CN115730255A - 基于迁移学习和多源信息融合的电机故障诊断分析方法 - Google Patents

Abstract

本发明提出了基于迁移学习和多源信息融合的电机故障诊断分析方法，包括以下步骤：设计基于参数迁移与基于特征迁移的两种变工况电机故障诊断模型；建立基于多源信息融合的电机故障诊断模型，分别利用深度残差网络对电流信号与振动信号进行特征提取与诊断识别；引入多源信息决策层融合方法。本发明引入JMMD联合最大平均偏差实现对模型参数调整和特征空间分布适配，利用改进的D‑S证据理论对识别结果进行融合并输出最终分类结果，可有效提高诊断结果的可靠性。

Description

基于迁移学习和多源信息融合的电机故障诊断分析方法

技术领域

本发明涉及电机故障诊断技术领域，尤其涉及基于迁移学习和多源信息融合的电机三相电流信号诊断分析方法。

背景技术

异步电机作为工农业生产活动的重要动能之一，具有结构简单易拆卸、制造材料价格低廉、可靠性强、持久耐用等一系列优点，广泛应用于采矿设备与冶金业、机床、电厂、风机等工业领域中。电机的稳定可靠运行不仅与单个机械设备的稳定、长时间运行相关，而且影响着整个生产系统的稳定性，异步电机一旦发生故障，轻则设备运行中断、工作效率降低、能源消耗增加，重则整个系统运行崩溃，产生巨大的经济损失，造成人员伤亡。

现阶段异步电机安全管理主要依靠定期维修，通过对电机各个部位的检查修护来判断电机的使用情况，容易产生维护盲目、资源浪费等情况。随着泛在电力物联网的提出与推进，通过先进的传感技术可监测异步电机各个部位实时运行状态，因此基于采集信号，实现电机在线早期故障诊断成为了重要研究方向。传统电机故障诊断往往依靠阈值判断的方法，但是异步电机通常在复杂的环境中运行，此时故障早期特征往往会淹没在噪声中，以至于故障发现太晚，造成电机故障修复不及时。现阶段工业设备整体趋向于无人化、智能化，人工智能算法飞速发展，故障诊断技术相应随之进行更新，无需专家经验的智能诊断算法具有诊断效果好、鲁棒性强等优点，是电机故障诊断领域的应用热点。

纵观电机故障诊断技术的发展，大致可分为四个类别：基于信号、基于机械理论、基于模型与基于仿真。发展最初，基于机械理论的故障诊断算法尤其流行，主要在理论上探究电机各个故障的表现形式，但是无法建立准确描述故障机理的数学模型，且模型无法体现电机实际运行状态，存在明显缺陷。由于信号检测技术、信号处理与人工智能算法的发展，基于信号与基于传统机器学习模型的故障诊断算法相应推进，在故障诊断领域中具有诊断效率高、速度快、精度好等显著优点，目前的重难点在于需人工选取特征、需大量数据训练网络等。基于仿真的故障诊断算法主要是采用流行的数字仿真软件构建近似于实际电机的有效物理模型，输出电流、振动甚至声信号等响应，直观反映出电机运行时的物理变化。随着大数据、智能化时代的来临，基于深度学习算法的智能化故障诊断技术渐渐取代基于传统智能算法的诊断技术，深度学习作为新时代研究重点，在电机故障领域得到了广泛的探索与尝试。

每种诊断算法都有其优越性与局限性，现有智能诊断算法在跨域故障诊断中准确率不高，且大多数算法需要大量训练数据。实际工程中，由于设备运行过程中基本处于健康状态，故障发生一般在极短时间内，导致故障数据不足、样本不均衡等问题。因此，本发明针对目标任务中样本较少的问题，研究基于迁移学习和多源信息融合的电机故障诊断分析方法，提高诊断算法在设备不同运行状态下与训练样本不足时的诊断准确率。

