CN112541524A - 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 - Google Patents

基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 Download PDF

Info

Publication number
CN112541524A
CN112541524A CN202011294362.8A CN202011294362A CN112541524A CN 112541524 A CN112541524 A CN 112541524A CN 202011294362 A CN202011294362 A CN 202011294362A CN 112541524 A CN112541524 A CN 112541524A
Authority
CN
China
Prior art keywords
classifier
adaboost
attention
classifiers
base
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
Application number
CN202011294362.8A
Other languages
English (en)
Other versions
CN112541524B (zh
Inventor
唐瑶
张晓飞
龙卓
黄守道
宋殿义
秦国军
谢金平
饶志蒙
吴公平
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.)
Hunan University
Original Assignee
Hunan 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 Hunan University filed Critical Hunan University
Priority to CN202011294362.8A priority Critical patent/CN112541524B/zh
Publication of CN112541524A publication Critical patent/CN112541524A/zh
Application granted granted Critical
Publication of CN112541524B publication Critical patent/CN112541524B/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于注意力机制改进的BP‑Adaboost多源信息电机故障诊断方法，包括获取被诊断电机获取P种传感器的时域数据；进行降采样然后再通过Hilbert变换和FFT变换提取频率幅值和相位作为输入特征，将P种传感器的输入特征输入预先训练好的基于注意力机制改进的BP‑Adaboost分类器得到电机的状态。本发明利用基于注意力机制改进的BP‑Adaboost，对不同来源的数据信息进行单独学习训练，形成不同次级分类器的初步诊断，且通过注意力机制将故障诊断方法聚焦到重点测量手段信息，以此来提升信息筛选和判别的能力，并得到最终诊断结果，大大提高电机系统的故障诊断的稳定性和精度。

Description

基于注意力机制改进的BP-Adaboost多源信息电机故障诊断 方法
技术领域
本发明涉及电气工程及故障检测技术领域，具体涉及一种基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法。
背景技术
电机系统在工业生产与民生应用中发挥着重要作用。随着电机系统朝着高度自动化、集成化和大型化的方向发展的同时，其系统结构也越来越复杂化，系统发生故障的概率增大，维护难度日益剧增。近年来，针对电机故障诊断的信号处理技术和方法得到迅速发展，通过对电机相关信号进行相应的故障特征提取，对信号故障特征进行分析和分类，从而达到故障诊断的目的。电机系统存在故障种类繁多、结构复杂以及监测困难，依靠常规的信号检测手段和故障诊断方法具有很大的局限性，单一数据来源的信息已无法满足人们对于电机故障诊断的丰富度、准确性、实时性等方面的要求，因此，多参数融合故障诊断模型和方法也开始应用于电机故障诊断。但传统的多参数融合故障诊断方法大多存在一些不足：1)电机系统通过不同检测手段采集到的故障诊断信号具有异构性质，且易受工况交变、测量位置变化等影响，不同样本之间存在一些差异，会大大降低故障诊断模型的泛化能力。2)针对不同类型的故障，不同的检测手段有着不同的灵敏度，如机械故障采用振动方法测量得到的信号数据可能更为准确，而对电气故障采取电流信号得到的诊断正确率可能会更高，而传统的故障诊断方法大多并未对相关情况进行判别。
发明内容
本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法，本发明利用基于注意力机制改进的BP-Adaboost，对不同来源的数据信息进行单独学习训练，形成不同次级分类器的初步诊断，且通过注意力机制将故障诊断方法聚焦到重点测量手段信息，以此来提升信息筛选和判别的能力，并得到最终诊断结果，大大提高电机系统的故障诊断的稳定性和精度。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法，包括：
1)获取被诊断电机获取P种传感器的时域数据；
2)针对得到的时域数据首先进行降采样然后再通过Hilbert变换和FFT变换提取频率幅值和相位作为输入特征，最终得到P种传感器的输入特征；
3)将P种传感器的输入特征输入预先训练好的基于注意力机制改进的BP-Adaboost分类器得到电机的状态，所述基于注意力机制改进的BP-Adaboost分类器被预先训练建立了输入特征、电机的状态之间的映射关系。
可选地，所述P种传感器的时域数据包括电机的三相定子电流和杂散电磁，所述电机的状态包括正常状态、转子断条状态、定子匝间短路状态以及轴承损坏故障状态。
可选地，所述基于注意力机制改进的BP-Adaboost分类器包括P个BP-Adaboost分类器和一个基于注意力机制改进的最终强分类器，P个BP-Adaboost分类器和P种传感器一一对应，且其中任意第p个BP-Adaboost分类器包括指定数量T个基分类器
Figure BDA0002784775290000021
和一个次分类器；所述基于注意力机制改进的BP-Adaboost分类器的训练步骤包括：
S1)针对被诊断电机获取P种传感器的时域数据，时域数据覆盖任意工况x及状态y；
S2)针对得到的时域数据首先进行降采样然后再通过Hilbert变换和FFT变换提取频率幅值和相位作为输入特征；针对P种传感器中任意传感器p对应的输入特征Xp，分别生成数字标签Yp以及one-hot标签Zp，得到P个数据库；
S3)针对任意工况x，从P个数据库中随机选择I组训练数据集
Figure BDA0002784775290000022
以及J组测试数据集
Figure BDA0002784775290000023
其中任意第i组测试数据集为
Figure BDA0002784775290000024
任意第j组测试数据集为
Figure BDA0002784775290000025
S4)针对P个BP-Adaboost分类器中的任意第p个BP-Adaboost分类器：根据样本输入输出维度确定任意第p个BP-Adaboost分类器中T个基分类器
Figure BDA0002784775290000026
的神经网络结构与参数，并初始化任意第i组测试数据的权重为
Figure BDA0002784775290000027
其中I为训练数据集的组数量；
S5)针对P个BP-Adaboost分类器中的任意第p个BP-Adaboost分类器：通过测试数据集进行T轮训练其中T个基分类器
Figure BDA0002784775290000028
得到预测误差
Figure BDA0002784775290000029
根据预测误差
Figure BDA00027847752900000210
分别计算T个基分类器
Figure BDA00027847752900000211
的分类器权重
Figure BDA00027847752900000212
S6)结合P个BP-Adaboost分类器下基分类器预测的数字标签输出
Figure BDA00027847752900000213
得到各个基分类器的相似程度矩阵
Figure BDA00027847752900000214
通过注意力机制得到的注意力分配权重
Figure BDA00027847752900000215
S7)针对经过T轮训练后P个BP-Adaboost分类器中任意第p个BP-Adaboost分类器中次分类器得到的BP-Adaboost线性组合输出Hp以及输出one-hot标签矩阵
Figure BDA00027847752900000216
通过基于注意力机制改进的最终强分类器根据注意力分配权重
Figure BDA00027847752900000217
组合P个BP-Adaboost分类器的分类器Hp得到基于注意力机制改进的最终强分类器的输出H及其输出故障标签结果
Figure BDA0002784775290000031
S8)将J组测试数据集
Figure BDA0002784775290000032
作为基于注意力机制改进的BP-Adaboost分类器的输入，将得到的预测的one-hot标签转换成数字预测结果与数字标签输出比较，统计基于注意力机制改进的BP-AdaBoost强分类器H的准确率。
可选地，步骤S5)中通过测试数据集进行T轮训练其中T个基分类器
Figure BDA0002784775290000033
时，得到第t个基分类器
Figure BDA0002784775290000034
的预测误差
Figure BDA0002784775290000035
的函数表达式为：
Figure BDA0002784775290000036
其中，
Figure BDA0002784775290000037
为第p个BP-Adaboost分类器中第i组测试数据集在第t轮的权重，
Figure BDA0002784775290000038
