CN116298881B - 基于通道注意力多模块lmmd的电信号电机健康预警方法 - Google Patents
基于通道注意力多模块lmmd的电信号电机健康预警方法 Download PDFInfo
- Publication number
- CN116298881B CN116298881B CN202310555444.0A CN202310555444A CN116298881B CN 116298881 B CN116298881 B CN 116298881B CN 202310555444 A CN202310555444 A CN 202310555444A CN 116298881 B CN116298881 B CN 116298881B
- Authority
- CN
- China
- Prior art keywords
- information
- data
- motor
- frequency
- decision table
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000036541 health Effects 0.000 title claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 51
- 238000001228 spectrum Methods 0.000 claims abstract description 47
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000010363 phase shift Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 3
- 125000000524 functional group Chemical group 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000005065 mining Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 13
- 238000000354 decomposition reaction Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
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)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明公开了基于通道注意力多模块LMMD的电信号电机健康预警方法，该方法包括采集电机三相定子电流作为原始数据进行预处理，得到多工况数据决策表，引入基于屏蔽卷积核与通道注意力机制模块（SSPCAB）的异常检测网络进行异常样本初筛；将决策表中的数据送入频谱形态信息识别模块提取频谱分布形态作为第一信息，送入包络谱调幅信息提取模块提取包络谱调幅信息作为第二信息，送入调频序列信息提取模块提取频率时间变化序列即调频信息作为第三信息；根据上述几类信息，构建多元高维融合信息集作为输入，训练多级域对抗LMMD域自适应电机异常状态预警模型，挖掘核特征实现基于电流数据的电机健康状态预警及分类识别。
Description
技术领域
本发明属于大数据人工智能设备健康预警领域，具体涉及一种基于通道注意力多模块LMMD的电信号电机健康预警方法。
背景技术
异步电机作为比较常见的电力设备，其安全可靠性会直接影响人们的生产和生活。但是在电机实际运行中，由于电机在工作时受到不同电压、电流、温度等环境因素的影响，使用普通的机器学习策略训练出来的异常健康预警模型其泛化能力通常不理想，难以准确检测出电机的健康问题。因此，为了摒弃不同工况下的环境噪声对模型的识别准确率所带来的干扰，采用域自适应策略可以很好的提取不同工况下异常样本的核心特征，及时发现电机的异常健康状态情况并发出预警，以便迅速进行维修，对保障设备的稳定运行，降低维修的成本，延长电机的使用寿命等具有重要的意义。
发明内容
本发明的目的是提供电机的健康状态预警方法，能够保证电机异常健康状态识别的准确性和及时性，保证电机的工作安全，提升电机的使用寿命。
为解决上述技术问题本发明提供了电机的健康状态预警的方法，包括：
建立训练样本数据集，首先采集异步电机的三相定子电流作为原始数据并进行数据清理得到基准数据，按照不同工况分类保存得到多工况数据决策表；
引入基于屏蔽卷积核与通道注意力机制模块SSPCAB的异常检测网络，将多工况数据决策表中电机正常运行数据作为训练样本送入网络，训练屏蔽卷积通道注意力异常检测模型；
