CN114019370B - 基于灰度图像和轻量级cnn-svm模型的电机故障检测方法 - Google Patents
基于灰度图像和轻量级cnn-svm模型的电机故障检测方法 Download PDFInfo
- Publication number
- CN114019370B CN114019370B CN202111156362.6A CN202111156362A CN114019370B CN 114019370 B CN114019370 B CN 114019370B CN 202111156362 A CN202111156362 A CN 202111156362A CN 114019370 B CN114019370 B CN 114019370B
- Authority
- CN
- China
- Prior art keywords
- motor
- svm
- time sequence
- fault detection
- cnn
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于灰度图像和轻量级CNN‑SVM模型的电机故障检测方法及系统,涉及电机故障诊断领域和深度学习领域,方法包括以下步骤:获取待测试电机的时序信号;基于经验模态分解将时序信号分解为一系列本征模态函数;采用K‑L散度法衡量各个本征模态函数与原始信号的相似性,筛选包含故障信息的敏感分量;基于格拉姆角场法和图像压缩技术,将敏感分量编码为灰度图像,作为样本集;建立基于改进平衡优化器算法优化的新型轻量级CNN‑SVM电机故障检测模型,输入图像样本至CNN‑SVM模型,输出待测试电机的故障诊断结果。本发明将图像处理技术以及深度学习技术和电机的故障检测相融合,能够自适应地逐层提取原始信号中的深层规律,避免了复杂的人工特征提取,实现了端到端的电机大数据特征挖掘及智能化故障检测,有效提高了故障诊断算法的精确度。
Description
技术领域
本发明属于电机故障诊断领域和深度学习领域,具体涉及一种基于灰度 图像和轻量级CNN-SVM模型的电机故障检测方法。
背景技术
电机作为重要的动力装置,被广泛应用于工农业生产,家用电器,国防 军事,交通运输等领域。电机在运行过程中,会受到电应力,热应力以及机 械应力等多因子作用,长期工作将不可避免地发生损坏现象。故障一旦发生, 不仅会对电机本体及其零部件产生破坏,更会干扰整个动力系统的稳定运行, 最终可能引发巨大的经济损失。电机故障检测技术,对保证电机优质,高效, 稳定的运行以及生产生活的安全具有重要的意义。
传统的电机故障检测技术多是基于解析模型法或者信息处理法。解析模 型法针对故障电机建立精准的数学模型,从而实现故障的检测及定位。信息 处理法通过对电机运行时的温度,振动,电流,电压等物理量进行信号变换, 提取出反映健康状况的特征量,用于故障识别。解析模型法和信息处理法均 需要从业人员具备一定的电机专业背景,掌握丰富的故障检测技能。同时, 两种方法均具有效率低下,泛化能力差的缺点,无法适应智能化,系统化的 工业生产要求。
发明内容
针对传统电机故障检测技术中存在的精确度低,局限性大,泛化能力差 等问题,本发明的目的在于提供一种基于灰度图像和轻量级CNN-SVM模 型的电机故障检测方法。通过K-L散度法提取包含故障信息的敏感分量, 基于格拉姆角场实现敏感分量一维时间序列到二维灰度图像的变换,建立新 型轻量级CNN-SVM模型分析电机各类运行状态下的特征图像,进而对电 机故障进行检测与识别。
本发明是通过以下技术方案来实现:
一种基于灰度图像和轻量级CNN-SVM模型的电机故障检测方法,包 括以下步骤:
步骤1、获取待测试电机的时序信号;
步骤2、基于经验模态分解EMD将时序信号分解为一系列本征模态函 数IMF;
步骤3,采用K-L散度法衡量各个本征模态函数与原始时序信号的相似 性,筛选包含故障信息的敏感分量;
步骤4,基于格拉姆角场法和图像压缩技术,将敏感分量编码为2D灰 度图像,作为待测试电机的样本集;
步骤5,建立基于改进平衡优化器算法优化的轻量级CNN-SVM电机故 障检测模型,并通过改进的平衡优化器算法优化支持向量机的核函数参数g 和惩罚参数c;将样本集输入至CNN-SVM模型,CNN-SVM模型输出待测 试电机的故障诊断结果。
优选的,步骤1待测试电机的时序信号包括待测试电机分别运行在正常 状态、负载故障状态、轴承磨损状态、转子偏心状态、转子断条状态和定子 匝间短路状态下的三轴加速度信号和电压电流信号。
优选的,步骤2中得到本征模态函数IMF的方法具体如下:
获取时序信号s(t)的极大值和极小值序列,采用插值法得到时序信号的 上包络线和下包络线,并求出其平均值m(t),从待分解的时序信号中剔除平 均值m(t),将中间信号h(t)作为新的待分解信号,重复该操作,直到中间信 号h(t)满足IMF条件,此时将其作为本征模态函数IMF输出,采用原始时 序信号s(t)减去本征模态函数,得到残余函数,将残余函数作为新的待分解 信号,重新执行经验模态分解,直到残余函数单调,得到满足条件的k个本 征模态函数。
优选的,步骤3中敏感分量的筛选方法如下:
采用核密度估计法计算原始时序信号s(t)和本征模态函数IMF分量的概 率分布,分别计算原始时序信号s(t)和k个本征模态函数IMF分量之间的K- L散度值,选取最小的三个K-L散度对应的本征模态函数作为敏感分量。
优选的,步骤4中敏感分量编码为2D灰度图像的方法如下:
将敏感分量的时间序列缩放至区间[-1,1],将缩放后的时间序列的信号 值编码为角余弦,时间戳编码为极径,在极坐标系下重新构造出敏感分量序 列,通过计算极坐标下一维信号各个点之间的余弦函数和,并定义生成格拉 姆角场,将格拉姆角场转化为2D灰度图像。
优选的,步骤5中所述轻量级CNN-SVM电机故障检测模型采用 LeNet-5轻量型网络作为基层网络进行改进,模型共有十层,包括输入层, 四个卷积层,三个池化层,一个全连接层和一个SVM分类层,第一层采用 空洞卷积层替代原始模型的卷积层,各层卷积操作均采用深度可分离卷积替 代原规卷积,将原卷积分成逐通道卷积和逐点卷积,先对每一个通道进行卷 积操作,然后采用1×1的卷积核进行各个通道之间的信息融合,采用支持向 量机SVM多分类器代替原始模型中的Softmax分类层;
优选的,所述SVM分类器的核函数参数g和惩罚参数c,采用改进的 平衡优化器算法对核函数参数g和惩罚参数c进行寻优获取,改进平衡优化 器算法采用Logistic混沌序列初始化机制在搜索空间的可行域内生成初始种 群,并在每次迭代后基于邻代维度交叉策略融合历代最优个体的不同维度信 息,并针对最优个体执行自适应柯西变异操作,以有效降低陷入局部最优的 可能性。
优选的,所述SVM分类器的核函数参数g和惩罚参数c的寻优获取方 法,包括以下步骤:
S1、给定改进平衡优化器算法的种群规模,迭代次数,搜索空间的维 度以及上限和下限向量;
S2、基于Logistic混沌序列初始化方法生成初始种群,通过Logistic完 全混沌迭代公式将d维随机向量L1以迭代形式映射到混沌空间,得到N个向 量,通过搜索空间的上限和下限向量将混沌变量L1,L2L LN变换到可行域中, 获得初始化种群;
S3、将种群个体的候选解作为SVM模型的核函数参数g和惩罚参数c, 基于结构风险最小化原则,将预测精确度与1的差值设置为平衡优化器的适 应度函数f;
S4、遍历计算种群每个个体的适应度,根据适应度值选取多个当前最 优的候选解,并建立平衡状态池;
S5、基于受控制容积强混合型动态质量平衡的物理启发式方程,更新 种群个体的位置;
S6、针对历次迭代适应度最优的个体Ceq,1进行邻代维度交叉,遍历当前 最优个体与前次最优个体的全部维度,若维度差异高于阈值且交叉后适应度 更优,则在该维度上执行并保留交叉操作,反之则不执行交叉操作;
S7、对种群最优个体Ceq,1进行自适应柯西变异操作,并对变异前后个体 进行适应度择优,保留适应度较优的个体。
优选的,所述变异操作的执行时机由最优个体适应度值的变化率动态确 定,定义当前最优个体适应度值与z次迭代前最优适应度值的差值的绝对值, 与当前最优个体适应度值的比值为最优个体适应度值变化率的评价指标,当 其小于预设阈值时,执行柯西变异操作,用公式表示如下:
其中,f为平衡优化器的适应度函数,ε为阈值。
当满足上式条件时,对Ceq,1执行柯西变异操作,并对变异前后个体进行 适应度择优,用公式表示如下:
Ceq,1_new=Ceq,1+Ceq,1×Cauthy(0,1)
其中,Ceq,1为最优个体执行柯西变异后的新个体,Cauthy(0,1)为标准柯西 分布。
一种基于灰度图像和轻量级CNN-SVM模型的电机故障检测方法的系 统,包括,
采集模块,用于获取待测试电机的时序信号;
分解模块,用于时序信号分解为本征模态函数IMF;
筛选模块,用于采用K-L散度法衡量各个本征模态函数与原始时序信 号的相似性,筛选出包含故障信息的敏感分量;
图像编码模块,用于采用格拉姆角场法和图像压缩技术,将敏感分量编 码为2D灰度图像;
诊断模块,用于建立基于改进平衡优化器算法优化的轻量级CNN-SVM 电机故障检测模型,并将2D灰度图像样本输入至CNN-SVM电机故障检测 模型,CNN-SVM电机故障检测输出待测试电机的故障诊断结果。
与现有技术相比,本发明具有以下有益的技术效果:
本发明提供了一种基于灰度图像和轻量级CNN-SVM模型的电机故障 检测方法,通过EMD分解和K-L散度法提取待测试电机时序信号内包含故 障信息的敏感分量,通过格拉姆角场将一维敏感分量信号转换为二维灰度图 像,输入图像样本至预设的新型轻量级CNN-SVM模型中,实现电机的故 障检测与识别。发明方法将图像处理技术以及深度学习技术和电机的故障检 测相融合,通过深度学习的多层网络结构,自动学习并提取数据内部表达信 号本质与隐含规律的深层次特征,避免了复杂的人工特征提取过程,实现了 特征学习与故障检测的智能化,有效提高了故障诊断算法的精确度与泛化能 力。
进一步的,采用经验模态分解EMD与K-L散度法,将待测试电机时序 信号分解成一系列本征模态函数IMF,并提取出包含故障信息的敏感分量, 用于特征图样本的生成与轻量级CNN-SVM模型的训练。EMD方法无需预 先选定基础函数,基于信号固有的时间尺度,将信号自适应地分解成一系列 反映真实物理特征的IMF分量。通过K-L散度法度量各个IMF分量与原始 时序信号的相似性,筛选出保留原始时序信号主要特征的敏感分量,用于特 征图样本的生成。基于经验模态分解EMD与K-L散度法的时序信号敏感分 量提取,有效保留了原始时序信号内的故障信息,避免了噪声成分的干扰, 有利于模型的学习与分类。
