CN115114848A - 一种基于混合cnn-lstm的三相异步电机故障诊断方法和系统 - Google Patents
一种基于混合cnn-lstm的三相异步电机故障诊断方法和系统 Download PDFInfo
- Publication number
- CN115114848A CN115114848A CN202210665659.3A CN202210665659A CN115114848A CN 115114848 A CN115114848 A CN 115114848A CN 202210665659 A CN202210665659 A CN 202210665659A CN 115114848 A CN115114848 A CN 115114848A
- Authority
- CN
- China
- Prior art keywords
- cnn
- lstm
- data
- phase asynchronous
- training
- 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 39
- 238000003745 diagnosis Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 64
- 238000013136 deep learning model Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000005065 mining Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000008034 disappearance Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 16
- 230000007787 long-term memory Effects 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 15
- 230000008901 benefit Effects 0.000 claims description 11
- 230000006403 short-term memory Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 4
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 claims description 3
- 230000006386 memory function Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004804 winding Methods 0.000 description 10
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000004260 weight control Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及一种基于混合CNN‑LSTM的三相异步电机故障诊断方法和系统,所述诊断方法包括:采集电机状态信息和故障类型数据组,将故障类型数据组的数值与采集时间对应处理;将故障类型数据组分为训练样本与测试样本,设置训练样本的标签;遍历训练样本中的数据序列,挖掘深层特征并输出结果;根据输出的结果构建CNN‑LSTM深度学习模型对训练样本中的时间序列数据进行训练,确认CNN‑LSTM深度学习模型的模型参数。所述诊断系统包括包括采集模块、样本分组模块、计算模块、建模模块和预测模块。本发明能够实现对电机的特征自动全面提取的效果,并考虑到了特征信息的前后依赖关系,解决了梯度消失的问题,进而提高了对电机故障诊断结果的精确度。
Description
技术领域
本发明属于电机故障诊断技术领域,特别涉及一种基于混合CNN-LSTM的三相异步电机故障诊断方法和系统。
背景技术
当前,电机广泛应用于钢铁企业,作为钢铁企业的基础动力设备之一,其运行状态安全可靠运行对生产顺利进行有着至关重要的作用。电机一旦发生故障,将会导致一系列负面影响,比如延生产时间、造成产品质量异常和产品交付延迟等。准确地诊断生产电机的故障,对保障钢铁企业生产和设备的维修决策具有重大意义。
通常,电机故障的诊断方法有:数据驱动方法、物理模型方法、数据驱动和物理模型混合的方法、现场人工点检排查等。深度学习是属于数据驱动方法的一种,其已在各个领域得到广泛应用。
