CN116597167B - 一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统 - Google Patents
一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统 Download PDFInfo
- Publication number
- CN116597167B CN116597167B CN202310663690.8A CN202310663690A CN116597167B CN 116597167 B CN116597167 B CN 116597167B CN 202310663690 A CN202310663690 A CN 202310663690A CN 116597167 B CN116597167 B CN 116597167B
- Authority
- CN
- China
- Prior art keywords
- permanent magnet
- magnet synchronous
- synchronous motor
- small sample
- fault
- 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 79
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 63
- 230000005347 demagnetization Effects 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000003745 diagnosis Methods 0.000 title claims description 56
- 230000004927 fusion Effects 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 45
- 238000010586 diagram Methods 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 27
- 238000005070 sampling Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000007500 overflow downdraw method Methods 0.000 claims description 4
- 101000826116 Homo sapiens Single-stranded DNA-binding protein 3 Proteins 0.000 description 12
- 102100023008 Single-stranded DNA-binding protein 3 Human genes 0.000 description 12
- 238000002474 experimental method Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统,其中方法包括获取不同故障电机的振动和电流信号,还包括以下步骤:处理采集得到的时域信号并转为灰度图像;进行图像融合;用改进的元学习网络构建小样本故障分类器。本发明提出了一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统,可以在不增加数据样本的前提下,实现多种不同的传感器的异构信息融合,本发明构建的改进元学习网络可以提取图像的多尺度特征,聚焦重点信息,以提升信息筛选和判别能力,提高小样本电机诊断的稳定性和精度。
Description
技术领域
本发明涉及永磁同步电机故障诊断的技术领域,特别是一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统。
背景技术
永磁同步电机拥有更高的效率,更简单的内部结构,仅一个永磁体,因此不存在转子方面的损耗,其功率因素大大提高,在所有交流电机中效率最高。其适用领域得到了广泛地拓展,被广泛地应用于车辆、航天、风力发电、数控等领域。电机的长期运行可能会发生各种故障,这将极大地影响工业生产效率,因此,对永磁同步电机运行状态的监测,及时诊断各种工况下的电机故障,是一项非常有必要的工作。在电机运行的过程中,由于恶劣的使用环境,会加速电机损失和老化,常见的有永磁体退磁故障、定子绕组短路故障等。这些故障会严重影响设备的性能,严重时造成人员伤亡和财产损失。
当永磁同步电机发生故障时,电机状态信号也会随之发生变化,用于电机故障诊断的信号常用的有振动、超声、磁、电流信号等。深度学习是目前国内外学者研究的一个热点领域。基于深度学习的电机故障诊断策略大多是利用振动、电流、声学等传感器获得不同故障状态的电机运行数据,对采集的数据处理后作为智能诊断算法的输入。训练深度学习模型需要大量的数据支撑。然而,电机大多数时间运行在正常状态,故障样本匮乏,在实际的工业场景中很难获取一个理想的数据集用于网络训练。另一方面,由于电机故障的复杂性、多样性,单一数据来源的电机状态信息已经无法全面反映电机的状态信息。针对该问题,国内外学者在数据层面、特征层面、决策层面开展了大量的研究。但是,无论在数据层面、特征层面、还是在决策层面的融合,都无可避免的会使得计算量成倍增加。
综上所述,目前针对永磁同步电机故障诊断的方法存在以下不足:
(1)单一数据来源的电机状态信息已经无法全面反映电机的状态信息;数据的一维特征已经无法满足电机故障诊断的性能要求;
(2)采集到的故障电机的多传感器数据呈现异构性质,不同的数据样本之间会存在差异,在数据层面、特征层面、决策层面融合会不可避免地造成计算量成倍增加;
(3)基于深度学习的电机故障诊断算法需要大量的数据训练模型。但在实际工业中,电机数据呈现“长尾效应”,即正常数据冗余、故障数据匮乏,缺乏理性的数据集训练模型,因此在电机故障诊断领域开展小样本研究非常有必要。
公开号为CN112285554A的发明专利申请公开了基于信息融合的永磁同步电机退磁故障诊断方法与装置,转矩传感器、N个加速度传感器采集实验电机在不同退磁程度下的转矩和振动信号并输入数据采集卡,数据采集卡将转矩信号和振动信号进行去燥处理并将模拟信号转换为数字信号后上传到上位机,上位机计算得到不同退磁程度情况下对应的转矩信号平均值和振动信号平均值,将转矩信号平均值、振动信号平均值作为BP神经网络的输入,将对应的退磁程度作为BP神经网络的输出,构建BP神经网络诊断模型。由于该方法很大程度依赖于初始权重和偏置,所以该方法容易陷入局部极小值且训练速度较慢。
为了解决上述的技术问题,本发明提出了一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统,可以在不增加数据样本的前提下,实现多种不同的传感器的异构信息融合。