进一步的,采用基于邻代维度交叉策略和自适应柯西变异的改进平衡优 化器算法,对支持向量机SVM分类器的核函数参数g和惩罚参数c进行优 化。改进的平衡优化器算法采用Logistic混沌序列初始化方法生成初始种群, 代替原始平衡优化器算法的随机初始化策略,该改进机制可以使种群更加均 匀地分布在搜索空间中。在每次迭代完成后,基于邻代维度交叉策略融合历 代最优个体的不同维度信息,以改善个体质量,增强算法的局部开采能力。 同时,通过最优个体适应度值的变化率自适应地执行柯西变异操作,避免种群陷入局部最优。改进的平衡优化器算法,相比原始平衡优化器算法,具有 更强的迭代优化性能以及更加丰富的种群多样性,可有效增强算法的局部极 值逃逸能力,在全局探索与局部开发之间取得较好的平衡。改进的平衡优化 器可以适用于高维度,多约束,局部极值数量多的复杂模型。
进一步的,采用基于空洞卷积和深度可分离卷积的新型轻量化CNN- SVM模型,对二维灰度图像样本进行训练。网络模型选取LeNet-5轻量型 网络作为基层网络进行改进,基于空洞卷积和深度可分离卷积对模型进行轻 量化处理。模型采用空洞卷积代替第一层的原卷积,在相同条件下可取得更 大的感受野,并更加准确地反映样本的空间特征。模型应用深度可分离卷积, 将原卷积分成逐通道卷积和逐点卷积,有效减少模型参数,提高计算效率。 同时,构建计算量小且泛化能力强的SVM多分类器,替代Softmax分类层, 实现计算时间的缩减与精确度的提升。基于空洞卷积和深度可分离卷积的新 型轻量化CNN-SVM模型精简了模型参数,在相同条件下扩大了感受野, 增强了信息传递功能,提高了计算效率及分类的精确度。
附图说明
图1为实施例所述的电机故障检测方法的流程图;
图2为实施例中的待测试电机正常状态下X轴加速度信号转换的二维 特征图;
图3为实施例中的新型轻量级CNN-SVM模型的结构图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,所述是对本发明的解释而 不是限定。
一种基于敏感分量灰度图像和轻量级CNN-SVM模型的电机故障检测 方法,包括以下步骤:
步骤1、获取待测试电机的时序信号。
待测试电机的时序信号包括待测试电机运行时的三轴加速度信号、电压 信号及电流信号。
三轴加速度信号通过三轴加速度传感器采集得到,电压信号及电流信号 通过电压电流传感器采集得到。
步骤2、采用经验模态分解方法EMD,将待测试电机的时序信号分解 成由高频到低频的能够反映原始时序信号真实物理特征的一系列IMF分量, 具体如下:
步骤21、对于原始时序信号s(t),获取该信号包含极大值点和极小值点 在内的全部的局部极值点。
步骤22、采用三次样条插值法,对信号的极大值和极小值进行拟合, 分别获得信号的上包络线emax(t)和下包络线emin(t)。
步骤23、计算出两条拟合曲线的均值m(t),并将其从待分解的信号中 剔除,获得中间信号h(t),用公式表示如下:
h(t)=s(t)-m(t)
其中,s(t)为原始时序信号,emax(t)和emin(t)分别为上包络线和下包络线, m(t)为两条包络线的均值线,h(t)为中间信号。
步骤24、判断中间信号h(t)是否满足IMF条件,即信号极值点和过零 点个数相等或相差一个,并且上包络和下包络的均值为零。若h(t)满足IMF 条件,则将其作为本征模态函数IMF输出,用公式表示如下:
c1(t)=h(t)
其中,c1(t)为信号的第一个本征模态函数IMF。
若h(t)不满足IMF条件,则将其作为新的待分解信号,重复步骤21-23, 直到中间信号h(t)满足IMF条件,将其作为本征模态函数IMF输出。
步骤25、用原始信号s(t)减去上一步提取出的本征模态函数c1(t),得到 残余函数r1(t),用公式表示如下:
r1(t)=s(t)-c1(t)
其中,r1(t)为残余函数。
步骤26、将残余函数作为新的原始信号,重复步骤21-25,直到rk(t)为 单调函数。可以得到满足条件的k个本征模态函数,用公式表示如下:
r1(t)=s(t)-c1(t)
r2(t)=r1(t)-c2(t)
M
rk(t)=rk-1(t)-ck(t)
其中,c1(t),c2(t)L ck(t)为满足条件的k个本征模态函数,rk(t)为最后的残 余函数。
通过以上步骤,实现了原始时序信号s(t)的经验模态分解,用公式表示 如下:
其中,s(t)为待分解的原始时序信号,c1(t),c2(t)L ck(t)为满足条件的k个 本征模态函数,rk(t)为最后的残余函数。
步骤3、采用K-L散度法衡量各个本征模态函数与原始信号的相似性, 筛选包含故障信息较多的本征模态函数作为敏感分量,具体如下:
步骤31、采用核密度估计法计算原始时序信号s(t)和本征模态函数c1(t) 的概率分布p(x)和q(x)。
步骤32、根据两个信号的概率分布,分别计算原始时序信号s(t)和本征 模态函数c1(t)的K-L距离,用公式表示如下:
其中,δ(p,q)是原始时序信号s(t)的K-L距离,δ(q,p)是本征模态函数 c1(t)的K-L距离,p(x)和q(x)分别是s(t)和c1(t)的概率分布。