近些年,深度学习在电机故障诊断方面也有一定应用。有运用频域和时域特征结合的集成深度学习方法,有运用小波系数峰值和RMS值的深度学习方法,有运用频域和压缩时域特征结合的集成深度学习方法,有使用改进后的限制玻尔兹曼机进行特征提取。但是,这些方法有的不能对特征进行自动全面提取,有的不能解决梯度消失问题,有的不能考虑特征信息的前后依赖关系。上述的情况都会对电机诊断的效果和精确度产生不利影响。
为了解决上述问题,需要设计一种基于混合CNN-LSTM的三相异步电机故障诊断方法和系统。
发明内容
针对上述问题,本发明提供一种基于混合CNN-LSTM的三相异步电机故障诊断方法,
所述诊断方法包括:
采集电机状态信息和故障类型数据组,将故障类型数据组的数值与采集时间对应处理;
将故障类型数据组分为训练样本与测试样本,设置训练样本的标签;
遍历训练样本中的数据序列,挖掘深层特征并输出结果;
根据输出的结果构建CNN-LSTM深度学习模型对训练样本中的时间序列数据进行训练,确认CNN-LSTM深度学习模型的模型参数;
将测试样本输入CNN-LSTM深度学习模型,预测测试集并诊断设备故障。
优选地,所述电机状态信息包括电机的电流、电压、加速度、振幅、频率和频谱;
所述频谱的振动信号通过傅里叶函数转环得出。
优选地,所述标签为故障类型序列;
所述时间序列数据具体为原始数据和对原始数据挖掘的特征数据。
优选地,所述遍历训练样本中的数据序列之前,包括设定CNN的层数、滤波器大小、步长和通道。
优选地,所述遍历训练样本中的数据序列之前,还包括将训练样本的数据输入到CNN的卷积层中。
优选地,所述挖掘深层特征包括利用CNN的卷积池化操作、局部卷积、多核卷积和权值共享特性自动提取样本数据局部抽象信息。
优选地,所述提取样本数据的局部抽象信息的运算公式为:
其中,h为卷积核,u是被卷积信号,j是u的序号,k是Y的序号,n是u(j)的长度。
优选地,在进行运算前,需要将u按序列由小到大排列,h按序列由大到小排列,再将u和h的开头端对齐。
优选地,所述对时间序列数据进行训练包括对时间序列数据具有长短期记忆的优势进行训练。
优选地,所述对时间序列数据具有长短期记忆的优势进行训练包括LSTM长短记忆单元通过门控制器对有价值信息进行长期记忆,减少循环神经网络的梯度消失。
优选地,所述对时间序列数据具有长短期记忆的优势进行训练包括以下步骤:
计算遗忘门Ft1,Ft1=σ(Wfxt1+Ufht1-1+bf);
计算输入门It1,It1=σ(Wixt1+Uiht1-1+bi);
计算候选态Ct1',Ct1'=Tanh(Wcxt1+Ucht1-1);
计算输出门Ot1,Ot1=σ(Woxt1+Uoht1-1+bo);
计算记忆单元Ct1,Ct1=Ft1⊙Ct1-1+It1⊙Ct1';
计算单元记忆输出ht1,ht1=ot1⊙Tanh(Ct1);
其中t1表示时刻,Wf、Wi、Wc、Wo分别为t1时刻的输入层xt1到隐藏层ht1的权重矩阵,Uf、Ui、Uc、Uo分别是隐藏层在t1-1时刻到t1时刻状态转移的权重值,bf、bi、bo分别为遗忘门、输入门和输出门的偏置,σ为sigmoid函数,ht1-1为网络t1-1时刻的输出;
当遗忘门非常接近1,输入门非常接近0时,实现长记忆功能。
本发明还提供了一种基于混合CNN-LSTM的三相异步电机故障诊断系统,
所述诊断系统包括采集模块、样本分组模块、计算模块、建模模块和预测模块;
其中,采集模块用于采集电机状态信息和故障类型数据组,并将故障类型数据组的数值与采集时间对应处理;
样本分组模块用于对故障类型数据组进行分组,分为训练样本和测试样本,便于后期的数据对照;
计算模块用于便利训练样本中的数据序列,挖掘深层特征并将输出结果发送至建模模块;
建模模块用于根据计算模块发送的输出结果构件CNN-LSTM深度学习模型,确认CNN-LSTM深度学习模型的模型参数;
预测模块用于将测试样本输入CNN-LSTM深度学习模型,预测测试集并进行设备故障的诊断。
优选地,所述测试集中的数值为设置好的故障类型文字在字典的位置序号。
优选地,所述混合CNN-LSTM网络包括依次设置的卷积层、最大池化层、卷积层、最大池化层、卷积层、最大池化层、LSTM循环层、全连接层、激活层和输出层。
优选地,所述样本分组模块还用于根据故障类型数据组对训练样本设置标签。本发明具有以下有益效果:
(1)本发明基于CNN-LSTM的三相异步电机故障诊断方法,对电机进行全方位的性能数据采集提取后,使用多层卷积网络对特征进行自动全面提取,使用长短时记忆网络LSTM解决梯度消失问题和特征信息的前后依赖关系,CNN和LSTM前后连接组合成一个新的CNN-LSTM深度学习模型,再将电机的数据带入到CNN-LSTM深度学习模型中,即可完成对电机故障的诊断,上述过程能够实现对电机的特征自动全面提取的效果,并考虑到了特征信息的前后依赖关系,解决了梯度消失的问题,进而提高了对电机故障诊断结果的精确度。
