CN113469013A - 一种基于迁移学习和时间序列的电机故障预测方法及系统 - Google Patents
一种基于迁移学习和时间序列的电机故障预测方法及系统 Download PDFInfo
- Publication number
- CN113469013A CN113469013A CN202110721304.7A CN202110721304A CN113469013A CN 113469013 A CN113469013 A CN 113469013A CN 202110721304 A CN202110721304 A CN 202110721304A CN 113469013 A CN113469013 A CN 113469013A
- Authority
- CN
- China
- Prior art keywords
- lstm
- signal
- network
- motor
- signals
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013526 transfer learning Methods 0.000 title claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000012795 verification Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000000737 periodic effect Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000013508 migration Methods 0.000 abstract 1
- 230000005012 migration Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000003070 Statistical process control Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种基于迁移学习和时间序列的电机故障预测方法及系统，包括以下步骤：分别采集多台电机振动的试验信号、实况信号和应用验证信号；将采集到的试验信号、实况信号和应用验证信号进行预处理；搭建LSTM‑DaNN网络，使用预处理后的试验信号作为源领域数据训练LSTM‑DaNN网络，得到适用于试验的源网络；输入源领域和目标领域的特征及源领域的RUL值，对源网络构进行重新训练，得到目标网络；将预处理后的应用验证信号输入训练好的目标网络中，得到的剩余使用寿命RUL预测值。本发明采用LSTM‑DaNN网络模型对电机进行故障预测，采用迁移学习思想，使用试验信号和实况信号再次训练模型，得到适用于实际工况的目标领域，以此提高故障预测在实际生产中应用的适应性。
Description
技术领域
本发明属于机械设备故障预测领域，具体涉及一种基于迁移学习和时间序列的电机故障预测方法及系统。
背景技术
电动机的结构简单，制造、使用、维护方便，运行可靠性高，重量轻，成本低，在机械设备正常工作运行中发挥着举足轻重的作用。电机故障往往会导致整个机械设备及生产流水线停工，造成严重的经济损失。所以，对电机故障进行预测十分重要，提前发现故障隐患并采取一定措施，可以有效避免故障甚至事故的发生。电机的故障分为电气故障和机械故障，故障不同，电机振动信号的频率、幅值和相位也会不同。所以，根据电机振动的信号特征进行故障预测是主流研究方向。
对于故障的预测算法目前主要是基于理论、统计模型和数据驱动。基于理论的故障预测算法主要使用灰理论，该方法短期内预测效果好，但是对非线性数据的预测效果较差。基于统计过程控制大致都是基于向量机，对小样本具有很强的泛化能力，但是对大规模数据预测效果不理想。用于故障预测的数据驱动方法，主要有自编码器、卷积神经网络等，这些方法适用对象与环境略有差异，并且也存在没有记忆功能、难以捕捉内部表达等缺点。
目前基于时间序列的故障预测是一种发展的大趋势，其特点是：运用过去的时间序列数据进行统计分析，预测事物的发展趋势，该方法可以有效消除随机波动产生的影响。但训练好的预测模型往往只针对试验电机，对同类型同参数的其它电机匹配性和适应性不强，因此目前基于时间序列在实际应用中对电机进行故障预测时，存在一定的局限性。
发明内容