本发明的第一目的是提供一种永磁同步电机小样本退磁故障诊断方法,包括获取不同故障电机的振动和电流信号,还包括以下步骤:
步骤1:处理采集得到的时域信号并转为灰度图像;
步骤2:进行图像融合;
步骤3:用改进的元学习网络构建小样本故障分类器。
优选的是,采集信号的传感器包含但不局限于三轴振动传感器和三相电流传感器。
在上述任一方案中优选的是,所述步骤1包括将采集到的两种不同类型的传感器数据归一化处理,并利用对称点阵图生成灰度图像,将两种传感器的三个通道生成灰度图像作为彩色图像的R、G、B三个通道,分别生成两种类型传感器彩色对称点阵图。
在上述任一方案中优选的是,所述步骤1包括以下子步骤:
步骤11:对采集到的一维时序信号X进行归一化处理,将时序信号投影到极坐标空间;
步骤12:选取合适的点数、设置合适的参数,生成一张呈对称样式的灰度SDP图;
步骤13:将不同通道得到的SDP图作为彩色图片的三个通道生成彩色的SDP图。
在上述任一方案中优选的是,所述归一化处理的公式为
其中,x为一维时序数据点,xmin为采样序列X的最小值,xmax为采样序列X的最大值。
在上述任一方案中优选的是,所述投影的公式为
其中,r(i)为归一化后的时序数据点,x(i)为第i个原始时序数据点,θ(i)为极坐标逆时针旋转的角度,为极坐标顺时针旋转的角度,g为放大因子,l为滞后参数,θ为镜像对称平面旋转角,在生成SDP图的过程中,有三个参数需要调整,合适的放大因子、滞后参数、镜像对称平面旋转角会使生成的SDP图呈现对称,且相邻悬臂之间不会出现重叠。
在上述任一方案中优选的是,所述彩色的SDP图的生成方法为
I[:,:,1]=R
I[:,:,2]=G
I[:,:,3]=B
其中,I为生成的彩色图像。
在上述任一方案中优选的是,所述步骤2包括利用低通比金字塔图像融合方式,将两种不同类型的传感器的视觉图像融合生成新的视觉图像。
在上述任一方案中优选的是,所述步骤2包括以下子步骤:
步骤21:构建图像的高斯金字塔,将原始图像缩小得到一系列图像;
步骤22:构建图像的低通比金字塔,对两种源图像的低通比金字塔的每一层按照给定权重融合,得到融合后图像的低通比金字塔,并重构图像的高斯金字塔;
步骤23:融合图像的低通比金字塔自上而下逐层重构最终得到G0,即两种不同类型传感器融合后的彩色对称点阵图。
在上述任一方案中优选的是,所述原始图像缩小的计算公式为
Gn=Reduce(Gn-1)
其中,Reduce为缩小算子,G0为原始图像,Gn为原始图像缩小n次的图像,G0、G1…GN构成了图像的高斯金字塔,N为高斯金字塔的分解次数。
在上述任一方案中优选的是,所述低通比金字塔的构建方法为
其中,Expand为扩大算子,RPs为比例金字塔的第s层,RP0、RP1、RP2…构成图像的低通比金字塔。
在上述任一方案中优选的是,所述按照给定权重融合的计算公式为
其中,α、β为两个源图像的融合权重。
在上述任一方案中优选的是,所述高斯金字塔的重构方法为
在上述任一方案中优选的是,所述小样本故障分类器的构建包含关系网络和空洞空间卷积池化模块。
在上述任一方案中优选的是,所述小样本故障分类器的训练步骤包括:
步骤31:将所述空洞空间卷积池化模块添加到关系网络中的特征提取模块和相关性模块中;
步骤32:将融合后的彩色对称点阵图作为不同的元学习训练集和测试集,分别得到训练任务和测试任务所对应的子任务集;
步骤33:从若干个子训练任务中随机抽取K个子任务,每个子任务均包含支持集和查询集;训练时将支持集中的xa、查询集的xb同时输入特征提取模块,提取得到特征信息fφ(xa)、fφ(xb),并将各样本对应的特征级联起来得到C(fφ(xa)、fφ(xb)),提取到的特征输入相关性模块,计算相关性得分,最后输出一个one-hot向量;
步骤34:保存训练阶段得到的元知识;在测试任务中,继承训练阶段得到的元知识,从测试任务中随机抽取K个子任务,子任务中的支持集用于对模型微调,子任务中的测试集用于验证模型的有效性。
在上述任一方案中优选的是,所述相关性得分的计算公式为
ra,b=gφ(C(fφ(xa)、fφ(xb)))a,b=1,2,…,8
其中,ra,b为xa、xb的相似性的关系分数,当xa、xb匹配时ra,b=1,当xa、xb不匹配时ra,b=0,gφ为相关性计算函数。
在上述任一方案中优选的是,在训练模型中,误差函数选择为均方差误差,公式为
其中,φ为元学习优化参数,a为支持集中的第a个样本,b为查询集中的第b个样本,M为支持集的样本数量,B为查询集的样本数量。
在上述任一方案中优选的是,1个任务中累计预测正确的样本数量为
其中,y预测为模型预测的样本标签,y实际为样本的实际标签。
在上述任一方案中优选的是,K个任务中累计预测正确的准确率accuracy为
其中,N×(M+B)为一个训练中所有的样本数量。
在上述任一方案中优选的是,在每一个子任务集中,支持集的样本数量少于查询集的样本数量。
在上述任一方案中优选的是,每个子任务集的数据集分布相同。
本发明的第二目的是提供一种计算机存储介质,所述计算机存储介质中存储有计算机程序,所述计算机程序用于实现如第一目的所述的永磁同步电机小样本退磁故障诊断方法。
本发明的第三目的是提供一种永磁同步电机小样本退磁故障诊断系统,包括相互连接的微处理器,还包括如第二目的所述的计算机存储介质,
所述微处理器用于执行如第一目的所述的永磁同步电机小样本退磁故障诊断方法。
本发明提出了一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统,构建的改进元学习网络可以提取图像的多尺度特征,聚焦重点信息,以提升信息筛选和判别能力,提高小样本电机诊断的稳定性和精度。
附图说明
图1为按照本发明的永磁同步电机小样本退磁故障诊断方法的一优选实施例的流程图。
图2为按照本发明的永磁同步电机小样本退磁故障诊断方法的另一优选实施例的流程图。
图3为按照本发明的永磁同步电机小样本退磁故障诊断方法的彩色对称点阵图的一实施例的频示意图。
图4为按照本发明的永磁同步电机小样本退磁故障诊断方法的1.65N负载下的振动传感器、电流传感器、RP融合的一实施例的示意图。
图5为按照本发明的永磁同步电机小样本退磁故障诊断方法的空洞空间卷积池化模块的一实施例的结构示意图。
图6为按照本发明的永磁同步电机小样本退磁故障诊断方法的元学习网络的一实施例的示意图。
图7为按照本发明的永磁同步电机小样本退磁故障诊断方法的永磁同步电机故障试验台的一实施例的示意图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
实施例一
如图1所示,执行步骤100,获取不同故障电机的振动和电流信号。
执行步骤110,处理采集得到的时域信号并转为灰度图像,将采集到的两种不同类型的传感器数据归一化处理,并利用对称点阵图生成灰度图像,将两种传感器的三个通道生成灰度图像作为彩色图像的R、G、B三个通道,分别生成两种类型传感器彩色对称点阵图。包括以下子步骤:
执行步骤111,对采集到的一维时序信号X进行归一化处理,将时序信号投影到极坐标空间,所述归一化处理的公式为
其中,x为一维时序数据点,xmin为采样序列X的最小值,xmax为采样序列X的最大值。
所述投影的公式为
其中,r(i)为归一化后的时序数据点,x(i)为第i个原始时序数据点,θ(i)为极坐标逆时针旋转的角度,为极坐标顺时针旋转的角度,g为放大因子,l为滞后参数,θ为镜像对称平面旋转角。在生成SDP图的过程中,有三个参数需要调整,合适的放大因子、滞后参数、镜像对称平面旋转角会使生成的SDP图呈现对称,且相邻悬臂之间不会出现重叠。
执行步骤112,选取合适的点数、设置合适的参数,生成一张呈对称样式的灰度SDP图;
执行步骤113,将不同通道得到的SDP图作为彩色图片的三个通道生成彩色的SDP图。
执行步骤120,进行图像融合,利用低通比金字塔图像融合方式,将两种不同类型的传感器的视觉图像融合生成新的视觉图像,包括以下子步骤:
执行步骤121,构建图像的高斯金字塔,将原始图像缩小得到一系列图像,所述原始图像缩小的计算公式为
Gn=Reduce(Gn-1)
其中,Reduce为缩小算子,G0为原始图像,Gn为原始图像缩小n次的图像,G0、G1…GN构成了图像的高斯金字塔,N为高斯金字塔的分解次数。
执行步骤122,构建图像的低通比金字塔,对两种源图像的低通比金字塔的每一层按照给定权重融合,得到融合后图像的低通比金字塔,并重构图像的高斯金字塔,所述低通比金字塔的构建方法为
其中,Expand为扩大算子,RPs为比例金字塔的第s层,RP0、RP1、RP2…构成图像的低通比金字塔。
所述按照给定权重融合的计算公式为
其中,α、β为两个源图像的融合权重。
执行步骤123,融合图像的低通比金字塔自上而下逐层重构最终得到G0,即两种不同类型传感器融合后的彩色对称点阵图,所述高斯金字塔的重构方法为
所述小样本故障分类器的构建包含关系网络和空洞空间卷积池化模块。
执行步骤130,用改进的元学习网络构建小样本故障分类器,所述小样本故障分类器的训练步骤包括:
执行步骤131,将所述空洞空间卷积池化模块添加到关系网络中的特征提取模块和相关性模块中。
执行步骤132,将融合后的彩色对称点阵图作为不同的元学习训练集和测试集,分别得到训练任务和测试任务所对应的子任务集。
执行步骤133,从若干个子训练任务中随机抽取K个子任务,每个子任务均包含支持集和查询集;训练时将支持集中的xa、查询集的xb同时输入特征提取模块,提取得到特征信息fφ(xa)、fφ(xb),并将各样本对应的特征级联起来得到C(fφ(xa)、fφ(xb)),提取到的特征输入相关性模块,计算相关性得分,最后输出一个one-hot向量,所述相关性得分的计算公式为
ra,b=gφ(C(fφ(xa)、fφ(xb)))a,b=1,2,…,8
其中,ra,b为xa、xb的相似性的关系分数,当xa、xb匹配时ra,b=1,当xa、xb不匹配时ra,b=0,gφ为相关性计算函数。。
在训练模型中,误差函数选择为均方差误差,公式为
式中,φ为元学习优化参数,a为支持集中的第a个样本,b为查询集中的第b个样本,M为支持集的样本数量,B为查询集的样本数量。
执行步骤134,保存训练阶段得到的元知识;在测试任务中,继承训练阶段得到的元知识,从测试任务中随机抽取K个子任务,子任务中的支持集用于对模型微调,子任务中的测试集用于验证模型的有效性。
1个任务中累计预测正确的样本数量为
其中,y预测为模型预测的样本标签,y实际为样本的实际标签。
K个任务中累计预测正确的准确率accuracy为
其中,N×(M+B)为一个训练中所有的样本数量。
在每一个子任务集中,支持集的样本数量少于查询集的样本数量,每个子任务集的数据集分布相同。
一种计算机存储介质,所述计算机存储介质中存储有计算机程序,所述计算机程序用于实现所述的永磁同步电机小样本退磁故障诊断方法。
一种永磁同步电机小样本退磁故障诊断系统,包括相互连接的微处理器,还包括计算机存储介质,
所述微处理器用于执行永磁同步电机小样本退磁故障诊断方法。
实施例二
一种基于多传感器信息融合和元学习的永磁同步电机小样本退磁故障诊断方法,其特征在于:包括:采集不同电机的振动和电流时域信号、处理采集得到的时域信号并转为灰度图像、图像融合、利用改进的元学习网络构建小样本故障分类器,该方法包括以下步骤:
(1)通过三轴振动传感器和三相电流传感器,包含但不局限于此,采集不同故障类型的永磁同步电机和不同工况下的时域信号(设置相同的采样频率和采样时间);
(2)将采集到的两种不同类型的传感器数据归一化处理,并利用对称点阵图(SDP)生成灰度图像,将两种传感器的三个通道生成灰度图像作为彩色图像的R、G、B三个通道,分别生成两种类型传感器彩色对称点阵图(CSDP);
步骤(2)所述的对一维时序数据归一化处理,并将数据扩展成灰度SDP图,并融合成CSDP图的具体过程如下:
对采集到的一维时序信号X通过式(1)归一化处理,并利用式(2)将时序信号投影到极坐标空间,选取合适的点数、设置合适的参数,生成一张呈对称样式的灰度SDP图,图像臂大小、曲率等特征可以反映出一维数据无法反映的隐藏信息,此时的图像特征仅包含纹理特征。
式中,xmin为采样序列X的最小值,xmax为采样序列X的最大值
式中,θ(i)为极坐标逆时针旋转的角度,为极坐标顺时针旋转的角度,g为放大因子,l为滞后参数,θ为镜像对称平面旋转角。在生成SDP图的过程中,有三个参数需要调整,合适的放大因子、滞后参数、镜像对称平面旋转角会使生成的SDP图呈现对称,且相邻悬臂之间不会出现重叠。
将不同通道得到的SDP图作为彩色图片的三个通道,根据式(3)生成彩色的SDP图,此时的图像既包含纹理特征又包含颜色特征。
式中,I为生成的彩色图像。
(3)利用低通比金字塔图像融合方式,将两种不同类型的传感器的视觉图像融合生成新的视觉图像,以实现多传感器信息融合,并基于此构建元学习数据库;
步骤(3)所述的将两种不同类型的传感器的CSDP图,融合生成新的CSDP图的具体过程如下:
在实现两种类型传感器信息融合的过程中,首先需要构建图像的高斯金字塔,图像的高斯金字塔是一种图像多尺度表达的方式,将原始图像按照式(4)缩小得到一系列图像。
Gn=Reduce(Gn-1) (4)
式中,Reduce为缩小算子,即利用高斯核对图像进行高斯平滑,然后进行下采样得到上一层图像,G0、G1…GN构成了图像的高斯金字塔。G0为原始图像。
利用式(5)构建图像的低通比金字塔,利用式(6)对两种源图像的低通比金字塔的每一层按照给定权重融合,得到融合后图像的低通比金字塔。并利用式(7)重构图像的高斯金字塔。
式中,Expand为扩大算子,RPs为比例金字塔的第s层,RP0、RP1、RP2…构成图像的低通比金字塔。
式中,α、β为两个源图像的融合权重。
