CN114118149A - 基于有限元仿真和对称特征迁移的感应电机故障诊断系统 - Google Patents

基于有限元仿真和对称特征迁移的感应电机故障诊断系统 Download PDF

Info

Publication number
CN114118149A
CN114118149A CN202111402504.2A CN202111402504A CN114118149A CN 114118149 A CN114118149 A CN 114118149A CN 202111402504 A CN202111402504 A CN 202111402504A CN 114118149 A CN114118149 A CN 114118149A
Authority
CN
China
Prior art keywords
training
data
domain
module
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.)
Pending
Application number
CN202111402504.2A
Other languages
English (en)
Inventor
黄亦翔
陶智宇
夏鹏程
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong 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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202111402504.2A priority Critical patent/CN114118149A/zh
Publication of CN114118149A publication Critical patent/CN114118149A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/259—Fusion by voting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)

Abstract

一种基于有限元仿真和特征迁移的感应电机故障诊断系统，包括：定子电流数据采集模块、对称特征迁移训练模块和故障诊断模块，其中：定子电流数据采集模块设置于感应电机的电路中采集对应的电机三相定子电流信号，经模数转换后将数字信号分别输出至对称特征迁移训练模块和故障诊断模块，对称特征迁移训练模块在离线阶段通过有限元仿真模型生成的仿真的三相定子电流信号作为训练样本并构建混合的源域和无标签的目标域对故障诊断模块的骨干网络模型进行训练，通过使用MK‑MMD和域判别器进行多阶段的对称特征迁移，故障诊断模块在在线阶段对采集到的实时工况信号进行诊断。本发明将大量无标签的真实数据作为目标域，在高维空间对齐源域和目标域，实现小样本情况下的电机故障诊断。