针对上述技术问题，本发明提供一种基于迁移学习和时间序列的电机故障预测方法及系统。本发明分别采集多台电机振动的试验信号、实况信号和应用验证信号；以试验信号为训练数据，将采集到的试验信号、实况信号和应用验证信号规范化处理，进行去噪、归一化处理、特征提取；预处理后的试验信号将作为源领域数据，预处理后的实况信号将作为目标领域的数据，预处理后的应用验证信号将作为故障预测的输入；本发明采用长短时记忆(LSTM)网络与领域适应(DaNN)模型对电机进行故障预测，采用迁移学习思想，使用试验信号和实况信号再次训练模型，得到适用于实际工况的目标领域，以此提高故障预测在实际生产中应用的适应性。
本发明的技术方案是：一种基于迁移学习和时间序列的电机故障预测方法，包括以下步骤：
步骤S1：振动信号的采集：分别采集多台电机振动的试验信号、实况信号和应用验证信号；
步骤S2：振动信号预处理：将采集到的试验信号、实况信号和应用验证信号规范化处理，进行去噪、归一化处理、特征提取；预处理后的试验信号将作为源领域数据，预处理后的实况信号将作为目标领域的数据，预处理后的应用验证信号将作为故障预测的输入；
步骤S3：源网络构建及训练：搭建故障预测模型LSTM-DaNN网络，使用步骤S2预处理后的试验信号作为源领域数据训练LSTM-DaNN网络，得到适用于试验的源网络，并保存源网络结构参数；
步骤S4：目标网络构建及训练：根据步骤S3中保存的源网络结构及其参数，输入源领域和目标领域的特征及源领域的RUL值，对源网络结构进行重新训练，得到目标网络；
步骤S5：故障预测应用：将步骤S2预处理后的应用验证信号输入步骤S4训练好的目标网络中，输出得到的剩余使用寿命RUL预测值，可以供对电机整体故障预测使用。
上述方案中，所述步骤S1中分别采集电机一振动的试验信号、电机二振动的实况信号和电机三的应用验证信号。
上述方案中，所述步骤S2的规范化处理，是将振动信号映射到[0,1]的范围，计算公式如下：
式中，x指传感器采集到的全部振动信号值，min(x)指全部振动信号值中的最小值，max(x)指全部振动信号值中的最大值，
是振动信号在t时刻的振动信号采集值。
上述方案中，所述步骤S2的特征提取，是将归一化处理后信号中的均方根值、裕度因子与偏斜度因子进行提取，计算公式分别如下：
式中，Xrms表示信号的均方根值，n表示采集振动信号的总数，xi表示第i个振动信号采集值，
表示第i个振动信号采集值的平方值，Ce表示振动信号的裕度因子，Sk表示振动信号的偏斜度因子，
表示振动信号的平均值。
上述方案中，所述步骤S3中的LSTM-DaNN网络包括四层网络结构，四层网络结构分别是：输入层、LSTM层、DaNN层和输出层；所述输入层用于数据的输入；所述LSTM层包括多个LSTM单元，用于对信号特征初步处理，整合提取深度特征；所述DaNN层用于对LSTM整合提取的深度特征进行迁移学习，并进行试验故障的预测，得到RUL预测值；所述输出层用于结果的输出。
上述方案中，所述LSTM层包括单元状态、输入门、遗忘门和输出门。LSTM输入是具有窗口长度T的序列数据x＝{x1,x2,...,xT}，设xt表示时间t时的输入，ft表示遗忘门在t时刻的单元状态，it表示输入门在t时刻的单元状态，ot表示输出门在t时刻的单元状态，ht-1表示LSTM在t-1时学习的隐态，ht表示LSTM在t时学习的隐态，at表示上一次ht-1时从输入xt处的单元输入激活和隐藏状态，Ct-1表示LSTM在t-1时的单元状态，Ct表示LSTM在t时的单元状态，σ表示sigmoid函数，tanh表示双曲正切函数，
表示元素向乘法，Wf为遗忘门的权重系数，Wi为输入门的权重系数，Wo为输出门的权重系数，WC为LSTM的权重系数，Uf为遗忘门的周期权重系数，Ui为输入门的周期权重系数，Uo为输出门的周期权重系数，UC为LSTM的周期权重系数，而bf为遗忘门的偏差系数，bi为输入门的偏差系数，bo为输出门的偏差系数，bC为LSTM的偏差系数，遗忘门、输入门、输出门和LSTM单元状态计算公式分别如下：
ft＝σ(Wfxt+Ufht-1+bf) 公式五
it＝σ(Wixt+Uiht-1+bi) 公式六
ot＝σ(Woxt+Uoht-1+bo) 公式七
at＝tanh(WCxt+UCht-1+bC) 公式八
上述方案中，所述DaNN层的损失函数如方程十所示：
其中，E(θf,θy,θd)表示DaNN层中标签预测器和领域鉴别器的总损失，n表示采集振动信号的总数，yi是第i个样本的RUL值，