将所述多工况数据决策表送入频谱形态信息识别模块，提取频谱分布信息作为第一信息；
将所述多工况数据决策表送入包络谱调幅信息提取模块，提取包络谱调幅信息作为第二信息；
将所述多工况数据决策表送入调频序列信息提取模块，挖掘频率时间变化序列，将该序列作为第三信息；
根据上述几类信息，构建多元高维融合信息集输入电机异常状态监测模型进行分类训练，其中，所述模型由多级域对抗和LMMD距离度量算法所构建；
在线预警时，将待测数据送入SSPCAB网络进行异常数据初筛得到异常数据样本，将异常数据样本送入三个信息提取模块获得第一、二、三信息，融合三类信息形成多元高维融合信息集送入经过训练的域自适应网络并给出最终预警结果。
可选地，所述异步高压电机三相电流数据的采集和预处理过程，包括：
使用高频电流采集器采集电流数据，将采集到的原始电流数据进行过零点判断、离群点判断以及电流幅值波动是否过大的数据丢包判断，删除不可用数据仅保留正常稳定电流数据，作为基准数据；
将基准数据按照不同型号不同电压做工况切分并保存，得到多工况数据决策表。
可选地，引入基于屏蔽卷积与通道注意力机制模块SSPCAB的异常检测网络的训练过程，包括：
首先仅使用正常样本训练屏蔽卷积的特征重构能力，再经过通道注意力机制模块为重构的特征进行加权处理，经过特征与对应权重的匹配判断模型对异常状态样本的敏感性，进而更新屏蔽卷积参数；
训练样本只包含电机正常状态运行下的数据样本，训练后可筛选出线上检测时的样本是否为异常状态样本以便进一步提取信息。
可选地，所述基于贝叶斯全局优化和多起点L-BFGS优化的拟合算法提取频谱分布特征过程，包括：
计算决策表中电流数据的频域信息，在不同工况特征频率范围内，提取频率冲高点并利用基于贝叶斯全局优化和多起点L-BFGS优化的拟合算法，即B-L-B算法进行曲线拟合，得到频谱信息的分布曲线，用分布检验来判断曲线的分布形态作为第一信息。
可选地，所述经相移处理构成解析信号提取包络谱调幅特征，包括：
对所述决策表中的电流信号进行相移处理，产生90度相移信号并与原信号在数学形式上形成共轭复对，得到解析信号，计算该解析信号的模，得到调幅信号的包络时序数据，再对包络时序数据进行频谱变换获得包络时序数据的频谱信息，将包络时序数据的频谱信息作为第二信息。
可选地，所述基于函数基的内积运算提取频率时间变化序列，包括：
选择一种在时域上具有优秀局部性质的函数基与所述决策表中电流数据进行内积运算，通过该函数基在时间上的平移以及频率的放缩，获得原信号频率在时间轴上的变化情况，分析频率变化的特点后获得频率时间变化序列，将该序列即调频信息作为第三信息。
可选地，所述多级域对抗LMMD域自适应异常状态监测模型的构建过程，包括：
将所述第一、二、三类信息经过维度变换，进行数据拼接得到多元高维融合信息集作为电机异常状态预警模型的输入，该模型设置三级特征提器，各特征提取器均添加一个域鉴别器，实现多级域对抗下的特征提取，将分类器的输出做为最终电机异常健康类型的识别结果，其中在分类器中嵌入LMMD距离度量测量模块。
本申请中所提供的电机健康预警方法，包括采集电机工作过程中的三相定子电流数据作为原始数据，经过数据预处理后得到基准数据并按照不同工况分类保存得到多工况数据决策表，使用决策表中电机正常运行的电流数据训练SSPCAB异常监测网络，该网络在线预警时筛选出异常数据；将决策表中的电流数据进行信息提取，分别提取频谱分布形态、包络谱调幅信息和频率时间变化序列作为第一、二、三信息，拼接三类信息形成多元高维融合信息集，训练多级域对抗LMMD域自适应电机异常状态预警模型的分类识别能力。本申请通过三个不同方面对电机电流数据进行信息提取，保证了对电机电流信号分析的全面性，进而保证了电机异常健康状态预警的准确性，在很大程度上提升了电机使用的安全性并且可以延长使用寿命。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅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为本发明提供的电机健康预警方法的流程示意图；
图2为本发明提供的电机健康预警方法的域自适应识别网络框架图；
图3为本发明提供的电机健康预警装置结构框示意图；
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅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，图1为本发明提供的电机健康预警方法的流程示意图，该方法包括：
S11:采集电机三相定子电流作为原始数据进行预处理，得到多工况数据决策表。