Description

基于有限元仿真和对称特征迁移的感应电机故障诊断系统
技术领域
本发明涉及的是一种感应电机设备诊断领域的技术，具体是一种基于有限元仿真和对称特征迁移的每类的故障样本的数量低于5个的小样本感应电机健康诊断系统。
背景技术
现有感应电机故障诊断技术对于小样本的数量需求较高，在故障样本数极少的情况下，难以保证有足够的精度；并且在数据驱动时，并没有引入除样本数据以外额外的经验知识用于提高故障诊断的精度和可解释性，过分依赖高质量数据集。(3)绝大多数的电机故障诊断算法都是有监督算法不能很好地利用无标签数据。为了解决以上问题，提高感应电机的诊断精准度，本发明结合了有限元仿真和无监督特征迁移学习，采用了混合构建源域的方式将仿真知识和无标签真实数据用于解决小样本电机故障诊断问题，提高了可解释性和诊断精准度，并且减少了外部数据集依赖。
发明内容
本发明针对现有技术故障数据稀少和源域数据难以找寻的问题，提出一种基于有限元仿真和特征迁移的感应电机故障诊断系统，通过有限元仿真获取仿真的故障数据，将仿真数据和少量带标签的真实数据通过数据增强构造出一个源域，将大量无标签的真实数据作为目标域。通过多核最大均值差异(Multi-Kernel Maximum Mean Discrepancy,MK-MMD)和域判别器(domain classifier，DC)的组合在高维空间对齐源域和目标域，进行对称特征迁移，完成从仿真故障到真实故障的知识迁移，实现小样本情况下的电机故障诊断。
本发明是通过以下技术方案实现的：
本发明涉及一种基于有限元仿真和对称特征迁移的感应电机健康诊断系统，包括：定子电流数据采集模块、对称特征迁移训练模块和故障诊断模块，其中：定子电流数据采集模块设置于感应电机的电路中采集对应的电机三相定子电流信号，经模数转换后将数字信号分别输出至对称特征迁移训练模块和故障诊断模块，对称特征迁移训练模块在离线阶段通过有限元仿真模型生成的仿真的三相定子电流信号作为训练样本并构建混合的源域和无标签的目标域对故障诊断模块的骨干网络模型进行训练，通过使用MK-MMD和域判别器进行多阶段的对称特征迁移，故障诊断模块在在线阶段对采集到的实时工况信号进行诊断。
所述的定子电流数据采集模块包括：电流传感器和数据采集板卡，其中：电流传感器串联进入感应电机的电路并采集感应电机的定子电流；数据采集板卡将传感器的模拟信号转化为数字信号，将三相的电流信号输出至故障诊断模块进行故障诊断或是输出至对称特征迁移训练模块用于网络训练。
所述的对称特征迁移训练模块包括：有限元仿真单元、域构建单元以及训练单元，其中：有限元仿真单元根据需要诊断的电机的详细参数构建合理完善的电机健康模型，通过故障机理修改电机健康模型得到故障模型后，通过运行仿真得到所需故障的三相定子仿真电流；域构建单元将仿真数据和小样本带标签数据混合构建源域，将标签数据则构建为目标域；训练单元根据构建得到的无需依赖外部相似数据的源域和目标域对故障诊断模块中的骨干网络模型进行源域预训练、迁移训练和微调稳定处理并根据损失选取最优模型作为诊断模型。
所述的故障诊断模块包括：预处理单元、骨干网络模型以及投票单元，其中：预处理单元对采集得到的三相定子电流进行异常值去除、归一化处理和裁剪处理，得到待诊断数据样本；骨干网络模型在经过对称特征迁移训练模块训练后根据待诊断数据样本进行故障诊断，得到健康状态概率分布，选取概率分布最高的状态作为诊断结果；投票单元采用投票机制从若干样本中选择出现数量超过50％以上的结果作为最终的诊断结果。
所述的投票单元，当无法获得任何一个结果的数量超过50％，则显示无法诊断或状态不明。
本发明涉及一种基于上述系统的感应电机健康诊断方法，包括以下步骤：
步骤1、有限云仿真模型生成仿真样本，具体步骤包括：
1.1)感应电机健康模型构建：首先对目标电机进行测量从而获得所需的几何尺寸参数和电气参数，之后建立二维的感应电机仿真模型。
1.2)感应电机故障模型构建：通过对健康模型做修改获得所需故障的仿真模型，例如通过修改转子导条的电导率来模拟转子断条。
1.3)仿真运行：运行所有的故障仿真模型从而获得各个故障的仿真样本。
步骤2、通过源域预训练阶段，迁移训练阶段和微调稳定阶段训练骨干网络模型，具体包括：
