小为5万个样本，每一电机样本数量分别为1万，且每一类电机数 据包含多种电机运行状态。表1展示了数据集的详情。
表1数据集的详情
Figure BDA0002645689020000111
为了验证算法的可靠性，从5万个样本中随机抽取20％的样本作为模型 测试集，每个类别包含2000个样本。
深度卷积网络模型使用阿里云云服务器搭建的Linux平台(GPU算力为7.5) 搭建，深度卷积网络模型包含9个卷积层、两个池化层和3个全连接层，其 中，第一个池化层为最大池化层，第二个池化层为全局平均池化层(Global Average Pooling)，在全连接层中加入了Dropout层，比例为0.5。通过Keras FunctionalAPI可方便地构建由残差模块组成的CNN。同样使用Python实现CNN的网络构建。使用阿里云云服务器搭建的Linux平台(GPU算力为7.5) 训练模型ResNet-9。其中，最低训练损失为0.0166，最低测试损失0.0423。 最终训练精度为0.9939，最终测试精度为0.9862。
为了形象地表示模型对PMSM图像的处理过程，将CNN中部分卷积层 的特征映射输出。分别以一幅25％退磁、50％退磁、正常、10％偏心、20％偏 心PMSM的图像为例，图7至14展示了输入图像及其部分层的部分特征映射 (为了方便展示，将不同尺寸的特征映射调整到统一尺寸)。
比较各种PMSM图像的第9层特征映射可知，带故障的PMSM的特征映 射中白色纹理比正常PMSM特征映射的白色纹理多。深度CNN能够提取出 定子电流中由故障引起的细微特征，从而将正常PMSM和不同类型、不同程 度的故障电机的电流分辨出来。
在深度CNN的设计和训练过程中，并非是损失值越小，模型的测试精度 越高。训练损失值越小，容易导致过拟合现象，降低模型的泛化能力。此外， 即使是使用自适应梯度下降算法训练模型，训练步长也会影响模型的训练过 程。
引起模型过拟合现象的原因可分为两类。一类是由于网络结构导致的， 复杂的网络结构更容易出现过拟合现象。复杂的网络模型在训练时更容易遇 见计算瓶颈问题。因此，在满足精度要求的情况下，网络的结构应该尽量简 洁。第二种原因是由于过度训练导致的。过度地降低训练损失值容易导致模 型过拟合，即使是在模型中加入了防止过拟合措施，如加入Dropout层。但是， 在训练模型时，无法获知模型训练多少次或者训练损失降低到什么程度模型 的性能是最好的。因此，对于规模较小的网络模型，可以按搜索的方法训练 模型。即，一轮一轮地对模型进行训练，将每一轮的模型保存起来，下一轮 训练的时候导入上一轮的模型，并将上一轮模型中的参数看作下一轮模型的 参数初始值。最后，用测试样本对模型进行评估，方可找出性能最优良的模 型。
在将数据输入模型训练之前，对模型进行白化可提升模型的收敛速度。 如果网络模型规模比较小，没有必要在每个卷积层中设置BN激活层。
训练步长也会影响模型收敛速度。一个固定的步长对应一个模型性能的 峰值。当训练轮数达到一定值是，训练损失值开始饱和，下降缓慢，降低训 练步长后，模型训练损失开始较大幅度地下降。因此，同样可通过搜索训练 方法，找到训练步长的极限，然后降低训练步长继续训练模型。
从电机转速角度考虑，在本发明建立的数据集中，包含了电机在升速、 变速(先升后降)以及稳速运行状态下PMSM电流转换成的图像样本。而且测 试集是从所有的图像中随机且均匀地抽取的。98.62％的测试正确率足以证明 本发明所提出的PMSM故障诊断方法不受电机转速的影响，可适用于多种电 机运行速度下的故障诊断。
从电机负载角度考虑，样本中包含了不同负载(空载和10N.m)的运行电流 转换的灰度图像。此外，在电机升速时，需要逐渐提高电磁转矩；电机达到 给定转速时，电磁转矩会出现骤降。因此，仅从电机的电磁转矩信号上考虑， 电机的升速过程可等效于负载逐渐增加的过程，也就是一种变化的负载。同 样，从测试结果可说明，提出的诊断方法亦不受负载变化的影响。
本发明所提出的诊断方法能够不受电机运行状态的影响，是因为在这个 诊断方法中，所需的原始电流数据长度较短(相对于PMSM的机械角度)，使 得每一个样本内包含电机状态可近似于稳态，这是一种极限的思想。此外， 数据的自相关矩阵是一种升维的数据表达，能包含更多的数据信息。
综上所述，本发明所提出的诊断方法法能够精确地辨别退磁及偏心故障， 所提方法可推广至更多类型的PMSM故障诊断。同时，所提算法也能够诊断 出同种故障中不同严重程度的故障。而且，算法能够适用于非稳态运行的 PMSM故障监测，不受电机转速及负载的限制。此外，本发明所提诊断方法 是基于PMSM定子电流监测的，且能适用于非稳态运行中PMSM的多种类型 的故障诊断，能够达到持续监测PMSM故障的目的。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限 于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易 想到变化或替换，都应涵盖在本发明的保护范围之内，因此，本发明的保护 范围应以所述权利要求的保护范围为准。

