CN114970744A - 一种基于博弈映射学习的信息融合三相电机故障诊断方法 - Google Patents

一种基于博弈映射学习的信息融合三相电机故障诊断方法 Download PDF

Info

Publication number
CN114970744A
CN114970744A CN202210685133.1A CN202210685133A CN114970744A CN 114970744 A CN114970744 A CN 114970744A CN 202210685133 A CN202210685133 A CN 202210685133A CN 114970744 A CN114970744 A CN 114970744A
Authority
CN
China
Prior art keywords
fault
learning
sensing
self
vector
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
CN202210685133.1A
Other languages
English (en)
Inventor
王彪
任翔宇
秦勇
贾利民
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.)
Beijing Jiaotong University
Original Assignee
Beijing 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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202210685133.1A priority Critical patent/CN114970744A/zh
Publication of CN114970744A publication Critical patent/CN114970744A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • 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
    • 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
    • G01R31/346—Testing of armature or field windings
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

一种基于博弈映射学习的信息融合三相电机智能故障诊断方法，通过多个自学习特征映射网络自动提取多传感源的故障特征、构建传感源鉴别器、构建故障模式识别器、使用Adam优化器更新诊断网络参数，来实现三相异步电机的智能故障诊断；本发明通过融合来自不同传感器的故障信息，可诊断的故障类全面覆盖了三相电机的电气类故障与机械类故障，具有诊断精度更高、故障类覆盖范围广鲁棒性更强、稳定性更好的优点，能更好的满足工程实际需求。

