CN112834921B - 一种基于残差图注意力网络的电机故障诊断方法 - Google Patents
一种基于残差图注意力网络的电机故障诊断方法 Download PDFInfo
- Publication number
- CN112834921B CN112834921B CN202011537414.XA CN202011537414A CN112834921B CN 112834921 B CN112834921 B CN 112834921B CN 202011537414 A CN202011537414 A CN 202011537414A CN 112834921 B CN112834921 B CN 112834921B
- Authority
- CN
- China
- Prior art keywords
- network
- graph
- layer
- attention
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Electric Motors In General (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种基于残差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)故障特征信号提取;3)以故障特征信号的极值点为图网络的节点,定义节点之间相关性的规则,分别融合10个连续的小样本中的电流图网络作为模型输入样本,每个输入样本包括两个电流图网络;4)通过将残差网络ResNet和GAT进行结合,利用ResNet中的恒等映射思想来保证图信息在特征传递时的完整性;5)对于输入样本中的两个电流图网络,通过一层ResGAT和一层GAT提取特征,然后融合这两个特征图,再利用CNN提取特征并实现故障分类。本发明采用的电流数据获取容易且成本较低,ResGAT可以保证图信息的完整性。
Description
技术领域
本发明涉及一种基于残差图注意力网络(ResGAT)的电机故障诊断方法,属于电机故障诊断领域。
背景技术
如今,随着经济的快速发展,电机被广泛应用于日常生活及工业生产中,它的主要功能是驱动各种机械和设备,为大规模、智能化作业提供了便利。但是电机在运行过程中难免会出现故障,一旦电机的某一部分出现了异常,可能会引起一系列连锁反应,导致整个工作系统停止运行,轻则影响生产效率,造成经济损失,重则可能造成重大安全事故,威胁人身安全。因此,对电机运行状态进行实时监测并进行故障诊断,可以及时发现问题并开展维护工作,不仅可以保证电机的正常运行,而且避免了重大损失产生。
电机故障主要可以分为轴承故障,定子故障,转子故障和其他故障,其中轴承故障发生的可能性最高。在电机故障诊断研究中,一般通过分析电机的振动信号、电流信号、声发信号和红外信号等来实现故障诊断。其中,基于振动信号的研究是最流行的,技术也很成熟。但是安装振动传感器会增加成本,而电机相位电流的获取则容易得多,很多研究也是基于电流信号的。
传统的信号处理和特征提取技术要求技术人员掌握信号处理技术等先验知识并具备丰富的故障诊断经验,而且存在人为误差。深度学习可以代替人工特征的提取与选择,将深度学习应用于电机故障诊断中,可以避免人工选择特征时特征提取不全面的问题,同时特征可以更抽象,并使得电机故障诊断更智能、便捷。
发明内容
为了克服现有技术的不足,本发明提供一种基于残差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带通滤波器除去电信号中的主要波动和高频噪声,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,再通过图网络融合提高模型的泛化性,最后利用ResGAT和图注意力网络(GAT)提取图网络的特征并结合卷积神经网络(CNN)进行故障诊断。
本发明解决其技术问题所采用的技术方案是:
一种基于残差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:以第一相电流信号的波峰为划分依据,将电流信号划分成单周期小样本,每个小样本包含了两相电流的单周期数据;
2)故障特征信号提取:对小样本中的两相电流分别进行带通滤波,滤除信号中都存在的正弦分量和高频噪声,获得信号中的波动分量,即故障特征电信号;
3)构建电流图网络:以故障特征信号的极值点为图网络的节点,并定义节点之间相关性的规则,从而完成电流图网络构建,然后分别融合10个连续的小样本中的电流图网络作为模型输入样本,每个输入样本包括两个电流图网络,分别对应两相电流;
4)构建ResGAT:通过将残差网络(ResNet)和GAT进行结合,利用ResNet中的恒等映射思想来保证图信息在特征传递时的完整性;
5)构建基于ResGAT的分类模型:对于输入样本中的两个电流图网络,都通过一层ResGAT和一层GAT提取特征,然后融合这两个特征图,再利用CNN提取特征并实现故障分类。
本发明的有益效果:本发明中采用的电流数据获取容易且成本较低,并提出了ResGAT,ResGAT可以保证图信息的完整性,在构建模型时可以直接进行嵌入,提出的基于ResGAT的故障诊断模型实现了令人满意的结果。
附图说明
图1GAT结构图;
图2ResGAT结构图;
图3基于ResGAT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~图3,一种基于残差图注意力网络的电机故障诊断方法,包括以下步骤:
2)故障特征信号提取:对小样本中的两相电流分别进行带通滤波,首先对其进行快速傅里叶变换:
3)构建电流图网络:以故障特征信号的极值点为图网络的节点,并定义节点之间相关性的规则,从而完成电流图网络构建:
其中,是故障特征信号中每个数据点的数值映射,N表示数据点数量,和表示故障特征信号中的极大、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,表示图网络中第m个连边,表示图网络中所有的连边集合,表示根据第n个故障特征信号的极值点建立的图网络;
然后分别融合10个连续的小样本中的电流图网络作为模型输入样本:
其中,表示输入样本中由两相电流构建而来的图网络;表示图网络中的节点,由多个小样本中的图网络节点融合而来,表示图网络中的连边关系,由多个小样本中的图网络连边融合而来,节点和连边在融合时分别取并集;表示图网络中节点的特征,由故障特征信号经过融合并转置得到,表示N个节点的特征向量,每个节点特征大小为1×10;Xn表示模型输入样本。
4)构建ResGAT:首先,构建图注意力网络,对于图网络G=(V,E),它含有一系列节点特征其中N是节点数量,Fl是当前层每个节点特征的数量,为了获得更高级的特征,GAT利用一个共享权重矩阵将输入特征转换到维度为Fl+1的特征空间,Fl+1是新特征的数量,然后在所有连边上执行注意力机制来计算注意力系数:
其中,表示第l层节点j对节点i的重要性,且注意力机制a只应用于节点i相邻的节点集Ni上,即j∈Ni。在实验中,注意力机制a是一个单层前馈神经网络,由权重向量参与计算。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归一化:
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,然后将所有特征进行拼接:
Hr+1=h2+Hr (18)
其中,Hr是第r层ResGAT的输入节点特征,h2是该输入经过两层GAT提取特征的结果,且这两层GAT中多层注意力机制采用平均的方式进行融合,因此ResGAT的输出特征尺寸于输入相同。
5)构建基于ResGAT的分类模型:对于输入样本Xn中的两个电流图网络,都通过一层ResGAT和一层GAT提取特征,ResGAT的输入为即H0,ResGAT的输出为即GAT的输入,令GAT的输出为Z(p)。然后将得到的两个特征图Z(1)和Z(2)在新的维度拼接起来:
Z0=Z(1)|||Z(2) (19)
最后,将卷积后的特征进行一维展开得到一维特征Z,并通过全连接神经网络和SoftMax激活函数进行故障分类:
y=SoftMax(W*Z+b) (21)
其中,y表示最终的分类结果,W和b分别是全连接神经网络的权重矩阵和偏置。
实例2:实际实验中的数据
(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 CKSR 15-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。
表1电机运行工况
工况 | S(rpm) | M(Nm) | F(N) |
A | 1500 | 0.1 | 1000 |
B | 900 | 0.7 | 1000 |
C | 1500 | 0.7 | 400 |
表2轴承状态分类
(2)参数确定
在数据样本划分中,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ResGAT的分类模型中,GAT的新节点特征数量为16,注意力机制数量为4,融合方式为拼接;CNN包括3层卷积层,每层卷积层的卷积核数量分别为16,32,64,卷积核大小分别为7,5,3,全连接层的输出大小为3,表示3种轴承状态。
(3)实验结果
表3
实验对比了一种基于深度学习与信息融合的方法,并且比较了只使用GAT的结果,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,且通过与只使用GAT的方法比较,证明了ResGAT的有效性。
Claims (7)
1.一种基于残差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:以第一相电流信号的波峰为划分依据,将电流信号划分成单周期小样本,每个小样本包含了两相电流的单周期数据;
2)故障特征信号提取:对小样本中的两相电流分别进行带通滤波,滤除信号中都存在的正弦分量和高频噪声,获得信号中的波动分量,即故障特征电信号;
3)构建电流图网络:以故障特征信号的极值点为图网络的节点,并定义节点之间相关性的规则,从而完成电流图网络构建,然后分别融合10个连续的小样本中的电流图网络作为模型输入样本,每个输入样本包括两个电流图网络,分别对应两相电流;
4)构建ResGAT:通过将残差网络ResNet和GAT进行结合,利用ResNet中的恒等映射思想来保证图信息在特征传递时的完整性;
5)构建基于ResGAT的分类模型:对于输入样本中的两个电流图网络,都通过一层ResGAT和一层GAT提取特征,然后融合这两个特征图,再利用CNN提取特征并实现故障分类。
4.如权利要求3所述的基于残差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)中,以故障特征信号的极值点为图网络的节点,并定义节点之间相关性的规则,从而完成电流图网络构建:
其中,是故障特征信号中每个数据点的数值映射,N表示数据点数量,和表示故障特征信号中的极大、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,表示图网络中第m个连边,表示图网络中所有的连边集合,表示根据第n个故障特征信号的极值点建立的图网络;
然后分别融合10个连续的小样本中的电流图网络作为模型输入样本:
5.如权利要求4所述的基于残差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)中,首先,构建图注意力网络,对于图网络G=(V,E),它含有一系列节点特征其中N是节点数量,Fl是当前层每个节点特征的数量,为了获得更高级的特征,GAT利用一个共享权重矩阵将输入特征转换到维度为Fl+1的特征空间,Fl+1是新特征的数量,然后在所有连边上执行注意力机制a:来计算注意力系数:
其中,表示第l层节点j对节点i的重要性,且注意力机制a只应用于节点i相邻的节点集Ni上,即j∈Ni;注意力机制a是一个单层前馈神经网络,由权重向量参与计算,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归一化:
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,然后将所有特征进行拼接:
7.如权利要求6所述的基于残差图注意力网络的电机故障诊断方法,其特征在于,所述步骤5)中,对于输入样本Xn中的两个电流图网络,都通过一层ResGAT和一层GAT提取特征,ResGAT的输入为即H0,ResGAT的输出为即GAT的输入,令GAT的输出为Z(p),然后将得到的两个特征图Z(1)和Z(2)在新的维度拼接起来:
Z0=Z(1)|||Z(2) (19)
最后,将卷积后的特征进行一维展开得到一维特征Z,并通过全连接神经网络和SoftMax激活函数进行故障分类:
y=SoftMax(W*Z+b) (21)
其中,y表示最终的分类结果,W和b分别是全连接神经网络的权重矩阵和偏置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011537414.XA CN112834921B (zh) | 2020-12-23 | 2020-12-23 | 一种基于残差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 |
---|---|---|---|
CN202011537414.XA CN112834921B (zh) | 2020-12-23 | 2020-12-23 | 一种基于残差图注意力网络的电机故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112834921A CN112834921A (zh) | 2021-05-25 |
CN112834921B true CN112834921B (zh) | 2022-07-15 |
Family
ID=75923848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011537414.XA Active CN112834921B (zh) | 2020-12-23 | 2020-12-23 | 一种基于残差图注意力网络的电机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112834921B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116626491B (zh) * | 2023-07-26 | 2023-11-03 | 江苏大学 | 一种五相永磁电机匝间短路故障诊断方法 |
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 |
CN117314883B (zh) * | 2023-10-27 | 2024-04-16 | 国网四川省电力公司电力科学研究院 | 基于EWT和VGGNet的配电网故障选线方法及系统 |
CN117332320B (zh) * | 2023-11-21 | 2024-02-02 | 浙江大学 | 一种基于残差卷积网络的多传感器融合pmsm故障诊断方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108089099A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 基于深度置信网络的配电网故障的诊断方法 |
CN109660206A (zh) * | 2018-12-20 | 2019-04-19 | 福州大学 | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 |
CN110251120A (zh) * | 2019-06-06 | 2019-09-20 | 山东省计算中心(国家超级计算济南中心) | 基于注意力机制的深度残差神经网络的心电图分类方法 |
CN110672343A (zh) * | 2019-09-29 | 2020-01-10 | 电子科技大学 | 基于多注意力卷积神经网络的旋转机械故障诊断方法 |
CN110907826A (zh) * | 2019-11-14 | 2020-03-24 | 中车株洲电力机车研究所有限公司 | 一种基于卷积神经网络滤波的电机故障诊断方法及系统 |
CN111351665A (zh) * | 2018-12-24 | 2020-06-30 | 中国科学院沈阳计算技术研究所有限公司 | 基于emd和残差神经网络的滚动轴承故障诊断方法 |
CN111914486A (zh) * | 2020-08-07 | 2020-11-10 | 中国南方电网有限责任公司 | 一种基于图注意力网络的电力系统暂态稳定评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180350459A1 (en) * | 2017-06-05 | 2018-12-06 | University Of Florida Research Foundation, Inc. | Methods and apparatuses for implementing a semantically and visually interpretable medical diagnosis network |