2.1)源域预训练阶段：训练数据仅为源域数据，损失只有源域分类损失，优化器为Adam优化器，学习率为0.0001，权重衰减(weight decay)为0.001。同时为了突出真实数据的作用，将真实数据的权重提高为50倍。
2.2)迁移训练阶段：迁移训练阶段：训练数据为源域数据和目标域数据，损失为总损失函数L＝LC+LM+LD，其中：LC为源域的分类损失，LM为MK-MMD损失，LD为域判别损失，优化器参数不变，MK-MMD损失的权重为1.5。域判别器的损失函数权重一开始不宜取太高，应当逐步提高其权重。
所述的MK-MMD是最大均值差异(MMD)的推广和优化，采用多个核函数的凸组合来定义为两个数据集在再生希尔伯特核空间(RKHS)中边缘分布的平方距离，其公式为
Figure BDA0003371278010000031
βi＞0，其中ki代表第i个核函数，βi代表第i个核函数的权重。本发明采用高斯核函数作为MK-MMD的基本核函数形式，高斯核函数的定义如下式所示：k(x，x0)＝exp(-||x-x0||2/(2σ2))。
所述的域判别器根据诊断模型输出的特征向量判断样本是属于源域还是目标域。域判别器的损失在反向梯度迭代时会加大两个域的在公共特征空间的差异，因此需要加入梯度反转层从而使优化的方向变为减少两个域的在公共特征空间上的差异，从而让网络找到两个域之间差异最小的公共特征空间，完成对称特征迁移。
所述的域判别器的损失函数权重一开始不宜取太高，应当逐步提高其权重。
2.3)微调稳定阶段，迁移训练阶段的学习率和损失的权重相对比较大，所以为稳定最后的训练结果选择在后50个epochs中将学习率降低。
步骤3、在线故障诊断，具体步骤包括：
3.1、采集数据样本：通过电流传感器对三相感应电机的定子电流采集数据，将模拟信号转换为数字信号。
3.2、数据预处理：对采集得到的三相定子电流信号进行去除异常值、缩放样本幅值为-1到1的区间，根据情况选择滑窗重叠率从0到0.3。最终将信号处理为不同的数据样本。
3.3、故障预测：将预处理完毕的样本投入到骨干网络模型中获得故健康状态的概率分布，选取最高概率作为预测结果，为了提高预测的精度和可靠性，采用投票机制，选取一定数量(默认为300个)的预测结果，取其中大多数的结果作为最终的预测结果。当不存在大多数的结果则反馈为无法诊断或状态不明。
技术效果
本发明将电机有限元仿真和迁移学习相结合并提出了混合源域的概念用于克服电机小样本诊断问题，调整真实样本和仿真样本的权重构建不平衡源域，提出了三个不同的阶段来分离训练过程。其与现有常规技术手段相比，本发明没有采用外部的数据作为源域也没有直接将仿真数据作为源域，而是通过仿真数据和小样本真实数据的混合构建了更加合理的源域，从而提高了源域和目标域的相似度。由于小样本真实数据不在作为单独一个域所以减少了数量要求，并且通过将无标签的真实数据设为目标域从而利用无标签真实数据的分布。接着将仿真数据和真实数据的训练权重比例修改从而构建了不平衡源域，从而进一步放大真实样本的作用，克服真实样本数量稀少的弊病，提高网络初始化和后续的迁移的效果。将整个训练过程分为三个工程阶段：源域预训练阶段，迁移训练阶段和微调稳定阶段，对每个阶段赋予不同的意义和目标，逐步添加、删除或是修改训练内容和学习率，从而保证稳定的训练结果和收敛。
附图说明
图1为本发明电机诊断系统结构图。
图2为本发明有限元仿真模型图；
图3为本发明骨干网络结构图；
图4为本发明对称特征迁移训练模型图；
图5为实施例训练阶段图；
具体实施方式
如图1所示，为本实施例涉及一种基于有限元仿真和对称特征迁移的感应电机健康诊断系统，包括：定子电流数据采集模块、对称特征迁移训练模块和故障诊断模块，其中：定子电流数据采集模块设置于感应电机的电路中采集对应的电机三相定子电流信号，经模数转换后将数字信号分别输出至对称特征迁移训练模块和故障诊断模块，对称特征迁移训练模块在离线阶段通过有限元仿真模型生成的仿真的三相定子电流信号作为训练样本对故障诊断模块的骨干网络模型进行训练以及特征迁移，故障诊断模块在在线阶段对采集到的实时工况信号进行诊断。
如图2所示，所述的训练样本，通过有限云仿真模型生成，其具体采用二维电机电磁场模型以有效的模拟电机运行时的电磁场变化。因此通过该仿真模型可以获得不同工况下的感应电机的三相定子电流信号。