步骤33、计算原始时序信号s(t)和本征模态函数c1(t)的K-L散度值,用 公式表示如下;
D1(p,q)=δ(p,q)+δ(q,p)
其中,D1(p,q)为原始时序信号s(t)和本征模态函数c1(t)的K-L散度值。
步骤34、重复步骤31-33,分别计算原始时序信号s(t)和k个本征模态 函数c1(t),c2(t)L ck(t)的K-L散度值D1,D2L Dk。
步骤35、K-L散度值越小,两个信号的相似程度越大,将上一步求得 的k个本征模态函数c1(t),c2(t)L ck(t)与原始时序信号s(t)的K-L散度值 D1,D2L Dk进行排序,选取最小的三个K-L散度对应的本征模态函数作为敏 感分量。此时,本征模态函数与s(t)的相似程度最大,包含的故障信息多而 噪声及干扰信息少。将敏感分量定义为Vi={vi1,vi2Lvin},i=1,2,3,其中n为信 号长度,序列由n个时间戳t和对应的信号值v组成。
步骤4、采用格拉姆角场法将上一步筛选得到的敏感分量序列Vi编码为 2D灰度图像,并统一压缩为128×128大小,作为卷积神经网络的输入样本, 具体如下:
步骤41、采用最小—最大定标器将敏感分量时间序列Vi缩放到[-1,1]之 间,用公式表示如下:
步骤42、将缩放后的序列的n个信号值和时间戳ti分别映射为角度 θi和极径ρi,将笛卡尔坐标系内的序列重新在极坐标系内表示出来,用公 式表示如下:
其中,θi为极坐标系下信号的角度,ρi为极坐标系下信号的极径,tij为 时间戳,将区间[0,1]分为N等份。
步骤43、计算极坐标下一维信号角度和的余弦函数变换,替代笛卡尔 坐标系下的内积操作,识别信号的时间相关性,将一维序列转化为沿对角线 对称的格拉姆角场特征图,格拉姆角场定义用公式表示如下:
其中,Gi为序列信号转化后的格拉姆角场,θi为极坐标系下信号的角度。
步骤44、通过图像压缩技术,统一将二维格拉姆角场特征图压缩到 128×128大小,由于提取K-L散度最小的三个本征模态函数作为敏感分量, 共获得G1,G2,G3三个特征图,即卷积神经网络输入样本为3通道128×128的灰 度图像。
步骤5、将基于格拉姆角场的3通道128×128的灰度图像样本输入至预 设的轻量级CNN-SVM电机故障检测模型,输出得到待测试电机的故障诊 断结果,其中,SVM模型的超参数通过改进平衡优化器算法寻优获取,具 体包括以下步骤:
步骤51、采用邻代维度交叉策略和自适应柯西变异对平衡优化器模型 进行改进;
建立平衡优化器模型,通过Logistic混沌序列初始化机制在搜索空间的 可行域内生成初始种群,并在每次迭代后基于邻代维度交叉策略融合历代最 优个体的不同维度信息,并针对最优个体执行自适应柯西变异操作,以有效 降低陷入局部最优的可能性。具体建模步骤如下:
S1、给定算法的种群规模,迭代次数,搜索空间的维度以及上限和下 限向量。
S2、基于Logistic混沌序列初始化方法生成初始种群,通过Logistic完 全混沌迭代公式将d维随机向量L1以迭代形式映射到混沌空间,得到N个向 量,用公式表示如下:
Lt+1=4·Lt(1-Lt)t=1,2L N-1
其中,L1为各维度均为(0,1)区间内随机数的d维向量,N为种群规模。
通过搜索空间的上限和下限向量将混沌变量L1,L2L LN变换到可行域中, 获得初始化种群,用公式表示如下:
x={xi},i=1,2L N
xij=lj+(uj-lj)·Lij
其中,x为初始化种群,xij为种群第i个个体第j维的取值,uj和lj分别 为维度j的上界和下界,N为种群规模,d为样本维数。
S3、种群个体的候选解作为SVM模型的核函数参数g和惩罚参数c, 将样本集5折,基于结构风险最小化原则,将预测精确度与1的差值设置为 平衡优化器的适应度函数f,表示如下:
f=1-pacc
其中,f为适应度函数,pacc为SVM模型在样本集5折下的预测精度。
S4、遍历计算种群每个个体的适应度,根据适应度值选取5个当前最 优的候选解,并建立平衡状态池Ceq,pool,表示如下:
Ceq,pool={Ceq,1,Ceq,2,Ceq,3,Ceq,4,Ceq,ave}
其中,Ceq,1,Ceq,2,Ceq,3,Ceq,4分别为种群中适应度最优的四个解,Ceq,ave为 Ceq,1,Ceq,2,Ceq,3,Ceq,4的均值。
S5、基于受控制容积强混合型动态质量平衡的物理启发式方程,更新 种群个体的位置,用公式表示如下:
xi=Ceq+(xi-Ceq)F+G(1-F)/λV
其中,Ceq为平衡状态解,以相同的概率在平衡状态池Ceq,pool的5个候选 解中随机选取,F为指数项系数,G为质量生成速率,λ为各维度均为(0,1) 区间内随机数的d维向量,V为控制容积。
S6、针对历次迭代适应度最优的个体Ceq,1进行邻代维度交叉,遍历当前 最优个体与前次最优个体的全部维度,若维度差异高于阈值且交叉后适应度 更优,则在该维度上执行并保留交叉操作,反之则不执行交叉操作。
S7、对种群最优个体Ceq,1进行自适应柯西变异操作,变异操作的执行时 机由最优个体适应度值的变化率动态确定,定义当前最优个体适应度值与z 次迭代前最优适应度值的差值的绝对值,与当前最优个体适应度值的比值为 最优个体适应度值变化率的评价指标,当其小于预设阈值时,执行柯西变异 操作,用公式表示如下:
其中,f为平衡优化器的适应度函数,ε为阈值。
当满足上式条件时,对Ceq,1执行柯西变异操作,并对变异前后个体进行 适应度择优,用公式表示如下:
Ceq,1_new=Ceq,1+Ceq,1×Cauthy(0,1)
其中,Ceq,1为最优个体执行柯西变异后的新个体,Cauthy(0,1)为标准柯西 分布。
比较柯西变异前后个体的适应度值,保留适应度较优的个体。
步骤52、构建基于空洞卷积和深度可分离卷积的新型轻量级CNN- SVM模型,并通过改进的平衡优化器算法优化支持向量机的核函数参数g 和惩罚参数c;
根据输入样本的维度及分类要求,确定卷积神经网络的拓扑结构,网络 模型选取LeNet-5轻量型网络作为基层网络进行改进,采用深度可分离卷积 替代原卷积,将原卷积分成逐通道卷积和逐点卷积,先对每一个通道进行卷 积操作,然后采用1×1的卷积核进行各个通道之间的信息融合,从而减少模 型参数,提高计算效率。同时用支持向量机SVM分类器代替原始模型中的 Softmax分类层。SVM分类器基于最大化间隔准则构造最优超平面进行分类, 采用高斯核函数将线性不可分的输入样本变换投影到高维空间,实现高维空 间内的线性可分。高斯核函数用公式表示如下:
其中,x和x%是输入向量,σ是高斯核的带宽。
SVM分类器基于二类问题设计一对一推广算法作为多分类策略。所述 一对一推广算法,在每两种类型的样本之间构造一个子分类器,子分类器的 数量用公式表示如下:
其中,NC为子分类器的数量,k为电机运行的状态类别数。
在未知样本的辨识阶段,每个子分类器分别对样本进行判别,基于投票 原则,由每种类别的所得票数确定未知样本的所属类型。
改进后的模型共有十层,包括输入层,四个卷积层,三个池化层,一个 全连接层和一个SVM分类层,其中,卷积层包括一个空洞卷积层和三个原 卷积层,第一层采用扩张率为2的空洞卷积层替代原卷卷积层,各层卷积操 作均采用深度可分离卷积替代原卷积,将原卷积分成逐通道卷积和逐点卷积, 先对每一个通道进行卷积操作,然后采用1×1的卷积核进行各个通道之间的 信息融合。采用支持向量机SVM多分类器代替原始模型中的Softmax分类 层,具体如下:
输入层,统一归一化图像,特征图为3通道128×128的灰度图像;
空洞卷积层C1,输入为128×128×3的图像,卷积核包括5×5大小,扩张 率为2,步长为1的逐通道空洞卷积以及1×1大小,种类数为6的逐点卷积, 输出为120×120×6的图像;
池化层S2,输入为120×120×6的图像,池化窗口为2×2,池化步长为2, 池化方式为最大池化,输出为60×60×6的图像;
卷积层C3,输入为60×60×6的图像,卷积核包括5×5大小,步长为1的 逐通道卷积以及1×1大小,种类数为40的逐点卷积,输出为56×56×40的图 像;
池化层S4,输入为56×56×40的图像,池化窗口为2×2,池化步长为2, 池化方式为最大池化,输出为28×28×40的图像;
卷积层C5,输入为28×28×40的图像,卷积核包括5×5大小,步长为1 的逐通道卷积以及1×1大小,种类数为60的逐点卷积,输出为24×24×60的 图像;
卷积层C6,输入为24×24×60的图像,对图像外侧1层进行全零填充, 卷积核包括5×5大小,步长为4的逐通道卷积以及1×1大小,种类数为120 的逐点卷积,输出为8×8×120的图像;
池化层S7,输入为8×8×120的图像,池化窗口为2×2,池化步长为2, 池化方式为最大池化,输出为4×4×120的图像;
全连接层F8,输入为4×4×120的图像,卷积核为200通道的4×4大小卷 积,输出为1×200的特征向量;
SVM分类层,输入为1×200的特征向量,核函数采用高斯核函数,基于 二类问题设计一对一推广算法作为多分类策略,SVM分类层输出故障类别。
在支持向量机SVM模型的训练过程中,核函数参数g和惩罚参数c对 分类准确率具有重要的影响,采用改进的平衡优化器算法对核函数参数g和 惩罚参数c进行寻优,具体步骤如下:
S11、初始化核函数参数g和惩罚参数c,设置平衡优化器算法的种群 规模,最大迭代次数,搜素空间的上边界和下边界等参数。
S12、编码改进平衡优化器算法的初始个体位置,每个个体代表支持向 量机SVM模型关键参数组成的向量[g,c]的一组候选解。
S13、将样本集5折,基于结构风险最小化原则,将预测精确度与1的 差值设置为平衡优化器的适应度函数f,表示如下:
f=1-pacc
其中,f为适应度函数,pacc为SVM模型在样本集5折下的预测精度。
S14、根据改进平衡优化器算法的思想迭代更新种群,直到迭代次数达 到预设的最大迭代次数,输出全局最优适应度个体[g,c],将优化后的核函 数参数g和惩罚参数c代入SVM模型中。
步骤53、样本集划分为训练集与测试集,基于训练集完成新型轻量级 CNN-SVM模型的训练,保存训练后的模型,并用于识别未知样本的故障类 别,完成电机的故障检测,具体如下:
S101、在样本集中随机选取10%的数据作为测试集,剩余数据作为训 练集。
S102、将训练集输入到新型轻量级CNN-SVM模型中,通过迭代训练 调整网络模型参数,直到新型轻量级CNN-SVM模型收敛,保存训练后的 模型。
S103、将测试集输入到训练后的轻量级CNN-SVM模型中,模型输出 各个测试样本的分类标签,计算CNN-SVM模型在测试集上的分类精确度, 并采用k×k的混淆矩阵评价模型性能,其中,k为电机运行的状态类别数。