Description

一种基于博弈映射学习的信息融合三相电机故障诊断方法
技术领域
本发明涉及机械工程领域，更具体地，涉及一种基于博弈映射学习的信息融合三相电机故障诊断方法。
背景技术
三相电机在工业生产和社会生活的各个领域中应用广泛，其一旦发生故障，轻则致使生产工作停顿，造成直接经济损失，重则引发安全事故，导致人员伤亡。因此，对三相电机故障进行及时诊断并采取相应的维护措施，对保障生产安全、提升生产效率、降低维护成本具有重要意义。随着工业互联网的快速发展，振动、电流、声等各类监测传感器被广泛应用到三相电机状态监测中，致使三相电机的监测数据规模呈指数倍增加。海量的多传感器监测数据为基于机器学习算法的三相电机智能故障诊断提供丰富数据基础，同时也带来了严峻的挑战。因此，需要发明一种新的三相电机智能故障诊断方法，从海量的多传感器监测数据中自动挖掘出关键故障特征并及时诊断故障类型，保证三相电机安全、可靠、高效运行。
借助深度神经网络强大的信息挖掘与自学习能力，基于深度学习的智能故障诊断方法能够从海量监测数据中提取故障信息，避免了繁琐的手动特征提取过程，取得了良好的诊断效果。然而，现有的基于深度学习的三相电机智能故障诊断方法大多以单一传感器监测数据作为诊断网络的输入，由于三相电机故障包含电气类故障和机械类故障，且不同类型的故障具有不同的物理表征，因而只使用单一传感器数据将无法全面而有效地捕捉电机的故障信息，限制了可诊断故障类型范围的同时也降低了诊断精度。此外，即使某些智能故障诊断方法使用多传感器监测数据作为输入，它们也仅将多传感器信息融合过程集成到分类过程中，而在故障信息挖掘与特征融合过程中并未考虑不同传感器数据之间的相似性和差异性，严重影响了多源信息融合故障诊断结果的准确性。
发明内容
本发明旨在提供一种基于博弈映射学习的信息融合三相电机智能故障诊断方法，以克服现有技术的缺点和局限性。
本发明的技术方案是：
一种基于博弈映射学习的信息融合三相电机故障诊断方法，包括以下步骤：
1)获取不同工况下三相电机的多传感器信号
Figure BDA0003698032080000021
包括振动信号、电流信号、转速信号、声信号，其中，
Figure BDA0003698032080000022
表示第i个样本xi＝{xi1,xi2,…,xiM}的第j个传感器数据，
Figure BDA0003698032080000023
表示维度为H×1的矩阵空间，M为传感器个数，N为信号样本个数，H为每个传感器数据包含的数据点数；
2)构建M个自学习特征映射网络，与M个传感源相对应，且这M个自学习特征映射网络结构相同，不互相共享参数，用
Figure BDA0003698032080000024
表示，每个自学习特征映射网络由三层卷积层堆叠而成，用于从不同传感器数据中自动提取多传感故障特征并将其映射至公共信息度量空间中；
3)构建传感源鉴别器，其由三层全连接层组成，用D(·)表示，用于识别公共信息度量空间中各类故障特征的传感数据来源；
4)构建故障模式识别器，结构为三层全连接网络，用C(·)表示，用于识别输入样本的故障类别；
5)训练传感源鉴别器D(·)，最小化传感源鉴别损失，使其能够最大限度地区分公共信息度量空间中的故障特征的传感来源；同时训练M个自学习特征映射网络
Figure BDA0003698032080000025
最大化传感源鉴别损失，使得不同传感器数据映射到公共信息度量空间中的故障特征差异性最小，难以被区分；即传感源鉴别器D(·)与自学习特征映射网络
Figure BDA0003698032080000026
之间进行“零和博弈”；构建相关性损失，训练M个自学习特征映射网络
Figure BDA0003698032080000031
最小化相关性损矢，进一步使得公共信息度量空间中的多传感故障特征在类内更加聚集，在类间更加分散；经过迭代使得样本的不同传感器数据经过不同的特征映射网络得到的多传感故障特征在同类故障内差异性最小，异类故障间差异性最大；最后将公共信息度量空间中的多传感故障特征融合后作为故障模式识别器的输入，进行故障诊断。
优选地，步骤2)具体包括以下步骤：
(2.1)自学习特征映射网络的输入为样本xi＝{xi1,xi2,…,xiM}的一个传感器数据xij，将xij通过线性整流单元(Rectified linear unit，ReLU)进行激活操作，利用卷积核kl与激活后的数据进行卷积，得到向量uij，计算表达式如下：
uij＝σ(kl*xij+bl)
式中，kl为该卷积层卷积核，bl为偏置项，*代表卷积运算，σ(·)表示线性整流单元；
(2.2)对向量uij进行平均池化，获取无重叠池化区域内元素的平均值，得到池化后的向量为yij，计算表达式如下：
yij＝pool(uij,p,s)
其中，pool(·)表示平均池化函数，p为池化尺寸，s为池化移动步长；
(2.3)将向量yij再次执行步骤(a)和(b)，再将得到向量平铺为一维向量，最终得到故障特征Xij。
优选地，步骤3)包括以下步骤：