需要说明的是，在进行数据采集时，可以将电流采集设备接入电机定子绕组线圈，采集电机长时间工作的定子电流原始数据，按照10秒的时间长度进行原始数据的分段切片，对切片后的数据首先进行过零点判断，设置一个过零点次数阈值，判断一段时间内电流信号穿过零点的次数，将小于阈值的电流数据作为不可用数据。
采用基于密度的局部离群因子(Local OutlierFactor，LOF)算法进行离群点判断，根据每个数据点周围的数据密集情况，计算该数据点的局部可达密度，通过该密度值进一步计算得到每个数据点的一个离群因子，因子值越大离群程度越高，设置一个因子阈值，将超过该阈值的数据点作为不可用数据。
电流幅值波动是否过大的判断方法为，将切片后各段的电流数据幅值进行提取，找到相邻幅值间的差值，计算所有差值的平均数作为阈值，将超过该阈值的数据作为不可用数据。
通过上述方法，找到并且删除不可使用的数据，保留正常稳定的电流数据作为基准数据，再将基准数据按照不同的电机型号以及不同的工作电压进行数据切分，得到多工况数据决策表。
基于上述论述，在本申请的一种可选地实施例中,对于上述原始数据的采集及处理步骤所确定的多工况数据决策表过程可以包括：在S11的一种可选的实施例中，获取至少连续48小时内电机原始电流数据，按照10秒的长度对原始电流数据切片，经过数据预处理后得到至少24小时带有故障标签的基准数据。
预处理阶段设置10秒内过零点次数小于电流信号频率的次数的百分之80为阈值来判断为不可用数据；设置离群因子阈值为1，将超过该阈值的数据点判断为不可用数据；设置10秒内电流幅值超过阈值百分之10的数据片段判断为不可用数据。
S12:引入SSPCAB异常检测网络进行样本初筛。
需要说明的是，本申请引入SSPCAB异常监测网络的目的是，因为线上预警时数据量十分巨大，若将所有数据均进行信息提取则会大大增加整体过程的计算负担，降低预警效率。
基于特征的SSPCAB网络主要包括mask卷积核与通道注意力模块两个部分，其原理为，将训练数据的原始特征经过mask卷积核后输出重构的特征，将重构特征送入通道与注意力机制模块进行特征加权操作，经过与原始特征的对比更新mask卷积核的参数，目的是训练mask卷积的特征重构能力使其重构出来的特征在最大程度上接近原始特征，网络的优化目标函数为：其中/>为重构的特征，X为原始特征。
该网络的训练样本只包含电机正常运行状态下的数据样本，是因为采用此方案重构出来的特征对异常数据样本的敏感性最大，可以及时筛出异常的数据样本，送入之后的信息提取模块。
基于上述论述，在本申请的一种可选地实施例中,对于上述SSPCAB异常检测网络的设置过程可以包括：
在S12的一种可选的实施例中，我们设置mask卷积核的感受野大小为3×3，掩蔽区域设置位于感受野正中心大小为1×1的区域。训练后，将测试样本输入网络将会得到该样本是否为异常样本的输出。
S13:将决策表中的数据送入频谱形态信息识别模块提取频谱分布形态作为第一信息。
需要说明的是，对决策表中的数据进行频域信息计算时，要加窗函数以防止频谱泄漏。原因是在工业生产时进行频谱分析的过程中，会产生频谱泄漏，不利于之后我们找出异常幅值冲高的频谱点。
对决策表中的电机正常状态下运行的电流数据按照不同工况，以10秒为长度，分别进行加窗计算频域信息，对计算后得到的频谱数据采样，设定一个频率幅值阈值。
将决策表中所有电流数据按照不同工况采用上述方法进行处理，取得每个窗口内最大频率幅值与阈值进行对比，超过阈值则判定此工况下该频率点为异常冲高频率点，统计多个10秒长度内异常频率点的数量。
绘制异常频率点分布图，其中横坐标为频率，纵坐标为该频率出现异常的频次，利用基于贝叶斯全局优化和多起点L-BFGS(Limited memory-Broyden Fletcher GoldfarbShanno method，L-BFGS)优化的拟合算法(B-L-B算法)进行曲线拟合，得到频谱信息的分布曲线，最后使用各类分布检验方法来判断曲线的分布形态作为第一信息。
基于上述论述，在本申请的一种可选地实施例中,对于上述频谱形态信息识别模块的设置过程可以包括：
在S13的一种可选的实施例中，我们选取Hanning窗函数,以1Hz为窗口宽度，取每个窗口内最大频率幅值的1.2倍数值作为阈值，取得每个窗口内最大频率幅值与阈值进行对比，提取异常冲高频率点并且绘制分布图，经拟合后，使用如高斯分布检验，判断其是否符合高斯分布后保存作为第一信息。
S14:将决策表中的数据送入包络谱调幅信息提取模块提取包络谱调幅信息作为第二信息。
需要说明的是，在经相移处理构成解析信号之前，需要通过数据的特征时间尺度来获得基础波动模式实现数据分解，将一段非周期的原始信号分解为若干个易于分析的基本信号。