(2)本发明中,在构建CNN-LSTM深度学习模型之前,采集电机状态信息的同时,需要采集故障类型数据组,并依据故障类型数据组对训练样本进行标签设置,从而方便后续故障诊断过程中能够对不同的故障进行分类。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出本发明实施例中一种基于混合CNN-LSTM的三相异步电机故障诊断方法的流程图;
图2示出本发明实施例中卷积层的结构示意图;
图3示出本发明实施例中训练阶段和预测阶段的示意图;
图4示出本发明实施例中CNN-LSTM深度学习模型的示意图;
图5示出本发明实施例中一种基于混合CNN-LSTM的三相异步电机故障诊断系统的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提供了一种基于混合CNN-LSTM的三相异步电机故障诊断方法,混合CNN-LSTM网络包括依次设置的卷积层、最大池化层、卷积层、最大池化层、卷积层、最大池化层、LSTM循环层、全连接层、激活层和输出层,其中,卷积层的示意图如图2所示,LSTM网络在隐藏层引入一组记忆单元,主要通过门控制器对不同时刻记忆进行权重控制,共计有三个门控制器:输入门i、遗忘门f和输出门o。输入门控制当前的新状态更新到记忆单元的程度,遗忘门控制前一步记忆单元中的的信息遗忘程度,输出门控制当前的输出取决于当前记忆单元的程度。
诊断方法包括:采集电机状态信息和故障类型数据组,将故障类型数据组的数值与采集时间对应处理,其中,电机状态信息包括电机的电流、电压、加速度、振幅、频率和频谱,频谱的振动信号通过傅里叶函数转环得出;将故障类型数据组分为训练样本与测试样本,设置训练样本的标签,标签为故障类型序列;遍历训练样本中的数据序列,挖掘深层特征并输出结果,遍历训练样本中的数据序列之前,包括设定CNN的层数、滤波器大小、步长和通道,遍历训练样本中的数据序列之前,还包括将训练样本的数据输入到CNN的卷积层中,挖掘深层特征包括利用CNN的卷积池化操作、局部卷积、多核卷积和权值共享特性自动提取样本数据局部抽象信息,提取样本数据的局部抽象信息的运算公式为:
其中,h为卷积核,u是被卷积信号,j是u的序号,k是Y的序号,n是u(j)的长度;在进行运算前,需要将u按序列由小到大排列,h按序列由大到小排列,再将u和h的开头端对齐;根据输出的结果构建CNN-LSTM深度学习模型对训练样本中的时间序列数据进行训练,其中,时间序列数据具体为原始数据和对原始数据挖掘的特征数据,CNN-LSTM深度学习模型的模型参数,对时间序列数据进行训练包括对时间序列数据具有长短期记忆的优势进行训练,对时间序列数据具有长短期记忆的优势进行训练包括LSTM长短记忆单元通过门控制器对有价值信息进行长期记忆,减少循环神经网络的梯度消失;对时间序列数据具有长短期记忆的优势进行训练包括以下步骤:
计算遗忘门Ft1,Ft1=σ(Wfxt1+Ufht1-1+bf);
计算输入门It1,It1=σ(Wixt1+Uiht1-1+bi);
计算候选态Ct1',Ct1'=Tanh(Wcxt1+Ucht1-1);
计算输出门Ot1,Ot1=σ(Woxt1+Uoht1-1+bo);
计算记忆单元Ct1,Ct1=Ft1⊙Ct1-1+It1⊙Ct1';
计算单元记忆输出ht1,ht1=ot1⊙Tanh(Ct1);
其中t1表示时刻,Wf、Wi、Wc、Wo分别为t1时刻的输入层xt1到隐藏层ht1的权重矩阵,Uf、Ui、Uc、Uo分别是隐藏层在t1-1时刻到t1时刻状态转移的权重值,bf、bi、bo分别为遗忘门、输入门和输出门的偏置,σ为sigmoid函数,ht1-1为网络t1-1时刻的输出;
当遗忘门非常接近1,输入门非常接近0时,实现长记忆功能;将测试样本输入CNN-LSTM深度学习模型,预测测试集并诊断设备故障;
LSTM长短记忆单元通过门控制器对记忆单元的控制作用对有价值信息进行长期记忆,减少循环神经网络的梯度消失,有效地处理序列数据,上述过程仅表示在某个当前时刻,即t1时刻的操作步骤。
具体的,如图3所示,三相异步电机的故障诊断的步骤分为两个阶段:训练阶段,预测阶段。
(一)训练阶段:(流程图左边的虚线框)
步骤1:将带标签的数据通过数据两两组合和傅里叶函数转换与原始数据一起构建二维输入数据。
步骤2:使用Adam梯度下降算法计算训练CNN-LSTM深度学习模型。
(二)预测阶段:(流程图右边的虚线框)
步骤1:将没带标签的数据通过数据两两组合和傅里叶函数转换与原始数据一起构建二维预测数据;
步骤2:调用训练阶段训练好的CNN-LSTM深度学习模型进行预测,CNN-LSTM深度学习模型如图4所示。
下面具体阐述两个阶段的实现过程。
(一)训练阶段:
步骤1-1:将原始数据预处理并转化为标准二维数据。
具体为:训练数据长度为80s,采样率6000,即480000个点。训练数据是按时间先后顺序采集的序列数据。电机包括三相电流A、B、C。按A相与-B相与-C相的顺序相互组合在一起成为新的电流信号数据,这样便构成了三种不同尺寸的电流数据。振动信号通过傅里叶函数转化为频谱。这些数据和电流、电压、加速度、速度、频率和频谱一起通过归一化构成初始输入的标准二维数据。