为基分类器
Figure BDA0002784775290000039
针对输入特征
Figure BDA00027847752900000310
预测的one-hot标签，
Figure BDA00027847752900000311
为输入特征
Figure BDA00027847752900000312
对应的one-hot标签；
所述根据预测误差
Figure BDA00027847752900000313
分别计算T个基分类器
Figure BDA00027847752900000314
的分类器权重
Figure BDA00027847752900000315
时，得到第t个基分类器
Figure BDA00027847752900000316
的分类器权重
Figure BDA00027847752900000317
的函数表达式为：
Figure BDA00027847752900000318
其中，
Figure BDA00027847752900000319
为第p个BP-Adaboost分类器中第t个基分类器的预测误差；
且每一轮训练中更新第t+1轮的权重
Figure BDA00027847752900000320
的函数表达式为：
Figure BDA00027847752900000321
其中，
Figure BDA00027847752900000322
为第p个BP-Adaboost分类器中第i组测试数据集在第t轮的权重，
Figure BDA00027847752900000323
为第p个BP-Adaboost分类器的归一化因子，
Figure BDA00027847752900000324
为第p个BP-Adaboost分类器中第t个基分类器
Figure BDA00027847752900000325
的分类器权重，
Figure BDA00027847752900000326
为第p个BP-Adaboost分类器中基分类器
Figure BDA00027847752900000327
针对第i组测试数据集中的输入特征
Figure BDA00027847752900000328
预测的数字标签，
Figure BDA00027847752900000329
为第p个BP-Adaboost分类器中第i组测试数据集中的输入特征
Figure BDA00027847752900000330
对应的数字标签。
可选地，步骤S6)中得到各个基分类器的相似程度矩阵
Figure BDA00027847752900000331
的函数表达式为：
Figure BDA00027847752900000332
其中，
Figure BDA00027847752900000333
分别为第p个BP-Adaboost分类器中第1～K种状态y对应的相似程度矩阵，其中任意第k种状态y对应的相似程度矩阵
Figure BDA00027847752900000334
的计算函数表达式为：
Figure BDA0002784775290000041
其中，Np(k)为第p个BP-Adaboost分类器中第k种状态y的样本统计数，
Figure BDA0002784775290000042
为余弦相似度，且余弦相似度
Figure BDA0002784775290000043
的计算函数表达式为：
Figure BDA0002784775290000044
其中，I为测试数据集的组数量，
Figure BDA0002784775290000045
为第p个BP-Adaboost分类器中第t个基分类器
Figure BDA0002784775290000046
针对第i组测试数据集中的输入特征
Figure BDA0002784775290000047
预测的数字标签，
Figure BDA0002784775290000048
为第p个BP-Adaboost分类器中第t个基分类器
Figure BDA0002784775290000049
在第i组测试数据集中的输入特征
Figure BDA00027847752900000410
对应的数字标签。
所述通过注意力机制得到的注意力分配权重
Figure BDA00027847752900000411
时，针对任意第k种状态y对应的注意力分配权重
Figure BDA00027847752900000412
的计算函数表达式为：
Figure BDA00027847752900000413
其中，
Figure BDA00027847752900000414
表示第p个BP-Adaboost分类器中针对任意第k种状态y对应的注意力分配权重，
Figure BDA00027847752900000415
为第p个BP-Adaboost分类器中任意第k种状态y对应的相似程度矩阵，P为BP-Adaboost分类器的数量。
可选地，步骤S7)中得到的BP-Adaboost线性组合输出Hp以及输出one-hot标签矩阵
Figure BDA00027847752900000416
的函数表达式为：
Figure BDA00027847752900000417
Figure BDA00027847752900000418
其中，
Figure BDA00027847752900000419
为第p个BP-Adaboost分类器中第t个基分类器
Figure BDA00027847752900000420
的分类器权重，
Figure BDA00027847752900000421
为第t个基分类器
Figure BDA00027847752900000422
对输入特征
Figure BDA00027847752900000423
的预测结果，
Figure BDA00027847752900000424
为第i组测试数据集对应的输出one-hot标签矩阵，T为任意第p个BP-Adaboost分类器包括的基分类器指定数量；
所述基于注意力机制改进的最终强分类器的输出H及其输出故障标签结果
Figure BDA00027847752900000425
的函数表达式为：
Figure BDA00027847752900000426
其中，αt为P个BP-Adaboost分类器中第t个基分类器的注意力分配权重矩阵，Hp(Xp)为第p个BP-Adaboost分类器中次分类器对输入特征Xp的BP-Adaboost线性组合输出，
Figure BDA00027847752900000427
为第p个BP-Adaboost分类器中第t个基分类器
Figure BDA0002784775290000051
的对应的注意力分配权重，
Figure BDA0002784775290000052
为第p个BP-Adaboost分类器中第t个基分类器
Figure BDA0002784775290000053
的分类器权重，
Figure BDA0002784775290000054
为第t个基分类器
Figure BDA0002784775290000055
对输入特征
Figure BDA0002784775290000056
的预测结果，P为BP-Adaboost分类器的数量，T为任意第p个BP-Adaboost分类器包括的基分类器指定数量。
可选地，步骤S8)包括：
S8.1)定义任意第p个BP-Adaboost分类器的错误分类数np，初始化分类器编号p为1，初始化错误分类数np的值为0，数据编号j＝1；
S8.2)获取第p个BP-Adaboost分类器预测的one-hot标签
Figure BDA0002784775290000057
并将预测的one-hot标签
Figure BDA0002784775290000058
转换为数字标签
Figure BDA0002784775290000059
并将数字标签
Figure BDA00027847752900000510
的预测值和输入的数字标签
Figure BDA00027847752900000511
进行对比，若数字标签
Figure BDA00027847752900000512
的第j个预测值
Figure BDA00027847752900000513
不等于输入的数字标签
Figure BDA00027847752900000514
中的第j个数字标签
Figure BDA00027847752900000515
则将错误分类数np加1否则不修改错误分类数np的值；若数据编号j小于测试数据集的组数J，则将数据编号j加1，并重复执行8.2)，否则执行8.3)；
S8.3)根据kp＝np/J统计第p个BP-Adaboost分类器的错误率kp，其中np为第p个BP-Adaboost分类器的错误分类数，J为测试数据集的组数；若分类器编号p小于BP-Adaboost分类器的数量P，将分类器编号p加1，并跳转到S8.2)，否则，P个BP-Adaboost分类器的错误率kp计算完毕，跳转执行下一步；
S8.4)初始化基于注意力机制改进的最终强分类器的错误预测数量n为0，数据编号j为1；
S8.5)获得基于注意力机制改进的最终强分类器预测的one-hot标签
Figure BDA00027847752900000516
预测的one-hot标签
Figure BDA00027847752900000517
转换为数字标签
Figure BDA00027847752900000518
并将数字标签
Figure BDA00027847752900000519
和输入值进行对比，若数字标签
Figure BDA00027847752900000520
的第j个预测值
Figure BDA00027847752900000521
不等于输入的数字标签Ytest中的第j个数字标签ytest(j)，则将错误预测数量n加1，否则保持错误预测数量n不变；若数据编号j小于测试数据集的组数J，则将数据编号j加1，并重复执行S8.5)，否则执行S8.6)；
S8.6)根据k＝n/J计算得到基于注意力机制改进的最终强分类器的错误率k，其中n为错误预测数量，J为测试数据集的组数。
可选地，步骤S1)中针对被诊断电机获取P种传感器的时域数据时，时域数据覆盖某一种传感器的多种安装位置。