(3.1)将自学习特征映射网络输出的故障特征Xij作为传感源鉴别器的输入；将Xij输入传感源鉴别器，提取传感源特征并降维至M维(传感器源个数)得到向量
Figure BDA0003698032080000032
计算表达式如下：
Figure BDA0003698032080000033
其中，
Figure BDA0003698032080000034
表示第l-1层的输出，
Figure BDA0003698032080000035
表示第l层的输出，Wl为第l层的权重矩阵，bl为偏置项，σ(·)为sigmoid非线性激活函数；
(3.2)将
Figure BDA0003698032080000041
作为softmax层的输入，最终得到该故障特征Xij的传感源预测概率向量
Figure BDA0003698032080000042
softmax函数的表达式为：
Figure BDA0003698032080000043
式中，
Figure BDA0003698032080000044
表示向量
Figure BDA0003698032080000045
的第a个值。
优选地，步骤4)包括以下步骤：
(4.1)将2)所得到的M个故障特征{Xi1,Xi2,…,XiM}对应元素相加，得到融合故障特征Zi，将其作为故障模式识别器的输入；
(4.2)将Zi输入三层全连接网络的故障模式识别器，提取深层故障特征并降维至与故障类别数相同的维度，得到故障类别特征向量
Figure BDA0003698032080000046
计算表达式如下：
Figure BDA0003698032080000047
其中，
Figure BDA0003698032080000048
表示第l-1层的输出，
Figure BDA0003698032080000049
表示第l层的输出，Wl为第l层的权重矩阵，bl为偏置项，σ(·)为sigmoid非线性激活函数；
(4.3)将
Figure BDA00036980320800000410
作为softmax层的输入，最终得到样本{xi1,xi2,…,xiM}的故障类别概率向量Yi。
优选地，步骤5)包括以下步骤：
(5.1)对于一组数量为B的小批量样本
Figure BDA00036980320800000411
将样本的不同传感器数据依次输入对应的自学习特征映射网络，得到
Figure BDA00036980320800000412
计算表达式如下：
Xij＝Fj(xij),j∈[1,M]
其中，
Figure BDA00036980320800000413
表示M个传感源相对应的自学习特征映射网络；
(5.2)计算样本
Figure BDA00036980320800000414
的相关性损失LM，具体步骤如下：
(a)对于一组样本
Figure BDA00036980320800000415
经过自学习特征映射网络后得到特征
Figure BDA00036980320800000416
计算类间的相关性损失如下式：
Figure BDA0003698032080000051
其中，若xik和xjm属于同一种故障类别，
Figure BDA0003698032080000052
若xik和xjm属于不同故障类别，
Figure BDA0003698032080000053
d(Xik,Xjm)表示Xik、Xjm两向量的欧氏距离，欧氏距离计算式如下所示：
Figure BDA0003698032080000054
其中，X(a)表示向量的第a个数据，K表示向量长度；
(b)计算类内的相关性损失，计算表达式如下：
Figure BDA0003698032080000055
(c)计算总的相关性损失：LM＝LM1+LM2
(5.3)对于(5.1)中得到的一组样本的多传感故障特征
Figure BDA0003698032080000056
将故障特征Xij依次输入传感源鉴别器，分别得到不同故障特征的传感源鉴别概率向量
Figure BDA0003698032080000057
计算表达式如下：
Figure BDA0003698032080000058
其中D(·)表示传感源鉴别器；
(5.4)计算样本
Figure BDA0003698032080000059
的传感源鉴别损失LD，传感源鉴别损失本质上为一组训练样本的故障特征输入到传感源鉴别器中得到的相关熵损失，计算式如下：
Figure BDA00036980320800000510
式中，sj为第j个传感器的真实标签，用独热向量(one-hot)的形式表示，sj(a)表示向量的第a个数；
(5.5)对于(5.1)中得到的一组样本的多传感故障特征
Figure BDA00036980320800000511
将每个样本的多传感故障特征Xi1,Xi2,…,XiM对应元素相加，得到融合故障特征
Figure BDA00036980320800000512
(5.6)将融合故障特征Zi输入故障模式识别器，得到样本的故障类别概率向量Yi；计算表达式如下：
Yi＝C(Zi)
其中C(·)表示故障模式识别器
(5.7)计算样本