步骤1-2:根据电机三相电流A、B、C与电机接地部分D,进行组合划分为A-D(A相对地短路),B-D(B相对地短路),C-D(C相对地短路),A-B(A与B相短路),A-C(A与C相短路),B-C(B与C相短路),A-B-C(A与B相、C相短路),共7类故障。另有电机轴承损坏、电机轴承过热、定子绕组局部损坏、定子绕组短路、铁芯损坏、轴承松动、联接偏心、绕线转子绕组短路和正常运行共计16种电机状态类型。这16种电机状态类型按故障名称的0至15的序号构成电机状态字典statusdict={'0':'A相对地短路','1':'B相对地短路','2':'C相对地短路','3':'A与B相短路','4':'A与C相短路','5':'B与C相短路','6':'A与B相、C相短路','7':'电机轴承损坏','8':'电机轴承过热','9':'定子绕组局部损坏','10':'定子绕组短路','11':'铁芯损坏','12':'轴承松动','13':'联接偏心','14':'绕线转子绕组短路','15':'正常运行'},电机故障名称对应序号作为训练集标签。
步骤1-3:将预处理初始化好的训练集二维数据(480000,9)作为输入,划分为5份为做交叉验证训练。
步骤1-4:将训练样本的数据和标签输入混CNN-LSTM网络,每一个卷积层包括LRN局部归一化、卷积和Relu,卷积层结构如图2所示。数据进入第1个卷积层进行LRN规范化、卷积计算和非线性映射,初步提取特征获取数据矩阵大小为(None,479998,64)的三维矩阵。
步骤1-5:将步骤1-4中的矩阵送入池化层进行计算,此时的pool_size=3,对划分的多个区域进行下采样得到一个值,并用这个值作为该区域的概括,来提取特征并降低矩阵大小为(None,159999,64)。
步骤1-6:将步骤1-5中的矩阵送入第2个卷积层进行LRN规范化、卷积计算和非线性映射,提取特征获取数据矩阵大小为(None,159998,32)的三维矩阵。
步骤1-7:将步骤1-6中的矩阵送入池化层进行计算,此时的pool_size=2,对划分的多个区域进行下采样得到一个值,并用这个值作为该区域的概括,来提取特征并降低矩阵大小为(None,79999,32)。
步骤1-8:将步骤1-7中的矩阵送入第3个卷积层进行LRN规范化、卷积计算和非线性映射,提取特征获取数据矩阵大小为(None,79999,16)的三维矩阵。
步骤1-9:将步骤1-8中的矩阵送入池化层进行计算,此时的pool_size=2,对划分的多个区域进行下采样得到一个值,并用这个值作为该区域的概括,来提取特征并降低矩阵大小为(None,39999,16)。
步骤1-10:设置lstm_output_size=120,将步骤1-9中的矩阵送入LSTM层进行长短记忆计算,来提取特征并降低矩阵大小为(None,120)。
步骤1-11:将步骤1-10中的矩阵送入全连层,来提取特征并降低矩阵大小为(None,16)。
步骤1-12:将步骤1-11中的矩阵送入激活层,这里使用'sigmoid'做激活分类函数。
步骤1-13:设置构建loss函数,先设预测值和真实值的求差绝对值求平均数C1,再设预测值和真实值的的求差绝对值去除以1.5和真实值求差绝对值得到商,然后对商求平均值C2。再用2除以2、C1和C2的和得商S1,然后用1减去对S1的平方得差即为设置的loss函数值error。应用该设置的loss函数是按维度序列计算的。
步骤1-14:设置optimizer优化函数为'adam',metrics评价函数设为'accuracy',训练批次数量batch_size设为256,迭代次数nb_epoch设为600。
步骤1-15:使用Adam梯度下降算法进行计算训练CNN-LSTM深度学习模型的参数。训练时设置显示训练loss和验证的val_loss。
步骤1-16:如果训练CNN-LSTM深度学习模型产生的设置构建的loss函数值不再降低,或者已经达到最大迭代次数600,则中断深度学习模型训练;否则跳到步骤1-3。
(二)预测阶段:
步骤2-1:采集并预处理预测数据
预测数据长度为20s,采样率6000,即120000个点,是按时间先后顺序采集的序列数据。按步骤1-1的数据转化组合方式把预测数据处理成标准二维数据。
步骤2-2:调用模型预测结果
将步骤2-1预处理好的预测数据送入训练好的CNN-LSTM深度学习模型预测,得到各类设备故障预测数字类别结果。然后使用步骤1-2生成的的电机状态字典statusdict={'0':'A相对地短路','1':'B相对地短路','2':'C相对地短路','3':'A与B相短路','4':'A与C相短路','5':'B与C相短路','6':'A与B相、C相短路','7':'电机轴承损坏','8':'电机轴承过热','9':'定子绕组局部损坏','10':'定子绕组短路','11':'铁芯损坏','12':'轴承松动','13':'联接偏心','14':'绕线转子绕组短路','15':'正常运行'},将预测的数字类别转化为电机状态故障名称。
