CN116226743A - 一种机器学习的电机故障诊断方法 - Google Patents

一种机器学习的电机故障诊断方法 Download PDF

Info

Publication number
CN116226743A
CN116226743A CN202310234922.8A CN202310234922A CN116226743A CN 116226743 A CN116226743 A CN 116226743A CN 202310234922 A CN202310234922 A CN 202310234922A CN 116226743 A CN116226743 A CN 116226743A
Authority
CN
China
Prior art keywords
fault diagnosis
layer
motor fault
training
diagnosis model
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
CN202310234922.8A
Other languages
English (en)
Inventor
张鹏
张军
冷述文
赵博
郭肖男
王海亮
郭凯
赵超
吕士森
陈国欢
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.)
Huaneng Jiaxiang Power Generation Co ltd
Original Assignee
Huaneng Jiaxiang Power Generation 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 Huaneng Jiaxiang Power Generation Co ltd filed Critical Huaneng Jiaxiang Power Generation Co ltd
Priority to CN202310234922.8A priority Critical patent/CN116226743A/zh
Publication of CN116226743A publication Critical patent/CN116226743A/zh
Priority to BE20235974A priority patent/BE1030733A1/fr
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/04—Testing internal-combustion engines
    • G01M15/12—Testing internal-combustion engines by monitoring vibrations
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明提供了一种机器学习的电机故障诊断方法，包括：S1、采用傅里叶变换将电机设备振动信号转换为频谱数据；S2、对正常频谱数据和异常频谱数据进行标注，构建多种振动训练数据集；S3、采用多种振动训练数据集分别对电机故障诊断模型进行训练，得到多种训练完成的电机故障诊断模型；S4、将待诊断的频谱数据分别输入多种训练完成的电机故障诊断模型，得到待诊断的电机设备的诊断结果；本发明解决了现有采用一种模型去诊断多种故障的方法存在诊断精度低的问题。