融合图像的低通比金字塔通过式(7)自上而下,逐层重构最终得到G0,即两种不同类型传感器融合后的CSDP图像。
(4)开发具有提取图像多尺度特征的元学习网络,步骤(4)构建的元学习数据库作为元学习随机任务的来源,对网络进行训练,得到最终的故障分类器。步骤(4)所述的基于关系网络(RN)和空洞空间卷积池化模块(ASPP),其具体的实现过程如下:
ASPP模块是一个具有不同采样率的多个并行空洞卷积层,该模块使用具有不同采样率的多个并行空洞卷积层。为每个采样率提取的特征在单独的分支中进一步处理,并融合以生成最终结果。该模块通过不同的空洞速率构建不同感受野的卷积核,用来获取多尺度物体信息,其具体结构如图4所示。
关系网络(RN)是一种基于度量的元学习网络,通过卷积神经网络来计算两个样本之间的距离而分析匹配程度。整个网络阶段包含两个阶段,第一个阶段是Embedding(特征提取)模块(用于提取图像的特征信息),第二个阶段是相关性模块(用于输出两个图片之间的相似性程度得分,从而判断两幅图像是否来自同一个类别),可以看成是一个可以学习的非线性分类器用于判断关系的分类器。构建分类器的具体实验步骤如下:
S1)将ASPP模块添加到RN网络中的Embedding模块和相关性模块,以提升RN网络提取图像多尺度信息的能力;
S2)步骤(3)生成不同故障电机的振动信号、电流信号融合后的CSDP,作为不同的元学习训练集和测试集,分别得到训练任务和测试任务所对应的子任务集;
S3)从S2准备的若干个子训练任务中随机抽取N个子任务,每个子任务均包含支持集和查询集;训练时将支持集中的xi、查询集的xj同时输入Embedding模块,提取得到特征信息fφ(xi)、fφ(xj),并将各样本对应的特征级联起来得到C(fφ(xi)、fφ(xj))。提取到的特征输入相关性模块,利用式(8)计算相关性得分,最后输出一个one-hot向量,表示xi、xj的相似性。
ra,b=gφ(C(fφ(xa)、fφ(xb))) a,b=1,2,…,8 (8)
式中,ra,b为xa、xb的相似性的关系分数,当xa、xb匹配时为1,不匹配时为0。
在训练模型中,误差函数选择为均方差误差,具体表示如式(9):
式中,φ为元学习优化参数。
S4)保存训练阶段得到的元知识;在测试任务中,继承训练阶段得到的元知识,从测试任务中随机抽取N个子任务,子任务中的支持集用于对模型微调,以得到更好的训练模型,子任务中的测试集用于验证模型的有效性。
在每一个子任务集中,支持集的样本数量少于查询集的样本数量,每个子任务集的数据集分布相同。
一种电子终端,用于连接处理器与储存器,配置实现一种基于多传感器信息融合和元学习的永磁同步电机小样本退磁故障诊断。
一种故障视觉图像分类方法,将待分类的故障电机的传感器融合图像输入到基于元学习的永磁同步电机小样本退磁故障诊断训练得到的故障分类模型中,得到不同故障的分类结果。
9、一种基于多传感器信息融合和元学习的故障诊断系统,包括:永磁同步电机故障实验平台,其中,所述实验平台设有处理器和存储器,所述处理器被编程或配置以执行基于多传感器信息融合和元学习的故障诊断方法,并将故障诊断分类模型上传至计算机,以供所述故障诊断上位机利用故障诊断分类器以及待诊断的永磁同步电机进行故障诊断得到故障诊断结果。
10、一种可读存储介质,所述可读存储介质中存储有被编程或配置以执行权一种基于多传感器信息融合和元学习的永磁同步电机小样本退磁故障诊断的计算机程序。
实施例三
本发明采用的技术方法提供一种多传感器信息融合和改进元学习的永磁同步电机退磁故障诊断方法。本发明提出的多传感器信息融合方法可以在不增加数据样本的前提下,实现多种不同的传感器的异构信息融合,本发明构建的改进元学习网络可以提取图像的多尺度特征,聚焦重点信息,以提升信息筛选和判别能力,提高小样本电机诊断的稳定性和精度。
一种基于多传感器信息融合和元学习的永磁同步电机小样本退磁故障诊断方法,包括:
(1)采集不同电机的传感器时域信号;
(2)处理采集得到的时域信号并转为灰度图像;
(3)图像融合;
(4)利用改进的元学习网络构建小样本故障分类器。
可选地,所述传感器的时域数据包括电机的三相定子电流和三轴振动传感器,所述电机的状态包括正常状态、局部退磁10%、局部退磁30%、局部退磁100%、均匀退磁10%五中不同的电机状态。
可选地,(1)中针对被诊断的永磁同步电机获取三相电流、三轴振动传感器的时域信号x,时域数据覆盖任意工况X以及状态Y;
(2)针对两种传感器采集到的信号x,首先需要降采样,然后对其归一化处理,并将其转换为SDP图,每种工况生成n个样本,一共生成2×X×Y×n个样本数量,分别生成数字标签,得到2×X×Y个数据库;
(3)针对得到的每个工况下的不同传感器生成的数据库,对同一时间两种传感器的样本xi、xj进行融合,利用式(10)-(12)融合生成xij,此时每种工况共有n个样本,共生成X×Y×n个样本数量,分别生成数字标签,得到X×Y个数据库。
Gi=Reduce(Gi-1) (10)
可选地,所述基于元学习的小样本故障分类器的构建包含关系网络和ASPP模块。所述基于元学习的小样本故障分类器的训练步骤包括:
S1)在构建关系网络的Embedding模块和相关模块时,选择合适的卷积网络层,其中相关模块的最后一层为全连接层。支持集中的xa、查询集的xb同时输入特征提取模块,提取得到特征信息fφ(xa)、fφ(xb),将两个特征级联得到C(fφ(xa)、fφ(xb))。将C(fφ(xa)、fφ(xb))输入到相关模块利用式(13)计算得到两个样本的相关性得分。其中ra,b为xa、xb的相似性的关系分数,当xa、xb匹配时为1不匹配时为0。模型的优化函数为
ra,b=gφ(C(fφ(xa)、fφ(xb))) a,b=1,2,…,8 (13)
S2)ASPP模块是一个能够提取多尺度信息的模块,该模块使用具有不同采样率的多个并行空洞卷积层。将ASPP模块嵌入到关系网络的相关性计算模块,需要设置空洞卷积的数量和扩张率。
S3)针对模型训练,从3)的X×Y个数据库中随机抽取N个类别,每个类别随机抽取M张照片作为支持集,随机抽取B张照片作为查询集。设置M个任务数量。即每个任务共有N×(M+B)张图像。将M个任务输入到模型中,每个任务相当于一个小的分类任务,每个任务中的支持集相当于分类任务的训练集,每个任务中的查询集相当于分类任务的测试集。每个episode为M个任务训练模型,计算得到的分类标签与真实标签对比,得到查询集中图像的故障类别。不断优化式(15)并保存训练得到的元知识。
S4)针对模型测试,加载S3)中保存的元知识,从(3)中抽取与S3)不同类别的图像进行验证。任务数量与每个任务中支持集与测试集的图像数量与S2)的设置一样。此时,任务中的支持集用于模型的微调,查询集用于模型的验证,M个任务中累计预测正确的样本数量如式(15)所示,准确率的计算如式(16)所示。
可选地,步骤(1)中针对被诊断电机获取两种传感器的时域数据时,时域数据覆盖某一种传感器的多种安装位置。