发明内容

为解决上述技术问题，本发明提供一种基于迁移学习和多源信息融合的电机故障诊断分析方法，针对直接采用基于ResNet的深度学习诊断模型在变工况下诊断准确率较低的问题，引入深度迁移学习理论，构建了基于特征迁移的变工况电机故障诊断模型；采用JMMD距离度量方式进行特征空间分布适配，用于目标域测试数据的故障分类；研究多源信息决策层融合方法，构建了基于多源信息融合的电机故障诊断模型；将原始电流信号与经EEMD分解后的振动信号采用特征迁移模型进行分类预测，最终采用Lance改进D-S证据融合理论对结果进行融合并输出最终的结果。

为实现上述目的，本发明是以如下技术方案实现的：一种基于迁移学习和多源信息融合的电机故障诊断分析方法，包括以下步骤：

S1.信号处理：对输入三相电流信号和两轴振动信号进行EEMD分解，构建多维数据样本集；

S2.模型训练：基于特征迁移模型提取域不变深度特征并训练模型；

S3.决策融合：将模型的Softmax输出的概率作为证据体的mass函数值，通过可信度计算修正mass函数值，进行证据融合；

S4.故障分类：取概率最大作为模型预测结果，输出模型诊断准确率。

优选的，对输入三相电流信号和两轴振动信号进行EEMD分解，构建多维数据样本集的步骤包括：

(1)将原始信号分为源域数据、目标域训练集与目标域测试集；

(2)三相电流信号按电流输入策略1进行处理，转换为矩阵构建样本集；

(3)振动信号采用EEMD分解后，选取其中4个有效IMF分量，并转换为矩阵构建样本集。

优选的，所述划分原始信号的原则为，进行同工况实验时，源域数据与目标域数据来自同一转速；变工况实验时，源域数据与目标域数据来自来自不同转速；采用多通道深度学习网络对三相电流信号进行处理，将三相电流作为一个整体，送入3通道深度网络中提取特征，在卷积之后将特征叠加。对于同工况实验，由于源域数据与目标域数据来自于同一转速，特征分布相近，计算出JMMD损失接近于0。

优选的，步骤(3)具体过程如下：

31.给定输入信号x(t)，对其叠加一组高斯白噪声，得到信号x_i(t)；

x_i(t)＝x(t)+n_i(t)