此外，本发明还提供一种基于注意力机制改进的BP-Adaboost多源信息电机故障诊断系统，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行前述基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法的步骤，或者所述存储器中存储有被编程或配置以执行前述基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法的计算机程序。
此外，本发明还提供一种计算机存储介质，所述计算机存储介质中存储有被编程或配置以执行前述基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法的计算机程序。
和现有技术相比，本发明具有下述优点：
1、本发明通过利用多源信息进行故障检测，研究一种改进BP-Adaboost多分类模型，引入one-hot向量，在向量化的基础上改进传统Adaboost结构算法。对不同来源的数据信息进行单独学习训练，形成不同的次级分类器，减少采用高级学习模型的复杂度，节约网络训练的资源，提高故障诊断模型的泛化能力。
2、针对不同类型的故障，不同的检测手段有着不同的灵敏度，提出了基于注意力机制的异构信息Adaboost次级分类器动态加权融合以提高数据重建能力和鲁棒性。通过将注意力聚焦到重点测量手段信息来提升信息获取的能力，大大提高电机系统的故障诊断的稳定性和精度。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例中提取输入特征的原理示意图。
图3为本发明实施例中的基本训练流程示意图。
图4为本发明实施例中的基于注意力机制改进的BP-Adaboost分类器训练流程图。
图5为本发明实施例中的BP-Adaboost分类器训练部分的流程示意图。
图6为本发明实施例中的注意力机制的流程图。
图7为本发明实施例中的训练数据精确度统计流程图。
图8为本发明实施例中的电流、磁通测量原理图。
具体实施方式
下面结合实施例对本发明做进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述思想的情况下，根据本领域普通知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
如图1，本实施例基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法包括：
1)获取被诊断电机获取P种传感器的时域数据；
2)参见图2，针对得到的时域数据首先进行降采样然后再通过Hilbert变换和FFT变换提取频率幅值和相位作为输入特征，最终得到P种传感器的输入特征；
3)将P种传感器的输入特征输入预先训练好的基于注意力机制改进的BP-Adaboost分类器得到电机的状态，基于注意力机制改进的BP-Adaboost分类器被预先训练建立了输入特征、电机的状态之间的映射关系。
本实施例中，基于注意力机制改进的BP-Adaboost分类器可实现多种工况x下任意多种传感器数据(多源信息)与电机的多种状态y之间的映射，P种传感器的时域数据包含但不仅限于电流、电磁、振动、热成像以及超声波等手段采集的数据，状态y包含但不限于正常状态、转子断条状态、定子匝间短路状态、以及轴承损坏故障状态；工况x包括空载工况、半载工况以及满载工况。作为一种特定的实施方式举例，本实施例中，P种传感器的时域数据包括电机的三相定子电流和杂散电磁，电机的状态包括正常状态、转子断条状态、定子匝间短路状态以及轴承损坏故障状态。
如图3和图4所示，基于注意力机制改进的BP-Adaboost分类器包括P个BP-Adaboost分类器和一个基于注意力机制改进的最终强分类器，P个BP-Adaboost分类器和P种传感器一一对应，且其中任意第p个BP-Adaboost分类器包括指定数量T个基分类器
Figure BDA0002784775290000071
和一个次分类器；基于注意力机制改进的BP-Adaboost分类器的训练步骤包括：
S1)针对被诊断电机获取P种传感器的时域数据，时域数据覆盖任意工况x及状态y；
S2)针对得到的时域数据首先进行降采样然后再通过Hilbert变换和FFT变换提取频率幅值
Figure BDA0002784775290000072
和相位
Figure BDA0002784775290000073
作为输入特征；针对P种传感器中任意传感器p对应的输入特征Xp，分别生成数字标签Yp以及one-hot标签Zp，得到P个数据库；
S3)针对任意工况x，从P个数据库中随机选择I组训练数据集
Figure BDA0002784775290000074
以及J组测试数据集
Figure BDA0002784775290000075
其中任意第i组测试数据集为
Figure BDA0002784775290000076
任意第j组测试数据集为
Figure BDA0002784775290000077
S4)针对P个BP-Adaboost分类器中的任意第p个BP-Adaboost分类器：根据样本输入输出维度确定任意第p个BP-Adaboost分类器中T个基分类器
Figure BDA0002784775290000078
的神经网络结构与参数，并初始化任意第i组测试数据的权重为
Figure BDA0002784775290000079
其中I为训练数据集的组数量；
S5)针对P个BP-Adaboost分类器中的任意第p个BP-Adaboost分类器：通过测试数据集进行T轮训练其中T个基分类器
Figure BDA00027847752900000710
得到预测误差
Figure BDA00027847752900000711
根据预测误差
Figure BDA00027847752900000712
分别计算T个基分类器
Figure BDA00027847752900000713
的分类器权重
Figure BDA00027847752900000714
S6)结合P个BP-Adaboost分类器下基分类器预测的数字标签输出
Figure BDA00027847752900000715
得到各个基分类器的相似程度矩阵
Figure BDA00027847752900000716
通过注意力机制得到的注意力分配权重
Figure BDA00027847752900000717
S7)针对经过T轮训练后P个BP-Adaboost分类器中任意第p个BP-Adaboost分类器中次分类器得到的BP-Adaboost线性组合输出Hp以及输出one-hot标签矩阵
Figure BDA0002784775290000081
通过基于注意力机制改进的最终强分类器根据注意力分配权重
Figure BDA0002784775290000082
组合P个BP-Adaboost分类器的分类器Hp得到基于注意力机制改进的最终强分类器的输出H及其输出故障标签结果
Figure BDA0002784775290000083
S8)将J组测试数据集
Figure BDA0002784775290000084
作为基于注意力机制改进的BP-Adaboost分类器的输入，将得到的预测的one-hot标签转换成数字预测结果与数字标签输出比较，统计基于注意力机制改进的BP-AdaBoost强分类器H的准确率。
本实施例中，步骤S2)中包括：
S2.1)获取状态y电机My在工况x对应的多源数据，且将电机状态变量y为1～4分别对应正常状态、转子断条状态、定子匝间短路状态、以及轴承损坏故障状态，分别获得对应的四类时域数据集；
S2.2)针对每类数据集进行希尔伯特黄变换以及傅里叶变换，得到电机My在工况x下，对应状态y的频域特征信息矩阵
Figure BDA0002784775290000085
将电机状态以数字1，2，3，4表示，得到与矩阵所指示电机状态对应的数字标签矩阵
Figure BDA0002784775290000086
S2.3)引入多分类故障one-hot向量空间模型对故障类型进行描述，对应数字标签矩阵
Figure BDA0002784775290000087
one-hot向量标签表示
Figure BDA0002784775290000088
为一个RK×1的向量，该故障分类在映射表中索引的位置是1，其他位置都是0,K是映射表的大小，K＝4。
其中
Figure BDA0002784775290000089
对应状态n下的one-hot向量标签矩阵如下所示：
Figure BDA00027847752900000810
S2.4)将状态y下的特征矩阵
Figure BDA00027847752900000811
对应其标签矩阵
Figure BDA00027847752900000812
和one-hot标签矩阵
Figure BDA00027847752900000813
生成多类来源数据总样本特征矩阵
Figure BDA00027847752900000814
数字标签矩阵
Figure BDA00027847752900000815
one-hot标签矩阵
Figure BDA00027847752900000816
其中，x∈(0,1,2)，p∈(1,P)。可知各个矩阵中依次包含y＝1,2,3,4四种状态数据，并包含了x＝0,1,2三种电机工况。
本实施例中，步骤S5)中通过测试数据集进行T轮训练其中T个基分类器
Figure BDA00027847752900000817
时，得到第t个基分类器
Figure BDA00027847752900000818
的预测误差
Figure BDA00027847752900000819
的函数表达式为：
Figure BDA00027847752900000820
其中，
Figure BDA00027847752900000821
为第p个BP-Adaboost分类器中第i组测试数据集在第t轮的权重，
Figure BDA00027847752900000822
为基分类器
Figure BDA0002784775290000091
针对输入特征
Figure BDA0002784775290000092
预测的one-hot标签，
Figure BDA0002784775290000093
为输入特征
Figure BDA0002784775290000094
对应的one-hot标签；
根据预测误差
Figure BDA0002784775290000095
