CN115248377A - 异步电动机转子断条故障检测方法、计算机设备及介质 - Google Patents

异步电动机转子断条故障检测方法、计算机设备及介质 Download PDF

Info

Publication number
CN115248377A
CN115248377A CN202211147844.XA CN202211147844A CN115248377A CN 115248377 A CN115248377 A CN 115248377A CN 202211147844 A CN202211147844 A CN 202211147844A CN 115248377 A CN115248377 A CN 115248377A
Authority
CN
China
Prior art keywords
rotor
motor
sample
detection model
time series
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
Application number
CN202211147844.XA
Other languages
English (en)
Other versions
CN115248377B (zh
Inventor
孙丽玲
雷顺
刘怡
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 Keruite Technology Co ltd
Original Assignee
Beijing Keruite Technology Co ltd
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 Keruite Technology Co ltd filed Critical Beijing Keruite Technology Co ltd
Priority to CN202211147844.XA priority Critical patent/CN115248377B/zh
Publication of CN115248377A publication Critical patent/CN115248377A/zh
Application granted granted Critical
Publication of CN115248377B publication Critical patent/CN115248377B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01R31/343—Testing dynamo-electric machines in operation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Electric Motors In General (AREA)
  • Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)

Abstract

本发明涉及异步电动机检测技术领域，具体提供一种异步电动机转子断条故障检测方法、计算机设备及介质，旨在解决准确地检测异步电动机是否发生转子断条故障的问题。为此目的，本发明提供的方法包括采用大批量的特定时间序列信号样本对基于长短期记忆网络与自注意力机制建立的转子断条故障检测模型进行预训练，进而采用少量的电动机时间序列信号样本再次对转子断条故障检测模型进行训练，得到最终的转子断条故障检测模型，采用上述最终的转子断条故障检测模型并且根据电动机时间序列信号进行转子断条故障检测。通过上述方法，可以利用少量样本训练得到精度较高的转子断条故障检测模型，进而提高转子断条故障的检测准确性。