包络谱的提取原理为，将输入信号x(t)经过90度相移处理产生相移信号y(t)，此时原信号与相移信号在数学形式上形成共轭复对，构成解析信号z(t)＝x(t)+jy(t)，其实质就是将实数信号变换成复数形式的解析信号，而包络谱线则为复数空间内的解析信号在实平面上的投影即每一个点的模值，其数学表示为：
对决策表中电流数据按照不同工况，经上述方法提取时域包络谱线，对包络谱线的时序数据进行频谱变换，记录变换后各工况下，随频率变化出现的幅值变化情况作为第二信息。
基于上述论述，在本申请的一种可选的实施例中，对于上述包络谱调幅信息提取模块的设置过程可以包括：
在S14的一种可选的实施例中，我们选取10秒的窗口长度，按照不同的电机型号和工作电压对数据进行时序包络线提取，对时序包络数据进行频谱变换后，在出现定子绕组故障的电机包络频谱数据中，可以发现存在随频率变化发生的幅值异常冲高现象，将这些调幅信息记录作为第二信息。
S15:将决策表中的数据送入调频序列信息提取模块提取频率时间变化序列作为第三信息。
需要说明是，我们选择一种在时域上具有优秀局部性质的函数基与所述决策表中电流数据进行内积运算得到时间频率变化序列，是考虑到该方法除了对低频子带进行进一步分析，也对高频子带进行进一步分析。最后通过最小化一个代价函数，计算出最优的信号分解路径，并以此路径对原始信号进行分解。重构出的信号在细节上保证了全面性。其实质是通过函数基在时间尺度上的平移变化及频率的放缩，得到不同频率的信号分量在时域上的出现位置，确定信号在时轴上的频率变化情况。
这里有几个比较重要的参数包括，根据输入信号的波形选择合适的函数基；由于分解级数越高，信号在时域和频域的分辨率就越高，包含的信息也就越多，故选取分解级数n>2；代价函数选择使用信息熵函数，通过最小化代价函数优化分解路径。
对决策表中的电流数据按照不同工况，以10秒为长度切分后进行上述操作，记录每段数据在时间轴上的频率变化，以表格的形式建立并存储随时间的频率变化序列即调频信息作为第三信息。
基于上述论述，在本申请的一种可选地实施例中,对于上述调频序列信息提取模块的设置过程可以包括：
在S15的一种可选的实施例中，我们选取双正交函数作为函数基，分解级数n设置为4，通过优化信息熵函数找到最优分解路径后进行内积运算，保存每10秒长度中频率随时间变化的序列作为第三信息。
S16：基于三类信息构建多元高维融合信息集，输入多级域对抗LMMD域自适应异常状态检测模型，给出电机健康状态预警结果。
需要说明的是，由于电机的异常状态有时并不止由单一类型的信息所决定，所以本申请将之前步骤得到的三类信息融合，形成多元高维融合信息集作为域自适应预警模型的输入，对于电机的混合异常状态也具有辨识能力，提高模型对电机异常状态的识别效果。
局部最大均值差异LMMD(Local Maximum Mean Discrepancy，LMMD)是一种分布差异度量方法，通过寻找在特征空间上的连续函数f，将两个分布中的样本投影至再生希尔伯特空间后，分别求这两个分布的样本在f上的均值，最后将两个分布对应于f的均值差作为损失函数。
多级域对抗的设计思路为，在域自适应策略的深度学习网络中，由于浅层网络提取到的特征是和域噪声无关的一些比较通用的特征，而深层网络的提取的特征则是和域噪声有关的非通用特征。我们希望高级别的特征经过域鉴别器后不能辨别特征来自哪个域，而低级别特征经过域鉴别器后可以分辨特征来自哪个域，通过引入自学习参数来决定每级特征提取器提取的特征是否用来混淆域鉴别器，此方案可以提高域不变特征提取的全局性。通过拉近源域与目标域网络分类器中的LMMD距离，使不同域中相同类型的电机异常特征更具域不变性。
将所述第一、二、三类信息经过维度变换，按照10秒的长度逐一匹配进行数据拼接，将拼接后数据以CSV文件的格式进行存储构成多元高维融合信息集。
将多元高维融合信息集送入多级域对抗LMMD域自适应异常状态预警模型进行模型训练。此模型包含四个部分，分别为各级特征提取器、域鉴别器、电机异常类型分类器和LMMD距离度量算法。模型框架如图2所示，三级特征信息提取模块串行放置，每一级特征提取器都对应有该级的域鉴别器，数据经过三级特征提取，将结果输入电机异常类型分类器，其中在分类器中嵌入LMMD距离度量测量算法，将分类器的输出做为最终电机异常类型的识别结果。此模型包含的可优化参数分别为：各级特征提取器的Gfi，各级域鉴别器的Gdi，分类器的Gy，训练时网络参数共享。
基于上述论述，在本申请的一种可选地实施例中,对于上述多级域对抗LMMD域自适应模型的参数设置过程可以包括：
在S16的一种可选的实施例中，我们设置单个样本的长度为2048，重采样间隔设置为400，每一级特征提取器的网络层数为15层，在分类器的最后两个FC层之间嵌入LMMD距离度量测量算法。