Description

一种机器学习的电机故障诊断方法
技术领域
本发明涉及电机故障技术领域，具体而言，涉及一种机器学习的电机故障诊断方法。
背景技术
振动分析技术是针对旋转类设备的常用故障诊断技术，尤其适用于电机、泵等设备的故障诊断。通常，通过测量电机、泵类设备的振动情况，将振动数据转化为频谱数据，则可以帮助发现电机、泵类设备的轴承故障、齿轮故障、轴类故障等问题。但现有技术采用一种模型去诊断多种故障，采用一种模型去诊断多种故障的方法，需要采用众多训练数据集将模型的参数训练到模型的输出能够区分多种故障，但这是理想状态，通常情况下，模型训练都是不完善的，因此采用一种模型诊断多种故障存在诊断精度低的问题，其中，模型为线性回归、逻辑回归、K近邻法、贝叶斯法、决策树法或随机森林法。
发明内容
针对现有技术中的上述不足，本发明提供的一种机器学习的电机故障诊断方法解决了现有采用一种模型去诊断多种故障的方法存在诊断精度低的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种机器学习的电机故障诊断方法，包括：
S1、采用傅里叶变换将电机设备振动信号转换为频谱数据；
S2、对正常频谱数据和异常频谱数据进行标注，构建多种振动训练数据集；
S3、采用多种振动训练数据集分别对电机故障诊断模型进行训练，得到多种训练完成的电机故障诊断模型；
S4、将待诊断的频谱数据分别输入多种训练完成的电机故障诊断模型，得到待诊断的电机设备的诊断结果。
进一步地，所述步骤S2包括以下步骤：
S21、对正常频谱数据和异常频谱数据进行标注；
S22、将标注为正常的频谱数据与标注为轴系不平衡的频谱数据，构建为第一振动训练数据集；
S23、将标注为正常的频谱数据与标注为轴系不对中的频谱数据，构建为第二振动训练数据集；
S24、将标注为正常的频谱数据与标注为轴系松动的频谱数据，构建为第三振动训练数据集；
S25、将标注为正常的频谱数据与标注为转子碰磨的频谱数据，构建为第四振动训练数据集；
S26、将标注为正常的频谱数据与标注为叶片磨损的频谱数据，构建为第五振动训练数据集。
进一步地，所述步骤S3中电机故障诊断模型包括：第一特征提取单元、第二特征提取单元、加法层、注意力层、上采样层和全连接层；
所述第一特征提取单元的输入端与第二特征提取单元的输入端连接，用于输入振动训练数据集；所述第一特征提取单元的输出端与加法层的输入端连接；所述上采样层的输入端与加法层的输出端连接，其输出端与全连接层的输入端连接；所述全连接层的输出端用于输出诊断结果；所述第二特征提取单元的输出端与注意力层的输入端连接；所述注意力层的输出端与加法层的输入端连接。
进一步地，所述第一特征提取单元包括：第一卷积层、第二卷积层、第一均值池化层、第一最大池化层和第一重叠池化层；
所述第一卷积层的输入端作为第一特征提取单元的输入端，其输出端与第二卷积层的输入端连接；所述第二卷积层的输入端分别与第一均值池化层的输入端、第一最大池化层的输入端和第一重叠池化层的输入端连接；所述第一均值池化层的输出端、第一最大池化层的输出端和第一重叠池化层的输出端均作为第一特征提取单元的输出端。
进一步地，所述第二特征提取单元包括：第一LSTM层、第二LSTM层、第二均值池化层、第二最大池化层和第二重叠池化层；
所述第一LSTM层的输入端作为第二特征提取单元的输入端，其输出端与第二LSTM层的输入端连接；所述第二LSTM层的输出端分别与第二均值池化层的输入端、第二最大池化层的输入端和第二重叠池化层的输入端连接；所述第二均值池化层的输出端、第二最大池化层的输出端和第二重叠池化层的输出端均作为第二特征提取单元的输出端。
进一步地，所述步骤S3具体为：
S31、采用第一振动训练数据集对电机故障诊断模型进行训练，得到训练完成的用于诊断轴系不平衡的电机故障诊断模型；
S32、采用第二振动训练数据集对电机故障诊断模型进行训练，得到训练完成的用于诊断轴系不对中的电机故障诊断模型；
S33、采用第三振动训练数据集对电机故障诊断模型进行训练，得到训练完成的用于诊断轴系松动的电机故障诊断模型；
S34、采用第四振动训练数据集对电机故障诊断模型进行训练，得到训练完成的用于诊断转子碰磨的电机故障诊断模型；
S35、采用第五振动训练数据集对电机故障诊断模型进行训练，得到训练完成的用于诊断叶片磨损的电机故障诊断模型。
进一步地，所述步骤S3中采用振动训练数据集对电机故障诊断模型进行训练，得到训练完成的电机故障诊断模型的方法为：
A1、将振动训练数据集输入第一特征提取单元，得到第一数据特征；
A2、将振动训练数据集输入第二特征提取单元，得到第二数据特征；