Description

异步电动机转子断条故障检测方法、计算机设备及介质
技术领域
本发明涉及异步电动机检测技术领域，具体提供一种异步电动机转子断条故障检测方法、计算机设备及计算机可读存储介质。
背景技术
异步电动机（Asynchronous Motor）广泛应用于发电、石化、冶金、矿山和舰艇等领域中，其能够将电能转换成机械能，拖动各种生产机械运转。目前对于异步电动机频发的转子断条故障的分析方法主要包括电动机电流信号分析（Motor Current Signal Analysis）方法以及基于深度学习的分析方法，其中，基于深度学习的分析方法主要包括基于深度学习中的图像分类技术进行转子断条故障分析的方法以及基于深度学习中的时间序列信号分类技术进行转子断条故障分析的方法。
电动机电流信号分析方法的主要原理是：异步电动机发生转子断条故障时定子电流基频分量两侧会出现频率为
Figure 4865DEST_PATH_IMAGE001
的边频分量，其中，
Figure 239537DEST_PATH_IMAGE002
为转差率，
Figure 394575DEST_PATH_IMAGE003
为供电频率，定子电流主要分量为
Figure 709887DEST_PATH_IMAGE003
分量。如果能从异步电动机的定子电流时间序列信号中提取出上述边频分量或将定子电流时间序列信号经过一定手段处理转换后得到含有与上述边频分量相关的特定频率分量，那么就可以判定异步电动机发生了转子断条故障。但是，这种方法容易受到噪声和负荷波动等因素的影响，进而无法准确判断出异步电动机发生是否发生转子断条故障。
基于深度学习中的图像分类技术进行转子断条故障分析的方法的主要原理是：将异步电动机的一维信号数据转换为类似图片数据的二维矩阵，然后使用图像分类技术中的卷积神经网络（Convolutional Neural Networks）或残差网络（Residual NeuralNetworks）等网络对数据进行学习，进而进行转子断条故障分类，根据分类的结果确定是否发生转子断条故障。但是，这种方法需要使用大量的转子断条故障数据样本对网络进行训练，当转子断条故障数据样本较少时网络会发生过拟合，即只能对训练过的转子断条故障数据样本进行正确分类，对于未曾训练过的故障数据无法进行正确分类。而在实际应用中，异步电动机大多时间都处于正常运行的状态下，很难获取大量的转子断条故障数据样本。此外，这种方法需要对数据进行预处理，比如使用小波变换等方法将一维信号进行变换才能送入网络进行学习，而在预处理的过程中由于参数的设置和误差的存在，可能会丢失数据中的原始信息，给学习带来困难。
基于深度学习中的时间序列信号分类技术进行转子断条故障分析的方法的主要原理是：直接对异步电动机的一维信号数据使用循环神经网络（Recurrent NeuralNetwork）或长短期记忆网络（Long Short-Term Memory Networks）等网络对数据进行学习，进而进行故障分类，根据分类的结果确定是否发生转子断条故障。与前述基于深度学习中的图像分类技术进行转子断条故障分析的方法类似的是，这种方法同样需要使用大量的转子断条故障数据样本对网络进行训练。此外，这种方法在对特别长的时间序列信号进行学习时会遗忘时间序列信号中前面学习到的内容，学习效果不佳。
相应地，本领域需要一种新的技术方案来解决上述问题。
发明内容
为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决如何准确地检测异步电动机是否发生转子断条故障的技术问题的异步电动机转子断条故障检测方法、计算机设备及计算机可读存储介质。
在第一方面，提供一种异步电动机转子断条故障检测方法，所述方法包括：
采集待检测异步电动机的电动机时间序列信号，其中，所述电动机时间序列信号包括定子电流时间序列信号、定子电压时间序列信号和轴承振动时间序列信号；
采用基于长短期记忆网络（Long Short-Term Memory Networks）与自注意力机制（Self-Attention）建立的转子断条故障检测模型，并且根据所述电动机时间序列信号进行转子断条故障检测，以确定所述待检测异步电动机是否发生转子断条故障；
其中，所述转子断条故障检测模型通过下列方式得到：
获取电动机时间序列信号样本和特定时间序列信号样本，其中，所述特定时间序列信号样本与所述电动机时间序列信号样本的数据维度相同且所述特定时间序列信号样本的数量远大于所述电动机时间序列信号样本的数量，所述电动机时间序列信号样本包括定子电流时间序列信号、定子电压时间序列信号和轴承振动时间序列信号；
获取采用基于长短期记忆网络（Long Short-Term Memory Networks）与自注意力机制（Self-Attention）建立的初始检测模型；
采用所述特定时间序列信号样本对所述初始检测模型进行训练，得到训练好的初始检测模型；
采用所述电动机时间序列信号样本再次对所述训练好的初始检测模型进行训练，得到所述转子断条故障检测模型。
在上述异步电动机转子断条故障检测方法的一个技术方案中，所述初始检测模型至少包括特征提取层、全连接层和分类层，所述特征提取层包括多个依次连接的长短期记忆网络（Long Short-Term Memory Networks）层，每相邻的两个所述长短期记忆网络（LongShort-Term Memory Networks）层之间设置有一个自注意力机制（Self-Attention）层；
“采用所述电动机时间序列信号样本再次对所述训练好的初始检测模型进行训练，得到所述转子断条故障检测模型”的步骤具体包括：
步骤S1：将所述训练好的初始检测模型中的全连接层的全连接计算函数替换成下式所示的全连接计算函数
Figure 354495DEST_PATH_IMAGE004
，以形成目标检测模型；
Figure 14147DEST_PATH_IMAGE005
其中，
Figure 582663DEST_PATH_IMAGE006
表示所述特征提取层提取到的特征向量，
Figure 706476DEST_PATH_IMAGE007
和
Figure 459669DEST_PATH_IMAGE008
分别表示权重向量和偏置向量，
Figure 977588DEST_PATH_IMAGE009
表示相似度计算函数，
Figure 208849DEST_PATH_IMAGE010
表示特征向量
Figure 187169DEST_PATH_IMAGE006