Figure BDA0003698032080000061
的故障模式识别损失LC，计算式如下：
Figure BDA0003698032080000062
其中ci表示该样本故障类别的真实标签，为独热向量形式；F为故障类别数；
(5.8)重复步骤(5.1)-(5.7)，设置迭代次数E，进行博弈学习，依次更新自学习特征映射网络、故障模式识别器和传感源鉴别器的参数，具体步骤如下：
(a)基于Adam优化算法，以最小化LM+LC-LD为优化目标，更新M个自学习特征映射网络和故障模式识别器的参数；
(b)基于Adam优化算法，以最小化LD为优化目标，更新传感源鉴别器的参数。
本发明的有益效果在于：
1)本发明以三相电机的多传感器监测信号作为直接输入，通过自学习特征映射网络自动提取各类多传感故障特征并将其映射到公共信息度量空间中，同时在故障信息挖掘与特征融合过程中充分考虑了不同传感器数据之间的相似性和差异性，通过构建博弈学习框架使公共信息度量空间中的多传感源故障特征在同类故障内差异性最小，异类故障间差异性最大，进而对多传感信息进行有效融合，提高三相电机智能故障诊断精度。
2)通过融合来自不同传感器的故障信息，本发明不仅能够诊断三相电机轴承故障，也能对转子故障、定子故障等进行诊断，其可诊断的故障类全面覆盖了三相电机的电气类故障与机械类故障，具有诊断精度更高、故障类覆盖范围广、鲁棒性更强、稳定性更好的优点，能更好的满足工程实际需求。
附图说明
图1为本发明实施例提供的一种基于博弈映射学习的信息融合三相电机故障诊断方法的流程图；
图2为本发明实施例提供的一种基于博弈映射学习的信息融合三相电机故障诊断方法的消融实验的特征t-SNE降维图；
图3为本发明实施例提供的一种基于博弈映射学习的信息融合三相电机故障诊断方法的消融实验的测试精度对比图；
图4为本发明实施例提供的一种基于博弈映射学习的信息融合三相电机故障诊断方法的测试结果的混淆矩阵图；
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，本发明的实施方式不限于此。
如图1所示，一种基于博弈映射学习的信息融合三相电机智能故障诊断方法，包括以下步骤：
1)获取不同工况下三相电机的多传感器信号
Figure BDA0003698032080000071
常见的信号包括振动信号、电流信号、转速信号、声信号等，其中，
Figure BDA0003698032080000072
表示第i个样本xi＝{xi1,xi2,…,xiM}的第j个传感器数据，M为传感器个数，N为信号样本个数，H为每个传感器数据包含的数据点数；
2)构建M个自学习特征映射网络，与M个传感源相对应，且这M个自学习特征映射网络结构相同，不互相共享参数，用
Figure BDA0003698032080000073
表示。每个自学习特征映射网络由三层卷积层堆叠而成，用于从不同传感器数据中自动提取多传感故障特征并将其映射至公共信息度量空间中；具体步骤如下：
(2.1)自学习特征映射网络的输入为样本xi＝{xi1,xi2,…,xiM}的一个传感器数据xij，将xij通过线性整流单元(Rectified linear unit，ReLU)进行激活操作，利用卷积核kl与激活后的数据进行卷积，得到向量uij，计算表达式如下：
uij＝σ(kl*xij+bl)
式中，kl为该卷积层卷积核，bl为偏置项，*代表卷积运算，σ(·)表示线性整流单元；
(2.2)对向量uij进行平均池化，获取无重叠池化区域内元素的平均值，得到池化后的向量为yij；计算表达式如下：
yij＝pool(uij,p,s)；
其中，pool(·)表示平均池化函数，p为池化尺寸，s为池化移动步长；
(2.3)将向量yij再次执行步骤(a)和(b)，再将得到向量平铺为一维向量，最终得到故障特征Xij；
3)构建传感源鉴别器，其由三层全连接层组成，用D(·)表示，用于识别公共信息度量空间中各类故障特征的传感数据来源；具体步骤如下：
(3.1)传感源鉴别器的输入为自学习特征映射网络输出的故障特征Xij；将Xij输入传感源鉴别器，提取传感源特征并降维至M维(传感器源个数)得到向量
Figure BDA0003698032080000081
计算表达式如下：
Figure BDA0003698032080000082
其中，
Figure BDA0003698032080000083
表示第l-1层的输出，
Figure BDA0003698032080000084
表示第l层的输出，Wl为第l层的权重矩阵，bl为偏置项，σ(·)为sigmoid非线性激活函数；
(3.2)将
Figure BDA0003698032080000085
作为softmax层的输入，最终得到该故障特征Xij的传感源预测概率向量
Figure BDA0003698032080000086
softmax函数的表达式为：
Figure BDA0003698032080000087
式中，
Figure BDA0003698032080000088
表示向量