此外,本发明还提供一种基于多传感器信息融合和元学习的永磁同步电机小样本退磁故障诊断方法系统,包括相互连接的微处理器和存储器,所述微处理器被编程或配置以执行前述基于多传感器信息融合和元学习的永磁同步电机小样本退磁故障诊断方法的步骤,或者所述存储器中存储有被编程或配置以执行前述基于多传感器信息融合和元学习的永磁同步电机小样本退磁故障诊断方法的计算机程序。
此外,本发明还提供一种计算机存储介质,所述计算机存储介质中存储有被编程或配置以执行前述基于多传感器信息融合和元学习的永磁同步电机小样本退磁故障诊断方法的计算机程序。
和现有技术相比,本发明具有下述优点:
1、本发明通过利用多传感器异构信息融合进行故障检测,与其他方法相比较,在不增加计算复杂度的前提下实现多源异构信息的融合,节约了网络训练资源,并具有较高的故障诊断模型泛化能力。
2、针对小样本下的电机退磁故障诊断,样本数量的限制导致模型训练难度大,准确率低,本发明提出一种基于ASPP改进的RN网络以解决上述问题。通过ASPP聚焦样本的多尺度信息,提升了小样本下永磁同步电机的故障诊断的稳定性和精度。
实施例四
如图2所示,本实施例一种基于多传感器信息融合和元学习的永磁同步电机小样本退磁故障诊断方法包括采集不同电机的振动和电流时域信号、处理采集得到的时域信号并转为灰度图像、图像融合、利用改进的元学习网络构建小样本故障分类器四部分。其中,本实施例的分类模型是改进后的RN,应当理解,改进后的RN网络是本发明最佳实例,但本发明不局限于此,在不脱离本发明构思的基础上,选择其他元学习网络模型也是可行的。
(1)获取不同故障电机的振动和电流信号
本实施例通过搭建电机故障实验平台,主要有故障电机、负载电机、扭矩测量仪、计算机系统、驱动器、放大滤波装置、数据高速采集卡、传感器等部分组成。在本实施例中,振动传感器、电流传感器的采样频率5KHz,本文共采集正常(NM)、局部退磁10%(Dg10%)、局部退磁30%(Dg30%)、局部退磁100%(Dg100%)、均匀退磁10%(UDg10%)五种不同类型电机,分别在1000r/min、1500r/min、2000r/min下0N、0-1.65N、1.65N、1.65N-2.39N、2.39N下的振动、电流信号,共计75种电机状态,需要说明的是,本数据是在上述工况下采集完成的,作为一种特定的方式举例实施,应当理解的是,本发明并不局限于永磁同步电机的上述工况,本发明可以拓展到不同工况下进行数据采集。本发明选择了五种不同的故障类型的永磁同步电机,应当理解的是,本发明可拓展到其他故障类型,包含上述的5种故障类型但不局限于此。
(2)处理采集得到的时域信号并转为灰度图像
对采集到的一维时序信号X通过式(17)归一化处理,并利用式(18)将时序信号投影到极坐标空间,选取合适的点数、设置合适的参数,生成一张呈对称样式的灰度SDP图。示意图如图3所示。
/>
(3)图像融合
S1)对生成的SDP图像进行融合,三个维度生成的SDP图像作为彩色图片的R、G、B三个通道,将其融合为一张彩色的图片。如图4所示。具体公式计算如下:
S2)在实现两种类型传感器信息融合的过程中,需要构建图像的高斯金字塔,将原始图像按照式(20)缩小得到一系列图像。
Gi=Reduce(Gi-1) (20)
利用式(21)构建图像的低通比金字塔,利用式(22)对两种源图像的低通比金字塔的每一层按照给定权重融合,得到融合后图像的低通比金字塔。并利用式(23)重构图像的高斯金字塔。自上而下,逐层重构最终得到G0,即两种不同类型传感器融合后的CSDP图像。如图4所示。
将不同工况,不同故障电机所有类别利用式(17)—式(20)生成两种不同类别传感器融合后的图像,每一类生成200个样本,作为元学习的数据库。
(4)改进的元学习网络构建小样本故障分类器
本发明首先设置实验验证(3)所述的图像融合的有效性,具体如下:
S1)选取表1所示的电机故障类型和工况作为本实验数据支持,值得注意的是,本发明并不局限于这一种工况。
表1数据集描述
S2)选取VGG-16分类器验证本实施例,VGG-16共有16层,包含多个3*3的小卷积核,是最为经典,应用最广泛的深度学习网络之一;方法运行50个epoch,选择Adam优化器,dropout取0.5,batchsize为32。
本实施例选取融合前后的SDP图和CSDP图作为对比,实验进行五次,五次结果取平均值并计算标准差,得到的结果如表2所示。
融合后的VGG-16故障诊断率为93.40±0.37%,相较于融合前振动、电流信号生成的CSDP图和LP图像融合分别提高了2.1%、30.5%、0.9%。因此本实施例提出的多源异构信息融合的方法得到了有效的验证。
S3)将ASPP模块添加到RN网络中,ASPP采用不同速率的空洞卷积来解决上述问题。通过引入不同的扩张率的深度可分离卷积和空洞卷积操作,进一步提取特征的多尺度信息,聚集特征的多尺度信息。ASPP的具体结构如图3所示。扩张率为2,每个卷积点之间均插入了一个空洞,卷积核大小仍为3×3,其感受野已经增加到7×7。
构建RN网络时,Embedding模块选择一个四层的卷积神经网络,用于提取支持集和查询集的特征,并将提取到的特征级联在一起。相关性模块选择一个两层的卷积层和两个全连接层,用于计算两个样本的度量距离,计算相关性分数。
在小样本中常见的实验设置为N-way,K-shot,指的是支持集的设置。N-way指的是N个类别,K-shot指的是每个类别下的有K个标记的数据。实验中的查询集的设置为10。本实施例共设置两个实验:
1)将1000r/min、1500r/min、2000r/min下的固定负载下的电机故障数据作为训练库,共45类,将变负载的数据作为测试库,共30类。在实验设置中,设置训练10000个episode,每隔500个episode对训练的模型进行测试,学习率为0.001。分别设置5way-1shot,5way-5shot,10way-1shot,三个实验任务,每个实验运行五次,结果取平均值并计算标准差。本实施例的结果与改进之前的RN网络作为对比,得到的结果如下表3:
表3负载不可知诊断结果
Methods | 5way-1shot | 5way-5shot | 10way-1shot |
RN | 95.32±0.41% | 98.10±0.11% | 89.32±0.30% |
RN-ASPP | 96.14±0.13% | 98.29±0.12% | 91.56±0.63% |
在面对负载变化时,在5way-1shot,5way-5shot,10way-1shot三个实验任务中,RN-ASPP的准确率分别为96.14±0.13%、98.29±0.12%、91.56±0.63%。比RN分别提高了0.82%、0.19%、2.24%。