Claims (4)

1.一种基于图像识别和卷积神经网络的PMSM多故障诊断方法，其特征在于：该方法包括以下步骤：
（1）数据预处理：对电机电流数据转化成图像数据，图像数据用作深度卷积神经网络的输入数据；
（2）特征提取：特征提取采用深度卷积网络模型进行提取，深度卷积网络用于提取步骤（1）中形成的图像中含有PMSM故障的深层次特征；
（3）故障分类：故障分类采用分类器进行故障分类，用于将不同类别、不同程度的故障区别出来；
电机电流数据转化成图像数据的方法为：将电机电流信号通过其求取自相关矩阵，获得一个二维矩阵，将电机电流信号数据散落到灰度值值域，使得原始数据与图像像素值之间存在完整的映射关系，映射关系函数设定为一维高斯分布函数：
Figure DEST_PATH_IMAGE002
式中，
Figure DEST_PATH_IMAGE004
表示自相关矩阵中第
Figure DEST_PATH_IMAGE006
行、第
Figure DEST_PATH_IMAGE008
列的元素；
Figure DEST_PATH_IMAGE010
为原始数据的均值；
Figure DEST_PATH_IMAGE012
为原始数据的方差。
2.根据权利要求1所述的一种基于图像识别和卷积神经网络的PMSM多故障诊断方法，其特征在于：深度卷积网络模型在TensorFlow框架体系中，将样本图像制作成TFRecord格式文件，使图片被压缩成二进制编码，在训练时，再将二进制编码解码成图片输入卷积网络模型。
3.根据权利要求2所述的一种基于图像识别和卷积神经网络的PMSM多故障诊断方法，其特征在于：TensorFlow框架体系将TFrecord格式文件当作Dataset数据集处理，对样本进行打乱，预读入，或将图像旋转。
4.根据权利要求1所述的一种基于图像识别和卷积神经网络的PMSM多故障诊断方法，其特征在于：深度卷积网络模型使用阿里云云服务器搭建的Linux平台搭建，深度卷积网络模型包含9个卷积层、两个池化层和3个全连接层，其中，第一个池化层为最大池化层，第二个池化层为全局平均池化层，在全连接层中加入了Dropout层，比例为0.5。
CN202010853759.XA 2020-08-24 2020-08-24 一种基于图像识别和卷积神经网络的pmsm多故障诊断方法 Active CN112200214B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010853759.XA CN112200214B (zh) 2020-08-24 2020-08-24 一种基于图像识别和卷积神经网络的pmsm多故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010853759.XA CN112200214B (zh) 2020-08-24 2020-08-24 一种基于图像识别和卷积神经网络的pmsm多故障诊断方法

Publications (2)

Publication Number Publication Date
CN112200214A CN112200214A (zh) 2021-01-08
CN112200214B true CN112200214B (zh) 2022-09-13

Family

ID=74004982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010853759.XA Active CN112200214B (zh) 2020-08-24 2020-08-24 一种基于图像识别和卷积神经网络的pmsm多故障诊断方法

Country Status (1)