式中，x_i(t)为叠加白噪声的第i次分解的信号，n_i(t)为第i次叠加的白噪声(i＝1,2,3,…,M)；

32.对x_i(t)进行EMD分解，得到各阶IMF分量；

式中，c_ij(t)为第i次分解得到的第j个IMF分量，r_ij(t)为第i次分解的剩余分量。

33.将M次分解得到对应IMF分量进行求和以抵消白噪声，得到最终的各个IMF分量；

34.计算各阶IMF分量c_j(t)与原信号x(t)的相关系数；

35.选取相关系数大于阈值的IMF分量作为最终的振动信号输入，过滤高阶冗余分量。

优选的，特征迁移模型采用联合最大平均偏差JMMD计算多层网络的联合分布距离，解决由网络结构引起的域位移问题，JMMD损失函数计算如下：

式中，H^l表示第l层RKHS(再生希尔伯特空间)；|L|为对应集合层数；

为张量积在RKHS中的特征映射；z^sl与z^tl分别为第l层中源域、目标域的激活。

优选的，对于独立同分布的单一事件集合Ω＝{A₁，A₂，...，A_T}，其中m为概率分配函数，则Ω事件满足如下约束：

这里，m(A_i)表示事件A_i的准确信任度。

对于两个证据m₁与m₂，可以基于兰氏Lance距离度量进行信任度计算，采用融合规则得到最终的融合结果，证据间的兰氏距离为：

对于多个证据，可计算兰氏距离矩阵：

式中，N为证据个数，矩阵为主对角线为0的对称矩阵。

优选的，采用度量证据间的距离表示其相似性，并利用可信度指标对信任度函数进行优化，定义证据m₁与m₂的相似性计算式如下：

s₁₂＝s(m₁，m₂)＝1-d₁₂＝1-d(m₁，m₂)，0≤s₁₂≤1

对于N个证据的问题，可以得到相似度矩阵为：

式中，s_ij表示证据m_i与m_j之间的相似性，值越大，表示证据间具有一致性程度越高，这里定义证据m_i的可信度指标Rel_i如下：

利用信任度指标Rel_i对信任度函数进一步修正，得到m_avg(A_i)，修正过程如下式：

与现有技术相比，本发明具有如下优点和技术效果：

在样本预处理阶段，本发明对原始电流信号直接进行数据转换，对x、y方向振动信号经EEMD分解后的有效IMF分量进行数据转换，分别构建电流与振动样本集。在深度特征迁移模型训练阶段，本发明将训练好的网络用于测试集的预测结果输出，将Softmax层的概率函数作为预测结果输出，得到电流信号与振动信号的3个证据体。本发明分别对每一个样本的概率输出依据D-S证据融合理论进行结果融合，并采用兰氏距离计算证据的可信度用于修正mass函数，最终得到的融合结果即为采用本发明得到的诊断准确率。

在同工况下进行故障分类识别时，经过证据融合后的诊断结果相对于单一信号有所提升，多工况的平均诊断准确率为98％，误差率减少至2％；在变工况下进行多源信息融合故障分类识别时，相对于电流信号采用参数迁移诊断时诊断准确率有所提升，各工况下诊断准确率相较于传统方法提高3％以上。

附图说明

图1为本发明流程示意图；

图2为本发明实施例的振动信号采集示意图；

图3为本发明实施例的振动信号EEMD分解图；

图4为本发明实施例的基于特征迁移模型的电机故障诊断框图；

图5为本发明实施例的基于特征迁移模型的电机故障诊断模型运行结果；

图6为本发明实施例的特征迁移模型A→B工况下训练集与测试集诊断结果的混淆矩阵；

图7为本发明实施例的同工况下异类信息融合前后的诊断准确率对比；

图8为本发明实施例的变工况下异类信息融合前后的诊断准确率对比。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例

如图1-3所示，本实施例提供了基于迁移学习和多源信息融合的电机故障诊断分析方法，包括以下步骤：

S1.基于不同工况下的电机x轴和y轴方向振动信号，进行EEMD分解，并经过相关性筛选得到原始振动的前四阶IMF分量；EEMD分解及筛选的具体步骤为：

(1)给定输入信号x(t)，对其叠加一组高斯白噪声，得到信号x_i(t)；

x_i(t)＝x(t)+n_i(t)

式中，x_i(t)为叠加白噪声的第i次分解的信号，n_i(t)为第i次叠加的白噪声(i＝1,2,3,…,M)；

(2)对x_i(t)进行EMD分解，得到各阶IMF分量；

式中，c_ij(t)为第i次分解得到的第j个IMF分量，r_ij(t)为第i次分解的剩余分量。

(3)将M次分解得到对应IMF分量进行求和以抵消白噪声，得到最终的各个IMF分量；

(4)计算各阶IMF分量c_j(t)与原信号x(t)的相关系数；

(5)选取相关系数大于阈值的IMF分量作为最终的振动信号输入，过滤高阶冗余分量。

S2.将相关系数较大的前四个IMF分量送入4通道输入深度学习网络，三相电流直接送入3通道深度学习网络；

目标工况的三相电流数据作为目标域数据，分为带标签的微调样本与无标签的目标域测试样本，其中源域数据与目标域测试数据均采用对应转速下三相电流的100个样本，微调样本采用带标签目标域数据30个，每个样本均构造为3*64*128大小矩阵输入网络中。