Figure BDA0003698032080000089
的第a个值；
4)构建故障模式识别器，结构为三层全连接网络，用C(·)表示，用于识别输入样本的故障类别；具体步骤如下：
(4.1)将2)所得到的M个故障特征{Xi1,Xi2,…,XiM}对应元素相加，得到融合故障特征Zi，将其作为故障模式识别器的输入；
(4.2)将Zi输入三层全连接网络的故障模式识别器，提取深层故障特征并降维至与故障类别数相同的维度，得到故障类别特征向量
Figure BDA0003698032080000091
计算表达式如下：
Figure BDA0003698032080000092
其中，
Figure BDA0003698032080000093
表示第l-1层的输出，
Figure BDA0003698032080000094
表示第l层的输出，Wl为第l层的权重矩阵，bl为偏置项，σ(·)为sigmoid非线性激活函数；
(4.3)将
Figure BDA0003698032080000095
作为softmax层的输入，最终得到样本{xi1,xi2,…,xiM}的故障类别概率向量Yi；
5)训练传感源鉴别器D(·)，最小化传感源鉴别损失，使其能够最大限度地区分公共信息度量空间中的故障特征的传感来源；同时训练M个自学习特征映射网络
Figure BDA0003698032080000096
最大化传感源鉴别损失，使得不同传感器数据映射到公共信息度量空间中的故障特征差异性最小，难以被区分；即传感源鉴别器D(·)与自学习特征映射网络
Figure BDA0003698032080000097
之间进行“零和博弈”。构建相关性损失，训练M个自学习特征映射网络
Figure BDA0003698032080000098
最小化相关性损矢，进一步使得公共信息度量空间中的多传感故障特征在类内更加聚集，在类间更加分散。经过迭代使得样本的不同传感器数据经过不同的特征映射网络得到的多传感故障特征在同类故障内差异性最小，异类故障间差异性最大。最后将公共信息度量空间中的多传感故障特征融合后作为故障模式识别器的输入，进行故障诊断，具体步骤如下：
(5.1)对于一组数量为B的小批量样本
Figure BDA0003698032080000099
将样本的不同传感器数据依次输入对应的自学习特征映射网络，得到
Figure BDA00036980320800000910
计算表达式如下：
Xij＝Fj(xij),j∈[1,M]
其中，
Figure BDA00036980320800000911
表示M个传感源相对应的自学习特征映射网络；
(5.2)计算样本
Figure BDA0003698032080000101
的相关性损失LM，具体步骤如下：
(a)对于一组样本
Figure BDA0003698032080000102
经过自学习特征映射网络后得到特征
Figure BDA0003698032080000103
计算类间的相关性损失如下式：
Figure BDA0003698032080000104
其中，若xik和xjm属于同一种故障类别，
Figure BDA0003698032080000105
若xik和xjm属于不同故障类别，
Figure BDA0003698032080000106
d(Xik,Xjm)表示Xik、Xjm两向量的欧氏距离，欧氏距离计算式如下所示：
Figure BDA0003698032080000107
其中，X(a)表示向量的第a个数据，K表示向量长度；
(b)计算类内的相关性损失，计算表达式如下：
Figure BDA0003698032080000108
(c)计算总的相关性损失：LM＝LM1+LM2
(5.3)对于(5.1)中得到的一组样本的多传感故障特征
Figure BDA0003698032080000109
将故障特征Xij依次输入传感源鉴别器，分别得到不同故障特征的传感源鉴别概率向量
Figure BDA00036980320800001010
计算表达式如下：
Figure BDA00036980320800001011
其中D(·)表示传感源鉴别器；
(5.4)计算样本
Figure BDA00036980320800001012
的传感源鉴别损失LD，传感源鉴别损失本质上为一组训练样本的故障特征输入到传感源鉴别器中得到的相关熵损失，计算式如下：
Figure BDA00036980320800001013
式中，sj为第j个传感器的真实标签，用独热向量(one-hot)的形式表示，sj(a)表示向量的第a个数；
(5.5)对于(5.1)中得到的一组样本的多传感故障特征
Figure BDA0003698032080000111
将每个样本的多传感故障特征Xi1,Xi2,…,XiM对应元素相加，得到融合故障特征
Figure BDA0003698032080000112
(5.6)将融合故障特征Zi输入故障模式识别器，得到样本的故障类别概率向量Yi；计算表达式如下：
Yi＝C(Zi)
其中C(·)表示故障模式识别器
(5.7)计算样本