如图5所述,本发明还提供了一种基于混合CNN-LSTM的三相异步电机故障诊断系统,诊断系统包括采集模块、样本分组模块、计算模块、建模模块和预测模块;其中,采集模块用于采集电机状态信息和故障类型数据组,并将故障类型数据组的数值与采集时间对应处理;样本分组模块用于对故障类型数据组进行分组,分为训练样本和测试样本,便于后期的数据对照,还用于根据故障类型数据组对训练样本设置标签;计算模块用于便利训练样本中的数据序列,挖掘深层特征并将输出结果发送至建模模块;建模模块用于根据计算模块发送的输出结果构件CNN-LSTM深度学习模型,确认CNN-LSTM深度学习模型的模型参数;预测模块用于将测试样本输入CNN-LSTM深度学习模型,预测测试集并进行设备故障的诊断,其中,测试集中的数值为设置好的故障类型文字在字典的位置序号。
本领域的普通技术人员应当理解:尽管参考前述实施例对本发明进行的详细说明,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (15)
1.一种基于混合CNN-LSTM的三相异步电机故障诊断方法,其特征在于,所述诊断方法包括:
采集电机状态信息和故障类型数据组,将故障类型数据组的数值与采集时间对应处理;
将故障类型数据组分为训练样本与测试样本,设置训练样本的标签;
遍历训练样本中的数据序列,挖掘深层特征并输出结果;
根据输出的结果构建CNN-LSTM深度学习模型对训练样本中的时间序列数据进行训练,确认CNN-LSTM深度学习模型的模型参数;
将测试样本输入CNN-LSTM深度学习模型,预测测试集并诊断设备故障。
2.根据权利要求1所述的一种基于混合CNN-LSTM的三相异步电机故障诊断方法,其特征在于,
所述电机状态信息包括电机的电流、电压、加速度、振幅、频率和频谱;
所述频谱的振动信号通过傅里叶函数转环得出。
3.根据权利要求1所述的一种基于混合CNN-LSTM的三相异步电机故障诊断方法,其特征在于,
所述标签为故障类型序列;
所述时间序列数据具体为原始数据和对原始数据挖掘的特征数据。
4.根据权利要求1所述的一种基于混合CNN-LSTM的三相异步电机故障诊断方法,其特征在于,
所述遍历训练样本中的数据序列之前,包括设定CNN的层数、滤波器大小、步长和通道。
5.根据权利要求3所述的一种基于混合CNN-LSTM的三相异步电机故障诊断方法,其特征在于,
所述遍历训练样本中的数据序列之前,还包括将训练样本的数据输入到CNN的卷积层中。
6.根据权利要求3所述的一种基于混合CNN-LSTM的三相异步电机故障诊断方法,其特征在于,
所述挖掘深层特征包括利用CNN的卷积池化操作、局部卷积、多核卷积和权值共享特性自动提取样本数据局部抽象信息。
8.根据权利要求7所述的一种基于混合CNN-LSTM的三相异步电机故障诊断方法,其特征在于,
在进行运算前,需要将u按序列由小到大排列,h按序列由大到小排列,再将u和h的开头端对齐。
9.根据权利要求1所述的一种基于混合CNN-LSTM的三相异步电机故障诊断方法,其特征在于,
所述对时间序列数据进行训练包括对时间序列数据具有长短期记忆的优势进行训练。
10.根据权利要求9所述的一种基于混合CNN-LSTM的三相异步电机故障诊断方法,其特征在于,
所述对时间序列数据具有长短期记忆的优势进行训练包括LSTM长短记忆单元通过门控制器对有价值信息进行长期记忆,减少循环神经网络的梯度消失。
11.根据权利要求10所述的一种基于混合CNN-LSTM的三相异步电机故障诊断方法,其特征在于,
所述对时间序列数据具有长短期记忆的优势进行训练包括以下步骤:
计算遗忘门Ft1,Ft1=σ(Wfxt1+Ufht1-1+bf);
计算输入门It1,It1=σ(Wixt1+Uiht1-1+bi);
计算候选态Ct1',Ct1'=Tanh(Wcxt1+Ucht1-1);
计算输出门Ot1,Ot1=σ(Woxt1+Uoht1-1+bo);
计算记忆单元Ct1,Ct1=Ft1⊙Ct1-1+It1⊙Ct1';
计算单元记忆输出ht1,ht1=ot1⊙Tanh(Ct1);
其中t1表示时刻,Wf、Wi、Wc、Wo分别为t1时刻的输入层xt1到隐藏层ht1的权重矩阵,Uf、Ui、Uc、Uo分别是隐藏层在t1-1时刻到t1时刻状态转移的权重值,bf、bi、bo分别为遗忘门、输入门和输出门的偏置,σ为sigmoid函数,ht1-1为网络t1-1时刻的输出;
当遗忘门非常接近1,输入门非常接近0时,实现长记忆功能。
12.一种基于混合CNN-LSTM的三相异步电机故障诊断系统,其特征在于,