分别计算T个基分类器
Figure BDA0002784775290000096
的分类器权重
Figure BDA0002784775290000097
时，得到第t个基分类器
Figure BDA0002784775290000098
的分类器权重
Figure BDA0002784775290000099
的函数表达式为：
Figure BDA00027847752900000910
其中，
Figure BDA00027847752900000911
为第p个BP-Adaboost分类器中第t个基分类器的预测误差；
且每一轮训练中更新第t+1轮的权重
Figure BDA00027847752900000912
的函数表达式为：
Figure BDA00027847752900000913
其中，
Figure BDA00027847752900000914
为第p个BP-Adaboost分类器中第i组测试数据集在第t轮的权重，
Figure BDA00027847752900000915
为第p个BP-Adaboost分类器的归一化因子，
Figure BDA00027847752900000916
为第p个BP-Adaboost分类器中第t个基分类器
Figure BDA00027847752900000917
的分类器权重，
Figure BDA00027847752900000918
为第p个BP-Adaboost分类器中基分类器
Figure BDA00027847752900000919
针对第i组测试数据集中的输入特征
Figure BDA00027847752900000920
预测的数字标签，
Figure BDA00027847752900000921
为第p个BP-Adaboost分类器中第i组测试数据集中的输入特征
Figure BDA00027847752900000922
对应的数字标签。
如图5所示，步骤S5)中BP-Adaboost分类器的训练流程包括：将训练数据集
Figure BDA00027847752900000923
平均分为T组子训练数据集
Figure BDA00027847752900000924
作为T个弱分类器的输入，其中t∈(1,T)。作为基分类器输入进行训练，并依次得到T个弱分类器的预测结果
Figure BDA00027847752900000925
根据测试数据的分布权值，得到第t个基分类器的预测误差
Figure BDA00027847752900000926
以及分类器权重
Figure BDA00027847752900000927
注意，测试数据分布权值
Figure BDA00027847752900000928
已在步骤S4)中初始化，
Figure BDA00027847752900000929
5.3)更新训练数据权重
Figure BDA00027847752900000930
若t<T，则进行更新，其中
Figure BDA00027847752900000931
归一化因子，并使t＝t+1，跳到步骤5.2)对
Figure BDA00027847752900000932
进行更新；若t＝T，则全部权重
Figure BDA00027847752900000933
迭代完毕。
参见图6，本实施例步骤S6)中得到各个基分类器的相似程度矩阵
Figure BDA00027847752900000934
的函数表达式为：
Figure BDA00027847752900000935
其中，
Figure BDA00027847752900000936
分别为第p个BP-Adaboost分类器中第1～K种状态y对应的相似程度矩阵，其中任意第k种状态y对应的相似程度矩阵
Figure BDA00027847752900000937
的计算函数表达式为：
Figure BDA00027847752900000938
其中，Np(k)为第p个BP-Adaboost分类器中第k种状态y的样本统计数，
Figure BDA00027847752900000939
为余弦相似度，且余弦相似度
Figure BDA0002784775290000101
的计算函数表达式为：
Figure BDA0002784775290000102
其中，I为测试数据集的组数量，
Figure BDA0002784775290000103
为第p个BP-Adaboost分类器中第t个基分类器
Figure BDA0002784775290000104
针对第i组测试数据集中的输入特征
Figure BDA0002784775290000105
预测的数字标签，
Figure BDA0002784775290000106
为第p个BP-Adaboost分类器中第t个基分类器
Figure BDA0002784775290000107
在第i组测试数据集中的输入特征
Figure BDA0002784775290000108
对应的数字标签。
通过注意力机制得到的注意力分配权重
Figure BDA0002784775290000109
时，针对任意第k种状态y对应的注意力分配权重
Figure BDA00027847752900001010
的计算函数表达式为：
Figure BDA00027847752900001011
其中，
Figure BDA00027847752900001012
表示第p个BP-Adaboost分类器中针对任意第k种状态y对应的注意力分配权重，
Figure BDA00027847752900001013
为第p个BP-Adaboost分类器中任意第k种状态y对应的相似程度矩阵，P为BP-Adaboost分类器的数量。
本实施例中，步骤S7)中得到的BP-Adaboost线性组合输出Hp以及输出one-hot标签矩阵
Figure BDA00027847752900001014
的函数表达式为：
Figure BDA00027847752900001015
Figure BDA00027847752900001016
其中，
Figure BDA00027847752900001017
为第p个BP-Adaboost分类器中第t个基分类器
Figure BDA00027847752900001018
的分类器权重，
Figure BDA00027847752900001019
为第t个基分类器
Figure BDA00027847752900001020
对输入特征
Figure BDA00027847752900001021
的预测结果，
Figure BDA00027847752900001022
为第i组测试数据集对应的输出one-hot标签矩阵，T为任意第p个BP-Adaboost分类器包括的基分类器指定数量；
基于注意力机制改进的最终强分类器的输出H及其输出故障标签结果
Figure BDA00027847752900001023
的函数表达式为：
Figure BDA00027847752900001024
其中，αt为P个BP-Adaboost分类器中第t个基分类器的注意力分配权重矩阵，Hp(Xp)为第p个BP-Adaboost分类器中次分类器对输入特征Xp的BP-Adaboost线性组合输出，
Figure BDA00027847752900001025
为第p个BP-Adaboost分类器中第t个基分类器
Figure BDA00027847752900001026
的对应的注意力分配权重，
Figure BDA00027847752900001027
为第p个BP-Adaboost分类器中第t个基分类器
Figure BDA00027847752900001028
的分类器权重，
Figure BDA00027847752900001029
为第t个基分类器
Figure BDA00027847752900001030
对输入特征
Figure BDA0002784775290000111
的预测结果，P为BP-Adaboost分类器的数量，T为任意第p个BP-Adaboost分类器包括的基分类器指定数量。
如图7所示，本实施例中步骤S8)包括：
S8.1)定义任意第p个BP-Adaboost分类器的错误分类数np，初始化分类器编号p为1，初始化错误分类数np的值为0，数据编号j＝1；
S8.2)获取第p个BP-Adaboost分类器预测的one-hot标签
Figure BDA0002784775290000112
并将预测的one-hot标签
Figure BDA0002784775290000113
转换为数字标签
Figure BDA0002784775290000114
并将数字标签
Figure BDA0002784775290000115
的预测值和输入的数字标签
Figure BDA0002784775290000116
进行对比，若数字标签
Figure BDA0002784775290000117
的第j个预测值
Figure BDA0002784775290000118
不等于输入的数字标签
Figure BDA0002784775290000119
中的第j个数字标签
Figure BDA00027847752900001110
则将错误分类数np加1否则不修改错误分类数np的值；若数据编号j小于测试数据集的组数J，则将数据编号j加1，并重复执行8.2)，否则执行8.3)；
S8.3)根据kp＝np/J统计第p个BP-Adaboost分类器的错误率kp，其中np为第p个BP-Adaboost分类器的错误分类数，J为测试数据集的组数；若分类器编号p小于BP-Adaboost分类器的数量P，将分类器编号p加1，并跳转到S8.2)，否则，P个BP-Adaboost分类器的错误率kp计算完毕，跳转执行下一步；
S8.4)初始化基于注意力机制改进的最终强分类器的错误预测数量n为0，数据编号j为1；
S8.5)获得基于注意力机制改进的最终强分类器预测的one-hot标签
Figure BDA00027847752900001111
预测的one-hot标签
Figure BDA00027847752900001112
转换为数字标签
Figure BDA00027847752900001113
并将数字标签
Figure BDA00027847752900001114
和输入值进行对比，若数字标签