是预测的RUL值，
是标签预测损失，di是第i个样本的电机标签，
是预测的电机标签，
是领域鉴别器损失，θf是特征提取器的参数，θy是标签预测器的参数，θd是领域鉴别器的参数；
所述标签预测器损失
和领域鉴别器损失
的计算公式为：
上述方案中，所述步骤S4目标网络构建及训练的过程中：
使用源领域数据来更新权值θf和θy，以减少源回归损失，源领域和目标领域信号再被传递给LSTM-DaNN网络，优化域分类损失，权重参数θd用于减少分类损失，而权重参数θf通过梯度反转层最大化来减少相同的损失。
一种实现所述的基于迁移学习和时间序列的电机故障预测方法的系统，包括加速度传感器、采集卡及PC端；所述PC端包括振动信号采集模块、振动信号预处理模块、源领域构建及训练模块、目标领域构建及训练模块和故障预测模块；
所述采集卡通过加速度传感器采集运动电机的振动信号，将振动信号数据储存在采集卡中，并传送到PC端处理；
所述振动信号采集模块用于采集电机振动的试验信号、实况信号和应用验证信号；
所述振动信号预处理模块用于将采集到的电机振动信号进行去噪、归一化处理、特征提取，预处理后的试验信号将作为源领域数据，预处理后的实况信号将作为目标领域的数据，预处理后的应用验证信号将作为故障预测的输入；
所述源网络构建及训练模块用于构建LSTM-DaNN网络，使用预处理后的试验信号训练LSTM-DaNN网络，得到适用于试验的源网络结构，并保存源网络结构参数；
所述目标网络构建及训练模块用于根据源网络结构及其参数，输入源领域和目标领域的特征及源领域的RUL值，对源网络结构进行重新训练，得到目标网络；
所述故障预测应用模块用于预处理后的应用验证信号输入重新训练好的目标网络中，输出得到的剩余使用寿命RUL预测值。
所述加速度传感器为MEMS加速度传感器。
与现有技术相比，本发明的有益效果是：本发明以LSTM深度学习网络与DaNN域适应网络为基础，构建了LSTM-DaNN预测模型；同时，借助迁移学习的思想，迁移源领域的全部结构和参数，重新训练网络，使用试验信号及实况信号一同训练，得到适用于同型号不同电机个体的目标领域故障预测模型及参数，从而能够对同型号不同电机个体进行故障预测，得到其剩余使用寿命，实现较低的故障预测误差，有效降低电机之间差异对故障预测的影响，提高了电机故障预测在实际生产中应用的适应性。
附图说明
图1为为本发明所述的一种电机故障预测方法流程图；
图2为LSTM-DaNN模型架构图；
图3为LSTM单元结构图；
图4为为本发明所述的一种电机故障预测系统组成图；
图5为本发明所述的一种电机故障智能预测系统硬件组成图；
图6为本发明所述的一种电机故障智能预测系统软件架构图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
实施例1
如图1所示，为本发明所述一种基于迁移学习和时间序列的电机故障预测方法的一种较佳实施方式，包括以下步骤：
步骤S1、试验振动信号的采集：搭建试验台，利用加速度传感器收集足够的电机部位处的振动信号为试验信号，利用加速度传感器采集电机实际工况下的振动信号为实况信号；利用加速度传感器采集待预测电机在实际工作下的振动信号称为应用验证信号；
步骤S2、振动信号预处理：为了在域更新之间减小差异，分别对每组振动信号进行归一化处理，将振动信号映射到[0,1]范围内，同时，将信号均方根值、裕度因子及偏斜度因子等代表性特征提取出来；
步骤S3、源网络构建及训练：搭建故障预测模型LSTM-DaNN网络结包括四层网络结构，四层网络结构分别是：输入层、LSTM层、DaNN层和输出层；所述输入层用于数据的输入；所述LSTM层包括100个LSTM单元，用于对信号特征初步处理，整合提取深度特征；所述DaNN层用于对LSTM整合提取的深度特征进行迁移学习，并进行试验故障的预测，得到RUL预测值；所述输出层用于结果的输出。使用步骤S2预处理后试验信号作为网络的输入，对应的标签(RUL)为训练目标，并从固定的学习率开始，在100次迭代后，学习率乘以一个0.1个因子，以允许稳定的收敛；得到适用于试验的源网络，并保存源网络构参数；
步骤S4、目标网络构建及训练：读取源网络训练时得到的模型参数，将源领域及目标领域的输入特征作为模型输入，把源领域RUL值作为训练标签，对模型再次进行训练，得到目标网络；
步骤S5、故障预测应用：根据步骤S4中的目标网络，将电机三的应用验证信号作为输入送到目标网络，输出预测的电机剩余使用寿命结果即为故障预测结果。