所述诊断系统包括采集模块、样本分组模块、计算模块、建模模块和预测模块;
其中,采集模块用于采集电机状态信息和故障类型数据组,并将故障类型数据组的数值与采集时间对应处理;
样本分组模块用于对故障类型数据组进行分组,分为训练样本和测试样本,便于后期的数据对照;
计算模块用于便利训练样本中的数据序列,挖掘深层特征并将输出结果发送至建模模块;
建模模块用于根据计算模块发送的输出结果构件CNN-LSTM深度学习模型,确认CNN-LSTM深度学习模型的模型参数;
预测模块用于将测试样本输入CNN-LSTM深度学习模型,预测测试集并进行设备故障的诊断。
13.根据权利要求12所述的一种基于混合CNN-LSTM的三相异步电机故障诊断系统,其特征在于,
所述测试集中的数值为设置好的故障类型文字在字典的位置序号。
14.根据权利要求12所述的一种基于混合CNN-LSTM的三相异步电机故障诊断系统,其特征在于,
所述混合CNN-LSTM网络包括依次设置的卷积层、最大池化层、卷积层、最大池化层、卷积层、最大池化层、LSTM循环层、全连接层、激活层和输出层。
15.根据权利要求12所述的一种基于混合CNN-LSTM的三相异步电机故障诊断系统,其特征在于,
所述样本分组模块还用于根据故障类型数据组对训练样本设置标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210665659.3A CN115114848B (zh) | 2022-06-13 | 2022-06-13 | 一种基于混合cnn-lstm的三相异步电机故障诊断方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210665659.3A CN115114848B (zh) | 2022-06-13 | 2022-06-13 | 一种基于混合cnn-lstm的三相异步电机故障诊断方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115114848A true CN115114848A (zh) | 2022-09-27 |
CN115114848B CN115114848B (zh) | 2023-12-26 |
Family
ID=83327982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210665659.3A Active CN115114848B (zh) | 2022-06-13 | 2022-06-13 | 一种基于混合cnn-lstm的三相异步电机故障诊断方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115114848B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115858635A (zh) * | 2023-02-27 | 2023-03-28 | 国网江西省电力有限公司电力科学研究院 | 一种基于自然语言处理的短路冲击自动诊断方法 |
CN116109017A (zh) * | 2023-04-12 | 2023-05-12 | 国网信息通信产业集团有限公司 | 一种短路电流零点快速精准预测方法及系统 |
CN116701918A (zh) * | 2023-08-02 | 2023-09-05 | 成都星云智联科技有限公司 | 一种基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145886A (zh) * | 2018-10-12 | 2019-01-04 | 西安交通大学 | 一种多源信息融合的异步电机故障诊断方法 |
CN110321603A (zh) * | 2019-06-18 | 2019-10-11 | 大连理工大学 | 一种用于航空发动机气路故障诊断的深度计算模型 |
WO2019218408A1 (zh) * | 2018-05-15 | 2019-11-21 | 江苏大学 | 一种基于物联网的水泵机组典型健康状态监测装置及方法 |
CN111881971A (zh) * | 2020-07-24 | 2020-11-03 | 成都理工大学 | 一种基于深度学习lstm模型的输电线路故障类型识别方法 |
CN114048772A (zh) * | 2021-11-09 | 2022-02-15 | 中山大学 | 一种燃料电池装置的故障诊断方法、系统及存储介质 |
CN114386453A (zh) * | 2021-12-08 | 2022-04-22 | 上海电机学院 | 一种三相异步电机故障诊断方法及计算机可读介质 |