A3、采用注意力层对第二数据特征赋予注意力权重，得到加权数据特征；
A4、采用加法层对加权数据特征和第一数据特征进行融合，得到融合特征；
A5、采用上采样层对融合特征进行上采样处理，得到上采样特征；
A6、采用全连接层对上采样特征进行分类，得到电机故障诊断模型的输出结果；
A7、根据电机故障诊断模型的输出结果，计算损失函数的损失值；
A8、判断当前损失函数的损失值是否低于上限阈值，若是，则电机故障诊断模型的权重训练完成，则跳转至步骤A10，若否，则跳转至步骤A9；
A9、根据当前损失函数的损失值调整电机故障诊断模型的权重，回到步骤A1；
A10、判断当前损失函数的损失值是否低于下限阈值，若是，则电机故障诊断模型的训练完成，结束，若否，则跳转至步骤A11；
A11、根据当前损失函数的损失值调整电机故障诊断模型的偏置，回到步骤A1。
上述进一步地方案的有益效果为：对第二数据特征赋予注意力权重，使得重要特征能够在融合特征得到充分表现，提高诊断精度。电机故障诊断模型的训练过程分为两个阶段，先是对权重的训练，权重训练完成后，使得当前损失函数的损失值比较小，再通过训练偏置，使其逼近目标值，达到理想结果。
进一步地，所述步骤A7中损失函数为：
Figure BDA0004121788250000061
其中，Li为第i次训练的损失函数的损失值，Yi为第i次训练的目标值，yi为第i次训练时电机故障诊断模型输出的实际值，
Figure BDA0004121788250000062
为离第i次训练最近一次将正常频谱数据输入到电机故障诊断模型时的目标值，/>
Figure BDA0004121788250000063
为离第i次训练最近一次将正常频谱数据输入到电机故障诊断模型时电机故障诊断模型输出的实际值，/>
Figure BDA0004121788250000064
为离第i次训练最近一次将异常频谱数据输入到电机故障诊断模型时的目标值，/>
Figure BDA0004121788250000065
为离第i次训练最近一次将异常频谱数据输入到电机故障诊断模型时电机故障诊断模型输出的实际值。
上述进一步地方案的有益效果为：本发明的损失函数中，一共考虑三部分的损失，当前训练目标值与实际值的损失，最近一次训练正常数据的目标值与实际值的损失，最近一次异常数据的目标值与实际值的损失，综合3种损失作为当前的损失，使得每次计算损失值时能够考虑正常数据的损失和异常数据的损失，从而增强对参数的训练作用，使得模型输出实际值更逼近目标值。
进一步地，所述步骤A9中调整电机故障诊断模型的权重的公式为：
Figure BDA0004121788250000071
所述步骤A11中调整电机故障诊断模型的偏置的公式为：
Figure BDA0004121788250000072
其中，ωi为第i次训练的权重，ωi-1为第i-1次训练的权重，Li-1为第i-1次训练的损失函数的损失值，tanh为激活函数，bi为第i次训练的偏置，bi-1为第i-1次训练的偏置。
本发明实施例的技术方案至少具有如下优点和有益效果：本发明采用多种振动训练数据集分别训练电机故障诊断模型，得到多种训练完成的电机故障诊断模型，将待诊断的频谱数据分别输入到多种训练完成的电机故障诊断模型中后，由于每一种训练完成的电机故障诊断模型对属于自身类型的频谱数据更敏感，因此，对应故障类型的电机故障诊断模型会准确输出其对应的诊断结果，本发明解决了现有采用一种模型去诊断多种故障的方法存在诊断精度低的问题。
附图说明
图1为一种机器学习的电机故障诊断方法的流程图；
图2为电机故障诊断模型的结构示意图。
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、完整地描述，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示，一种机器学习的电机故障诊断方法，包括：
S1、采用傅里叶变换将电机设备振动信号转换为频谱数据；
S2、对正常频谱数据和异常频谱数据进行标注，构建多种振动训练数据集；
所述步骤S2包括以下步骤：
S21、对正常频谱数据和异常频谱数据进行标注；
S22、将标注为正常的频谱数据与标注为轴系不平衡的频谱数据，构建为第一振动训练数据集；
S23、将标注为正常的频谱数据与标注为轴系不对中的频谱数据，构建为第二振动训练数据集；
S24、将标注为正常的频谱数据与标注为轴系松动的频谱数据，构建为第三振动训练数据集；
S25、将标注为正常的频谱数据与标注为转子碰磨的频谱数据，构建为第四振动训练数据集；