根据本实施例，优选的，所述步骤S2振动信号的0-1标准化为：所述信号标准化可以加速网络训练时的梯度下降，避免少量过大的数值对结果造成偏差，处理后的信号值在区间[0,1]上，且分布和原先相同。其计算公式如下：
式中，x指传感器采集到的全部振动信号值，min(x)指全部振动信号值中的最小值，max(x)指全部振动信号值中的最大值。
所述步骤2信号的特征提取，可以减少数据维度，使后续预测效果更明显。这里选择均方根值、裕度因子与偏斜度因子作为被提取的特征，其计算公式分别如下：
式中，Xrms表示信号的均方根值，n表示采集振动信号的总数，xi表示第i个振动信号采集值，
表示第i个振动信号采集值的平方值，Ce表示振动信号的裕度因子，Sk表示振动信号的偏斜度因子，
表示振动信号的平均值。
如图2所示，为本实施例构建的LSTM-DaNN网络架构，首先利用特征提取器的LSTM来学习输入数据；然后，使用作为隐藏层的标签预测器来预测RUL标签y；同时，学习到的特征通过一个隐藏层和一个Softmax层输出一个域标签。借助Python3.8、Keras和Tensorflow后端构建LSTM-DaNN预测模型，对参数batch_size批大小和超参数hidden_layers隐藏层数量、learning_rate学习率进行设置。设计的模型结构是：LSTM(100)+Dense(1)+ReLU(FC(20))+Dropout(0.5)+ReLU(FC(20))+Dense(1)，其中将网络中的每个学习层表示为Activation(Layer(Units))，防止过拟合层表示为Dropout(Rate)，使用学习速率为0.01的Adam优化器来训练具有100次迭代的模型。
如图3所示，为本实施例LSTM单元的结构。LSTM单元由遗忘门、输入门、输出门和单元状态组成。遗忘门负责决定将从某些信息从单元状态中丢弃，输入门决定将从候选单元状态更新哪些状态。然后，输入和遗忘门被用于为下一步更新一个新的单元状态。最后，输出门决定单元将输出哪些信息，并通过对输出门结果施加函数来计算新的隐藏状态。LSTM网络提供周期性的联接来编码时间数据，并通过更新一系列的门来控制信息在其单元内的流动方式。它们的计算公式分别如下：
ft＝σ(Wfxt+Ufht-1+bf) 公式五
it＝σ(Wixt+Uiht-1+bi) 公式六
ot＝σ(Woxt+Uoht-1+bo) 公式七
at＝tanh(WCxt+UCht-1+bC) 公式八
其中，xt表示时间t时的输入，ft表示遗忘门在t时刻的单元状态，it表示输入门在t时刻的单元状态，ot表示输出门在t时刻的单元状态，ht-1表示LSTM在t-1时学习的隐态，ht表示LSTM在t时学习的隐态，at表示上一次ht-1时从输入xt处的单元输入激活和隐藏状态，Ct-1表示LSTM在t-1时的单元状态，Ct表示LSTM在t时的单元状态，σ表示sigmoid函数，tanh表示双曲正切函数，
表示元素向乘法，Wf为遗忘门的权重系数，Wi为输入门的权重系数，Wo为输出门的权重系数，WC为LSTM的权重系数，Uf为遗忘门的周期权重系数，Ui为输入门的周期权重系数，Uo为输出门的周期权重系数，UC为LSTM的周期权重系数，而bf为遗忘门的偏差系数，bi为输入门的偏差系数，bo为输出门的偏差系数，bC为LSTM的偏差系数。
根据本实施例，优选的，步骤S3中以试验振动信号预处理后的输入特征信号作为模型输入，训练标签设置为剩余使用寿命(RUL)来训练模型。
所述DaNN网络旨在将领域适应和特征学习结合在一个训练过程中，从而对目标域可识别和不变的特征做出预测。这样，学习到的权值可以直接应用于目标域，而不会因域转移而降低其预测质量。
根据本实施例，优选的，步骤S4中目标领域结构的损失函数表示网络的输出与实际标签的差距，同时训练标签预测器和领域鉴别器，损失函数计算为：
其中，E(θf,θy,θd)表示DaNN层中标签预测器和领域鉴别器的总损失，n表示采集振动信号的总数，yi是第i个样本的RUL值，
是预测的RUL值，
是标签预测损失，di是第i个样本的电机标签，
是预测的电机标签，
是领域鉴别器损失，θf是特征提取器的参数，θy是标签预测器的参数，θd是领域鉴别器的参数。
其中，标签预测器损失
和领域鉴别器损失
的计算公式为：
同时，使用均方根误差值(RMSE)来评估模型性能差异，其计算公式如下：
所述步骤S4根据步骤S3中保存的模型及参数，输入源领域和目标领域的特征及源领域的RUL值，对模型进行重新训练的过程为：
