CN117150377B - 基于全自主动机偏移的电机故障诊断阶梯式学习方法 - Google Patents
基于全自主动机偏移的电机故障诊断阶梯式学习方法 Download PDFInfo
- Publication number
- CN117150377B CN117150377B CN202311439543.9A CN202311439543A CN117150377B CN 117150377 B CN117150377 B CN 117150377B CN 202311439543 A CN202311439543 A CN 202311439543A CN 117150377 B CN117150377 B CN 117150377B
- Authority
- CN
- China
- Prior art keywords
- fault
- sample
- motor
- training
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003745 diagnosis Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 84
- 239000013598 vector Substances 0.000 claims abstract description 43
- 230000008450 motivation Effects 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 23
- 230000036541 health Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000003862 health status Effects 0.000 description 10
- 238000002474 experimental method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013140 knowledge distillation Methods 0.000 description 1
- 230000007786 learning performance Effects 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
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000007704 transition Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Control Of Electric Motors In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及电机故障诊断技术领域，具体涉及一种基于全自主动机偏移的电机故障诊断阶梯式学习方法，包括多个学习阶段；在训练初始，收集电机的基础故障数据集样本，对特征提取器模型和故障分类器模型进行训练；将初始训练后的样本特征向量分为典型样本和非典型样本，对构造好的新型故障检测器模型进行训练，以识别新型故障；识别出新型故障后，进入高阶学习阶段；在动机偏移损失的指导下，利用带有新型故障的新训练数据集样本对上一学习阶段训练后的特征提取器模型和故障分类器模型进行训练；训练完成后，进入到下一学习阶段。本发明可自主地判别数据中是否出现新型故障，还在出现新故障时，对原有模型进行阶梯式学习，提高模型的诊断精度。
Description
技术领域
本发明涉及电机故障诊断技术领域，更具体的说是涉及一种基于全自主动机偏移的电机故障诊断阶梯式学习方法。
背景技术
电机是现代工业中不可或缺的驱动设备，为了满足不同领域的需求，电机结构设计得越来越复杂，发生故障的概率也在逐渐增大，而电机一旦发生故障将导致系统停运甚至出现人员伤亡。近年来，随着深度学习技术的进步，不少研究人员将深度学习技术运用到电机故障诊断领域中，这不仅降低了人工成本，也极大地提升了诊断精度。但是传统的深度学习诊断模型只能检测出在训练过程中已出现的故障类型。对于新型故障，即对于训练过程中未出现的故障类型，诊断模型则无法给出相应的诊断结果。由于电机的部件繁多、型号各异，导致电机故障的种类也各不相同，这表明在电机运行过程出现新型故障是一种十分常见的现象。
在传统的故障诊断方法中，需要依靠人工来识别是否有新型故障的出现，这依赖于专家的经验，且容易出现错误的判断。而针对新型故障的出现，一种传统的方法是使用已知故障类型数据和新型故障数据一起重新训练，从而模型能够识别完整的故障类型，然而这种方法需要耗费大量的资源和时间成本。另一种传统方法是在用已知故障数据训练后模型的基础上，使用新型数据再对其进行训练，从而让模型能够学习到新型故障，可是新型故障的加入会严重干扰模型对已知故障类型的识别效果，这大大降低了模型的诊断精度。