与权重向量
Figure 986629DEST_PATH_IMAGE007
之间的相似度；
步骤S2：利用所述训练好的初始检测模型中的特征提取层，分别提取每个样本类别的电动机时间序列信号样本中每个电动机时间序列信号样本的样本特征向量，根据每个样本类别各自对应的所有样本特征向量，确定每个样本类别各自对应的平均样本特征向量；
步骤S3：分别对每个样本类别各自对应的平均样本特征向量进行归一化处理，根据归一化处理后的所述平均样本特征向量分别对所述全连接计算函数
Figure 620873DEST_PATH_IMAGE004
中每个样本类别各自对应的权重向量的向量元素的值进行初始化处理，得到初始化的目标检测模型；
步骤S4：采用每个样本类别的电动机时间序列信号样本对所述初始化的目标检测模型进行分类训练，得到所述转子断条故障检测模型。
在上述异步电动机转子断条故障检测方法的一个技术方案中，“获取电动机时间序列信号样本”的步骤具体包括：
根据异步电动机的负载状态与转子状态，确定多个样本类别；
针对每个样本类别，获取在所述样本类别对应的负载状态与转子状态下异步电动机的电动机时间序列信号，将获取到的电动机时间序列信号作为所述样本类别的电动机时间序列信号样本；
其中，所述负载状态至少包括满载、半载和空载，所述转子状态至少包括未断条、一根转子断条和两根转子断条。
在上述异步电动机转子断条故障检测方法的一个技术方案中，“获取在所述样本类别对应的负载状态与转子状态下异步电动机的电动机时间序列信号，将获取到的电动机时间序列信号作为所述样本类别的电动机时间序列信号样本”的步骤具体包括：
采集在所述样本类别对应的负载状态与转子状态下，预设采样时长内异步电动机的电动机时间序列信号；
根据预设滑动步长滑动预设尺度的滑动窗口，提取每次滑动后落入所述滑动窗口中的电动机时间序列信号；
将落入所述滑动窗口中的电动机时间序列信号作为所述样本类别的电动机时间序列信号样本。
在上述异步电动机转子断条故障检测方法的一个技术方案中，所述相似度计算函数
Figure 780459DEST_PATH_IMAGE009
是余弦相似度计算函数。
在上述异步电动机转子断条故障检测方法的一个技术方案中，所述分类层是基于
Figure 862553DEST_PATH_IMAGE011
函数建立的分类层。
在第二方面，提供一种计算机设备，该计算机设备包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述异步电动机转子断条故障检测方法的技术方案中任一项技术方案所述的异步电动机转子断条故障检测方法。
在第三方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述异步电动机转子断条故障检测方法的技术方案中任一项技术方案所述的异步电动机转子断条故障检测方法。
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
在实施本发明的技术方案中，可以采集待检测异步电动机的电动机时间序列信号，其中，电动机时间序列信号包括定子电流时间序列信号、定子电压时间序列信号和轴承振动时间序列信号，进而采用基于长短期记忆网络（Long Short-Term Memory Networks）与自注意力机制（Self-Attention）建立的转子断条故障检测模型，并且根据电动机时间序列信号进行转子断条故障检测，以确定待检测异步电动机是否发生转子断条故障。基于长短期记忆网络与自注意力机制建立转子断条故障检测模型，能够克服现有技术中使用长短期记忆网络进行转子断条故障检测存在的对特别长的时间序列信号进行学习时会遗忘时间序列信号中前面学习到的内容，学习效果不佳的问题。
在实施本发明的技术方案中，转子断条故障检测模型可以通过下列方式得到：首先，获取电动机时间序列信号样本和特定时间序列信号样本，其中，特定时间序列信号样本与电动机时间序列信号样本的数据维度相同且特定时间序列信号样本的数量远大于电动机时间序列信号样本的数量，电动机时间序列信号样本包括定子电流时间序列信号、定子电压时间序列信号和轴承振动时间序列信号；然后，获取采用基于长短期记忆网络与自注意力机制建立的初始检测模型，采用特定时间序列信号样本对初始检测模型进行训练，得到训练好的初始检测模型；最后，采用电动机时间序列信号样本再次对训练好的初始检测模型进行训练，得到转子断条故障检测模型。通过上述方式，无需使用大量的电动机时间序列信号样本，通过少量的电动机时间序列信号样本就可以实现采用大量的电动机时间序列信号样本的模型训练效果，克服了现有技术中当转子断条故障数据样本较少时网络会发生过拟合的缺陷。
附图说明
参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。其中：
图1是根据本发明的一个实施例的异步电动机转子断条故障检测方法的主要步骤流程示意图；
图2是根据本发明的一个实施例的获取转子断条故障检测模型的方法的主要步骤流程示意图；
图3是根据本发明的一个实施例的转子断条故障检测模型的主要结构框图示意图；
图4是根据本发明的一个实施例的转子断条故障检测模型中特征提取层的主要结构框图示意图；
图5是根据本发明的一个实施例的获取电动机时间序列信号样本的示意图；
图6是根据本发明的一个实施例的采用每个样本类别的电动机时间序列信号样本对初始化的目标检测模型进行分类训练，得到转子断条故障检测模型的方法的主要步骤流程示意图。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
在本发明的描述中，“处理器”可以包括硬件、软件或者两者的组合。处理器可以是中央处理器、微处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。
参阅附图1，图1是根据本发明的一个实施例的异步电动机转子断条故障检测方法的主要步骤流程示意图。如图1所示，本发明实施例中的异步电动机转子断条故障检测方法主要包括下列步骤S101至步骤S102。
步骤S101：采集待检测异步电动机的电动机时间序列信号，其中，电动机时间序列信号包括定子电流时间序列信号、定子电压时间序列信号和轴承振动时间序列信号。
定子电流时间序列信号是指按照信号采集时间由先至后的顺序采集得到的一组定子电流信号，定子电压时间序列信号是指按照信号采集时间由先至后的顺序采集得到的一组定子电压信号，轴承振动时间序列信号是指按照信号采集时间由先至后的顺序采集得到的一组轴承振动信号。需要说明的是，定子电流时间序列信号、定子电压时间序列信号和轴承振动时间序列信号是按照相同的采集频率，在同一时段内采集到的时间序列信号。