Figure BDA0003698032080000113
的故障模式识别损失LC，计算式如下：
Figure BDA0003698032080000114
其中ci表示该样本故障类别的真实标签，为独热向量形式；F为故障类别数；
(5.8)重复步骤(5.1)-(5.7)，设置迭代次数E，进行博弈学习，依次更新自学习特征映射网络、故障模式识别器和传感源鉴别器的参数，具体步骤如下：
(a)基于Adam优化算法，以最小化LM+LC-LD为优化目标，更新M个自学习特征映射网络和故障模式识别器的参数；
(b)基于Adam优化算法，以最小化LD为优化目标，更新传感源鉴别器的参数；
6)将三相电机多传感信号{xi1,xi2,…,xiM}输入到相应训练迭代后的自学习特征映射网络，提取对应的多传感故障特征，得到{Xi1,Xi2,…,XiM}，将其经过(5.5)所述的故障特征融合，得到融合故障特征Zi，将融合故障特征输入到训练迭代后的故障模式识别器中，实现对三相电机机械故障和电气故障的智能故障诊断。
实施例：以ABB公司的M2QA90L2A三相异步电机为案例，基于电机故障模拟实验数据，对本方法进行有效性验证。故障模拟实验数据中包括了驱动电机分别在15Hz、25Hz、35Hz、45Hz转动频率下，以及0N·m、10N·m两种加载下的电机数据，包含正常状态以及11种故障状态，故障状态包括短路、电机断条、电机缺相等电气类故障及轴承故障、转轴弯曲、转子不平衡等机械类故障，其中每种故障状态包含三种故障程度，传感器采样频率为25.6kHz，每种健康状态获取800个样本，因此，电机故障模拟数据集共包含9600个样本，每个样本包含驱动端三轴振动加速度信号、电机三相电流信号、转速信号、声信号共8通道数据。每个通道各2560个数据点。随机选取25％的样本用于模型训练，75％的样本用于模型测试，所得到的数据集如表1所示。
表1
Figure BDA0003698032080000121
如图2所示，为了验证本发明方法中博弈学习框架和相关性损失的有效性，将本发明方法进行消融实验，使用t-分布式随机邻域嵌入(t-distributed Stochastic NeighborEmbedding，t-SNE)对自学习特征映射网络提取的故障特征进行降维可视化。
将博弈映射学习的的各组件参数设置如下：自学习特征映射网络的个数M为8，对应8个传感数据通道，卷积核尺寸为8，池化尺寸p和步长s都设置为4；小批量样本数B为30；迭代次数E为100。使用本发明方法对电机故障模拟数据集进行故障诊断实验，测试集上的平均诊断准确率达到了98.25％。
作为对比的其他方法为：
方法2为本发明的方法去掉博弈学习策略及传感源鉴别器，保留自学习特征映射网络提取特征，使用故障模式识别器进行故障诊断，使用相关性损失和故障模式识别损失反向传播调整网络参数；
方法3为本发明的方法去掉相关性损失，使用自学习特征映射网络提取特征，在博弈学习框架下训练特征映射网络，在更新特征映射网络的参数时不加入相关性损失。
从图2中，可以明显看出本发明方法在聚类同类特征、分散不同类特征的有效性，通过与另外两种变体方法的对比，说明本发明方法的博弈学习框架和相关性损失都能有效发挥作用，使得公共信息度量空间中的故障特征在类间更加分散，在类内更加聚集，对于提升诊断准确率有很大帮助。
如图3所示，对各种方法进行十次实验，得到识别精度的箱型图，可以看出博弈学习框架和相关性损失的加入使诊断网络准确率更高，稳定性更好。
如图4所示，将本发明方法在测试集上的诊断结果绘制混淆矩阵，可以看出本发明方法可诊断故障类全面覆盖了三相电机的电气类故障与机械类故障，对各种故障的诊断都有极高的准确率；在测试数据中分别加入泊松分布噪声和方差为0，标准差为0.1的高斯噪声，实验结果如表2所示，可以看出本发明方法有较强的鲁棒性与泛化性。
表2
Figure BDA0003698032080000131
为了进一步验证本发明方法的优越性，将本发明方法与卷积神经网络(Convolutional Neural Networks，CNN)、堆叠自编码器(Stacked Auto-Encoders，SAE)进行对比，结果如表3所示。可以看出，本发明方法对三相电机故障诊断准确率更高，稳定性更好。
表3
Figure BDA0003698032080000141
以上对电机故障诊断的结果和消融实验以及与现有方法的对比可以发现，本发明方法可以从多传感器监测数据提取故障特征，使公共信息度量空间中的特征类内聚集，类间分散，进而对多传感器数据进行有效融合，提高三相电机故障诊断精度。此外，通过融合来自不同传感器的故障信息，本发明不仅能够诊断三相电机轴承故障，也能对转子故障、定子故障等进行诊断，其可诊断故障类全面覆盖了三相电机的电气类故障与机械类故障。综上所述，本发明方法具有诊断精度更高、故障类覆盖范围广、鲁棒性更强、稳定性更好的优点，能更好的满足工程实际需求。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的流程并不一定是实施本发明所必须的。