-
2020
- 2020-12-23 CN CN202011537414.XA patent/CN112834921B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108089099A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 基于深度置信网络的配电网故障的诊断方法 |
CN109660206A (zh) * | 2018-12-20 | 2019-04-19 | 福州大学 | 一种基于Wasserstein GAN的光伏阵列故障诊断方法 |
CN111351665A (zh) * | 2018-12-24 | 2020-06-30 | 中国科学院沈阳计算技术研究所有限公司 | 基于emd和残差神经网络的滚动轴承故障诊断方法 |
CN110251120A (zh) * | 2019-06-06 | 2019-09-20 | 山东省计算中心(国家超级计算济南中心) | 基于注意力机制的深度残差神经网络的心电图分类方法 |
CN110672343A (zh) * | 2019-09-29 | 2020-01-10 | 电子科技大学 | 基于多注意力卷积神经网络的旋转机械故障诊断方法 |
CN110907826A (zh) * | 2019-11-14 | 2020-03-24 | 中车株洲电力机车研究所有限公司 | 一种基于卷积神经网络滤波的电机故障诊断方法及系统 |
CN111914486A (zh) * | 2020-08-07 | 2020-11-10 | 中国南方电网有限责任公司 | 一种基于图注意力网络的电力系统暂态稳定评估方法 |
Non-Patent Citations (1)
Title |
---|
毛昭辉.基于Resnet网络和Attention-GRU门控机制的滚动轴承故障诊断.《组合机床与自动化加工技术》.2020,(第07期),第118-126页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112834921A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112834921B (zh) | 一种基于残差图注意力网络的电机故障诊断方法 | |
Zhang et al. | Intelligent acoustic-based fault diagnosis of roller bearings using a deep graph convolutional network | |
CN112041693B (zh) | 一种基于混合录波的配电网故障定位系统 | |
Kaya et al. | Classification of bearing vibration speeds under 1D-LBP based on eight local directional filters | |
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 | |
CN111458148A (zh) | 一种基于cbam的卷积神经网络滚动轴承故障诊断方法 | |
CN112668459B (zh) | 基于有监督对比学习和卷积神经网络的滚动轴承故障诊断方法 | |
CN112101085A (zh) | 一种基于重要性加权域对抗自适应的智能故障诊断方法 | |
CN110991295A (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
CN110672327A (zh) | 一种基于多层降噪技术的异步电机轴承故障诊断方法 | |
CN113723489A (zh) | 一种改进关系网络的滚动轴承故障识别方法 | |
CN112162196B (zh) | 一种基于图注意力网络的电机故障诊断方法 | |
CN112633098A (zh) | 一种旋转机械故障诊断方法、系统及存储介质 | |
CN111256965A (zh) | 多尺度信息融合的堆叠稀疏自编码旋转机械故障诊断方法 | |
CN111812507A (zh) | 一种基于图卷积的电机故障诊断方法 | |
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 | |
CN114462446A (zh) | 基于振动信号的滚动轴承故障诊断方法及电子设备 | |
CN117113180A (zh) | 基于vmd与卷积神经网络的直流配网高阻故障识别方法 | |
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 | |
Wang et al. | Grouping sparse filtering: a novel down-sampling approach toward rotating machine intelligent diagnosis in 1D-convolutional neural networks | |
CN111239344A (zh) | 一种基于小波分析的气体分解物评估方法 | |
CN113469066B (zh) | 不平衡样本多任务自优化的滚动轴承故障迁移诊断方法 | |
CN116226704A (zh) | 基于多特征融合和改进ShuffleNetV2的船舶变转速轴承故障诊断方法 | |
CN107704825A (zh) | 基于自适应集成多小波的机械设备故障特征提取方法 |
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 |