步骤S102：采用基于长短期记忆网络（Long Short-Term Memory Networks）与自注意力机制（Self-Attention）建立的转子断条故障检测模型，并且根据电动机时间序列信号进行转子断条故障检测，以确定待检测异步电动机是否发生转子断条故障。
基于长短期记忆网络是神经网络技术中的一种常规网络结构，在此不对长短期记忆网络的网络结构进行详细说明。此外，自注意力机制是注意力机制技术领域中的一种常规注意力机制，在此同样不对自注意力机制进行详细说明。
基于长短期记忆网络与自注意力机制建立转子断条故障检测模型，能够克服现有技术中使用长短期记忆网络进行转子断条故障检测存在的对特别长的时间序列信号进行学习时会遗忘时间序列信号中前面学习到的内容，学习效果不佳的问题。
继续参阅附图2，下面结合附图2对本发明实施例中获得转子断条故障检测模型的方法进行说明。如图2所示，在本发明实施例中可以通过下列步骤S201至步骤S204获取转子断条故障检测模型。
步骤S201：获取电动机时间序列信号样本和特定时间序列信号样本，其中，特定时间序列信号样本与电动机时间序列信号样本的数据维度相同且特定时间序列信号样本的数量远大于电动机时间序列信号样本的数量，电动机时间序列信号样本包括定子电流时间序列信号、定子电压时间序列信号和轴承振动时间序列信号。
电动机时间序列信号样本可以包括定子电流时间序列信号、定子电压时间序列信号和轴承振动时间序列信号。电动机时间序列信号样本与前述步骤S101中的定子电流时间序列信号类似，在此不再赘述。
特定时间序列信号样本是指除了电动机时间序列信号样本以外的其他时间序列信号。例如，特定时间序列信号样本可以是用于对音乐所传答的情绪进行分类的音频时间序列信号，也可以是用于对心血管疾病进行分类的心电图时间序列信号。
特定时间序列信号样本与电动机时间序列信号样本的数据维度要保持一致。举例来说，电动机时间序列信号样本是10行8列的信号样本，那么特定时间序列信号样本也得是10行8列的信号样本。
此外，特定时间序列信号样本的数量远大于电动机时间序列信号样本的数量，比如说特定时间序列信号样本与电动机时间序列信号样本的数量的差值大于预设的数量阈值，该预设的数量阈值是一个较大的数值，比如100万。
步骤S202：获取采用基于长短期记忆网络与自注意力机制建立的初始检测模型。
下面结合附图3和附图4对上述基于长短期记忆网络与自注意力机制建立的初始检测模型的主要结构进行说明。
首先参阅附图3，在本发明实施例中初始检测模型可以包括依次连接的输入层和特征提取层、全连接层和分类层，其中，特征提取层可以包括多个依次连接的长短期记忆网络层，每相邻的两个长短期记忆网络层（图3所示的LSTM层）之间设置有一个自注意力机制层（图3所示的Self-Attention层）。在一些优选实施方式中，分类层可以是基于
Figure 223127DEST_PATH_IMAGE011
函数建立的分类层。
具体地，特征提取层可以被配置成提取输入信号的特征向量并将提取到的特征向量输出至全连接层；全连接层可以被配置成对接收到的输特征向量进行全连接计算并将全连接计算的结果输出至分类层；分类层可以被配置成根据接收到的全连接计算的结果，确定输入信号的类别。其中，在初始检测模型中全连接层的全连接计算函数
Figure 203722DEST_PATH_IMAGE012
可以如下式（1）所示。
Figure 855414DEST_PATH_IMAGE013
（1）
在上述公式（1）中各参数含义分别如下：
Figure 480431DEST_PATH_IMAGE006
表示特征提取层提取到的特征向量，
Figure 136540DEST_PATH_IMAGE007
和
Figure 214217DEST_PATH_IMAGE008
分别表示权重向量和偏置向量。
继续参阅附图4，
Figure 436645DEST_PATH_IMAGE014
、
Figure 40801DEST_PATH_IMAGE015
和
Figure 743178DEST_PATH_IMAGE016
分别表示长短期记忆网络层的输入状态，
Figure 183518DEST_PATH_IMAGE017
、
Figure 426280DEST_PATH_IMAGE018
和
Figure 25889DEST_PATH_IMAGE019
分别表示长短期记忆网络层的隐藏状态，
Figure 273068DEST_PATH_IMAGE020
、
Figure 325338DEST_PATH_IMAGE021
和
Figure 371791DEST_PATH_IMAGE022
分别表示自注意力机制层的输出状态，以输出状态
Figure 966852DEST_PATH_IMAGE022
为例，输出状态
Figure 745452DEST_PATH_IMAGE022
的计算公式如下式（2）至（4）所示。
Figure 409652DEST_PATH_IMAGE023
（2）
Figure 506134DEST_PATH_IMAGE024
，
Figure 80335DEST_PATH_IMAGE025
（3）
Figure 154470DEST_PATH_IMAGE026
（4）
在上述公式（2）至（4）中各参数含义分别如下：
Figure 994381DEST_PATH_IMAGE027
、
Figure 320320DEST_PATH_IMAGE028
…
Figure 873661DEST_PATH_IMAGE029
分别表示注意力权重，
Figure 571228DEST_PATH_IMAGE030
表示由
Figure 85386DEST_PATH_IMAGE027
、
Figure 339649DEST_PATH_IMAGE028
…
Figure 357284DEST_PATH_IMAGE029
构成的注意力权重向量，
Figure 992796DEST_PATH_IMAGE031
、
Figure 853304DEST_PATH_IMAGE032
分别表示自注意力机制中Value矩阵的元素，
Figure 521046DEST_PATH_IMAGE033
表示由
Figure 238860DEST_PATH_IMAGE031
、
Figure 91278DEST_PATH_IMAGE032