2)为了进一步验证元学习对于不可见工况故障的适应性,我们设置了转速不可见的实验,即训练阶段的测试工况与测试阶段的转速工况不一致,将1000r/min、1500r/min下所有负载作为训练库,共计50类,将2000r/min下的负载作为验证库共计25类。实验结果如表4所示。
表4转速不可知诊断结果
在面对转速变化的情况下,在5way-1shot、5way-5shot、10way-1shot实验设置下,本实施例所提方法的准确率分别为72.77%、86.56%、58.02%,比RN分别提高了0.03%、1.49%、3.24%。
由上述结果可以看出,本实施例提出的方法比现有的方法具有更高的准确率,更低的方法,本实施例提出的方法得到了有效的验证。
3)获取待诊断的永磁同步电机的多维时域信号,重复上述(1)-(3)步骤得到融合后的CSDP图,输入到训练好的RN-ASPP网路中,得到故障识别结果
实施例五
本实施例提供一种基于上述实例所构建的诊断模型的系统,其包括:
信号采集模块,使用多种不同类型的传感器对故障电机的信号进行采集,采集到的信号为时域信号。通过降采样得到相同采样频率的多维传感器的时域信号。
图像转换模块,实现数据的归一化并将其生成SDP图;
图像融合模块,实现不同类型的多传感器信息融合,并构建元学习数据库;
故障诊断分类器构建模块,将融合后的CSDP图作为故障诊断分类器的输入,故障类别作为故障诊断分类器的输出,通过样本进行网络训练得到故障分类器;
诊断模块,用于利用构建的故障诊断分类器以及待诊断的故障电机进行故障诊断得到故障诊断结果。
实施例六
本实例还提供一种基于多传感器信息融合和元学习的永磁同步电机小样本退磁故障诊断系统,包括相互连接的微处理器和存储器,微处理器或CPU用来执行编程或执行所编写好的基于多传感器信息融合和元学习的永磁同步电机诊断方法步骤,或者存储器用于存储被编程或配置执行前述的基于多传感器信息融合和元学习的永磁同步电机诊断方法的计算机程序。
实施例七
本实施例采用一种基于多传感器信息融合和元学习的永磁同步电机小样本退磁故障诊断方法是一种多传感器异构信息融合的故障检测并利用RN-ASPP网络进行特征提取和故障识别的方法,多传感器异构信息融合可以有效地避免单一传感器数据无法全面反映电机故障的问题,使用ASPP能够聚焦样本的多尺度信息,提升信息获取的能力。
实施例八
本实例的永磁同步电机诊断平台包括:负载电机、驱动器、故障电机、传感器、放大及滤波器、数据采集板。振动传感器安装于电机外壳、非接触式交流磁传感器安装于永磁同步电机永磁体外壳中部,电流传感器安装于定子线圈,测量得到的信号经过放大和滤波器被数据采集卡采集传输计算机上用于电机的故障诊断。
为了更好地理解本发明,以上结合本发明的具体实施例做了详细描述,但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改,均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (9)
1.一种永磁同步电机小样本退磁故障诊断方法,包括获取不同故障电机的振动和电流信号,其特征在于,还包括以下步骤:
步骤1:处理采集得到的时域信号并转为灰度图像;
步骤2:进行图像融合,包括以下子步骤:
步骤21:构建图像的高斯金字塔,将原始图像缩小得到一系列图像;
步骤22:构建图像的低通比金字塔,对两种源图像的低通比金字塔的每一层按照给定权重融合,得到融合后图像的低通比金字塔,并重构图像的高斯金字塔;
步骤23:融合图像的低通比金字塔自上而下逐层重构最终得到G0,即两种不同类型传感器融合后的彩色对称点阵图;
步骤3:用改进的元学习网络构建小样本故障分类器,所述小样本故障分类器的训练步骤包括:
步骤31:将空洞空间卷积池化模块添加到关系网络中的特征提取模块和相关性模块中;
步骤32:将融合后的彩色对称点阵图作为不同的元学习训练集和测试集,分别得到训练任务和测试任务所对应的子任务集;
步骤33:从若干个子训练任务中随机抽取K个子任务,每个子任务均包含支持集和查询集;训练时将支持集中的xa、查询集的xb同时输入特征提取模块,提取得到特征信息fφ(xa)、fφ(xb),并将各样本对应的特征级联起来得到C(fφ(xa)、fφ(xb)),提取到的特征输入相关性模块,计算相关性得分,最后输出一个one-hot向量,所述相关性得分的计算公式为
ra,b=gφ(C(fφ(xa)、fφ(xb)))a,b=1,2,…,8
其中,ra,b为xa、xb的相似性的关系分数,当xa、xb匹配时ra,b=1,当xa、xb不匹配时ra,b=0,gφ为相关性计算函数;
在训练模型中,误差函数选择为均方差误差,公式为
式中,φ为元学习优化参数,a为支持集中的第a个样本,b为查询集中的第b个样本,M为支持集的样本数量,B为查询集的样本数量;
步骤34:保存训练阶段得到的元知识;在测试任务中,继承训练阶段得到的元知识,从测试任务中随机抽取K个子任务,子任务中的支持集用于对模型微调,子任务中的测试集用于验证模型的有效性。
2.如权利要求1所述的永磁同步电机小样本退磁故障诊断方法,其特征在于,所述步骤1包括将采集到的两种不同类型的传感器数据归一化处理,并利用对称点阵图生成灰度图像,将两种传感器的三个通道生成灰度图像作为彩色图像的R、G、B三个通道,分别生成两种类型传感器彩色对称点阵图。
3.如权利要求2所述的永磁同步电机小样本退磁故障诊断方法,其特征在于,所述步骤1包括以下子步骤:
步骤11:对采集到的一维时序信号X进行归一化处理,将时序信号投影到极坐标空间;
步骤12:选取合适的点数、设置合适的参数,生成一张呈对称样式的灰度SDP图;
步骤13:将不同通道得到的SDP图作为彩色图片的三个通道生成彩色的SDP图。
4.如权利要求3所述的永磁同步电机小样本退磁故障诊断方法,其特征在于,所述归一化处理的公式为
其中,x为一维时序数据点,xmin为采样序列X的最小值,xmax为采样序列X的最大值。
5.如权利要求4所述的永磁同步电机小样本退磁故障诊断方法,其特征在于,所述投影的公式为
其中,r(i)为归一化后的时序数据点,x(i)为第i个原始时序数据点,θ(i)为极坐标逆时针旋转的角度,为极坐标顺时针旋转的角度,g为放大因子,l为滞后参数,θ为镜像对称平面旋转角,在生成SDP图的过程中,有三个参数需要调整,合适的放大因子、滞后参数、镜像对称平面旋转角会使生成的SDP图呈现对称,且相邻悬臂之间不会出现重叠。
6.如权利要求5所述的永磁同步电机小样本退磁故障诊断方法,其特征在于,所述彩色的SDP图的生成方法为
I[:,:,1]=R
I[:,:,2]=G
I[:,:,3]=B
其中,I为生成的彩色图像。
7.如权利要求6所述的永磁同步电机小样本退磁故障诊断方法,其特征在于,所述步骤2包括利用低通比金字塔图像融合方式,将两种不同类型的传感器的视觉图像融合生成新的视觉图像。
8.一种计算机存储介质,所述计算机存储介质中存储有计算机程序,其特征在于,所述计算机程序用于实现如权利要求1所述的永磁同步电机小样本退磁故障诊断方法。