发明内容
有鉴于此，本发明提供了一种基于全自主动机偏移的电机故障诊断阶梯式学习方法，可自主地判别数据中是否出现新型故障，还在出现新故障时，对原有模型进行阶梯式学习，提高模型的诊断精度。
为了实现上述目的，本发明采用如下技术方案：
一种基于全自主动机偏移的电机故障诊断阶梯式学习方法，包括多个学习阶段；
在训练初始，进入低阶学习阶段，收集电机的基础故障数据集样本，对构造好的特征提取器模型和故障分类器模型进行初始训练；
将初始训练后的特征提取器模型所提取的样本特征向量分为典型样本和非典型样本，对构造好的新型故障检测器模型进行训练；训练过程中，计算某一非典型样本的特征向量和所有典型样本的特征向量间的相似度，若该非典型样本与所有典型样本间的相似度均低于阈值，则说明出现了新型故障，进入高阶学习阶段；
在高阶学习阶段，获取新一批的电机故障数据集，与当前检测的新型故障和典型样本结合，组成新的训练数据集样本；
构造动机偏移损失，在动机偏移损失的指导下，利用新的训练数据集样本对上一学习阶段训练后的特征提取器模型和故障分类器模型进行训练；
将当前高阶学习阶段训练后的特征提取器模型所提取的样本特征向量分为典型样本和非典型样本，对新型故障检测器模型进行再次训练，若检测到新型故障，则进入到下一高阶学习阶段。
进一步的，新型故障检测器模型由全连接层和二元指示器组成，对新型故障检测器模型进行训练的过程包括：
从初始训练后的特征提取器模型所提取的样本特征向量中选取少量已知健康状态类别的样本，作为典型样本，将剩余样本作为非典型样本；
将典型样本的特征向量保存到新型故障检测器模型中，输入非典型样本的特征向量，在每个健康状态类别下，计算某一非典型样本与所有典型样本间的余弦距离，构造距离矩阵；
将所得距离矩阵输入到全连接层中，得到概率值，概率值越大，表示两个样本越相似，属于同一健康状态类别的概率越大；
将得到的概率值输入二元指示器，并设定一个相似度阈值，若两个样本之间的概率值超过了该相似度阈值，则说明没有出现新故障，否则，说明出现了新故障。
进一步的，典型样本记为，非典型样本记为/>；其中，/>表示所选取典型样本的数量，/>表示非典型样本的数量，/>表示典型样本中的原始电机故障数据，/>表示非典型样本中的原始电机故障数据，/>表示典型样本经过特征提取后的特征向量，/>表示非典型样本经过特征提取后的特征向量。
进一步的，某一非典型样本与典型样本间的距离公式为：
；
其中，表示第o个非典型样本与第f类健康状态典型样本间的余弦距离。
进一步的，特征提取器模型包括：输入层、批量归一化层、多链卷积层、全连接层、压平层和输出层；故障分类器模型包括：全连接层和归一化指数函数。
进一步的，特征提取器模型包括：输入层、批量归一化层、多链卷积层、全连接层、压平层和输出层；故障分类器模型包括：全连接层和归一化指数函数。
进一步的，高阶学习阶段包括：
将新的训练数据集样本输入到上一学习阶段训练后的特征提取器模型中，得到样本的输出特征向量；
根据输出特征向量，得到上一学习阶段故障分类器模型预测该样本的属于每一类健康状态的概率值，将该概率值称为故障特征的动机，/>对应的是对第c类故障特征动机；
根据故障特征的动机，求得样本故障特征对于动机偏向的排名/>；
构造动机偏移损失，惩罚样本之间动机偏向的排名差异，以此来将已知故障的特征动机延续到高阶学习阶段中；
基于动机偏移损失构造损失函数，并确定进行训练的优化目标，对上一学习阶段训练后的特征提取器模型和故障分类器模型的训练参数进行优化。
进一步的，动机偏向的排名的计算公式为：
其中，表示一个无穷大的实数，/>表示第0阶段所含故障类别的数量，/>表示第1阶段所含故障类别的数量；n表示求和变量，取值范围从1到/>；djlb表示第lb类的故障特征动机，djn表示第n类的故障特征动机。
进一步的，动机偏移损失的表达式为：
其中，表示该样本在第0阶段中对于第i类故障的动机偏向排名，/>表示该样本在第1阶段中对于第i类故障的动机偏向排名。
进一步的，训练的优化目标为：
其中，为损失函数，由动机偏移损失和交叉熵损失两部分组成，具体表达式为：
其中，和/>分别为动机偏移损失和交叉熵损失，/>为动机偏移损失的权重。
进一步的，对上一学习阶段训练后的特征提取器模型和故障分类器模型的训练参数进行优化的过程包括：
初始化当前阶段特征提取器模型和故障分类器模型的训练参数和/>，设置损失函数/>，迭代函数/>和学习率/>；
利用网络的前向传播来计算网络的输出，将新的训练数据集样本的原始输入向量通过多层的多链卷积网络进行逐层信息传递，多层卷积之后转换到特征向量/>；
根据前向传播的结果求损失函数；