S104、采集未知运行状态的电机的时序信号,转化为二维特征图样本, 输入到保存的新型轻量级CNN-SVM模型中,模型输出未知样本的故障类 别,完成待测试电机的故障检测。
通过以上步骤,即实现了对电机运行故障的检测。
一种基于灰度图像和轻量级CNN-SVM模型的电机故障检测方法的系 统,包括采集模块、分解模块、筛选模块、图像编码模块和诊断模块,;
采集模块,用于获取待测试电机的时序信号;
分解模块,用于时序信号分解为本征模态函数IMF;
筛选模块,用于采用K-L散度法衡量各个本征模态函数与原始时序信 号的相似性,筛选出包含故障信息的敏感分量;
图像编码模块,用于采用格拉姆角场法和图像压缩技术,将敏感分量编 码为2D灰度图像;
诊断模块,用于建立基于改进平衡优化器算法优化的轻量级CNN-SVM 电机故障检测模型,并将2D灰度图像样本输入至CNN-SVM电机故障检测 模型,CNN-SVM电机故障检测输出待测试电机的故障诊断结果。
本发明公开了一种基于敏感分量灰度图像和新型轻量级CNN-SVM模 型的电机故障检测方法,将图像处理技术以及深度学习技术和电机的故障检 测相融合,能够自适应地逐层提取原始信号中的深层规律,避免了复杂的人 工特征提取,实现了端到端的电机大数据特征挖掘及智能化故障检测,有效 提高了故障诊断算法的精确度。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围, 凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落 入本发明权利要求书的保护范围之内。
Claims (7)
1.一种基于灰度图像和轻量级CNN-SVM模型的电机故障检测方法,其特征在于,包括以下步骤:
步骤1、获取待测试电机的时序信号;
步骤2、基于经验模态分解EMD将时序信号分解为一系列本征模态函数IMF;
步骤3,采用K-L散度法衡量各个本征模态函数与原始时序信号的相似性,筛选包含故障信息的敏感分量;
步骤4,基于格拉姆角场法和图像压缩技术,将敏感分量编码为2D灰度图像,作为待测试电机的样本集;
步骤5,建立基于改进平衡优化器算法优化的轻量级CNN-SVM电机故障检测模型,并通过改进的平衡优化器算法优化支持向量机的核函数参数g和惩罚参数c;将样本集输入至CNN-SVM模型,CNN-SVM模型输出待测试电机的故障诊断结果;
所述轻量级CNN-SVM电机故障检测模型采用LeNet-5轻量型网络作为基层网络进行改进,模型共有十层,包括输入层,四个卷积层,三个池化层,一个全连接层和一个SVM分类层,第一层采用空洞卷积层替代原始模型的卷积层,各层卷积操作均采用深度可分离卷积替代原规卷积,将原卷积分成逐通道卷积和逐点卷积,先对每一个通道进行卷积操作,然后采用1×1的卷积核进行各个通道之间的信息融合,采用支持向量机SVM多分类器代替原始模型中的Softmax分类层;
SVM分类器的核函数参数g和惩罚参数c,采用改进的平衡优化器算法对核函数参数g和惩罚参数c进行寻优获取,改进平衡优化器算法采用Logistic混沌序列初始化机制在搜索空间的可行域内生成初始种群,并在每次迭代后基于邻代维度交叉策略融合历代最优个体的不同维度信息,并针对最优个体执行自适应柯西变异操作,以有效降低陷入局部最优的可能性。
2.根据权利要求1所述的一种基于灰度图像和轻量级CNN-SVM模型的电机故障检测方法,其特征在于,步骤1待测试电机的时序信号包括待测试电机分别运行在正常状态、负载故障状态、轴承磨损状态、转子偏心状态、转子断条状态和定子匝间短路状态下的三轴加速度信号和电压电流信号。
3.根据权利要求1所述的一种基于灰度图像和轻量级CNN-SVM模型的电机故障检测方法,其特征在于,步骤2中得到本征模态函数IMF的方法具体如下:
获取时序信号s(t)的极大值和极小值序列,采用插值法得到时序信号的上包络线和下包络线,并求出其平均值m(t),从待分解的时序信号中剔除平均值m(t),将中间信号h(t)作为新的待分解信号,重复该操作,直到中间信号h(t)满足IMF条件,此时将其作为本征模态函数IMF输出,采用原始时序信号s(t)减去本征模态函数,得到残余函数,将残余函数作为新的待分解信号,重新执行经验模态分解,直到残余函数单调,得到满足条件的k个本征模态函数。
4.根据权利要求1所述的一种基于灰度图像和轻量级CNN-SVM模型的电机故障检测方法,其特征在于,步骤3中敏感分量的筛选方法如下:
采用核密度估计法计算原始时序信号s(t)和本征模态函数IMF分量的概率分布,分别计算原始时序信号s(t)和k个本征模态函数IMF分量之间的K-L散度值,选取最小的三个K-L散度对应的本征模态函数作为敏感分量。
5.根据权利要求1所述的一种基于灰度图像和轻量级CNN-SVM模型的电机故障检测方法,其特征在于,步骤4中敏感分量编码为2D灰度图像的方法如下:
将敏感分量的时间序列缩放至区间[-1,1],将缩放后的时间序列的信号值编码为角余弦,时间戳编码为极径,在极坐标系下重新构造出敏感分量序列,通过计算极坐标下一维信号各个点之间的余弦函数和,并定义生成格拉姆角场,将格拉姆角场转化为2D灰度图像。