构成的自注意力机制中Value矩阵，
Figure 48870DEST_PATH_IMAGE034
表示第
Figure 661248DEST_PATH_IMAGE035
层长短期记忆网络层的隐藏状态；
Figure 981371DEST_PATH_IMAGE036
表示自注意力机制中的Key矩阵，
Figure 614478DEST_PATH_IMAGE037
表示转置符号；
Figure 964425DEST_PATH_IMAGE038
表示自注意力机制中Query矩阵的元素，
Figure 973969DEST_PATH_IMAGE039
表示维度
Figure 148599DEST_PATH_IMAGE040
为的实数集，
Figure 93552DEST_PATH_IMAGE041
表示自注意力机制中Query矩阵的元素的权重；
Figure 291315DEST_PATH_IMAGE042
表示自注意力机制中Key矩阵的元素，
Figure 229184DEST_PATH_IMAGE043
表示自注意力机制中Key矩阵的元素的权重；
Figure 196003DEST_PATH_IMAGE044
表示自注意力机制中Value矩阵的元素，
Figure 745147DEST_PATH_IMAGE045
表示自注意力机制中Value矩阵的元素的权重。
步骤S203：采用特定时间序列信号样本对初始检测模型进行训练，得到训练好的初始检测模型。
根据前述步骤S202对初始检测模型的主要结构的描述可知，初始检测模型是一个分类模型。因而，在训练初始检测模型时实际上是对其进行分类训练。
以特定时间序列信号样本是用于对音乐所传答的情绪进行分类的音频时间序列信号为例，当特定时间序列信号样本包括开心情绪的音频时间序列信号以及伤心情绪的音频时间序列信号时，采用特定时间序列信号样本对初始检测模型进行分类训练，不仅可以使初始检测模型学习到准确提取时间序列信号的特征向量的能力，还可以使其学习到根据音频时间序列信号对开心情绪和伤心情绪进行分类识别的能力。但是，在本发明实施例中，采用特定时间序列信号样本对初始检测模型进行分类训练的主要目的是训练初始检测模型针对时间序列信号的特征向量提取能力，并不关注其学习到的其他能力，只要能够在步骤S204中利用训练好的初始检测模型准确地提取到电动机时间序列信号样本的特征向量即可。
需要说明的是，在本发明实施例中可以采用机器学习技术领域中常规的模型训练方法，采用特定时间序列信号样本对初始检测模型进行训练，得到训练好的初始检测模型，本发明实施例不对上述模型训练方法作具体限定。
步骤S204：采用电动机时间序列信号样本再次对训练好的初始检测模型进行训练，得到转子断条故障检测模型。
在通过步骤S203得到能够准确提取时间序列信号的特征向量的初始检测模型后，再使用电动机时间序列信号样本对该模型进行训练的主要目的是，使该模型学习到根据电动机时间序列信号样本的特征向量进行转子断条故障检测的能力。与步骤S203类似的是，采用电动机时间序列信号样本再次对训练好的初始检测模型进行训练，实际上也是对该模型进行分类训练。这样在训练完成后，就可以使用最终训练好的检测模型对待检测异步电动机是发生了转子断条故障还是未发生转子断条故障进行分类识别，即检测待检测异步电动机是否发生转子断条故障。进一步，如果电动机时间序列信号样本还包括不同故障程度的电动机时间序列信号样本，那么在采用这些电动机时间序列信号样本对训练好的初始检测模型进行训练后，最终训练好的检测模型不仅可以检测出待检测异步电动机是否发生转子断条故障，还可以检测出转子断条故障的故障程度，比如一根转子断条或两根转子断条等。
通过上述训练方法，无需使用大量的电动机时间序列信号样本，通过少量的电动机时间序列信号样本就可以实现采用大量的电动机时间序列信号样本的模型训练效果，克服了现有技术中当转子断条故障数据样本较少时网络会发生过拟合的缺陷。
下面对上述步骤S201和步骤S204分别作进一步说明。
在上述步骤S201的一些实施方式中，可以通过下列步骤S2011至步骤S2012来获取电动机时间序列信号样本。
步骤S2011：根据异步电动机的负载状态与转子状态，确定多个样本类别，其中，负载状态至少包括满载、半载和空载，转子状态至少包括未断条、一根转子断条和两根转子断条。
根据上述负载状态与转子状态可以确定出九个样本类别，即满载且未断条、满载且一根转子断条、满载且两根转子断条、半载且未断条、半载且一根转子断条、半载且两根转子断条、空载且未断条、空载且一根转子断条、空载且两根转子断条。
步骤S2012：针对每个样本类别，获取在样本类别对应的负载状态与转子状态下异步电动机的电动机时间序列信号，将获取到的电动机时间序列信号作为该样本类别的电动机时间序列信号样本。
具体地，在本实施方式中可以通过下列步骤11至步骤13来获取每个样本类别的电动机时间序列信号样本。
步骤11：采集在样本类别对应的负载状态与转子状态下，预设采样时长内异步电动机的电动机时间序列信号。
步骤12：根据预设滑动步长滑动预设尺度的滑动窗口，提取每次滑动后落入滑动窗口中的电动机时间序列信号。
在本实施方式中滑动窗口的预设尺度小于预设采样时长的时长。本领域技术人员可以根据实际需求灵活设置预设滑动步长的具体数值以及预设尺度的滑动窗口的具体数值，只要能够对预设采样时长内的定子电流信号进行滑动提取即可。如图5所示，滑动窗口的预设尺度可以是8个信号，预设滑动步长可以是3个信号。比如落入第1个样本对应的滑动窗口的电动机时间序列信号是d1至d9，落入第2个样本对应的滑动窗口的电动机时间序列信号是d7至d15。
步骤13：将落入滑动窗口中的电动机时间序列信号作为样本类别的电动机时间序列信号样本。
以上是对上述步骤S201的进一步说明，下面继续对上述步骤S204作进一步说明。
参阅附图6，在上述步骤S204的一些优选实施方式中，可以采用电动机时间序列信号样本并通过下列步骤S2041至步骤S2044，再次对训练好的初始检测模型进行训练，得到转子断条故障检测模型。
步骤S2041：对训练好的初始检测模型中的全连接层的全连接计算函数进行替换，以形成目标检测模型。
具体地，将训练好的初始检测模型中的全连接层的全连接计算函数替换成下式（5）所示的全连接计算函数
Figure 554840DEST_PATH_IMAGE046
，以形成目标检测模型。
Figure 171766DEST_PATH_IMAGE047
（5）
在上述公式（5）中各参数含义分别如下：