S3.输入信号经ResNet网络后提取出深度特征，最小化JMMD损失和ResNet模型交叉熵损失；初始化ResNet深度网络的参数与权值，对于源域数据与目标域训练数据同时输入到参数共享的源ResNet模型与目标ResNet模型中，通过计算特征空间的JMMD损失与源ResNet模型的交叉熵损失，最小化网络整体损失函数更新网络参数；同时输出目标域测试数据的分类结果。其中，网络损失函数整体朝着降低的方向进行，而在迭代过程中，通过更新网络参数，训练集验证结果与目标域测试数据结果应越来越高，直至诊断准确率达到顶峰并稳定下来。

S4.将Softmax输出的概率作为每个证据体的mass函数值，并通过可信度计算修正mass函数值，采用D-S进行证据融合；

原始三相电流数据送入深度学习网络，在第一个卷积层后对三项电流进行特征融合，首先对特征迁移模型进行训练，并用于测试集输出电流信号诊断结果。对于振动信号，将x和y轴方向振动信号处理后分为源域数据与目标域数据，在第一个卷积层后将4个IMF分量的特征进行融合，并采用训练集训练特征迁移模型，用于预测测试集的分类结果。采用Lance改进D-S理论进行预测结果融合，融合计算过程如表1所示。

表1

S5.通过证据融合后的结果，将概率最大所对应的样本标签作为模型的预测结果，并输出模型的诊断准确率。

更进一步地，在本实施例中，还利用本发明所提出的算法模型进行电机试验台进行模拟故障分析。

(1)MFS-RDS电机故障实验台

使用MFS-RDS作为电机故障仿真平台，采集正常、定子匝间短路、转子断条、气隙偏心、不平衡与轴承故障电机的稳定运行下的定子三相电流，如图2所示。以8192个连续采样点为一个电流信号样本，采集1200、1500、1800rpm下的每种状态下的定子三相电流样本各200个，随机选择100个样本构建训练集，剩余100个作为测试集，其中，用于样本类别说明如表3和表2所示。

表2

电机状态	训练集	测试集	类别
				正常	100	100	0
转子断条故障	100	100	1
				气隙偏心故障	100	100	2
定子匝间短路故障	100	100	3
				供电不平衡故障	100	100	4
轴承故障	100	100	5

(2)基于特征迁移的变工况故障诊断

为研究基于特征迁移的电机故障诊断框架，引入JMMD，实现异步电机的变工况故障诊断研究，算法结构如图4。设置A→B、A→C、B→C三种工况用于研究特征迁移诊断模型在跨转速诊断下的可用性。并引入两个对比试验：①引入MMD、MK-MMD，对比不同的距离度量方法对于诊断准确率的影响；②设置目标域训练集分别为5、10、20、30个，分析目标域训练样本个数对于故障诊断准确率的影响。

采用特征迁移模型分别在A→B、B→C、A→C三种工况下对电机故障进行诊断，输出诊断准确率准确率，同时计算诊断模型的Micro-F1值、Macro-F1值如表3所示：

表3

	A→B	A→C	B→C
				准确率/％	92.17％	88％	95.17％
Micro-F1值	0.9217	0.88	0.9517
				Macro-F1值	0.9223	0.8818	0.9518

由表可知，网络在B→C工况下达到了95.17％，而在其他工况下故障诊断正确率有所降低，A→C诊断准确率最低，与参数模型结论相同，故障诊断准确率受转速跨度影响。由于所采取的类别较为均衡，两种F1指标相差不大。