6.根据权利要求1所述的一种基于灰度图像和轻量级CNN-SVM模型的电机故障检测方法,其特征在于,所述变异操作的执行时机由最优个体适应度值的变化率动态确定,定义当前最优个体适应度值与z次迭代前最优适应度值的差值的绝对值,与当前最优个体适应度值的比值为最优个体适应度值变化率的评价指标,当其小于预设阈值时,执行柯西变异操作,用公式表示如下:
其中,f为平衡优化器的适应度函数,ε为阈值;
当满足上式条件时,对Ceq,1执行柯西变异操作,并对变异前后个体进行适应度择优,用公式表示如下:
Ceq,1_new=Ceq,1+Ceq,1×Cauthy(0,1)
其中,Ceq,1为最优个体执行柯西变异后的新个体,Cauthy(0,1)为标准柯西分布。
7.一种权利要求1-6任一项所述的一种基于灰度图像和轻量级CNN-SVM模型的电机故障检测方法的系统,其特征在于,包括,
采集模块,用于获取待测试电机的时序信号;
分解模块,用于时序信号分解为本征模态函数IMF;
筛选模块,用于采用K-L散度法衡量各个本征模态函数与原始时序信号的相似性,筛选出包含故障信息的敏感分量;
图像编码模块,用于采用格拉姆角场法和图像压缩技术,将敏感分量编码为2D灰度图像;
诊断模块,用于建立基于改进平衡优化器算法优化的轻量级CNN-SVM电机故障检测模型,并将2D灰度图像样本输入至CNN-SVM电机故障检测模型,CNN-SVM电机故障检测输出待测试电机的故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111156362.6A CN114019370B (zh) | 2021-09-29 | 2021-09-29 | 基于灰度图像和轻量级cnn-svm模型的电机故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111156362.6A CN114019370B (zh) | 2021-09-29 | 2021-09-29 | 基于灰度图像和轻量级cnn-svm模型的电机故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114019370A CN114019370A (zh) | 2022-02-08 |
CN114019370B true CN114019370B (zh) | 2023-04-28 |
Family
ID=80055211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111156362.6A Active CN114019370B (zh) | 2021-09-29 | 2021-09-29 | 基于灰度图像和轻量级cnn-svm模型的电机故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114019370B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114325072B (zh) * | 2022-03-14 | 2022-06-21 | 南昌航空大学 | 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 |
CN115577259A (zh) * | 2022-09-14 | 2023-01-06 | 中国南方电网有限责任公司超高压输电公司大理局 | 高压直流输电系统故障选极方法、装置和计算机设备 |
CN116359169B (zh) * | 2023-06-02 | 2023-09-05 | 谱宁医学科技(天津)有限责任公司 | 疾病筛查模型的构建装置、疾病筛查装置、设备及介质 |
CN117117923B (zh) * | 2023-10-19 | 2024-04-05 | 深圳市百酷新能源有限公司 | 一种基于大数据的储能控制并网管理方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111751763A (zh) * | 2020-06-08 | 2020-10-09 | 武汉大学 | 一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法 |
CN112561184A (zh) * | 2020-12-22 | 2021-03-26 | 河海大学 | 一种基于gaf特征融合的用水量序列预测模型的方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103868692B (zh) * | 2014-03-18 | 2016-02-10 | 电子科技大学 | 基于核密度估计和k-l散度的旋转机械故障诊断方法 |
CN106092574B (zh) * | 2016-05-30 | 2018-04-17 | 西安工业大学 | 基于改进emd分解与敏感特征选择的轴承故障诊断方法 |
US20220084210A1 (en) * | 2019-02-08 | 2022-03-17 | Carl Zeiss Meditec, Inc. | Segmentation and classification of geographic atrophy patterns in patients with age related macular degeneration in widefield autofluorescence images |