S26、将标注为正常的频谱数据与标注为叶片磨损的频谱数据，构建为第五振动训练数据集。
S3、采用多种振动训练数据集分别对电机故障诊断模型进行训练，得到多种训练完成的电机故障诊断模型；
如图2所示，所述步骤S3中电机故障诊断模型包括：第一特征提取单元、第二特征提取单元、加法层、注意力层、上采样层和全连接层；
所述第一特征提取单元的输入端与第二特征提取单元的输入端连接，用于输入振动训练数据集；所述第一特征提取单元的输出端与加法层的输入端连接；所述上采样层的输入端与加法层的输出端连接，其输出端与全连接层的输入端连接；所述全连接层的输出端用于输出诊断结果；所述第二特征提取单元的输出端与注意力层的输入端连接；所述注意力层的输出端与加法层的输入端连接。
所述第一特征提取单元包括：第一卷积层、第二卷积层、第一均值池化层、第一最大池化层和第一重叠池化层；
所述第一卷积层的输入端作为第一特征提取单元的输入端，其输出端与第二卷积层的输入端连接；所述第二卷积层的输入端分别与第一均值池化层的输入端、第一最大池化层的输入端和第一重叠池化层的输入端连接；所述第一均值池化层的输出端、第一最大池化层的输出端和第一重叠池化层的输出端均作为第一特征提取单元的输出端。
所述第二特征提取单元包括：第一LSTM层、第二LSTM层、第二均值池化层、第二最大池化层和第二重叠池化层；
所述第一LSTM层的输入端作为第二特征提取单元的输入端，其输出端与第二LSTM层的输入端连接；所述第二LSTM层的输出端分别与第二均值池化层的输入端、第二最大池化层的输入端和第二重叠池化层的输入端连接；所述第二均值池化层的输出端、第二最大池化层的输出端和第二重叠池化层的输出端均作为第二特征提取单元的输出端。
所述步骤S3具体为：
S31、采用第一振动训练数据集对电机故障诊断模型进行训练，得到训练完成的用于诊断轴系不平衡的电机故障诊断模型；
S32、采用第二振动训练数据集对电机故障诊断模型进行训练，得到训练完成的用于诊断轴系不对中的电机故障诊断模型；
S33、采用第三振动训练数据集对电机故障诊断模型进行训练，得到训练完成的用于诊断轴系松动的电机故障诊断模型；
S34、采用第四振动训练数据集对电机故障诊断模型进行训练，得到训练完成的用于诊断转子碰磨的电机故障诊断模型；
S35、采用第五振动训练数据集对电机故障诊断模型进行训练，得到训练完成的用于诊断叶片磨损的电机故障诊断模型。
所述步骤S3中采用振动训练数据集对电机故障诊断模型进行训练，得到训练完成的电机故障诊断模型的方法为：
A1、将振动训练数据集输入第一特征提取单元，得到第一数据特征；
A2、将振动训练数据集输入第二特征提取单元，得到第二数据特征；
A3、采用注意力层对第二数据特征赋予注意力权重，得到加权数据特征；
A4、采用加法层对加权数据特征和第一数据特征进行融合，得到融合特征；
A5、采用上采样层对融合特征进行上采样处理，得到上采样特征；
A6、采用全连接层对上采样特征进行分类，得到电机故障诊断模型的输出结果；
A7、根据电机故障诊断模型的输出结果，计算损失函数的损失值；
所述步骤A7中损失函数为：
Figure BDA0004121788250000111
其中，Li为第i次训练的损失函数的损失值，Yi为第i次训练的目标值，yi为第i次训练时电机故障诊断模型输出的实际值，
Figure BDA0004121788250000112
为离第i次训练最近一次将正常频谱数据输入到电机故障诊断模型时的目标值，/>
Figure BDA0004121788250000121
为离第i次训练最近一次将正常频谱数据输入到电机故障诊断模型时电机故障诊断模型输出的实际值，/>
Figure BDA0004121788250000122
为离第i次训练最近一次将异常频谱数据输入到电机故障诊断模型时的目标值，/>
Figure BDA0004121788250000123
为离第i次训练最近一次将异常频谱数据输入到电机故障诊断模型时电机故障诊断模型输出的实际值。
本发明的损失函数中，一共考虑三部分的损失，当前训练目标值与实际值的损失，最近一次训练正常数据的目标值与实际值的损失，最近一次异常数据的目标值与实际值的损失，综合3种损失作为当前的损失，使得每次计算损失值时能够考虑正常数据的损失和异常数据的损失，从而增强对参数的训练作用，使得模型输出实际值更逼近目标值。
A8、判断当前损失函数的损失值是否低于上限阈值，若是，则电机故障诊断模型的权重训练完成，则跳转至步骤A10，若否，则跳转至步骤A9；
A9、根据当前损失函数的损失值调整电机故障诊断模型的权重，回到步骤A1；