9.一种永磁同步电机小样本退磁故障诊断系统,包括相互连接的微处理器,其特征在于,
还包括如权利要求8所述的计算机存储介质,
所述微处理器用于执行如权利要求1所述的永磁同步电机小样本退磁故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310663690.8A CN116597167B (zh) | 2023-06-06 | 2023-06-06 | 一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310663690.8A CN116597167B (zh) | 2023-06-06 | 2023-06-06 | 一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116597167A CN116597167A (zh) | 2023-08-15 |
CN116597167B true CN116597167B (zh) | 2024-02-27 |
Family
ID=87589862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310663690.8A Active CN116597167B (zh) | 2023-06-06 | 2023-06-06 | 一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116597167B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493946A (zh) * | 2023-12-29 | 2024-02-02 | 浪潮软件科技有限公司 | 一种基于vgg网络的小样本示功图诊断方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102032242A (zh) * | 2010-12-14 | 2011-04-27 | 西安建筑科技大学 | 基于电参量信息融合的液压系统运行状态在线监测方法 |
CN103827683A (zh) * | 2011-09-30 | 2014-05-28 | Abb技术有限公司 | 确定用于机电系统诊断的平稳信号的方法 |
CN111259905A (zh) * | 2020-01-17 | 2020-06-09 | 山西大学 | 一种基于下采样的特征融合遥感图像语义分割方法 |
CN111476249A (zh) * | 2020-03-20 | 2020-07-31 | 华东师范大学 | 多尺度大感受野卷积神经网络的构建方法 |
CN111488978A (zh) * | 2019-01-25 | 2020-08-04 | 斯特拉德视觉公司 | 为了元学习用于调整残差网络的方法及装置 |
CN112036301A (zh) * | 2020-08-31 | 2020-12-04 | 中国矿业大学 | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 |
CN112052796A (zh) * | 2020-09-07 | 2020-12-08 | 电子科技大学 | 一种基于深度学习的永磁同步电机故障诊断方法 |
CN113111820A (zh) * | 2021-04-21 | 2021-07-13 | 北京科技大学 | 基于改进cnn与关系模块的旋转部件故障诊断方法及其装置 |
CN114254674A (zh) * | 2021-12-16 | 2022-03-29 | 湖南大学 | 基于半监督分类器的永磁同步电机退磁故障诊断方法及系统 |
CN114264953A (zh) * | 2021-12-01 | 2022-04-01 | 珠海格力电器股份有限公司 | 一种永磁同步电机退磁故障诊断方法和系统以及诊断装置 |
CN114358077A (zh) * | 2021-12-31 | 2022-04-15 | 湖南大学 | 一种永磁同步电机退磁故障诊断模型构建方法及故障诊断方法和系统 |
CN114881071A (zh) * | 2022-04-14 | 2022-08-09 | 华北电力大学(保定) | 基于多源信息的同步电机转子绕组匝间短路故障诊断方法 |
CN115051925A (zh) * | 2021-06-18 | 2022-09-13 | 北京邮电大学 | 一种基于迁移学习的时空序列预测方法 |
CN115272692A (zh) * | 2022-06-27 | 2022-11-01 | 华南理工大学 | 基于特征金字塔和特征融合的小样本图像分类方法及系统 |
CN115393368A (zh) * | 2022-08-30 | 2022-11-25 | 西安建筑科技大学 | 基于元学习的聚落选址环境模式鉴别方法、系统、设备及介质 |
-
2023
- 2023-06-06 CN CN202310663690.8A patent/CN116597167B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102032242A (zh) * | 2010-12-14 | 2011-04-27 | 西安建筑科技大学 | 基于电参量信息融合的液压系统运行状态在线监测方法 |
CN103827683A (zh) * | 2011-09-30 | 2014-05-28 | Abb技术有限公司 | 确定用于机电系统诊断的平稳信号的方法 |
CN111488978A (zh) * | 2019-01-25 | 2020-08-04 | 斯特拉德视觉公司 | 为了元学习用于调整残差网络的方法及装置 |
CN111259905A (zh) * | 2020-01-17 | 2020-06-09 | 山西大学 | 一种基于下采样的特征融合遥感图像语义分割方法 |
CN111476249A (zh) * | 2020-03-20 | 2020-07-31 | 华东师范大学 | 多尺度大感受野卷积神经网络的构建方法 |
CN112036301A (zh) * | 2020-08-31 | 2020-12-04 | 中国矿业大学 | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 |
CN112052796A (zh) * | 2020-09-07 | 2020-12-08 | 电子科技大学 | 一种基于深度学习的永磁同步电机故障诊断方法 |
CN113111820A (zh) * | 2021-04-21 | 2021-07-13 | 北京科技大学 | 基于改进cnn与关系模块的旋转部件故障诊断方法及其装置 |