Figure BDA00027847752900001115
的第j个预测值
Figure BDA00027847752900001116
不等于输入的数字标签Ytest中的第j个数字标签ytest(j)，则将错误预测数量n加1，否则保持错误预测数量n不变；若数据编号j小于测试数据集的组数J，则将数据编号j加1，并重复执行S8.5)，否则执行S8.6)；
S8.6)根据k＝n/J计算得到基于注意力机制改进的最终强分类器的错误率k，其中n为错误预测数量，J为测试数据集的组数。
本实施例中，步骤S1)中针对被诊断电机获取P种传感器的时域数据时，时域数据覆盖某一种传感器的多种安装位置，从而可以适应于某一种传感器的多种安装位置的故障诊断，提高本实施例方法的通用性。
作为一种可选的实施方式，步骤S1)中的多源数据采集对象以及安装位置包括：对于电流测量，分别使用三个霍尔电流传感器获取电机定子电流；对于电磁测量，使用磁场测量线圈，对电机径向杂散磁通进行检测，其中，探头安装角度α为45°；对于振动数据采集，采用三轴压电式加速度传感器，对在电机主体上轴向安装。对于热成像采集，采用热成像仪获取电机主体径向或轴向发热分布图象。对于超声波数据采集，采用超声检测仪检测电机径向超声信号。作为一种可选的实施方式，对于共P类的多源数据，为得到与之对应的BP-Adaboost分类器以及最终的多源数据融合分类器，对于每种数据源样本，都需要进行步骤5)～步骤9)，进行P次，其中，各个分类器相关参数由训练数据集得到，验证部分由测试数据集完成。作为一种可选的实施方式，K个基分类器以及强分类器的输入数字标签以及one-hot标签需要保持一致，即：
Figure BDA0002784775290000121
Figure BDA0002784775290000122
本实施例诊断对象为异步感应电机，针对电机My通过查阅电机铭牌及相关资料，可确定异步感应电机型号及电机参数。各种电机状态y包括正常状态、转子断条状态、定子匝间短路状态、以及轴承损坏故障状态。工况x取值1、2、3分别表示工作在空载、半载以及满载工况下；电机状态y取值1、2、3、4分别表示电机正常状态、转子断条、定子匝间短路、以及轴承损坏故障。P种数据来源有两类包含三相定子电流、径向杂散电磁数据；其中，径向杂散电磁数据测量点z分别取值1、2、3来代表电机前端、中端、后端三个位置。所以在本实例中，采样的时域原始数据共来源于3*4*3＝36种情况，在每种情况下，都获取了同步的电流、电磁数据，均为10000004*1的矩阵。
步骤S2)中针对x工况y状态电机的原始电流或电磁时域信号数据，去趋势项并将其归一化，并对处理后时域数据进行降采样，减少冗余数据以减轻训练计算负担，并将大数据样本分成小样本组，本实例中数据样本组c＝125，每个样本组内包含的样本数据点N＝8000；将每个样本组的数据前后进行Hilbert变换，傅里叶变换，将前500个点作为预处理后的输入特征，将S1)中所述36种情况下的原始时域信息，均按2.1)进行处理，得到36种情况下的电流、电磁输入特征矩阵，维度均为125*500；由于故障诊断需要分类的是电机状态y，将36种情况下来源于同一状态的特征矩阵整合到同一矩阵中，每种状态包含对应9种情况，故每类状态矩阵维度为1125*500；针对状态y＝1、2、3、4，创建与之对应的维度为1125*1的标签矩阵Yy，矩阵内的元素与状态对应，全部都为1、2、3、4；引入one-hot向量，创建与之对应的维度为1125*4的标签矩阵Zy，矩阵内的每行元素都是相同的，与状态对应，依次分别为：
Figure BDA0002784775290000123
针对电流、电磁信号，将输入特征矩阵和标签矩阵、one-hot标签矩阵按对应顺序整合为包含所有状态的输入特征矩阵Xp(4500*500)和标签矩阵Yp(4500*1)、one-hot标签矩阵Zp(4500*4)。
步骤S3)中从以上矩阵中随机选择I＝3200组作为训练数据，分别为：
Figure BDA0002784775290000131
Figure BDA0002784775290000132
J＝250组作为测试数据，分别为：
Figure BDA0002784775290000133
Figure BDA0002784775290000134
其中p＝1,2，分别表示电流信号和电磁信号，至此，生成了训练数据集，以及测试数据集。
步骤S4)BP-Adaboost的基分类器为BP神经网络，针对每类数据库，各构造T个基分类器Ht，本例中T＝5，t∈(1,5)，采取的基分类器为BP神经网络，采取单隐层结构，根据样本输入输出维度确定BP神经网络结构与参数，每层结点数为512-32-4，并初始化训练数据的分布权值
Figure BDA0002784775290000135
步骤S5)将电流、电磁训练数据集
Figure BDA0002784775290000136
分别作为两类BP-AdaBoost基分类器的输入，依次训练5个基分类器
Figure BDA0002784775290000137
得到训练数据的预测输出
Figure BDA0002784775290000138
并根据
Figure BDA0002784775290000139
得到预测误差
Figure BDA00027847752900001310
基分类器的权重
Figure BDA00027847752900001311
进而调整下一轮训练样本权重
Figure BDA00027847752900001312
再得到下一轮的
Figure BDA00027847752900001313
Figure BDA00027847752900001314
直到5个基分类器相关参数都完成迭代，具体流程可参考图5。
步骤S5)通过BP神经网络基分类器，将I组训练数据集
Figure BDA00027847752900001315
作为基分类器输入进行训练，并依次得到5个弱分类器的预测结果
Figure BDA00027847752900001316
根据训练数据的分布权值
Figure BDA00027847752900001317
得到第t个基分类器的预测误差
Figure BDA00027847752900001318
以及分类器权重
Figure BDA00027847752900001319
本实施例中，
Figure BDA00027847752900001320
为训练数据权重，维度为6*3200；
Figure BDA00027847752900001321
为基分类器的预测误差，维度为1*5，
Figure BDA00027847752900001322
为分类器权重，维度为1*5。针对电流、电磁信号的5个基分类器的相关参数
Figure BDA00027847752900001323
如下表所示。
表1：电流、电磁信号的训练数据权重
Figure BDA00027847752900001324
Figure BDA00027847752900001325
Figure BDA0002784775290000141
表2：基分类器的预测误差ep。
e<sub>p1</sub> e<sub>p2</sub> e<sub>p3</sub> e<sub>p4</sub> e<sub>p5</sub>
电流e<sup>1</sup> 0.0528125 0.19658061 0.2383717 0.38114035 0.27998218
电磁e<sup>2</sup> 0.1165625 0.19524335 0.3324588 0.25529797 0.22599427
表3：基分类器的预测误差βp
β<sub>p1</sub> β<sub>p2</sub> β<sub>p3</sub> β<sub>p4</sub> β<sub>p5</sub>
电流β<sup>1</sup> 0.41925405 0.204461 0.1687077 0.07039648 0.13718075
电磁β<sup>2</sup> 0.31448277 0.21990786 0.1082364 0.16622474 0.19114819
步骤S6)结合电流、电磁测量方式下的基分类器训练数据输出，得到各个分类器的相似程度矩阵
Figure BDA0002784775290000142
通过注意力机制得到的注意力分配权重
Figure BDA0002784775290000143
向量，具体流程可参考图6。步骤S6)获取3200组训练样本的基分类器输入标签矩阵Yt p，以及5个基分类器产生的预测输出标签
Figure BDA0002784775290000144
输入标签矩阵，以及预测输出标签如下表所示。
表4：电流、电磁信号的输入标签和预测标签矩阵。
Figure BDA0002784775290000145
Figure BDA0002784775290000151
最终得到的注意力分配权重
Figure BDA0002784775290000152
如下表所示。
表5：电流、电磁信号的注意力分配权重
Figure BDA0002784775290000153
的标签矩阵。
Figure BDA0002784775290000154
步骤S7)得到分类器各个权重参数分配后，将J＝250组训练数据作为输入，经过5轮训练后得到5组基分类器
Figure BDA0002784775290000155
由5组基分类器得到该测量手段下的次分类函数Hp(Xp)，以及输出标签类型
Figure BDA0002784775290000156
融合P＝2种测量手段的次分类器组合得到最终强分类器
Figure BDA0002784775290000157
及其输出故障标签结果
Figure BDA0002784775290000158
如图4所示；下表分别为电流BP-AdaBoost、电磁BP-AdaBoost、基于注意力机制的多源融合BP-AdaBoost分类器的输出以及预测结果，其中输出由4*1向量组成，可以转化为one-hot标签形式，预测结果将其转换成与y相对应的数字。
表6：电流、电磁、改进BP-AdaBoost预测结果及标签。
Figure BDA0002784775290000159
Figure BDA0002784775290000161
步骤S8)将800组测试数据集的输入标签Ytest与预测结果