A10、判断当前损失函数的损失值是否低于下限阈值，若是，则电机故障诊断模型的训练完成，结束，若否，则跳转至步骤A11；
在本实施例中，上限阈值和下限阈值根据经验进行设置。
A11、根据当前损失函数的损失值调整电机故障诊断模型的偏置，回到步骤A1。
所述步骤A9中调整电机故障诊断模型的权重的公式为：
Figure BDA0004121788250000131
所述步骤A11中调整电机故障诊断模型的偏置的公式为：
Figure BDA0004121788250000132
其中，ωi为第i次训练的权重，ωi-1为第i-1次训练的权重，Li-1为第i-1次训练的损失函数的损失值，tanh为激活函数，bi为第i次训练的偏置，bi-1为第i-1次训练的偏置。
上述步骤S31～S35均采用A1～A11所展示的训练方法。
对第二数据特征赋予注意力权重，使得重要特征能够在融合特征得到充分表现，提高诊断精度。电机故障诊断模型的训练过程分为两个阶段，先是对权重的训练，权重训练完成后，使得当前损失函数的损失值比较小，再通过训练偏置，使其逼近目标值，达到理想结果。
S4、将待诊断的频谱数据分别输入多种训练完成的电机故障诊断模型，得到待诊断的电机设备的诊断结果。
在本实施例中，待诊断的频谱数据来源于待诊断的电机设备的振动信号的频谱数据。
将待诊断的频谱数据输入到多种训练完成的电机故障诊断模型中，属于同类型故障的电机故障诊断模型会输出预测值，该预测值贴近同类型故障的目标值，从而找到对应的故障类型。
本发明实施例的技术方案至少具有如下优点和有益效果：本发明采用多种振动训练数据集分别训练电机故障诊断模型，得到多种训练完成的电机故障诊断模型，将待诊断的频谱数据分别输入到多种训练完成的电机故障诊断模型中后，由于每一种训练完成的电机故障诊断模型对属于自身类型的频谱数据更敏感，因此，对应故障类型的电机故障诊断模型会准确输出其对应的诊断结果，本发明解决了现有采用一种模型去诊断多种故障的方法存在诊断精度低的问题。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种机器学习的电机故障诊断方法，其特征在于，包括：
S1、采用傅里叶变换将电机设备振动信号转换为频谱数据；
S2、对正常频谱数据和异常频谱数据进行标注，构建多种振动训练数据集；
S3、采用多种振动训练数据集分别对电机故障诊断模型进行训练，得到多种训练完成的电机故障诊断模型；
S4、将待诊断的频谱数据分别输入多种训练完成的电机故障诊断模型，得到待诊断的电机设备的诊断结果。
2.根据权利要求1所述的机器学习的电机故障诊断方法，其特征在于，所述步骤S2包括以下步骤：
S21、对正常频谱数据和异常频谱数据进行标注；
S22、将标注为正常的频谱数据与标注为轴系不平衡的频谱数据，构建为第一振动训练数据集；
S23、将标注为正常的频谱数据与标注为轴系不对中的频谱数据，构建为第二振动训练数据集；
S24、将标注为正常的频谱数据与标注为轴系松动的频谱数据，构建为第三振动训练数据集；
S25、将标注为正常的频谱数据与标注为转子碰磨的频谱数据，构建为第四振动训练数据集；
S26、将标注为正常的频谱数据与标注为叶片磨损的频谱数据，构建为第五振动训练数据集。
3.根据权利要求2所述的机器学习的电机故障诊断方法，其特征在于，所述步骤S3中电机故障诊断模型包括：第一特征提取单元、第二特征提取单元、加法层、注意力层、上采样层和全连接层；
所述第一特征提取单元的输入端与第二特征提取单元的输入端连接，用于输入振动训练数据集；所述第一特征提取单元的输出端与加法层的输入端连接；所述上采样层的输入端与加法层的输出端连接，其输出端与全连接层的输入端连接；所述全连接层的输出端用于输出诊断结果；所述第二特征提取单元的输出端与注意力层的输入端连接；所述注意力层的输出端与加法层的输入端连接。
4.根据权利要求3所述的机器学习的电机故障诊断方法，其特征在于，所述第一特征提取单元包括：第一卷积层、第二卷积层、第一均值池化层、第一最大池化层和第一重叠池化层；
所述第一卷积层的输入端作为第一特征提取单元的输入端，其输出端与第二卷积层的输入端连接；所述第二卷积层的输入端分别与第一均值池化层的输入端、第一最大池化层的输入端和第一重叠池化层的输入端连接；所述第一均值池化层的输出端、第一最大池化层的输出端和第一重叠池化层的输出端均作为第一特征提取单元的输出端。
5.根据权利要求3所述的机器学习的电机故障诊断方法，其特征在于，所述第二特征提取单元包括：第一LSTM层、第二LSTM层、第二均值池化层、第二最大池化层和第二重叠池化层；