Figure 868457DEST_PATH_IMAGE006
表示训练好的初始检测模型中特征提取层提取到的特征向量，
Figure 342164DEST_PATH_IMAGE007
和
Figure 248940DEST_PATH_IMAGE008
分别表示权重向量和偏置向量，
Figure 43459DEST_PATH_IMAGE009
表示相似度计算函数，
Figure 719291DEST_PATH_IMAGE010
表示特征向量
Figure 629478DEST_PATH_IMAGE006
与权重向量
Figure 164496DEST_PATH_IMAGE007
之间的相似度。在一些优选实施方式中，相似度计算函数
Figure 857645DEST_PATH_IMAGE009
可以是余弦相似度计算函数。
步骤S2042：利用训练好的初始检测模型中的特征提取层，分别提取每个样本类别的电动机时间序列信号样本中每个电动机时间序列信号样本的样本特征向量，根据每个样本类别各自对应的所有样本特征向量，确定每个样本类别各自对应的平均样本特征向量。
具体地，针对一个样本类别的电动机时间序列信号样本而言，对属于这个样本类别的电动机时间序列信号样本的所有样本特征向量求平均，就可以得到这个样本类别的平均样本特征向量。
步骤S2043：分别对每个样本类别各自对应的平均样本特征向量进行归一化处理，根据归一化处理后的平均样本特征向量分别对目标检测模型的全连接计算函数
Figure 981459DEST_PATH_IMAGE004
2中每个样本类别各自对应的权重向量的向量元素的值进行初始化处理，得到初始化的目标检测模型。
在本实施方式中可以采用数据处理技术领域中常规的数据归一化处理方法对每个样本类别的平均样本特征向量进行归一化处理，本实施方式不对上述方法作具体限定。
在对权重向量进行初始化处理时，可以直接将权重向量的向量元素的初始值设置为平均样本特征向量。此外，在进行初始化时，对于全连接层中的偏置向量，可以将其向量元素的初始值都设置为零。
以采用三个样本类别1、2、3的电动机时间序列信号样本训练得到转子断条故障检测模型为例，步骤S2041中的公式（5）可以展开表示成下列公式（6）。
Figure 111482DEST_PATH_IMAGE048
（6）
在上述公式（6）中各参数含义分别如下：
Figure 727271DEST_PATH_IMAGE049
、
Figure 614325DEST_PATH_IMAGE050
和
Figure 264749DEST_PATH_IMAGE051
分别表示样本类别1、2、3各自对应的权重向量
Figure 267471DEST_PATH_IMAGE007
的向量元素，
Figure 26349DEST_PATH_IMAGE052
、
Figure 61301DEST_PATH_IMAGE053
和
Figure 143395DEST_PATH_IMAGE054
分别表示样本类别1、2、3各自对应的偏置向量
Figure 363024DEST_PATH_IMAGE008
的向量元素。在根据归一化处理后的平均样本特征向量分别对权重向量的向量元素进行初始化处理时，就是对上述向量元素
Figure 218984DEST_PATH_IMAGE049
、
Figure 932994DEST_PATH_IMAGE050
和
Figure 885906DEST_PATH_IMAGE051
的值进行初始化；类似地，对偏置向量进行初始化，也是对上述向量元素
Figure 151802DEST_PATH_IMAGE052
、
Figure 701968DEST_PATH_IMAGE053
和
Figure 78723DEST_PATH_IMAGE054
的值进行初始化。
进一步，以分类层是基于
Figure 886142DEST_PATH_IMAGE011
函数建立的分类层为例，分类层的计算函数如下式（7）所示。
Figure 198306DEST_PATH_IMAGE055
（7）
通过上述公式（7）可以分别得到样本类别1、2、3各自对应的概率并输出最大概率，该最大概率对应的样本类别就表示经转子断条故障检测模型预测到的电动机时间序列信号样本的预测类别。
步骤S2044：采用每个样本类别的电动机时间序列信号样本对初始化的目标检测模型进行分类训练，得到转子断条故障检测模型。
需要说明的是，在本发明实施例中可以采用机器学习技术领域中常规的模型训练方法，采用电动机时间序列信号样本对初始化的目标检测模型进行训练，得到转子断条故障检测模型，本发明实施例不对上述模型训练方法作具体限定。
基于上述步骤S2041至步骤S2044所述的方法，能够利用少量的电动机时间序列信号样本，训练得到模型精度较高的转子断条故障检测模型，从而提高了转子断条故障检测的准确性。
需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时（并行）执行或以其他顺序执行，这些变化都在本发明的保护范围之内。
本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
进一步，本发明还提供了一种计算机设备。
在根据本发明的一个计算机设备的实施例中，计算机设备包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的异步电动机转子断条故障检测方法的程序，处理器可以被配置成执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的异步电动机转子断条故障检测方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机设备可以是包括各种电子设备形成的控制装置设备。
进一步，本发明还提供了一种计算机可读存储介质。
在根据本发明的一个计算机可读存储介质的实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的异步电动机转子断条故障检测方法的程序，该程序可以由处理器加载并运行以实现上述异步电动机转子断条故障检测方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
至此，已经结合附图所示的一个实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (8)