本实施例中有限元仿真模型，具体是指基于Comsol Mutiphysics对感应电机进行1∶1的有限元仿真，采用二维电磁场的电机模型，同时耦合电路模型来模拟三相交流电，同时也可以控制输入的电流。该仿真模型可以用于仿真健康状态下的感应电机的定子电流。然后在健康模型的基础上通过改变一些参数用于仿真各种故障，例如转子断条，匝间短路等。最终将得到的电流仿真信号作为训练样本输出至对称特征迁移训练模块。
如图3所示，所述的骨干网络模型包括：用于提取样本的细节特征若干残差块、用于减少多余的参数的自适应最大池化层和用于将一维卷积的输出拉平成一维信号的全连接层，其中：每个残差块由两层一维CNN构成。
所述的骨干网络模型，以多分类交叉熵来定义故障分类的损失函数。
如图4所示，所述的骨干网络模型，具体通过以下方式进行训练：通过仿真数据和极少的带标签的故障数据组合成源域，大量无标签的样本组成目标域。因为真实样本更有价值加上其数量非常稀少，所以需要修改源域中真实样本的权重，以不平衡的方式凸显和放大真实样本的作用，通常来说真实样本和仿真样本的权重为50∶1，具体的设置方式为在训练时当检测到样本是真实样本时，按一定比例提高loss的值从而在反向梯度传播时放大作用。在源域预训练阶段，只是使用源域进行模型的训练，获得优秀的初始化权重。接着在迁移训练阶段引入MK-MMD和域判别器，同时将目标域数据也投入训练，从而在高维度的再生希尔伯特核空间中寻找最合适的公共特征空间。MK-MMD可以在高维空间上估计域之间的距离而域判别器则可以通过对抗的思想来判断域在公共特征空间的相似度。为了提高训练效果，对域判别器引入了由低到高的可变的学习率，最终在这个阶段大致完成了将训练仿真样本得到的特征提取和分类知识迁移到真实的样本中去。在微调稳定阶段通过总体降低学习率而提高网络收敛和分类效果。
为验证本实施例在故障样本数量极少且没有现成的源域数据下依旧可以获得优秀故障诊断效果，进行一个标准的实验。首先通过定子电流数据采集模块采集四种工况下的感应电机的定子电流，电机运行频率为45Hz，采样频率为5120Hz。这四种工况分别为健康、匝间短路、转子偏心和转子断条。通过有限元仿真模型，经过仿真计算得到对应的四种工况下的仿真定子电流数据。最后按照上述的方法构建源域和目标域进行训练和诊断，样本数据长度为1024，每一类的仿真样本数量和无标签样本数量都为850个，真实带标签的故障样本的权重为50。本实施例在每类故障样本只有1，2，3时的故障诊断精准度分别为99.38％，99.30％，99.83％。可以看出本实施例在故障样本极度稀少的情况下依旧可以获得99％以上的精准度，同时也可以看出分类的精准度也是随着故障样本数量增加而增加。
为了验证不平衡权重的源域的重要性，本实施例在真实带标签的故障样本的权重为1时进行训练。和权重为50相比，本实施例在每类故障样本只有1，2，3时的故障诊断精准度分别为73.43％，74.59％，78.61％，精准度有了大幅度降低。
表1不同小样本数据集下的故障分类精度
Figure BDA0003371278010000051
为了进一步说明本实施例的先进性，选取了三种常见的电机小样本故障诊断方法：Finetun(微调)，孪生网络和原型网络进行对比。这三种方法都使用了相同的仿真数据和小样本真实数据以及网络模型。在每类故障样本只有1，2，3时，如表2所示，这三类常见的电机小样本故障诊断的精准度要小于本方法，而且很明显看见当故障样本如此稀少时，这些常见小样本算法的表现非常糟糕，而随着故障样本数量增加它们的表现在逐渐好转，这说明它们并不适合这种样本过于稀少的场景。
表2不同方法的故障分类精度对比
Figure BDA0003371278010000061
与现有技术相比，本方法对于高质量故障样本的数量需求极低，即便每个故障类别只有一个带标签的故障样本，也能做到很高的分类精度。本实施例直接以仿真数据为主构建源域，不需要找寻相似的源域数据，减少外部依赖。本实施例通过引入仿真知识，提高故障诊断的精准度和可解释性。和常见的小样电机故障诊断相比，每类故障样本只有1，2，3时依旧可以保持非常好的故障识别率，而常见的小样本算法会在样本数量非常稀少时，故障识别率大幅度降低。在不同的带标签实际故障样本的数量下，本实施例对于电机的故障诊断精准率在99％以上。这些都充分验证本实施例对于电机故障具有很强的诊断能力。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (9)