以A→B为例，将1500rpm下的源域数据与1800rpm下的目标域练训数据分别送入参数共享的源模型与目标模型中进行训练，并采用1800rpm下的目标域测试数据进行分类预测，得到诊断结果如图5所示。由图中可以看出，JMMD损失函数在50次迭代之前迅速降低并达到稳定状态，这个过程主要为寻找特征映射空间以提取各个状态下的域不变特征；在此迭代之后，网络整体损失函数开始降低，这个过程表示更新网络参数以提高源域数据的诊断结果，同时目标域测试结果也随之上升。由诊断准确率曲线可以看出，准确率随着迭代次数增加缓慢上升，训练到951次时，源域训练准确率达到了97.83％，而目标域测试集的分类效果达到了91.83％，经过2000次的迭代过程，最终训练集与测试集的诊断准确率为97.17％、92.17％。

训练集与测试集运行的混淆矩阵如图6所示，可以看出采用特征迁移模型对A→B进行跨域诊断，可有效区分电机正常状态、断条故障与匝间短路故障状态，对于其他状态，在训练集的状态区分结果要好于测试集，这是由于网络在训练阶段计算了源域的交叉熵损失。由诊断结果可看出，特征迁移后在偏心故障、绕组不平衡故障与轴承故障均出现了误诊，在总数100个样本中其误诊样本个数均在15个左右，偏心故障误诊个数稍多，达到了18个。

(3)基于多源信息融合的电机故障诊断

基于Lance改进D-S证据理论，本发明对于电流信号与x、y两个方向的振动数据，分别利用本发明所提出的特征迁移模型提取域不变深度特征并输出分类结果，作为证据体m₁、m₂与m₃，并采用信息融合理论输出最终结果。为验证本发明所选取多源信息融合诊断算法的优越性，分别对于所采集到的1500rpm、1800rpm、2100rpm下的电流与振动信号，设置同工况与变工况的实验对比，并对模型诊断结果进行分析。

通过计算兰氏距离矩阵、相似度矩阵、证据的可行度对原始mass函数值进行修正，其中对于每个证据的可信度分别为0.3168、0.3452、0.3381，表示对于示例样本，融合过程中更加信任m2，其次为m3，但总体可信度相差不大。经过第一次融合，结果得到此样本属于标签4的概率为0.3525；第二次融合后，概率上升为0.4163，即经过3个证据的mass值融合后，可以判定为此样本属于绕组不平衡故障。

对于示例样本的证据融合可知，即使两个证据源给出了错误判定且有效证据源的正确判定确信度不高，但是经过D-S证据融合，诊断结果依然被判定为正确结论，同时提升了样本所属类别的确信度。通过证据融合，可对三个信号源的诊断输出概率进行融合，并输出最终的模型分类结果，分别对比不同信号的输出结果与融合后的结果，对比如表4所示。表中为各状态下诊断正确的样本个数。

表4

电机状态类型	三相电流	x振动信号	y振动信号	融合后结果
					0	100	95	87	97
1	100	100	100	100
					2	100	100	100	100
3	100	94	99	99
					4	72	84	99	96
5	99	99	98	100
					平均准确率	95.17％	95.33％	97.17％	98.67％

将所研究的信息融合算法用于电机变工况故障诊断研究，考虑变工况下深度特征迁移模型诊断效果要好于深度参数迁移模型，本发明分别将电流信号与处理后的振动信号输入至深度特征迁移模型进行状态识别，设置三种工况，分别输出工况1：1500rpm→1800rpm、工况2：1500rpm→2100rpm、工况3：1800rpm→2100rpm下的故障识别结果，则融合前后的故障诊断结果如图7和图8所示。在变工况下，采用振动信号的诊断准确率相对于电流信号准确率较高，可以得知在跨转速诊断下，电流信号由于基频幅值较大，进而影响诊断准确率；而对于振动信号，没有此局限性，使得其在跨转速故障诊断效果表现较好。

以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种基于迁移学习和多源信息融合的电机故障诊断分析方法，其特征在于，包括以下步骤：