Country Link
CN (1) CN112200214B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114019370B (zh) * 2021-09-29 2023-04-28 西安交通大学 基于灰度图像和轻量级cnn-svm模型的电机故障检测方法
CN113988138A (zh) * 2021-11-05 2022-01-28 青岛农业大学 一种基于深度学习的信号提取和分类方法
CN114264953B (zh) * 2021-12-01 2024-05-24 珠海格力电器股份有限公司 一种永磁同步电机退磁故障诊断方法和系统以及诊断装置
CN114814436A (zh) * 2022-05-23 2022-07-29 中国矿业大学 一种三电平逆变器故障诊断方法及装置
CN117269754B (zh) * 2023-08-17 2024-06-21 贵州大学 基于卷积神经网络术的ipmsm转子退磁和偏心故障诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6239774B1 (en) * 1995-10-31 2001-05-29 Mitchell A. Altman Persistent image maker
CN101149901A (zh) * 2006-08-15 2008-03-26 索尼株式会社 像素电路、图像显示装置及其驱动方法以及电子装置
CN101271666A (zh) * 2007-03-20 2008-09-24 索尼株式会社 用于有机电致发光发光部的驱动方法
CN105957472A (zh) * 2016-05-24 2016-09-21 江苏生辉光电科技有限公司 一种矩阵照明系统灰度等级划分方法
CN108564565A (zh) * 2018-03-12 2018-09-21 华南理工大学 一种基于深度学习的电力设备红外图像多目标定位方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6289735B1 (en) * 1998-09-29 2001-09-18 Reliance Electric Technologies, Llc Machine diagnostic system and method for vibration analysis
CN108010016A (zh) * 2017-11-20 2018-05-08 华中科技大学 一种基于卷积神经网络的数据驱动故障诊断方法
CN110068462A (zh) * 2019-05-14 2019-07-30 北京科技大学 一种电机轴承故障诊断方法及装置
CN110109015B (zh) * 2019-05-31 2020-06-26 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
CN110728300A (zh) * 2019-09-09 2020-01-24 交控科技股份有限公司 基于道岔动作电流曲线识别故障类型的方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6239774B1 (en) * 1995-10-31 2001-05-29 Mitchell A. Altman Persistent image maker
CN101149901A (zh) * 2006-08-15 2008-03-26 索尼株式会社 像素电路、图像显示装置及其驱动方法以及电子装置
CN101271666A (zh) * 2007-03-20 2008-09-24 索尼株式会社 用于有机电致发光发光部的驱动方法
CN105957472A (zh) * 2016-05-24 2016-09-21 江苏生辉光电科技有限公司 一种矩阵照明系统灰度等级划分方法
CN108564565A (zh) * 2018-03-12 2018-09-21 华南理工大学 一种基于深度学习的电力设备红外图像多目标定位方法

Also Published As

Publication number Publication date
CN112200214A (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
CN112200214B (zh) 一种基于图像识别和卷积神经网络的pmsm多故障诊断方法
Yang et al. Conditional GAN and 2-D CNN for bearing fault diagnosis with small samples
Wang et al. An enhanced intelligent diagnosis method based on multi-sensor image fusion via improved deep learning network
Meng et al. Data segmentation and augmentation methods based on raw data using deep neural networks approach for rotating machinery fault diagnosis
CN107228766B (zh) 基于改进多尺度模糊熵的滚动轴承故障诊断方法
CN109858352B (zh) 一种基于压缩感知与改进多尺度网络的故障诊断方法
CN110595780B (zh) 基于振动灰度图像和卷积神经网络的轴承故障识别方法
Xiao et al. Fault diagnosis of induction motors using recurrence quantification analysis and LSTM with weighted BN
CN107643181B (zh) 一种基于图像识别的滚动轴承变工况故障诊断方法
Du et al. Fault diagnosis under variable working conditions based on STFT and transfer deep residual network
CN116793682A (zh) 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法
CN112926728B (zh) 一种永磁同步电机小样本匝间短路故障诊断方法
CN115114965B (zh) 风电机组齿轮箱故障诊断方法、装置、设备及存储介质
Sun et al. Curvature enhanced bearing fault diagnosis method using 2D vibration signal
Zheng et al. Optimization-based improved kernel extreme learning machine for rolling bearing fault diagnosis
CN116026569A (zh) 释放源数据的机械设备无监督迁移智能故障诊断方法
CN117312941A (zh) 一种样本不平衡情况下滚动轴承故障诊断方法及装置
CN112200881B (zh) 一种电机电流转化成灰度图像的方法
CN114881071A (zh) 基于多源信息的同步电机转子绕组匝间短路故障诊断方法
Wang et al. An improved MSCNN and GRU model for rolling bearing fault diagnosis
CN117932390A (zh) 一种基于注意力机制与dcgan融合的振动信号分析诊断方法
CN117332340A (zh) 基于多传感器视觉特征融合pmsm故障诊断方法及系统
Gundewar et al. Detection of broken rotor bar fault in an induction motor using convolution neural network
CN115902620A (zh) 一种基于循环生成对抗网络的电机故障增强诊断方法及装置
CN115512203A (zh) 信息检测方法、装置、设备及存储介质

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