CN110595780B (zh) * | 2019-09-20 | 2021-12-14 | 西安科技大学 | 基于振动灰度图像和卷积神经网络的轴承故障识别方法 |
CN112200214B (zh) * | 2020-08-24 | 2022-09-13 | 贵州大学 | 一种基于图像识别和卷积神经网络的pmsm多故障诊断方法 |
CN112179654B (zh) * | 2020-09-28 | 2022-02-01 | 西南交通大学 | 基于GAF-CNN-BiGRU网络的滚动轴承故障识别方法 |
CN112577748A (zh) * | 2020-12-07 | 2021-03-30 | 东南大学 | 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法 |
CN113392749A (zh) * | 2021-06-07 | 2021-09-14 | 武汉理工大学 | 一种基于gaf-vgg的滚动轴承故障诊断方法及装置 |
-
2021
- 2021-09-29 CN CN202111156362.6A patent/CN114019370B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111751763A (zh) * | 2020-06-08 | 2020-10-09 | 武汉大学 | 一种基于GSMallat-NIN-CNN网络的电力变压器绕组故障诊断方法 |
CN112561184A (zh) * | 2020-12-22 | 2021-03-26 | 河海大学 | 一种基于gaf特征融合的用水量序列预测模型的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114019370A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114019370B (zh) | 基于灰度图像和轻量级cnn-svm模型的电机故障检测方法 | |
CN111667884A (zh) | 基于注意力机制使用蛋白质一级序列预测蛋白质相互作用的卷积神经网络模型 | |
CN114120041B (zh) | 一种基于双对抗变分自编码器的小样本分类方法 | |
CN110929843A (zh) | 一种基于改进深度自编码网络的异常用电行为辨识方法 | |
CN114386534A (zh) | 一种基于变分自编码器和对抗生成网络的图像增广模型训练方法及图像分类方法 | |
CN111160163B (zh) | 一种基于区域关系建模和信息融合建模的表情识别方法 | |
CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
CN113095370A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN112232577A (zh) | 用于多芯智能表的电力负荷概率预测系统与方法 | |
CN117117859B (zh) | 基于神经网络的光伏发电功率预测方法及系统 | |
CN114548591A (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
CN115375877A (zh) | 一种基于通道注意力机制的三维点云分类方法及装置 | |
CN112906935A (zh) | 一种风电场超短期功率预测方法 | |
CN116248392A (zh) | 一种基于多头注意力机制的网络恶意流量检测系统及方法 | |
CN117011943A (zh) | 基于多尺度自注意力机制的解耦的3d网络的动作识别方法 | |
CN108898157B (zh) | 基于卷积神经网络的数值型数据的雷达图表示的分类方法 | |
CN113806561A (zh) | 一种基于实体属性的知识图谱事实补全方法 | |
CN113743593A (zh) | 神经网络量化方法、系统、存储介质及终端 | |
CN112307288A (zh) | 一种用于多渠道的用户聚类方法 | |
CN117633140B (zh) | 一种基于大数据云计算技术的城市地质调查方法 | |
CN117975174B (zh) | 一种基于改进vqgan的三维数字岩心重构方法 | |
CN116405368B (zh) | 一种高维不平衡数据条件下的网络故障诊断方法、系统 | |
CN113326393B (zh) | 一种基于深度哈希特征和异构并行处理的图像检索方法 | |
CN116630816B (zh) | 基于原型对比学习的sar目标识别方法、装置、设备及介质 | |
CN116189262A (zh) | 一种基于大数据的人脸识别方法 |
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 |