Claims (5)

1.一种基于博弈映射学习的信息融合三相电机故障诊断方法，其特征在于，包括以下步骤：
1)获取不同工况下三相电机的多传感器信号
Figure FDA0003698032070000011
包括振动信号、电流信号、转速信号、声信号，其中，
Figure FDA0003698032070000012
表示第i个样本xi＝{xi1,xi2,…,xiM}的第j个传感器数据，
Figure FDA0003698032070000013
表示维度为H×1的矩阵空间，M为传感器个数，N为信号样本个数，H为每个传感器数据包含的数据点数；
2)构建M个自学习特征映射网络，与M个传感源相对应，且这M个自学习特征映射网络结构相同，不互相共享参数，用
Figure FDA0003698032070000014
表示，每个自学习特征映射网络由三层卷积层堆叠而成，用于从不同传感器数据中自动提取多传感故障特征并将其映射至公共信息度量空间中；
3)构建传感源鉴别器，其由三层全连接层组成，用D(·)表示，用于识别公共信息度量空间中各类故障特征的传感数据来源；
4)构建故障模式识别器，结构为三层全连接网络，用C(·)表示，用于识别输入样本的故障类别；
5)训练传感源鉴别器D(·)，最小化传感源鉴别损失，使其能够最大限度地区分公共信息度量空间中的故障特征的传感来源；同时训练M个自学习特征映射网络
Figure FDA0003698032070000015
最大化传感源鉴别损失，使得不同传感器数据映射到公共信息度量空间中的故障特征差异性最小，难以被区分；即传感源鉴别器D(·)与自学习特征映射网络
Figure FDA0003698032070000016
之间进行“零和博弈”；构建相关性损失，训练M个自学习特征映射网络
Figure FDA0003698032070000017
最小化相关性损矢，进一步使得公共信息度量空间中的多传感故障特征在类内更加聚集，在类间更加分散；经过迭代使得样本的不同传感器数据经过不同的特征映射网络得到的多传感故障特征在同类故障内差异性最小，异类故障间差异性最大；最后将公共信息度量空间中的多传感故障特征融合后作为故障模式识别器的输入，进行故障诊断。
2.根据权利要求1所述的一种基于博弈映射学习的信息融合三相电机故障诊断方法，其特征在于，步骤2)具体包括以下步骤：
(2.1)自学习特征映射网络的输入为样本xi＝{xi1,xi2,…,xiM}的一个传感器数据xij，将xij通过线性整流单元(Rectified linear unit，ReLU)进行激活操作，利用卷积核kl与激活后的数据进行卷积，得到向量uij，计算表达式如下：
uij＝σ(kl*xij+bl)
式中，kl为该卷积层卷积核，bl为偏置项，*代表卷积运算，σ(·)表示线性整流单元；
(2.2)对向量uij进行平均池化，获取无重叠池化区域内元素的平均值，得到池化后的向量为yij，计算表达式如下：
yij＝pool(uij,p,s)
其中，pool(·)表示平均池化函数，p为池化尺寸，s为池化移动步长；
(2.3)将向量yij再次执行步骤(a)和(b)，再将得到向量平铺为一维向量，最终得到故障特征Xij。
3.根据权利要求1所述的一种基于博弈映射学习的信息融合三相电机故障诊断方法，其特征在于，步骤3)包括以下步骤：
(3.1)将自学习特征映射网络输出的故障特征Xij作为传感源鉴别器的输入；将Xij输入传感源鉴别器，提取传感源特征并降维至M维(传感器源个数)得到向量
Figure FDA0003698032070000021
计算表达式如下：
Figure FDA0003698032070000022
其中，
Figure FDA0003698032070000023
表示第l-1层的输出，
Figure FDA0003698032070000024
表示第l层的输出，Wl为第l层的权重矩阵，bl为偏置项，σ(·)为sigmoid非线性激活函数；
(3.2)将
Figure FDA0003698032070000025
作为softmax层的输入，最终得到该故障特征Xij的传感源预测概率向量
Figure FDA0003698032070000026
softmax函数的表达式为：
Figure FDA0003698032070000027
式中，
Figure FDA0003698032070000028
表示向量
Figure FDA0003698032070000029
的第a个值。
4.根据权利要求1所述的一种基于博弈映射学习的信息融合三相电机故障诊断方法，其特征在于，步骤4)包括以下步骤：
(4.1)将2)所得到的M个故障特征{Xi1,Xi2,…,XiM}对应元素相加，得到融合故障特征Zi，将其作为故障模式识别器的输入；
(4.2)将Zi输入三层全连接网络的故障模式识别器，提取深层故障特征并降维至与故障类别数相同的维度，得到故障类别特征向量
Figure FDA0003698032070000031
计算表达式如下：
Figure FDA0003698032070000032
其中，
Figure FDA0003698032070000033
表示第l-1层的输出，
Figure FDA0003698032070000034
表示第l层的输出，Wl为第l层的权重矩阵，bl为偏置项，σ(·)为sigmoid非线性激活函数；
(4.3)将
Figure FDA0003698032070000035
作为softmax层的输入，最终得到样本{xi1,xi2,…,xiM}的故障类别概率向量Yi。
5.根据权利要求1所述的一种基于博弈映射学习的信息融合三相电机故障诊断方法，其特征在于，步骤5)包括以下步骤：
(5.1)对于一组数量为B的小批量样本
Figure FDA0003698032070000036
将样本的不同传感器数据依次输入对应的自学习特征映射网络，得到
Figure FDA0003698032070000037
计算表达式如下：
Xij＝Fj(xij),j∈[1,M]
其中，
Figure FDA0003698032070000038
表示M个传感源相对应的自学习特征映射网络；
(5.2)计算样本
Figure FDA0003698032070000039
的相关性损失LM，具体步骤如下：
(a)对于一组样本
Figure FDA00036980320700000310
经过自学习特征映射网络后得到特征
Figure FDA00036980320700000311
计算类间的相关性损失如下式：
Figure FDA00036980320700000312
其中，若xik和xjm属于同一种故障类别，
Figure FDA00036980320700000313
若xik和xjm属于不同故障类别，
Figure FDA00036980320700000314
d(Xik,Xjm)表示Xik、Xjm两向量的欧氏距离，欧氏距离计算式如下所示：
Figure FDA0003698032070000041
其中，X(a)表示向量的第a个数据，K表示向量长度；
(b)计算类内的相关性损失，计算表达式如下：
Figure FDA0003698032070000042
(c)计算总的相关性损失：LM＝LM1+LM2
(5.3)对于(5.1)中得到的一组样本的多传感故障特征
Figure FDA0003698032070000043
将故障特征Xij依次输入传感源鉴别器，分别得到不同故障特征的传感源鉴别概率向量
Figure FDA0003698032070000044
计算表达式如下：
Figure FDA0003698032070000045
其中D(·)表示传感源鉴别器；
(5.4)计算样本
Figure FDA0003698032070000046
的传感源鉴别损失LD，传感源鉴别损失本质上为一组训练样本的故障特征输入到传感源鉴别器中得到的相关熵损失，计算式如下：
Figure FDA0003698032070000047
式中，sj为第j个传感器的真实标签，用独热向量(one-hot)的形式表示，sj(a)表示向量的第a个数；
(5.5)对于(5.1)中得到的一组样本的多传感故障特征
Figure FDA0003698032070000048
将每个样本的多传感故障特征Xi1,Xi2,…,XiM对应元素相加，得到融合故障特征
Figure FDA0003698032070000049
(5.6)将融合故障特征Zi输入故障模式识别器，得到样本的故障类别概率向量Yi；计算表达式如下：
Yi＝C(Zi)
其中C(·)表示故障模式识别器
(5.7)计算样本
Figure FDA0003698032070000051
的故障模式识别损失LC，计算式如下：
Figure FDA0003698032070000052
其中ci表示该样本故障类别的真实标签，为独热向量形式；F为故障类别数；
(5.8)重复步骤(5.1)-(5.7)，设置迭代次数E，进行博弈学习，依次更新自学习特征映射网络、故障模式识别器和传感源鉴别器的参数，具体步骤如下：
(a)基于Adam优化算法，以最小化LM+LC-LD为优化目标，更新M个自学习特征映射网络和故障模式识别器的参数；
(b)基于Adam优化算法，以最小化LD为优化目标，更新传感源鉴别器的参数。
CN202210685133.1A 2022-06-16 2022-06-16 一种基于博弈映射学习的信息融合三相电机故障诊断方法 Pending CN114970744A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210685133.1A CN114970744A (zh) 2022-06-16 2022-06-16 一种基于博弈映射学习的信息融合三相电机故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210685133.1A CN114970744A (zh) 2022-06-16 2022-06-16 一种基于博弈映射学习的信息融合三相电机故障诊断方法