Figure BDA0002784775290000162
比较，验证算法准确率，具体流程可参考图7。在此例中，各分类器的预测准确率如下表。
表7电流、电磁、改进BP-AdaBoost及其基分类器准确率。
Figure BDA0002784775290000163
参见上表可知，对于电流、电磁信号，采取BP-Adaboost分类器相比于基分类器，分别最高提升5.99％、7.13％；基于注意力机制改进的BP-Adaboost分类器相比于传统的BP-AdaBoost分类器，分别提升2.76％，7.13％，整个过程最高提升14.26％，因此本实施例基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法的有效性得到验证。
综上所述，本实施例基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法是一种利用多源数据融合进行故障检测并考虑BP-Adaboost和注意力机制的方法，对不同来源的数据信息进行单独学习训练，减少采用高级学习模型的复杂度，节约网络训练的资源。将注意力聚焦到重点测量手段信息来提升信息获取的能力，大大提高电机系统的故障诊断的稳定性和精度。
此外，本实施例还提供一种基于注意力机制改进的BP-Adaboost多源信息电机故障诊断系统，包括相互连接的微处理器和存储器，微处理器被编程或配置以执行前述基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法的步骤，或者存储器中存储有被编程或配置以执行前述基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法的计算机程序。
进一步的，如图7所示，本实施例的基于注意力机制改进的BP-Adaboost的多源信息电机故障诊断系统还包括：异步感应电机、电流传感器(如图中标号1所示)、径向杂散磁通测量线圈(如图中标号2所示)、电机负载、放大及滤波器以及数据采集板。异步感应电机通过电源获得动力，并驱动电机负载进行试验运行，电流传感器安装于定子线圈侧，径向杂散磁通测量线圈安装于异步感应电机径向侧，测得信号通过放大及滤波器后送入数据采集板，并传输至计算机运用软件进行相应故障诊断处理分析。
此外，本实施例还提供一种计算机存储介质，计算机存储介质中存储有被编程或配置以执行前述基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法的计算机程序。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法，其特征在于，包括：
1)获取被诊断电机获取P种传感器的时域数据；
2)针对得到的时域数据首先进行降采样然后再通过Hilbert变换和FFT变换提取频率幅值和相位作为输入特征，最终得到P种传感器的输入特征；
3)将P种传感器的输入特征输入预先训练好的基于注意力机制改进的BP-Adaboost分类器得到电机的状态，所述基于注意力机制改进的BP-Adaboost分类器被预先训练建立了输入特征、电机的状态之间的映射关系。
2.根据权利要求1所述的基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法，其特征在于，所述P种传感器的时域数据包括电机的三相定子电流和杂散电磁，所述电机的状态包括正常状态、转子断条状态、定子匝间短路状态以及轴承损坏故障状态。
3.根据权利要求1所述的基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法，其特征在于，所述基于注意力机制改进的BP-Adaboost分类器包括P个BP-Adaboost分类器和一个基于注意力机制改进的最终强分类器，P个BP-Adaboost分类器和P种传感器一一对应，且其中任意第p个BP-Adaboost分类器包括指定数量T个基分类器
Figure FDA0002784775280000011
和一个次分类器；所述基于注意力机制改进的BP-Adaboost分类器的训练步骤包括：
S1)针对被诊断电机获取P种传感器的时域数据，时域数据覆盖任意工况x及状态y；
S2)针对得到的时域数据首先进行降采样然后再通过Hilbert变换和FFT变换提取频率幅值和相位作为输入特征；针对P种传感器中任意传感器p对应的输入特征Xp，分别生成数字标签Yp以及one-hot标签Zp，得到P个数据库；
S3)针对任意工况x，从P个数据库中随机选择I组训练数据集
Figure FDA0002784775280000012
以及J组测试数据集
Figure FDA0002784775280000013
其中任意第i组测试数据集为
Figure FDA0002784775280000014
任意第j组测试数据集为
Figure FDA0002784775280000015
S4)针对P个BP-Adaboost分类器中的任意第p个BP-Adaboost分类器：根据样本输入输出维度确定任意第p个BP-Adaboost分类器中T个基分类器
Figure FDA0002784775280000016
的神经网络结构与参数，并初始化任意第i组测试数据的权重为
Figure FDA0002784775280000017
其中I为训练数据集的组数量；
S5)针对P个BP-Adaboost分类器中的任意第p个BP-Adaboost分类器：通过测试数据集进行T轮训练其中T个基分类器
Figure FDA0002784775280000018
得到预测误差
Figure FDA0002784775280000019
根据预测误差
Figure FDA00027847752800000110
分别计算T个基分类器
Figure FDA0002784775280000021
的分类器权重
Figure FDA0002784775280000022
S6)结合P个BP-Adaboost分类器下基分类器预测的数字标签输出
Figure FDA0002784775280000023
得到各个基分类器的相似程度矩阵
Figure FDA0002784775280000024
通过注意力机制得到的注意力分配权重
Figure FDA0002784775280000025
S7)针对经过T轮训练后P个BP-Adaboost分类器中任意第p个BP-Adaboost分类器中次分类器得到的BP-Adaboost线性组合输出Hp以及输出one-hot标签矩阵
Figure FDA0002784775280000026
通过基于注意力机制改进的最终强分类器根据注意力分配权重
Figure FDA0002784775280000027
组合P个BP-Adaboost分类器的分类器Hp得到基于注意力机制改进的最终强分类器的输出H及其输出故障标签结果
Figure FDA0002784775280000028
S8)将J组测试数据集
Figure FDA0002784775280000029
作为基于注意力机制改进的BP-Adaboost分类器的输入，将得到的预测的one-hot标签转换成数字预测结果与数字标签输出比较，统计基于注意力机制改进的BP-AdaBoost强分类器H的准确率。
4.根据权利要求3所述的基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法，其特征在于，步骤S5)中通过测试数据集进行T轮训练其中T个基分类器
Figure FDA00027847752800000210
时，得到第t个基分类器
Figure FDA00027847752800000211
的预测误差
Figure FDA00027847752800000212
的函数表达式为：
Figure FDA00027847752800000213
其中，
Figure FDA00027847752800000214
为第p个BP-Adaboost分类器中第i组测试数据集在第t轮的权重，
Figure FDA00027847752800000215
为基分类器
Figure FDA00027847752800000216
针对输入特征
Figure FDA00027847752800000217
预测的one-hot标签，
Figure FDA00027847752800000218
为输入特征
Figure FDA00027847752800000219
对应的one-hot标签；
所述根据预测误差
Figure FDA00027847752800000220
分别计算T个基分类器
Figure FDA00027847752800000221
的分类器权重
Figure FDA00027847752800000222
时，得到第t个基分类器
Figure FDA00027847752800000223
的分类器权重
Figure FDA00027847752800000224
的函数表达式为：
Figure FDA00027847752800000225
其中，
Figure FDA00027847752800000226
为第p个BP-Adaboost分类器中第t个基分类器的预测误差；
且每一轮训练中更新第t+1轮的权重
Figure FDA00027847752800000227
的函数表达式为：
Figure FDA00027847752800000228
其中，
Figure FDA00027847752800000229
为第p个BP-Adaboost分类器中第i组测试数据集在第t轮的权重，
Figure FDA00027847752800000230
为第p个BP-Adaboost分类器的归一化因子，
Figure FDA00027847752800000231
为第p个BP-Adaboost分类器中第t个基分类器
Figure FDA00027847752800000232
的分类器权重，
Figure FDA00027847752800000233
为第p个BP-Adaboost分类器中基分类器
Figure FDA00027847752800000234
针对第i组测试数据集中的输入特征
Figure FDA0002784775280000031
预测的数字标签，
Figure FDA0002784775280000032