US20220327035A1 (en) * | 2020-06-03 | 2022-10-13 | Soochow University | Intra-class adaptation fault diagnosis method for bearing under variable working conditions |
US20220358363A1 (en) * | 2020-09-30 | 2022-11-10 | Southwest Petroleum University | Engine surge fault prediction system and method based on fusion neural network model |
-
2022
- 2022-06-13 CN CN202210665659.3A patent/CN115114848B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019218408A1 (zh) * | 2018-05-15 | 2019-11-21 | 江苏大学 | 一种基于物联网的水泵机组典型健康状态监测装置及方法 |
CN109145886A (zh) * | 2018-10-12 | 2019-01-04 | 西安交通大学 | 一种多源信息融合的异步电机故障诊断方法 |
CN110321603A (zh) * | 2019-06-18 | 2019-10-11 | 大连理工大学 | 一种用于航空发动机气路故障诊断的深度计算模型 |
US20220327035A1 (en) * | 2020-06-03 | 2022-10-13 | Soochow University | Intra-class adaptation fault diagnosis method for bearing under variable working conditions |
CN111881971A (zh) * | 2020-07-24 | 2020-11-03 | 成都理工大学 | 一种基于深度学习lstm模型的输电线路故障类型识别方法 |
US20220358363A1 (en) * | 2020-09-30 | 2022-11-10 | Southwest Petroleum University | Engine surge fault prediction system and method based on fusion neural network model |
CN114048772A (zh) * | 2021-11-09 | 2022-02-15 | 中山大学 | 一种燃料电池装置的故障诊断方法、系统及存储介质 |
CN114386453A (zh) * | 2021-12-08 | 2022-04-22 | 上海电机学院 | 一种三相异步电机故障诊断方法及计算机可读介质 |
Non-Patent Citations (2)
Title |
---|
司景萍;马继昌;牛家骅;王二毛;: "基于模糊神经网络的智能故障诊断专家系统", 振动与冲击, no. 04 * |
许爱华;杜洋;袁涛;: "基于深度学习的电机轴承故障诊断研究", 组合机床与自动化加工技术, no. 03 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115858635A (zh) * | 2023-02-27 | 2023-03-28 | 国网江西省电力有限公司电力科学研究院 | 一种基于自然语言处理的短路冲击自动诊断方法 |
CN115858635B (zh) * | 2023-02-27 | 2023-06-16 | 国网江西省电力有限公司电力科学研究院 | 一种基于自然语言处理的短路冲击自动诊断方法 |
CN116109017A (zh) * | 2023-04-12 | 2023-05-12 | 国网信息通信产业集团有限公司 | 一种短路电流零点快速精准预测方法及系统 |
CN116109017B (zh) * | 2023-04-12 | 2023-06-09 | 国网信息通信产业集团有限公司 | 一种短路电流零点快速精准预测方法及系统 |
CN116701918A (zh) * | 2023-08-02 | 2023-09-05 | 成都星云智联科技有限公司 | 一种基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法 |
CN116701918B (zh) * | 2023-08-02 | 2023-10-20 | 成都星云智联科技有限公司 | 一种基于LightGBM特征提取和BiLSTM的滚动轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115114848B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Motor fault detection and feature extraction using RNN-based variational autoencoder | |