Publications (1)

Publication Number Publication Date
CN114970744A true CN114970744A (zh) 2022-08-30

Family

ID=82962654

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210685133.1A Pending CN114970744A (zh) 2022-06-16 2022-06-16 一种基于博弈映射学习的信息融合三相电机故障诊断方法

Country Status (1)

Country Link
CN (1) CN114970744A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116701956A (zh) * 2023-06-07 2023-09-05 江南大学 基于故障属性燃气调压器联合映射零样本故障诊断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116701956A (zh) * 2023-06-07 2023-09-05 江南大学 基于故障属性燃气调压器联合映射零样本故障诊断方法
CN116701956B (zh) * 2023-06-07 2023-12-08 唐山市燃气集团有限公司 基于故障属性燃气调压器联合映射零样本故障诊断方法

Similar Documents

Publication Publication Date Title
AU2020103923A4 (en) Fault diagnosis method and system for gear bearing based on multi-source information fusion
Zhang et al. Prior knowledge-augmented self-supervised feature learning for few-shot intelligent fault diagnosis of machines
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN110110768B (zh) 基于并行特征学习和多分类器的滚动轴承故障诊断方法
Islam et al. Discriminant Feature Distribution Analysis‐Based Hybrid Feature Selection for Online Bearing Fault Diagnosis in Induction Motors
CN108830127A (zh) 一种基于深度卷积神经网络结构的旋转机械故障特征智能诊断方法
CN111353482A (zh) 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法
CN111505424A (zh) 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法
CN112819059B (zh) 一种基于流行保持迁移学习的滚动轴承故障诊断方法
CN114993669B (zh) 多传感器信息融合的传动系统故障诊断方法及系统
CN112305388B (zh) 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法
CN111795819B (zh) 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法
CN116593157A (zh) 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法
CN115859077A (zh) 一种变工况下多特征融合的电机小样本故障诊断方法
CN114112398A (zh) 一种变速工况下滚动轴承故障诊断方法
CN115392333A (zh) 一种基于改进端到端ResNet-BiLSTM双通道模型的设备故障诊断方法
CN114970744A (zh) 一种基于博弈映射学习的信息融合三相电机故障诊断方法
Zhang et al. Amplitude‐frequency images‐based ConvNet: Applications of fault detection and diagnosis in chemical processes
CN108827671A (zh) 一种机械设备故障诊断方法
Al-Haddad et al. Application of AdaBoost for stator fault diagnosis in three-phase permanent magnet synchronous motors based on vibration–current data fusion analysis
Hu et al. Fault diagnosis based on multi-scale redefined dimensionless indicators and density peak clustering with geodesic distances
CN110779722B (zh) 一种基于编码器信号局部加权的滚动轴承故障诊断方法
CN116738367A (zh) 基于多尺度图Transformer的滚动轴承故障诊断方法
Jung et al. Fault Diagnosis of Inter-turn Short Circuit in Permanent Magnet Synchronous Motors with Current Signal Imaging and Semi-Supervised Learning
CN115618202A (zh) 一种基于流形嵌入和关键特征选取的机械故障诊断方法

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