使用源领域信号来更新权值θf和θy，以尽量减少源回归损失。源和目标领域信号再被传递给LSTM-DaNN模型，旨在优化域分类损失。权重参数θd尽量减少分类损失，而权重参数θf通过梯度反转层最大化来减少相同的损失。
根据本实施例，优选的，所述步骤S5是将实际工作条件下采集到的电机三振动信号数据经过步骤S2预处理后，输入故障预测模型，输出预测的RUL值即为故障预测结果。
利用本发明所述方法进行电机故障预测的过程如下：
本发明通过试验台获得足够的试验、实况振动信号，并获得实际工作情况下的应用验证信号。首先对振动信号进行去噪、归一化及特征提取等预处理。然后构建LSTM-DaNN网络，适用试验信号训练得到源领域，接着适用试验及实况信号对模型再次进行训练，得到目标领域。最后，将实际工作条件下的应用验证信号作为输入，得到模型输出的RUL预测值即为故障预测结果。LSTM网络充分考虑数据的时间相关性，领域适用网络充分利用相似数据，扩展了可用数据范围，综合提高了实际生产中电机故障预测的可行性。
在本发明中，将用到同批次同型号的三个电机，电机一在实验工况下采集的振动信号称为试验信号，电机二在实际相同工作条件下采集的振动信号称为实况信号，电机三在实际工况下采集的振动信号称为应用验证信号。以试验信号为训练数据，用于电机一在试验条件下的故障预测模型为源网络；以试验及实况信号为训练数据，用于电机二在相同条件下的故障预测模型为目标网络。采用长短时记忆(LSTM)网络与领域适应(DaNN)网络对电机进行故障预测，采用迁移学习思想，使用应用验证信号对模型进行验证学习。
实施例2
如图4所示，为本发明所述一种实现实施例1的基于迁移学习和时间序列预测的电机故障智能预测系统，硬件主要包括MEMS加速度传感器、采集卡及PC端等；PC端的软件主要包括振动信号采集模块、振动信号预处理模块、源网络构建及训练模块、目标网络构建及训练模块，以及故障预测应用模块。
如图5所示，为本发明所述一种实现实施例1的基于迁移学习和时间序列预测的电机故障智能预测系统的硬件组成，包括MEMS加速度传感器、采集卡、PC端和电源模块等，采集卡通过MEMS加速度传感器采集运动电机的振动信号，将振动信号数据储存在采集卡中，数据送到PC端处理。
如图6所示，为本发明所述一种实现实施例1的基于迁移学习和时间序列预测的电机故障智能预测系统的软件架构，将振动信号采集模块、振动信号预处理模块、源网络构建及训练模块、目标网络构建及训练模块，以及故障预测应用模块配合，通过在LabVIEW中调用Python节点，在节点中使用Python语法和函数，从而在主程序中完成故障预测算法。同时为方便数据的储存和管理，系统使用了数据库MySQL，通过ODBC接口与LabSQL工具包，实现了LabVIEW程序对数据库的访问。
所述振动信号采集模块用于采集电机振动的试验信号、实况信号和应用验证信号。
所述的振动信号预处理模块用于将采集到的电机振动信号进行去噪、归一化处理、特征提取等。
所述源网络构建及训练模块用于构建LSTM-DaNN网络，使用试验信号训练网络，得到适用于试验的源领域模型。
所述目标网络构建及训练模块用于根据试验及实况信号对源领域模型再训练，最终得到适用于电机二的目标领域模型。
所述故障预测应用模块，包括界面显示、异常处理及数据保存等部分。用于输入待预测电机实际振动信号及特征，通过故障预测目标网络处理得到待预测电机的RUL预测值，即为电机故障预测结果。
应当理解，虽然本说明书是按照各个实施例描述的，但并非每个实施例仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于迁移学习和时间序列的电机故障预测方法，其特征在于，包括以下步骤：
步骤S1：振动信号的采集：分别采集多台电机振动的试验信号、实况信号和应用验证信号；
步骤S2：振动信号预处理：将采集到的试验信号、实况信号和应用验证信号规范化处理，进行去噪、归一化处理、特征提取；预处理后的试验信号将作为源领域数据，预处理后的实况信号将作为目标领域的数据，预处理后的应用验证信号将作为故障预测的输入；
步骤S3：源网络构建及训练：搭建故障预测模型LSTM-DaNN网络，使用步骤S2预处理后的试验信号作为源领域数据训练LSTM-DaNN网络，得到适用于试验的源网络，并保存源网络结构参数；
步骤S4：目标网络构建及训练：根据步骤S3中保存的源网络结构及其参数，输入源领域和目标领域的特征及源领域的RUL值，对源网络结构进行重新训练，得到目标网络；