本申请通过采集电机三相定子电流作为原始数据经预处理后，得到多工况数据决策表，为降低线上运行的计算负担，引入基于屏蔽卷积核与通道注意力机制模块(SSPCAB)的异常检测网络进行异常样本初筛；将决策表中的数据分别送入三类信息提取模块进行信息提取；根据提取到的三类信息，构建多元高维融合信息集作为输入，训练多级域对抗LMMD域自适应电机异常状态预警模型，挖掘核特征实现基于电流数据的电机健康状态预警及分类识别。本申请通过对电机电流数据进行多方面信息提取，保证了对电机电流信号分析的全面性，进而保证了电机异常健康状态预警的准确性，在很大程度上提升了电机使用的安全性并且可以延长使用寿命。
图3为本发明实施例提供的的电机健康预警装置结构框示意图，参照图3的电机健康预警装置可以包括：
数据采集预处理装置001，用于采集待测电机的三相定子电流数据，经多种数据预处理方法后，按照不同工况保存得到多工况数据决策表；异常样本初筛装置002，引入SSPCAB网络用于筛选出异常电流数据，送入后续信息提取模块，降低整体计算负担；
第一信息提取装置003，用于将决策表中的数据送入频谱形态识别模块，提取所述决策表中电流数据的频谱分布形态作为第一信息；
第二信息提取装置004，用于将决策表中的数据送入包络谱调幅信息提取模块，提取所述包络谱调幅信息作为第二信息；
第三信息提取装置005，用于将决策表中的数据送入调频序列信息提取模块，提取所述时间频率变化序列即调频信息作为第三信息；
信息拼接与异常健康预警装置006，用于将上述三类信息融合构建多元高维融合信息集，输入所述多级域对抗LMMD域自适应异常状态监测模型，给出电机的健康状态预警结果。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (6)
1.基于通道注意力多模块LMMD的电信号电机健康预警方法，其特征在于，包括：
建立训练样本数据集，首先采集异步电机的三相定子电流作为原始数据并进行数据清理得到基准数据，按照不同工况分类保存得到多工况数据决策表；
引入基于屏蔽卷积核与通道注意力机制模块SSPCAB的异常检测网络，将多工况数据决策表中电机正常运行数据作为训练样本送入网络，训练屏蔽卷积通道注意力异常检测模型；
将所述多工况数据决策表送入频谱形态信息识别模块，提取频谱分布信息作为第一信息；
将所述多工况数据决策表送入包络谱调幅信息提取模块，提取包络谱调幅信息作为第二信息；
将所述多工况数据决策表送入调频序列信息提取模块，挖掘频率时间变化序列，将该序列作为第三信息；
根据上述几类信息，构建多元高维融合信息集输入电机异常状态预警模型进行分类训练，其中，所述模型由多级域对抗和LMMD距离度量算法所构建，该模型设置三级特征提取器，各特征提取器均添加一个域鉴别器，实现多级域对抗下的特征提取，将分类器的输出做为最终电机异常健康类型的识别结果，其中在分类器中嵌入LMMD距离度量测量模块；
在线预警时，将待测数据送入SSPCAB网络进行异常数据初筛得到异常数据样本，将异常数据样本送入三个信息提取模块获得第一、二、三信息，融合三类信息形成多元高维融合信息集送入经过训练的电机异常状态预警模型并给出最终预警结果。
2.如权利要求1中所述的电机健康预警方法，其特征在于，异步高压电机三相电流数据的采集和预处理过程，包括：
使用高频电流采集器采集电机电流数据，将采集到的原始电流数据进行过零点判断、离群点判断以及电流幅值波动是否过大的数据丢包判断，删除不可用数据仅保留正常稳定电流数据，作为基准数据；
将基准数据按照不同型号不同电压做工况切分并保存，得到多工况数据决策表。
3.如权利要求1中所述的电机健康预警方法，其特征在于，引入基于屏蔽卷积与通道注意力机制模块SSPCAB的异常检测网络的训练过程，包括：
首先仅使用正常样本训练屏蔽卷积的特征重构能力，再经过通道注意力机制模块为重构的特征进行加权处理，经过特征与对应权重的匹配判断模型对异常状态样本的敏感性，进而更新屏蔽卷积参数；
训练样本只包含电机正常状态运行下的数据样本，训练后可筛选出线上检测时的样本是否为异常状态样本以便进一步提取信息。
4.如权利要求1中所述的电机健康预警方法，其特征在于，基于贝叶斯全局优化和多起点L-BFGS优化的拟合算法提取频谱分布信息，包括：
计算决策表中电流数据的频域信息，在不同工况特征频率范围内，提取频率冲高点并利用基于贝叶斯全局优化和多起点L-BFGS优化的拟合算法，即B-L-B算法进行曲线拟合，得到频谱信息的分布曲线，用分布检验来判断曲线的分布形态作为第一信息。
5.如权利要求1中所述的电机健康预警方法，其特征在于，经相移处理构成解析信号提取包络谱调幅信息，包括：
对所述决策表中的电流信号进行相移处理，产生90度相移信号并与原信号在数学形式上形成共轭复对，得到解析信号，计算该解析信号的模，得到调幅信号的包络时序数据，再对包络时序数据进行频谱变换获得包络时序数据的频谱信息，将包络时序数据的频谱信息作为第二信息。