S1.信号处理：对输入三相电流信号和两轴振动信号进行EEMD分解，构建多维数据样本集；

S2.模型训练：基于特征迁移模型提取域不变深度特征并训练模型；

S3.决策融合：将模型的Softmax输出的概率作为证据体的mass函数值，通过可信度计算修正mass函数值，进行证据融合；

S4.故障分类：取概率最大作为模型预测结果，输出模型诊断准确率。

2.根据权利要求1所述的基于迁移学习和多源信息融合的电机故障诊断分析方法，其特征在于：对输入三相电流信号和两轴振动信号进行EEMD分解，构建多维数据样本集的步骤包括：

(1)将原始信号分为源域数据、目标域训练集与目标域测试集；

(2)三相电流信号按电流输入策略进行处理，转换为矩阵构建样本集；

(3)振动信号采用EEMD分解后，选取其中4个有效IMF分量，并转换为矩阵构建样本集。

3.根据权利要求2所述的基于迁移学习和多源信息融合的电机故障诊断分析方法，其特征在于：所述划分原始信号的原则为，进行同工况实验时，源域数据与目标域数据来自同一转速；变工况实验时，源域数据与目标域数据来自来自不同转速；采用多通道深度学习网络对三相电流信号进行处理，将三相电流作为一个整体，送入3通道深度网络中提取特征，在卷积之后将特征叠加。

4.根据权利要求2所述的基于迁移学习和多源信息融合的电机故障诊断分析方法，其特征在于：步骤(3)具体过程如下：

31.给定输入信号x(t)，对其叠加一组高斯白噪声，得到信号x_i(t)；

x_i(t)＝x(t)+n_i(t)

式中，x_i(t)为叠加白噪声的第i次分解的信号，n_i(t)为第i次叠加的白噪声(i＝1,2,3,…,M)；

32.对x_i(t)进行EMD分解，得到各阶IMF分量；

式中，c_ij(t)为第i次分解得到的第j个IMF分量，r_ij(t)为第i次分解的剩余分量。

33.将M次分解得到对应IMF分量进行求和以抵消白噪声，得到最终的各个IMF分量；

34.计算各阶IMF分量c_j(t)与原信号x(t)的相关系数；

35.选取相关系数大于阈值的IMF分量作为最终的振动信号输入，过滤高阶冗余分量。

5.根据权利要求1所述的基于迁移学习和多源信息融合的电机故障诊断分析方法，其特征在于：特征迁移模型采用联合最大平均偏差JMMD计算多层网络的联合分布距离，解决由网络结构引起的域位移问题，JMMD损失函数计算如下：

式中，H^l表示第l层RKHS(再生希尔伯特空间)；|L|为对应集合层数；

为张量积在RKHS中的特征映射；z^sl与z^tl分别为第l层中源域、目标域的激活。

6.根据权利要求1所述的基于迁移学习和多源信息融合的电机故障诊断分析方法，其特征在于：

对于独立同分布的单一事件集合Ω＝{A₁,A₂,…,A_T}，其中m为概率分配函数，则Ω事件满足如下约束：

这里，m(A_i)表示事件A_i的准确信任度，

对于两个证据m₁与m₂，可以基于兰氏Lance距离度量进行信任度计算，采用融合规则得到最终的融合结果，证据间的兰氏距离为：

对于多个证据，可计算兰氏距离矩阵：

式中，N为证据个数，矩阵为主对角线为0的对称矩阵。

7.根据权利要求6所述的基于迁移学习和多源信息融合的电机故障诊断分析方法，其特征在于：采用度量证据间的距离表示其相似性，并利用可信度指标对信任度函数进行优化，定义证据m₁与m₂的相似性计算式如下：

s₁₂＝s(m₁，m₂)＝1-d₁₂＝1-d(m₁，m₂)，0≤s₁₂≤1

对于N个证据的问题，可以得到相似度矩阵为：

式中，s_ij表示证据m_i与m_j之间的相似性，这里定义证据m_i的可信度指标Rel_i如下：

利用信任度指标Rel_i对信任度函数进一步修正，得到m_avg(A_i)，修正过程如下式：

Images