为第p个BP-Adaboost分类器中第i组测试数据集中的输入特征
Figure FDA0002784775280000033
对应的数字标签。
5.根据权利要求3所述的基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法，其特征在于，步骤S6)中得到各个基分类器的相似程度矩阵
Figure FDA0002784775280000034
的函数表达式为：
Figure FDA0002784775280000035
其中，
Figure FDA0002784775280000036
分别为第p个BP-Adaboost分类器中第1～K种状态y对应的相似程度矩阵，其中任意第k种状态y对应的相似程度矩阵
Figure FDA0002784775280000037
的计算函数表达式为：
Figure FDA0002784775280000038
其中，Np(k)为第p个BP-Adaboost分类器中第k种状态y的样本统计数，
Figure FDA0002784775280000039
为余弦相似度，且余弦相似度
Figure FDA00027847752800000310
的计算函数表达式为：
Figure FDA00027847752800000311
其中，I为测试数据集的组数量，
Figure FDA00027847752800000312
为第p个BP-Adaboost分类器中第t个基分类器
Figure FDA00027847752800000313
针对第i组测试数据集中的输入特征
Figure FDA00027847752800000314
预测的数字标签，
Figure FDA00027847752800000315
为第p个BP-Adaboost分类器中第t个基分类器
Figure FDA00027847752800000316
在第i组测试数据集中的输入特征
Figure FDA00027847752800000317
对应的数字标签。
所述通过注意力机制得到的注意力分配权重
Figure FDA00027847752800000318
时，针对任意第k种状态y对应的注意力分配权重
Figure FDA00027847752800000319
的计算函数表达式为：
Figure FDA00027847752800000320
其中，
Figure FDA00027847752800000321
表示第p个BP-Adaboost分类器中针对任意第k种状态y对应的注意力分配权重，
Figure FDA00027847752800000322
为第p个BP-Adaboost分类器中任意第k种状态y对应的相似程度矩阵，P为BP-Adaboost分类器的数量。
6.根据权利要求3所述的基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法，其特征在于，步骤S7)中得到的BP-Adaboost线性组合输出Hp以及输出one-hot标签矩阵
Figure FDA00027847752800000323
的函数表达式为：
Figure FDA00027847752800000324
Figure FDA00027847752800000325
其中，
Figure FDA0002784775280000041
为第p个BP-Adaboost分类器中第t个基分类器
Figure FDA0002784775280000042
的分类器权重，
Figure FDA0002784775280000043
为第t个基分类器
Figure FDA0002784775280000044
对输入特征
Figure FDA0002784775280000045
的预测结果，
Figure FDA0002784775280000046
为第i组测试数据集对应的输出one-hot标签矩阵，T为任意第p个BP-Adaboost分类器包括的基分类器指定数量；
所述基于注意力机制改进的最终强分类器的输出H及其输出故障标签结果
Figure FDA0002784775280000047
的函数表达式为：
Figure FDA0002784775280000048
其中，αt为P个BP-Adaboost分类器中第t个基分类器的注意力分配权重矩阵，Hp(Xp)为第p个BP-Adaboost分类器中次分类器对输入特征Xp的BP-Adaboost线性组合输出，
Figure FDA0002784775280000049
为第p个BP-Adaboost分类器中第t个基分类器
Figure FDA00027847752800000410
的对应的注意力分配权重，
Figure FDA00027847752800000411
为第p个BP-Adaboost分类器中第t个基分类器
Figure FDA00027847752800000412
的分类器权重，
Figure FDA00027847752800000413
为第t个基分类器
Figure FDA00027847752800000414
对输入特征
Figure FDA00027847752800000415
的预测结果，P为BP-Adaboost分类器的数量，T为任意第p个BP-Adaboost分类器包括的基分类器指定数量。
7.根据权利要求3所述的基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法，其特征在于，步骤S8)包括：
S8.1)定义任意第p个BP-Adaboost分类器的错误分类数np，初始化分类器编号p为1，初始化错误分类数np的值为0，数据编号j＝1；
S8.2)获取第p个BP-Adaboost分类器预测的one-hot标签
Figure FDA00027847752800000416
并将预测的one-hot标签
Figure FDA00027847752800000417
转换为数字标签
Figure FDA00027847752800000418
并将数字标签
Figure FDA00027847752800000419
的预测值和输入的数字标签
Figure FDA00027847752800000420
进行对比，若数字标签
Figure FDA00027847752800000421
的第j个预测值
Figure FDA00027847752800000422
不等于输入的数字标签
Figure FDA00027847752800000423
中的第j个数字标签
Figure FDA00027847752800000424
则将错误分类数np加1否则不修改错误分类数np的值；若数据编号j小于测试数据集的组数J，则将数据编号j加1，并重复执行8.2)，否则执行8.3)；
S8.3)根据kp＝np/J统计第p个BP-Adaboost分类器的错误率kp，其中np为第p个BP-Adaboost分类器的错误分类数，J为测试数据集的组数；若分类器编号p小于BP-Adaboost分类器的数量P，将分类器编号p加1，并跳转到S8.2)，否则，P个BP-Adaboost分类器的错误率kp计算完毕，跳转执行下一步；
S8.4)初始化基于注意力机制改进的最终强分类器的错误预测数量n为0，数据编号j为1；
S8.5)获得基于注意力机制改进的最终强分类器预测的one-hot标签
Figure FDA00027847752800000425
预测的one-hot标签
Figure FDA0002784775280000051
转换为数字标签
Figure FDA0002784775280000052
并将数字标签
Figure FDA0002784775280000053
和输入值进行对比，若数字标签
Figure FDA0002784775280000054
的第j个预测值
Figure FDA0002784775280000055
不等于输入的数字标签Ytest中的第j个数字标签ytest(j)，则将错误预测数量n加1，否则保持错误预测数量n不变；若数据编号j小于测试数据集的组数J，则将数据编号j加1，并重复执行S8.5)，否则执行S8.6)；
S8.6)根据k＝n/J计算得到基于注意力机制改进的最终强分类器的错误率k，其中n为错误预测数量，J为测试数据集的组数。
8.根据权利要求3所述的基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法，其特征在于，步骤S1)中针对被诊断电机获取P种传感器的时域数据时，时域数据覆盖某一种传感器的多种安装位置。
9.一种基于注意力机制改进的BP-Adaboost多源信息电机故障诊断系统，包括相互连接的微处理器和存储器，其特征在于，所述微处理器被编程或配置以执行权利要求1～8中任意一项所述基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法的步骤，或者所述存储器中存储有被编程或配置以执行权利要求1～8中任意一项所述基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法的计算机程序。
10.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有被编程或配置以执行权利要求1～8中任意一项所述基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法的计算机程序。
CN202011294362.8A 2020-11-18 2020-11-18 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 Active CN112541524B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011294362.8A CN112541524B (zh) 2020-11-18 2020-11-18 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011294362.8A CN112541524B (zh) 2020-11-18 2020-11-18 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法

Publications (2)