所述第一LSTM层的输入端作为第二特征提取单元的输入端，其输出端与第二LSTM层的输入端连接；所述第二LSTM层的输出端分别与第二均值池化层的输入端、第二最大池化层的输入端和第二重叠池化层的输入端连接；所述第二均值池化层的输出端、第二最大池化层的输出端和第二重叠池化层的输出端均作为第二特征提取单元的输出端。
6.根据权利要求2所述的机器学习的电机故障诊断方法，其特征在于，所述步骤S3具体为：
S31、采用第一振动训练数据集对电机故障诊断模型进行训练，得到训练完成的用于诊断轴系不平衡的电机故障诊断模型；
S32、采用第二振动训练数据集对电机故障诊断模型进行训练，得到训练完成的用于诊断轴系不对中的电机故障诊断模型；
S33、采用第三振动训练数据集对电机故障诊断模型进行训练，得到训练完成的用于诊断轴系松动的电机故障诊断模型；
S34、采用第四振动训练数据集对电机故障诊断模型进行训练，得到训练完成的用于诊断转子碰磨的电机故障诊断模型；
S35、采用第五振动训练数据集对电机故障诊断模型进行训练，得到训练完成的用于诊断叶片磨损的电机故障诊断模型。
7.根据权利要求3所述的机器学习的电机故障诊断方法，其特征在于，所述步骤S3中采用振动训练数据集对电机故障诊断模型进行训练，得到训练完成的电机故障诊断模型的方法为：
A1、将振动训练数据集输入第一特征提取单元，得到第一数据特征；
A2、将振动训练数据集输入第二特征提取单元，得到第二数据特征；
A3、采用注意力层对第二数据特征赋予注意力权重，得到加权数据特征；
A4、采用加法层对加权数据特征和第一数据特征进行融合，得到融合特征；
A5、采用上采样层对融合特征进行上采样处理，得到上采样特征；
A6、采用全连接层对上采样特征进行分类，得到电机故障诊断模型的输出结果；
A7、根据电机故障诊断模型的输出结果，计算损失函数的损失值；
A8、判断当前损失函数的损失值是否低于上限阈值，若是，则电机故障诊断模型的权重训练完成，则跳转至步骤A10，若否，则跳转至步骤A9；
A9、根据当前损失函数的损失值调整电机故障诊断模型的权重，回到步骤A1；
A10、判断当前损失函数的损失值是否低于下限阈值，若是，则电机故障诊断模型的训练完成，结束，若否，则跳转至步骤A11；
A11、根据当前损失函数的损失值调整电机故障诊断模型的偏置，回到步骤A1。
8.根据权利要求7所述的机器学习的电机故障诊断方法，其特征在于，所述步骤A7中损失函数为：
Figure FDA0004121788240000051
其中，Li为第i次训练的损失函数的损失值，Yi为第i次训练的目标值，yi为第i次训练时电机故障诊断模型输出的实际值，
Figure FDA0004121788240000052
为离第i次训练最近一次将正常频谱数据输入到电机故障诊断模型时的目标值，/>
Figure FDA0004121788240000053
为离第i次训练最近一次将正常频谱数据输入到电机故障诊断模型时电机故障诊断模型输出的实际值，/>
Figure FDA0004121788240000054
为离第i次训练最近一次将异常频谱数据输入到电机故障诊断模型时的目标值，/>
Figure FDA0004121788240000055
为离第i次训练最近一次将异常频谱数据输入到电机故障诊断模型时电机故障诊断模型输出的实际值。
9.根据权利要求7所述的机器学习的电机故障诊断方法，其特征在于，所述步骤A9中调整电机故障诊断模型的权重的公式为：
Figure FDA0004121788240000061
所述步骤A11中调整电机故障诊断模型的偏置的公式为：
Figure FDA0004121788240000062
其中，ωi为第i次训练的权重，ωi-1为第i-1次训练的权重，Li-1为第i-1次训练的损失函数的损失值，tanh为激活函数，bi为第i次训练的偏置，bi-1为第i-1次训练的偏置。
CN202310234922.8A 2023-03-09 2023-03-09 一种机器学习的电机故障诊断方法 Pending CN116226743A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202310234922.8A CN116226743A (zh) 2023-03-09 2023-03-09 一种机器学习的电机故障诊断方法
BE20235974A BE1030733A1 (fr) 2023-03-09 2023-11-29 Une méthode de diagnostic de pannes de moteurs par apprentissage automatique