6.如权利要求1中所述的电机健康预警方法，其特征在于，基于函数基的内积运算提取频率时间变化序列，包括：
选择一种在时域上具有优秀局部性质的函数基与所述决策表中电流数据进行内积运算，通过该函数基在时间上的平移以及频率的放缩，获得原信号在时间轴上的频率变化信息，分析频率变化的特点后获得频率时间变化序列，将该序列即调频信息作为第三信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310555444.0A CN116298881B (zh) | 2023-05-17 | 2023-05-17 | 基于通道注意力多模块lmmd的电信号电机健康预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310555444.0A CN116298881B (zh) | 2023-05-17 | 2023-05-17 | 基于通道注意力多模块lmmd的电信号电机健康预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116298881A CN116298881A (zh) | 2023-06-23 |
| CN116298881B true CN116298881B (zh) | 2023-08-11 |
Family
ID=86813507
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310555444.0A Active CN116298881B (zh) | 2023-05-17 | 2023-05-17 | 基于通道注意力多模块lmmd的电信号电机健康预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116298881B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095516A (zh) * | 2019-12-23 | 2021-07-09 | 西安市双合软件技术有限公司 | 一种电动机智能运维及健康管理系统 |
| US11220999B1 (en) * | 2020-09-02 | 2022-01-11 | Palo Alto Research Center Incorporated | Deep hybrid convolutional neural network for fault diagnosis of wind turbine gearboxes |
| CN216927019U (zh) * | 2021-07-26 | 2022-07-08 | 上海大学 | 一种用于电机故障诊断的系统 |
| CN115204292A (zh) * | 2022-07-14 | 2022-10-18 | 重庆大学 | 一种基于psfen的跨设备振动故障迁移诊断方法 |
| CN115526847A (zh) * | 2022-09-19 | 2022-12-27 | 江南大学 | 一种基于半监督学习的主板表面缺陷检测方法 |
-
2023
- 2023-05-17 CN CN202310555444.0A patent/CN116298881B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095516A (zh) * | 2019-12-23 | 2021-07-09 | 西安市双合软件技术有限公司 | 一种电动机智能运维及健康管理系统 |
| US11220999B1 (en) * | 2020-09-02 | 2022-01-11 | Palo Alto Research Center Incorporated | Deep hybrid convolutional neural network for fault diagnosis of wind turbine gearboxes |
| CN216927019U (zh) * | 2021-07-26 | 2022-07-08 | 上海大学 | 一种用于电机故障诊断的系统 |
| CN115204292A (zh) * | 2022-07-14 | 2022-10-18 | 重庆大学 | 一种基于psfen的跨设备振动故障迁移诊断方法 |