Publication Number Publication Date
CN112541524A true CN112541524A (zh) 2021-03-23
CN112541524B CN112541524B (zh) 2024-04-02

Family

ID=75014169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011294362.8A Active CN112541524B (zh) 2020-11-18 2020-11-18 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法

Country Status (1)

Country Link
CN (1) CN112541524B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114264953A (zh) * 2021-12-01 2022-04-01 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
CN117591953A (zh) * 2024-01-19 2024-02-23 数据空间研究院 基于多组学数据的癌症分类方法、系统及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
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
US20160124031A1 (en) * 2014-11-04 2016-05-05 Walid G. Morsi Ibrahim Smart multi-purpose monitoring system using wavelet design and machine learning for smart grid applications
CN106980822A (zh) * 2017-03-14 2017-07-25 北京航空航天大学 一种基于选择性集成学习的旋转机械故障诊断方法
CN111259990A (zh) * 2020-02-27 2020-06-09 江苏科技大学 基于多源信息融合的海水泵故障监测装置与诊断方法
CN111680665A (zh) * 2020-06-28 2020-09-18 湖南大学 基于数据驱动的采用电流信号的电机机械故障诊断方法
CN111695618A (zh) * 2020-06-01 2020-09-22 清华大学深圳国际研究生院 一种基于obd数据的电动汽车电机故障检测方法
CN111879514A (zh) * 2020-07-31 2020-11-03 南京机电职业技术学院 基于elm模型的无刷直流电机轴承故障诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
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
US20160124031A1 (en) * 2014-11-04 2016-05-05 Walid G. Morsi Ibrahim Smart multi-purpose monitoring system using wavelet design and machine learning for smart grid applications
CN106980822A (zh) * 2017-03-14 2017-07-25 北京航空航天大学 一种基于选择性集成学习的旋转机械故障诊断方法
CN111259990A (zh) * 2020-02-27 2020-06-09 江苏科技大学 基于多源信息融合的海水泵故障监测装置与诊断方法
CN111695618A (zh) * 2020-06-01 2020-09-22 清华大学深圳国际研究生院 一种基于obd数据的电动汽车电机故障检测方法
CN111680665A (zh) * 2020-06-28 2020-09-18 湖南大学 基于数据驱动的采用电流信号的电机机械故障诊断方法
CN111879514A (zh) * 2020-07-31 2020-11-03 南京机电职业技术学院 基于elm模型的无刷直流电机轴承故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
许允之;韩丽;方永丽;严加明;曹海洋;: "基于神经网络算法的感应电机故障诊断方法", 大电机技术, no. 01, 15 January 2013 (2013-01-15) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114264953A (zh) * 2021-12-01 2022-04-01 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
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
CN117591953A (zh) * 2024-01-19 2024-02-23 数据空间研究院 基于多组学数据的癌症分类方法、系统及电子设备

Also Published As

Publication number Publication date
CN112541524B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
CN112036301B (zh) 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法
Shao et al. Highly accurate machine fault diagnosis using deep transfer learning
Yang et al. Conditional GAN and 2-D CNN for bearing fault diagnosis with small samples
Shao et al. DCNN-based multi-signal induction motor fault diagnosis
Pan et al. Intelligent fault identification for industrial automation system via multi-scale convolutional generative adversarial network with partially labeled samples
Lu et al. Dominant feature selection for the fault diagnosis of rotary machines using modified genetic algorithm and empirical mode decomposition
Zhang et al. Triplet metric driven multi-head GNN augmented with decoupling adversarial learning for intelligent fault diagnosis of machines under varying working condition
CN108760300A (zh) 一种依据轴承振动信号对其进行故障智能诊断的方法
CN112147432A (zh) 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统
CN112541524B (zh) 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法
Islam et al. Motor bearing fault diagnosis using deep convolutional neural networks with 2d analysis of vibration signal
CN116894187A (zh) 一种基于深度迁移学习的齿轮箱故障诊断方法
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
Zhao et al. A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition
CN116011507A (zh) 融合元学习与图神经网络的稀有故障诊断方法
Zhao et al. Fault diagnosis based on space mapping and deformable convolution networks
Ge et al. A deep condition feature learning approach for rotating machinery based on MMSDE and optimized SAEs
CN114118174A (zh) 一种滚动轴承故障诊断方法及系统
Huang et al. Soft measurement of ball mill load based on multi-classifier ensemble modelling and multi-sensor fusion with improved evidence combination
CN111474476B (zh) 一种电机故障预测方法
CN113869339A (zh) 用于故障诊断的深度学习分类模型及故障诊断方法
CN115935187B (zh) 基于核敏感度对齐网络的变工况下机械故障诊断方法
CN116541771A (zh) 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法
CN116610990A (zh) 一种基于特征空间差异化的断路器隐患识别方法及装置
CN116108367A (zh) 旋转机械系统故障诊断方法、系统、电子设备及存储介质

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