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310234922.8A CN116226743A (zh) 2023-03-09 2023-03-09 一种机器学习的电机故障诊断方法

Publications (1)

Publication Number Publication Date
CN116226743A true CN116226743A (zh) 2023-06-06

Family

ID=86578501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310234922.8A Pending CN116226743A (zh) 2023-03-09 2023-03-09 一种机器学习的电机故障诊断方法

Country Status (2)

Country Link
CN (1) CN116226743A (zh)
BE (1) BE1030733A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117272032A (zh) * 2023-11-22 2023-12-22 青岛埃恩斯信息技术科技有限公司 一种基于振动检测的空压机故障诊断方法与装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117272032A (zh) * 2023-11-22 2023-12-22 青岛埃恩斯信息技术科技有限公司 一种基于振动检测的空压机故障诊断方法与装置
CN117272032B (zh) * 2023-11-22 2024-02-13 青岛埃恩斯信息技术科技有限公司 一种基于振动检测的空压机故障诊断方法与装置

Also Published As

Publication number Publication date
BE1030733A1 (fr) 2024-02-20

Similar Documents

Publication Publication Date Title
Gangsar et al. Signal based condition monitoring techniques for fault detection and diagnosis of induction motors: A state-of-the-art review
CN108896296A (zh) 一种基于卷积神经网络的风电齿轮箱故障诊断方法
CN116226743A (zh) 一种机器学习的电机故障诊断方法
AU2020102137A4 (en) Fault diagnosis method for steam turbine generator (stg)
CN107045584B (zh) 一种适用于水泵转子系统的工频振动异常故障诊断方法
Odgaard et al. Results of a wind turbine FDI competition
CN105452972B (zh) 用于分布式传动系的状况监测的方法
KR102097595B1 (ko) 풍력발전기 진단방법
CN110987166A (zh) 旋转机械健康状态的预测方法、装置、设备及存储介质
CN113569990B (zh) 面向强噪声干扰环境的演艺装备故障诊断模型构建方法
CN114216640A (zh) 用于检测工业设备故障状态的方法、设备和介质
CN108303249A (zh) 一种用于齿轮箱电信号残差信号的提取方法
CN112985578B (zh) 一种风电机组共振诊断方法及装置
Hou et al. Inter-shaft bearing fault diagnosis based on aero-engine system: a benchmarking dataset study
CN117786385A (zh) 基于孪生网络的三相异步电动机故障监测方法及系统
CN110674893B (zh) 一种旋转机械故障诊断知识库中诊断经验自适应修正方法
CN112819029A (zh) 一种新的基于多尺度排列熵诊断齿轮箱故障的机器学习方法
Cao et al. Remaining useful life prediction of wind turbine generator bearing based on EMD with an indicator
JP6869156B2 (ja) 状態監視装置および状態監視方法
WO2020245108A1 (en) A method for computer-implemented monitoring of a component of a wind turbine
CN113586554A (zh) 一种液压马达检测系统及方法
CN113557420A (zh) 基于专家知识的用于旋转机器的自动健康状态分类器
EP3303835A1 (en) Method for windmill farm monitoring
CN112819083B (zh) 液压泵故障预测方法、装置、电子设备及存储介质
JP2018179977A (ja) 状態監視装置、状態監視システムおよび状態監視方法

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