CN115051925A (zh) * | 2021-06-18 | 2022-09-13 | 北京邮电大学 | 一种基于迁移学习的时空序列预测方法 |
CN114264953A (zh) * | 2021-12-01 | 2022-04-01 | 珠海格力电器股份有限公司 | 一种永磁同步电机退磁故障诊断方法和系统以及诊断装置 |
CN114254674A (zh) * | 2021-12-16 | 2022-03-29 | 湖南大学 | 基于半监督分类器的永磁同步电机退磁故障诊断方法及系统 |
CN114358077A (zh) * | 2021-12-31 | 2022-04-15 | 湖南大学 | 一种永磁同步电机退磁故障诊断模型构建方法及故障诊断方法和系统 |
CN114881071A (zh) * | 2022-04-14 | 2022-08-09 | 华北电力大学(保定) | 基于多源信息的同步电机转子绕组匝间短路故障诊断方法 |
CN115272692A (zh) * | 2022-06-27 | 2022-11-01 | 华南理工大学 | 基于特征金字塔和特征融合的小样本图像分类方法及系统 |
CN115393368A (zh) * | 2022-08-30 | 2022-11-25 | 西安建筑科技大学 | 基于元学习的聚落选址环境模式鉴别方法、系统、设备及介质 |
Non-Patent Citations (3)
Title |
---|
Optimization of a Multi-Type PMSM Based on Pyramid Neural Network;Liu X, et al;Applied Sciences;第1-17页 * |
神经网络在时间序列与时空序列流量预测中的应用与研究;田楚杰;北京邮电大学;第1-112页 * |
高速列车轴箱轴承故障诊断方法研究;徐德昊;燕山大学;第1-75页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116597167A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A new intelligent bearing fault diagnosis method using SDP representation and SE-CNN | |
Sun et al. | Convolutional discriminative feature learning for induction motor fault diagnosis | |
Yin et al. | Wasserstein generative adversarial network and convolutional neural network (WG-CNN) for bearing fault diagnosis | |
WO2018112900A1 (zh) | 一种车牌识别方法及装置、用户设备 | |
CN112926641B (zh) | 基于多模态数据的三阶段特征融合旋转机械故障诊断方法 | |
CN111127316B (zh) | 一种基于sngan网络的单幅人脸图像超分辨方法及系统 | |
CN116597167B (zh) | 一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统 | |
CN113420837B (zh) | 基于多源压缩感知的故障诊断方法 | |
CN110657984A (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
Wang et al. | An efficient incremental learning of bearing fault imbalanced data set via filter StyleGAN | |
Li et al. | A new intelligent fault diagnosis method of rotating machinery under varying-speed conditions using infrared thermography | |
CN115962946A (zh) | 基于改进WGAN-GP和Alxnet的轴承故障诊断方法 | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
CN116502175A (zh) | 一种图神经网络故障诊断方法、装置和存储介质 | |
Zheng et al. | A new fault diagnosis method for planetary gear based on image feature extraction and bag-of-words model | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
Tian et al. | Compound Fault Diagnosis of Stator Interturn Short Circuit and Air Gap Eccentricity Based on Random Forest and XGBoost | |
Yang et al. | Few-shot learning for rolling bearing fault diagnosis via siamese two-dimensional convolutional neural network | |
CN110929761A (zh) | 智能系统安全体系态势感知构架中采集样本的平衡方法 | |
Li et al. | A novel feature extraction method based on discriminative graph regularized autoencoder for fault diagnosis | |
CN112541524B (zh) | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 | |
Han et al. | A Novel Domain Adaptive Fault Diagnosis Method for Bearings Based on Unbalance Data Generation | |
Liu et al. | A multisensory time-frequency features fusion method for rotating machinery fault diagnosis under nonstationary case |
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 |