1.一种异步电动机转子断条故障检测方法，其特征在于，所述方法包括：
采集待检测异步电动机的电动机时间序列信号，其中，所述电动机时间序列信号包括定子电流时间序列信号、定子电压时间序列信号和轴承振动时间序列信号；
采用基于长短期记忆网络（Long Short-Term Memory Networks）与自注意力机制（Self-Attention）建立的转子断条故障检测模型，并且根据所述电动机时间序列信号进行转子断条故障检测，以确定所述待检测异步电动机是否发生转子断条故障；
其中，所述转子断条故障检测模型通过下列方式得到：
获取电动机时间序列信号样本和特定时间序列信号样本，其中，所述特定时间序列信号样本与所述电动机时间序列信号样本的数据维度相同且所述特定时间序列信号样本的数量远大于所述电动机时间序列信号样本的数量，所述电动机时间序列信号样本包括定子电流时间序列信号、定子电压时间序列信号和轴承振动时间序列信号；
获取采用基于长短期记忆网络（Long Short-Term Memory Networks）与自注意力机制（Self-Attention）建立的初始检测模型；
采用所述特定时间序列信号样本对所述初始检测模型进行训练，得到训练好的初始检测模型；
采用所述电动机时间序列信号样本再次对所述训练好的初始检测模型进行训练，得到所述转子断条故障检测模型。
2.根据权利要求1所述的异步电动机转子断条故障检测方法，其特征在于，所述初始检测模型至少包括特征提取层、全连接层和分类层，所述特征提取层包括多个依次连接的长短期记忆网络（Long Short-Term Memory Networks）层，每相邻的两个所述长短期记忆网络（Long Short-Term Memory Networks）层之间设置有一个自注意力机制（Self-Attention）层；
“采用所述电动机时间序列信号样本再次对所述训练好的初始检测模型进行训练，得到所述转子断条故障检测模型”的步骤具体包括：
步骤S1：将所述训练好的初始检测模型中的全连接层的全连接计算函数替换成下式所示的全连接计算函数
Figure 635189DEST_PATH_IMAGE001
，以形成目标检测模型；
Figure 815635DEST_PATH_IMAGE002
其中，
Figure 274298DEST_PATH_IMAGE003
表示所述特征提取层提取到的特征向量，
Figure 957696DEST_PATH_IMAGE004
和
Figure 9965DEST_PATH_IMAGE005
分别表示权重向量和偏置向量，
Figure 853157DEST_PATH_IMAGE006
表示相似度计算函数，
Figure 307272DEST_PATH_IMAGE007
表示特征向量
Figure 961238DEST_PATH_IMAGE003
与权重向量
Figure 500804DEST_PATH_IMAGE004
之间的相似度；
步骤S2：利用所述训练好的初始检测模型中的特征提取层，分别提取每个样本类别的电动机时间序列信号样本中每个电动机时间序列信号样本的样本特征向量，根据每个样本类别各自对应的所有样本特征向量，确定每个样本类别各自对应的平均样本特征向量；
步骤S3：分别对每个样本类别各自对应的平均样本特征向量进行归一化处理，根据归一化处理后的所述平均样本特征向量分别对所述全连接计算函数
Figure 413265DEST_PATH_IMAGE001
中每个样本类别各自对应的权重向量的向量元素的值进行初始化处理，得到初始化的目标检测模型；
步骤S4：采用每个样本类别的电动机时间序列信号样本对所述初始化的目标检测模型进行分类训练，得到所述转子断条故障检测模型。
3.根据权利要求1所述的异步电动机转子断条故障检测方法，其特征在于，“获取电动机时间序列信号样本”的步骤具体包括：
根据异步电动机的负载状态与转子状态，确定多个样本类别；
针对每个样本类别，获取在所述样本类别对应的负载状态与转子状态下异步电动机的电动机时间序列信号，将获取到的电动机时间序列信号作为所述样本类别的电动机时间序列信号样本；
其中，所述负载状态至少包括满载、半载和空载，所述转子状态至少包括未断条、一根转子断条和两根转子断条。
4.根据权利要求3所述的异步电动机转子断条故障检测方法，其特征在于，“获取在所述样本类别对应的负载状态与转子状态下异步电动机的电动机时间序列信号，将获取到的电动机时间序列信号作为所述样本类别的电动机时间序列信号样本”的步骤具体包括：
采集在所述样本类别对应的负载状态与转子状态下，预设采样时长内异步电动机的电动机时间序列信号；
根据预设滑动步长滑动预设尺度的滑动窗口，提取每次滑动后落入所述滑动窗口中的电动机时间序列信号；
将落入所述滑动窗口中的电动机时间序列信号作为所述样本类别的电动机时间序列信号样本。
5.根据权利要求2所述的异步电动机转子断条故障检测方法，其特征在于，所述相似度计算函数
Figure 456307DEST_PATH_IMAGE006
是余弦相似度计算函数。
6.根据权利要求2所述的异步电动机转子断条故障检测方法，其特征在于，所述分类层是基于
Figure 546754DEST_PATH_IMAGE008
函数建立的分类层。
7.一种计算机设备，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至6中任一项所述的异步电动机转子断条故障检测方法。
8.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至6中任一项所述的异步电动机转子断条故障检测方法。
CN202211147844.XA 2022-09-21 2022-09-21 异步电动机转子断条故障检测方法、计算机设备及介质 Active CN115248377B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211147844.XA CN115248377B (zh) 2022-09-21 2022-09-21 异步电动机转子断条故障检测方法、计算机设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211147844.XA CN115248377B (zh) 2022-09-21 2022-09-21 异步电动机转子断条故障检测方法、计算机设备及介质