CN115114848A (zh) | 一种基于混合cnn-lstm的三相异步电机故障诊断方法和系统 | |
CN110377984B (zh) | 一种工业设备剩余有效寿命预测方法、系统及电子设备 | |
CN109555566B (zh) | 一种基于lstm的汽轮机转子故障诊断方法 | |
CN111504676B (zh) | 基于多源监控数据融合的设备故障诊断方法、装置及系统 | |
Dong et al. | An adaptive multisensor fault diagnosis method for high-speed train traction converters | |
Gopinath et al. | Intelligent fault diagnosis of synchronous generators | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
CN113177357B (zh) | 一种电力系统暂态稳定评估方法 | |
CN112766618A (zh) | 异常预测方法及装置 | |
He et al. | In-situ fault detection for the spindle motor of CNC machines via multi-stage residual fusion convolution neural networks | |
Husari et al. | Stator turn fault diagnosis and severity assessment in converter fed induction motor using flat diagnosis structure based on deep learning approach | |
Senanayaka et al. | Autoencoders and recurrent neural networks based algorithm for prognosis of bearing life | |
Han et al. | Data-enhanced stacked autoencoders for insufficient fault classification of machinery and its understanding via visualization | |
Gongora et al. | Neural approach for bearing fault detection in three phase induction motors | |
CN112763215B (zh) | 一种基于模块化联邦深度学习的多工况在线故障诊断方法 | |
Husari et al. | Sensitive inter-tum fault identifcation in induction motors using deep learning based methods | |
CN113295413B (zh) | 一种基于间接信号的牵引电机轴承故障诊断方法 | |
CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
CN110133501A (zh) | 一种基于专家系统引导的电力机车写极永磁同步牵引系统 | |
Pashaee et al. | Fault Diagnosing Of An Induction Motor Based On Signal Fusion Using One-Dimensional Convolutional Neural Network | |
CN115130500A (zh) | 一种基于sdae算法的电机故障诊断系统及方法 | |
CN114841196A (zh) | 一种基于监督学习的机械设备智能故障检测方法及系统 | |
CN113469013A (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 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Chen Anzhi Inventor after: Xiong Fei Inventor before: Xiong Fei Inventor before: Chen Anzhi |
|
GR01 | Patent grant | ||
GR01 | Patent grant |