| CN115526847A (zh) * | 2022-09-19 | 2022-12-27 | 江南大学 | 一种基于半监督学习的主板表面缺陷检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 工业缺陷检测深度学习方法综述;罗东亮 等;中国科学;第52卷(第6期);1002-1039 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116298881A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Fault diagnosis of a rolling bearing using wavelet packet denoising and random forests | |
| CN108985279B (zh) | 多功能车辆总线mvb波形的故障诊断方法及装置 | |
| CN111914883A (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 | |
| JP2000512766A (ja) | 高電圧絶縁における部分放電測定の統計的パターン分析方法 | |
| CN111239672B (zh) | 基于机器学习算法的光纤电流互感器渐变性故障预测方法 | |
| CN111044902A (zh) | 一种基于电流和电压信号的电机故障诊断方法 | |
| CN116739829B (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
| CN117076955A (zh) | 一种高压变频器的故障检测方法及系统 | |
| CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
| CN117668751B (zh) | 一种高低压电力系统故障诊断方法及装置 | |
| CN116298881B (zh) | 基于通道注意力多模块lmmd的电信号电机健康预警方法 | |
| CN110956112B (zh) | 一种新的高可靠性回转支承寿命评估方法 | |
| Vosoughi et al. | Transformer fault type discrimination based on window calculation method and frequency response analysis | |
| CN116773961A (zh) | 基于振动信号高频特征分析的输电线路腐蚀检测方法 | |
| CN116482526A (zh) | 一种用于非故障相阻抗继电器的分析系统 | |
| CN115758235A (zh) | 一种基于直流充电桩充电模块的开路故障诊断方法、装置 | |
| Lorenz et al. | Vibration Data Analysis for Fault Detection in Manufacturing Systems-A Systematic Literature Review | |
| CN112993977A (zh) | 一种基于hht及rvm的主动配电网电能质量扰动识别方法 | |
| CN112964948A (zh) | 基于录波数据反演的串联电抗器运行状态在线监测方法及系统 | |
| Thiyagarajan et al. | Wavelet approach and support vector networks based power quality events recognition and categorisation | |
| CN117153193B (zh) | 融合物理特性和数据诊断的电力设备故障声纹识别方法 | |
| Anguswamy et al. | Distribution Network Power Quality Insights With Optimally Placed Micro-PMUs Incorporating Synthetic and Real Field Data | |
| Gopinath et al. | Fine tuning machine fault diagnosis system towards mission critical applications | |
| Mascali et al. | Synthetic ground truth generation of an electricity consumption dataset | |
| Fei et al. | Classification and recognition of voltage sags based on KFCM—SVM |
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 |