1.一种基于有限元仿真和对称特征迁移的感应电机健康诊断系统，其特征在于，包括：定子电流数据采集模块、对称特征迁移训练模块和故障诊断模块，其中：定子电流数据采集模块设置于感应电机的电路中采集对应的电机三相定子电流信号，经模数转换后将数字信号分别输出至对称特征迁移训练模块和故障诊断模块，对称特征迁移训练模块在离线阶段通过有限元仿真模型生成的仿真的三相定子电流信号作为训练样本并构建混合的源域和无标签的目标域对故障诊断模块的骨干网络模型进行训练，通过使用MK-MMD和域判别器进行多阶段的对称特征迁移，故障诊断模块在在线阶段对采集到的实时工况信号进行诊断。
2.根据权利要求1所述的基于有限元仿真和对称特征迁移的感应电机健康诊断系统，其特征是，所述的定子电流数据采集模块包括：电流传感器和数据采集板卡，其中：电流传感器串联进入感应电机的电路并采集感应电机的定子电流；数据采集板卡将传感器的模拟信号转化为数字信号，将三相的电流信号输出至故障诊断模块进行故障诊断或是输出至对称特征迁移训练模块用于网络训练。
3.根据权利要求1所述的基于有限元仿真和对称特征迁移的感应电机健康诊断系统，其特征是，所述的对称特征迁移训练模块包括：有限元仿真单元、域构建单元以及训练单元，其中：有限元仿真单元根据需要诊断的电机的详细参数构建合理完善的电机健康模型，通过故障机理修改电机健康模型得到故障模型后，通过运行仿真得到所需故障的三相定子仿真电流；域构建单元将仿真数据和小样本带标签数据混合构建源域，将标签数据则构建为目标域；训练单元根据构建得到的无需依赖外部相似数据的源域和目标域对故障诊断模块中的骨干网络模型进行源域预训练、迁移训练和微调稳定处理并根据损失选取最优模型作为诊断模型。
4.根据权利要求1所述的基于有限元仿真和对称特征迁移的感应电机健康诊断系统，其特征是，所述的故障诊断模块包括：预处理单元、骨干网络模型以及投票单元，其中：预处理单元对采集得到的三相定子电流进行异常值去除、归一化处理和裁剪处理，得到待诊断数据样本；骨干网络模型在经过对称特征迁移训练模块训练后根据待诊断数据样本进行故障诊断，得到健康状态概率分布，选取概率分布最高的状态作为诊断结果；投票单元采用投票机制从若干样本中选择出现数量超过50％以上的结果作为最终的诊断结果。
5.一种基于权利要求1～4中任一所述系统的感应电机健康诊断方法，其特征在于，包括以下步骤：
步骤1、有限云仿真模型生成仿真样本，具体步骤包括：
步骤2、通过源域预训练阶段，迁移训练阶段和微调稳定阶段训练骨干网络模型，具体包括：
2.1)源域预训练阶段：训练数据仅为源域数据，损失只有源域分类损失，优化器为Adam优化器，学习率为0.0001，权重衰减为0.001；同时为了突出真实数据的作用，将真实数据的权重提高为50倍；
2.2)迁移训练阶段：迁移训练阶段：训练数据为源域数据和目标域数据，损失为总损失函数L＝LC+LM+LD，其中：LC为源域的分类损失，LM为MK-MMD损失，LD为域判别损失，优化器参数不变，MK-MMD损失的权重为1.5；域判别器的损失函数权重一开始不宜取太高，应当逐步提高其权重；
2.3)微调稳定阶段，迁移训练阶段的学习率和损失的权重相对比较大，所以为稳定最后的训练结果选择在后50个epochs中将学习率降低；
步骤3、在线故障诊断。
6.根据权利要求5所述的感应电机健康诊断方法，其特征是，所述的步骤1，具体包括：
1.1)感应电机健康模型构建：首先对目标电机进行测量从而获得所需的几何尺寸参数和电气参数，之后建立二维的感应电机仿真模型；
1.2)感应电机故障模型构建：通过对健康模型做修改获得所需故障的仿真模型，例如通过修改转子导条的电导率来模拟转子断条；
1.3)仿真运行：运行所有的故障仿真模型从而获得各个故障的仿真样本。
7.根据权利要求5所述的感应电机健康诊断方法，其特征是，所述的MK-MMD，采用多个核函数的凸组合来定义为两个数据集在再生希尔伯特核空间中边缘分布的平方距离，具体为：
Figure FDA0003371273000000021
βi＞0，其中ki代表第i个核函数，βi代表第i个核函数的权重；
所述的MK-MMD的基本核函数采用高斯核函数，具体为k(x，x0)＝exp(-||x-x0||2/(2σ2))。
8.根据权利要求5所述的感应电机健康诊断方法，其特征是，所述的域判别器根据诊断模型输出的特征向量判断样本是属于源域还是目标域；通过加入梯度反转层从而使优化的方向变为减少两个域的在公共特征空间上的差异，从而让网络找到两个域之间差异最小的公共特征空间，完成对称特征迁移。
9.根据权利要求5所述的感应电机健康诊断方法，其特征是，所述的步骤3，具体包括：
3.1、采集数据样本：通过电流传感器对三相感应电机的定子电流采集数据，将模拟信号转换为数字信号；
3.2、数据预处理：对采集得到的三相定子电流信号进行去除异常值、缩放样本幅值为-1到1的区间，根据情况选择滑窗重叠率从0到0.3；最终将信号处理为不同的数据样本；
3.3、故障预测：将预处理完毕的样本投入到骨干网络模型中获得故健康状态的概率分布，选取最高概率作为预测结果，为了提高预测的精度和可靠性，采用投票机制，选取一定数量的预测结果，取其中大多数的结果作为最终的预测结果。
CN202111402504.2A 2021-11-24 2021-11-24 基于有限元仿真和对称特征迁移的感应电机故障诊断系统 Pending CN114118149A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111402504.2A CN114118149A (zh) 2021-11-24 2021-11-24 基于有限元仿真和对称特征迁移的感应电机故障诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111402504.2A CN114118149A (zh) 2021-11-24 2021-11-24 基于有限元仿真和对称特征迁移的感应电机故障诊断系统