Publications (2)

Publication Number Publication Date
CN115248377A true CN115248377A (zh) 2022-10-28
CN115248377B CN115248377B (zh) 2022-12-13

Family

ID=83700440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211147844.XA Active CN115248377B (zh) 2022-09-21 2022-09-21 异步电动机转子断条故障检测方法、计算机设备及介质

Country Status (1)

Country Link
CN (1) CN115248377B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117929999A (zh) * 2024-01-15 2024-04-26 安徽皖新电机有限公司 一种异步电机转子断条检测系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100301792A1 (en) * 2009-05-29 2010-12-02 General Electric Company Detection of rotor side anomaly in an induction machine
CN106295023A (zh) * 2016-08-15 2017-01-04 南京航空航天大学 一种异步电机转子复合故障的诊断方法
CN112505570A (zh) * 2020-12-03 2021-03-16 摩登汽车(盐城)有限公司 电动汽车的电池健康状态的估计方法
CN112731137A (zh) * 2020-09-15 2021-04-30 华北电力大学（保定） 基于栈式自编码与轻型梯度提升机算法的笼型异步电动机定转子故障联合诊断方法
CN113947099A (zh) * 2021-07-05 2022-01-18 华北电力大学（保定） 基于esprit-psa与lgbm的五相异步电动机转子断条数目高精度诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100301792A1 (en) * 2009-05-29 2010-12-02 General Electric Company Detection of rotor side anomaly in an induction machine
CN106295023A (zh) * 2016-08-15 2017-01-04 南京航空航天大学 一种异步电机转子复合故障的诊断方法
CN112731137A (zh) * 2020-09-15 2021-04-30 华北电力大学（保定） 基于栈式自编码与轻型梯度提升机算法的笼型异步电动机定转子故障联合诊断方法
CN112505570A (zh) * 2020-12-03 2021-03-16 摩登汽车(盐城)有限公司 电动汽车的电池健康状态的估计方法
CN113947099A (zh) * 2021-07-05 2022-01-18 华北电力大学（保定） 基于esprit-psa与lgbm的五相异步电动机转子断条数目高精度诊断方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117929999A (zh) * 2024-01-15 2024-04-26 安徽皖新电机有限公司 一种异步电机转子断条检测系统

Also Published As

Publication number Publication date
CN115248377B (zh) 2022-12-13

Similar Documents

Publication Publication Date Title
CN111914873B (zh) 一种两阶段云服务器无监督异常预测方法
Karimi et al. A novel application of deep belief networks in learning partial discharge patterns for classifying corona, surface, and internal discharges
Jack et al. Genetic algorithms for feature selection in machine condition monitoring with vibration signals
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
CN110472675B (zh) 图像分类方法、图像分类装置、存储介质与电子设备
Xiao et al. Fault diagnosis of induction motors using recurrence quantification analysis and LSTM with weighted BN
CN112766342A (zh) 一种电气设备的异常检测方法
Fei The Hybrid Method of VMD‐PSR‐SVD and Improved Binary PSO‐KNN for Fault Diagnosis of Bearing
CN116910752B (zh) 一种基于大数据的恶意代码检测方法
CN115248377B (zh) 异步电动机转子断条故障检测方法、计算机设备及介质
Afrasiabi et al. Modulated Gabor filter based deep convolutional network for electrical motor bearing fault classification and diagnosis
CN115184054B (zh) 机械设备半监督故障检测分析方法、装置、终端及介质
CN112883990A (zh) 数据分类方法及装置、计算机存储介质、电子设备
CN118013400B (zh) 电机故障诊断方法、装置、电子设备和存储介质
CN116167010A (zh) 具有智能迁移学习能力的电力系统异常事件快速识别方法
CN115883242A (zh) 一种网络入侵检测方法和装置
CN110414229B (zh) 操作命令检测方法、装置、计算机设备及存储介质
CN117150402A (zh) 基于生成式对抗网络的电力数据异常检测方法及模型
Gu et al. A Denoising Autoencoder‐Based Bearing Fault Diagnosis System for Time‐Domain Vibration Signals
Minervini et al. Transfer learning technique for automatic bearing fault diagnosis in induction motors
CN112882899A (zh) 一种日志异常检测方法及装置
CN113591892A (zh) 一种训练数据的处理方法及装置
CN115062685A (zh) 一种故障诊断方法、装置、电子设备及存储介质
CN111581640A (zh) 一种恶意软件检测方法、装置及设备、存储介质
CN118035730B (zh) 设备故障检测方法、电子设备及存储介质

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