步骤S5：故障预测应用：将步骤S2预处理后的应用验证信号输入步骤S4训练好的目标网络中，输出得到的剩余使用寿命RUL预测值。
2.根据权利要求1所述的基于迁移学习和时间序列的电机故障预测方法，其特征在于，所述步骤S1中分别采集电机一振动的试验信号、电机二振动的实况信号和电机三的应用验证信号。
3.根据权利要求1所述的基于迁移学习和时间序列的电机故障预测方法，其特征在于，所述步骤S2的规范化处理，是将振动信号映射到[0,1]的范围，计算公式如下：
式中，x指传感器采集到的全部振动信号值，min(x)指全部振动信号值中的最小值，max(x)指全部振动信号值中的最大值，
是振动信号在t时刻的振动信号采集值。
4.根据权利要求1所述的基于迁移学习和时间序列的电机故障预测方法，其特征在于，所述步骤S2的特征提取，是将归一化处理后信号中的均方根值、裕度因子与偏斜度因子进行提取，计算公式分别如下：
式中，Xrms表示信号的均方根值，n表示采集振动信号的总数，xi表示第i个振动信号采集值，
表示第i个振动信号采集值的平方值，Ce表示振动信号的裕度因子，Sk表示振动信号的偏斜度因子，
表示振动信号的平均值。
5.根据权利要求1所述的基于迁移学习和时间序列的电机故障预测方法，其特征在于，所述步骤S3中的LSTM-DaNN网络包括四层网络结构，四层网络结构分别是：输入层、LSTM层、DaNN层和输出层；所述输入层用于数据的输入；所述LSTM层包括多个LSTM单元，用于对信号特征初步处理，整合提取深度特征；所述DaNN层用于对LSTM整合提取的深度特征进行迁移学习，并进行试验故障的预测，得到RUL预测值；所述输出层用于结果的输出。
6.根据权利要求5所述的基于迁移学习和时间序列的电机故障预测方法，其特征在于，所述LSTM层包括单元状态、输入门、遗忘门和输出门；
LSTM输入是具有窗口长度T的序列数据x＝{x1,x2,...,xT}，设xt表示时间t时的输入，ft表示遗忘门在t时刻的单元状态，it表示输入门在t时刻的单元状态，ot表示输出门在t时刻的单元状态，ht-1表示LSTM在t-1时学习的隐态，ht表示LSTM在t时学习的隐态，at表示上一次ht-1时从输入xt处的单元输入激活和隐藏状态，Ct-1表示LSTM在t-1时的单元状态，Ct表示LSTM在t时的单元状态，σ表示sigmoid函数，tanh表示双曲正切函数，
表示元素向乘法，Wf为遗忘门的权重系数，Wi为输入门的权重系数，Wo为输出门的权重系数，WC为LSTM的权重系数，Uf为遗忘门的周期权重系数，Ui为输入门的周期权重系数，Uo为输出门的周期权重系数，UC为LSTM的周期权重系数，而bf为遗忘门的偏差系数，bi为输入门的偏差系数，bo为输出门的偏差系数，bC为LSTM的偏差系数，遗忘门、输入门、输出门和LSTM单元状态计算公式分别如下：
ft＝σ(Wfxt+Ufht-1+bf) 公式五
it＝σ(Wixt+Uiht-1+bi) 公式六
ot＝σ(Woxt+Uoht-1+bo) 公式七
at＝tanh(WCxt+UCht-1+bC) 公式八
7.根据权利要求5所述的基于迁移学习和时间序列的电机故障预测方法，其特征在于，所述DaNN层的损失函数如方程十所示：
其中，E(θf,θy,θd)表示DaNN层中标签预测器和领域鉴别器的总损失，n表示采集振动信号的总数，yi是第i个样本的RUL值，
是预测的RUL值，
是标签预测损失，di是第i个样本的电机标签，
是预测的电机标签，
是领域鉴别器损失，θf是特征提取器的参数，θy是标签预测器的参数，θd是领域鉴别器的参数；
所述标签预测器损失
和领域鉴别器损失
的计算公式为：
8.根据权利要求7所述的基于迁移学习和时间序列的电机故障预测方法，其特征在于，所述步骤S4目标网络构建及训练的过程中：
使用源领域数据来更新权值θf和θy，以减少源回归损失，源领域和目标领域信号再被传递给LSTM-DaNN网络，优化域分类损失，权重参数θd用于减少分类损失，而权重参数θf通过梯度反转层最大化来减少相同的损失。
9.一种实现权利要求1-8任意一项所述的基于迁移学习和时间序列的电机故障预测方法的系统，其特征在于，包括加速度传感器、采集卡及PC端；所述PC端包括振动信号采集模块、振动信号预处理模块、源网络构建及训练模块、目标网络构建及训练模块和故障预测模块；
所述采集卡通过加速度传感器采集运动电机的振动信号，将振动信号数据储存在采集卡中，并传送到PC端处理；