Publications (1)

Publication Number Publication Date
CN114118149A true CN114118149A (zh) 2022-03-01

Family

ID=80371609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111402504.2A Pending CN114118149A (zh) 2021-11-24 2021-11-24 基于有限元仿真和对称特征迁移的感应电机故障诊断系统

Country Status (1)

Country Link
CN (1) CN114118149A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936583A (zh) * 2022-06-14 2022-08-23 中国科学技术大学 基于教师-学生模型的双步领域自适应的跨用户肌电模式识别方法
CN117687307A (zh) * 2024-02-02 2024-03-12 广东控银实业有限公司 一种多摇杆控制方法、装置、设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936583A (zh) * 2022-06-14 2022-08-23 中国科学技术大学 基于教师-学生模型的双步领域自适应的跨用户肌电模式识别方法
CN114936583B (zh) * 2022-06-14 2024-03-29 中国科学技术大学 基于教师-学生模型的双步领域自适应的跨用户肌电模式识别方法
CN117687307A (zh) * 2024-02-02 2024-03-12 广东控银实业有限公司 一种多摇杆控制方法、装置、设备及存储介质
CN117687307B (zh) * 2024-02-02 2024-04-26 广东控银实业有限公司 一种多摇杆控制方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN109635928B (zh) 基于深度学习模型融合的电压暂降原因识别方法
Yin et al. Wasserstein generative adversarial network and convolutional neural network (WG-CNN) for bearing fault diagnosis
CN114118149A (zh) 基于有限元仿真和对称特征迁移的感应电机故障诊断系统
CN113159077B (zh) 一种基于混合卷积神经网络的三相逆变器故障识别方法
CN110726898B (zh) 一种配电网故障类型识别方法
CN113673346B (zh) 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法
CN102279358A (zh) 一种基于mcskpca的神经网络模拟电路故障诊断方法
CN110147760B (zh) 一种高效电能质量扰动图像特征提取与识别新方法
Luo et al. An intelligent fault diagnosis model for rotating machinery based on multi-scale higher order singular spectrum analysis and GA-VPMCD
CN110068776B (zh) 基于优化支持向量机的三电平逆变器开路故障诊断方法
CN112881942B (zh) 基于小波分解与经验模态分解的异常电流诊断方法和系统
CN113743528A (zh) 一种基于卷积神经网络的电压源逆变器故障诊断方法及系统
CN113869145A (zh) 轻量级梯度提升机和麻雀搜索的电路故障诊断方法及系统
CN116011507A (zh) 融合元学习与图神经网络的稀有故障诊断方法
CN115310837A (zh) 基于因果图注意力神经网络的复杂机电系统故障检测方法
CN109901064B (zh) 基于ica-lvq的高压断路器故障诊断方法
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
CN117313251B (zh) 基于非滞后渐进学习的列车传动装置全局故障诊断方法
CN106778692B (zh) 一种基于s变换的电缆局部放电信号识别方法及装置
Xu et al. Loop optimization noise-reduced LSTM based classifier for PD detection
CN116232699A (zh) 细粒度网络入侵检测模型的训练方法和网络入侵检测方法
CN108255783B (zh) 一种基于小波分析的船舶电力驱动系统故障诊断方法
Wang et al. Turn-to-turn short circuit of motor stator fault diagnosis using dropout rate improved deep sparse autoencoder
Zeng et al. Application of local histogram clipping equalization image enhancement in bearing fault diagnosis
Xu et al. Data-Driven Fault Detection of Electrical Machine

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