所述振动信号采集模块用于采集电机振动的试验信号、实况信号和应用验证信号；
所述振动信号预处理模块用于将采集到的电机振动信号进行去噪、归一化处理、特征提取，预处理后的试验信号将作为源领域数据，预处理后的实况信号将作为目标领域的数据，预处理后的应用验证信号将作为故障预测的输入；
所述源网络构建及训练模块用于构建LSTM-DaNN网络，使用预处理后的试验信号训练LSTM-DaNN网络，得到适用于试验的源网络结构，并保存源网络结构参数；
所述目标网络构建及训练模块用于根据源网络结构及其参数，输入源领域和目标领域的特征及源领域的RUL值，对源网络结构进行重新训练，得到目标网络；
所述故障预测应用模块用于预处理后的应用验证信号输入重新训练好的目标网络中，输出得到的剩余使用寿命RUL预测值。
10.根据权利要求9所述的基于迁移学习和时间序列的电机故障预测方法的系统，其特征在于，所述加速度传感器为MEMS加速度传感器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110721304.7A CN113469013B (zh) | 2021-06-28 | 2021-06-28 | 一种基于迁移学习和时间序列的电机故障预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110721304.7A CN113469013B (zh) | 2021-06-28 | 2021-06-28 | 一种基于迁移学习和时间序列的电机故障预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113469013A true CN113469013A (zh) | 2021-10-01 |
| CN113469013B CN113469013B (zh) | 2024-05-14 |
Family
ID=77873442
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110721304.7A Active CN113469013B (zh) | 2021-06-28 | 2021-06-28 | 一种基于迁移学习和时间序列的电机故障预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113469013B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114896873A (zh) * | 2022-04-26 | 2022-08-12 | 盐城工学院 | 基于卷积神经网络的行波超声电机寿命预测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020009652A1 (en) * | 2018-07-06 | 2020-01-09 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods and systems for dynamic service performance prediction using transfer learning |
| CN112146879A (zh) * | 2020-08-21 | 2020-12-29 | 江苏大学 | 一种滚动轴承故障智能诊断方法及其系统 |
| CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
-
2021
- 2021-06-28 CN CN202110721304.7A patent/CN113469013B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020009652A1 (en) * | 2018-07-06 | 2020-01-09 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods and systems for dynamic service performance prediction using transfer learning |
| CN112146879A (zh) * | 2020-08-21 | 2020-12-29 | 江苏大学 | 一种滚动轴承故障智能诊断方法及其系统 |
| CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114896873A (zh) * | 2022-04-26 | 2022-08-12 | 盐城工学院 | 基于卷积神经网络的行波超声电机寿命预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113469013B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112784965B (zh) | 面向云环境下大规模多元时间序列数据异常检测方法 | |
| CN111340282B (zh) | 基于da-tcn的设备剩余使用寿命的估计方法及系统 | |
| WO2021257128A2 (en) | Quantum computing based deep learning for detection, diagnosis and other applications | |
| CN111460728A (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
| CN112784920B (zh) | 云边端协同的旋转部件对抗域自适应故障诊断方法 | |
| CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
| CN115204302A (zh) | 一种无人机小样本故障诊断系统及方法 | |
| CN116306289B (zh) | 一种基于多源域自适应的机电设备跨域剩余寿命预测方法 | |
| Dai et al. | Hybrid deep model for human behavior understanding on industrial internet of video things | |
| CN113671421A (zh) | 一种变压器状态评估与故障预警方法 | |
| CN115758208A (zh) | 牵引变流器故障诊断方法、装置、计算机设备和存储介质 | |
| CN113705396A (zh) | 一种电机故障诊断方法、系统及设备 | |
| CN114266201B (zh) | 一种基于深度学习的自注意力电梯困人预测方法 | |
| CN116186633A (zh) | 一种基于小样本学习的用电异常诊断方法和系统 | |
| CN114500004A (zh) | 一种基于条件扩散概率生成模型的异常检测方法 | |
| Xu et al. | Global attention mechanism based deep learning for remaining useful life prediction of aero-engine | |
| CN113469013B (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 | |
| Qin et al. | Remaining useful life prediction using temporal deep degradation network for complex machinery with attention-based feature extraction | |
| CN113673774A (zh) | 基于自编码器和时序卷积网络的航空发动机余寿预测方法 | |
| CN117154256A (zh) | 锂电池的电化学修复方法 | |
| CN112381213A (zh) | 一种基于双向长短期记忆网络的工业设备剩余寿命预测方法 | |
| CN117093924A (zh) | 基于域适应特征的旋转机械变工况故障诊断方法 | |
| CN116359773A (zh) | 一种锂离子电池剩余寿命预测方法及系统 | |
| CN116415485A (zh) | 一种基于动态分布自适应的多源域迁移学习的剩余使用寿命预测方法 | |
| Li et al. | Gated recurrent unit networks for remaining useful life prediction |
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 |