基于梯度下降算法更新和/>；
迭代次数达到后，得到本阶段训练后的特征提取器模型和故障分类器模型。
经由上述的技术方案可知，与现有技术相比，本发明具有以下有益效果：
首先，本发明构造了一种新型故障自主检测器模型，能够应对故障数据的动态变化，自主地识别新型故障的发生，从而避免了依赖人工来识别新型故障。
其次，本发明还构造了灵活的动机偏移损失，该损失策略可以充分利用已积累样本中的知识，并巧妙地将这些知识过渡到新一阶段，实现阶梯式学习。当网络进入新一阶段学习时，可以有效地减缓已知故障对新型故障的干扰，使网络能够更加灵活地学习到新型故障，从而使网络具备更均衡的可塑性和稳定性，拥有更高的诊断准确率。
最后，本发明采用阶梯式学习体系，使模型诊断的过程按阶段进行，使诊断模型不再局限于对已知故障的诊断，从而更加适应工业生产中连续多样式的诊断任务。
总的来说，新型故障自主检测器通过计算检测样本与已知故障样本的相似度，来自主地判别是否出现了新型故障。在检测到新型故障的情况下，诊断模型需要过渡到下一阶段，采用动机偏移损失函数，以惩罚样本之间动机偏向的排名差异，这样模型就能充分利用先前阶段所积累的样本知识，并留有足够的空间来学习新型故障，从而使模型能够在保持对旧故障类别诊断能力的同时也能灵活地对新型故障进行诊断。本发明提升了模型在故障数据多元化场景下的故障诊断性能，它能够高精度、高实时性实现连续的故障诊断，为实际的电机故障诊断场景提供了一种灵活的解决方案，对于提升电机的工作效率和保障设备的安全性至关重要。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明提供的基于全自主动机偏移的电机故障诊断阶梯式学习方法流程图；
图2为本发明提供的阶梯式学习体系流程图；
图3为本发明提供的自主动机偏移策略的网络结构示意图；
图4为本发明方法与现有阶梯式学习方法的学习性能对比示意图。
具体实施方式
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-图3所示，本发明实施例公开了一种基于全自主动机偏移的电机故障诊断阶梯式学习方法，包括多个学习阶段，多个学习阶段中包含一个低阶学习阶段和多个高阶学习阶段；
在训练初始，进入低阶学习阶段，收集电机的基础故障数据集样本，对构造好的特征提取器模型和故障分类器模型进行初始训练；
将初始训练后的特征提取器模型所提取的样本特征向量分为典型样本和非典型样本，对构造好的新型故障检测器模型进行训练；训练过程中，计算某一非典型样本的特征向量和所有典型样本的特征向量间的相似度，若该非典型样本与所有典型样本间的相似度均低于阈值，则说明出现了新型故障，进入高阶学习阶段；
在高阶学习阶段，获取新一批的电机故障数据集，与当前检测的新型故障和典型样本结合，组成新的训练数据集样本；
构造动机偏移损失，在动机偏移损失的指导下，利用新的训练数据集样本对上一学习阶段训练后的特征提取器模型和故障分类器模型进行训练；
将当前高阶学习阶段训练后的特征提取器模型所提取的样本特征向量分为典型样本和非典型样本，对新型故障检测器模型进行再次训练，若检测到新型故障，则进入到下一高阶学习阶段。
下面，对本发明上述各步骤做进一步的说明。
一、低阶学习阶段，记为阶段0。
首先，收集电机的基础故障数据集，其中，/>表示传感器所获取的电机数据样本，/>表示所对应的电机健康状态标签，/>，/>表示低阶学习阶段的电机健康状态标签集合，/>表示/>所包含的样本个数。
之后，构造特征提取器模型和故障分类器模型。
特征提取器模型表示为，包括：输入层、批量归一化层、多链卷积层、全连接层、压平层和输出层。其中，/>是/>中可训练参数。
故障分类器模型表示为，包括：全连接层和归一化指数函数。其中，为/>中可训练参数，模型由全连接层和归一化指数函数组成，输出结果/>中元素个数对应健康状态类型数量，每个元素的值表示模型预测该样本所属健康状态的概率。
之后，设置损失函数，迭代次数/>，学习率/>，训练批次/>，利用原始电机故障数据集/>，对特征提取器模型和故障分类器模型可训练参数进行初始训练。
其中，选择的是多分类交叉熵函数，其表达式如下所示：
其中，是当前样本的健康状态标签，/>是向量/>中第/>个元素，表示分类器输出的第/>类健康状态的预测概率，/>表示低阶学习阶段样本健康状态标签的真实值。
具体来说，对特征提取器模型和故障分类器模型的训练参数进行优化的过程为：
1）输入训练集，构建带有可训练参数/>的特征提取网络/>以及带有可训练参数/>的分类器网络/>，损失函数/>，迭代函数/>，学习率/>。
2）初始化和/>。
3）利用网络的前向传播来计算网络的输出，具体地，将样本的原始输入向量通过多层的多链卷积网络进行逐层信息传递，从而转换到更有效的特征向量/>，实现特征的抽取。
4）根据前向传播的结果求损失函数。
5）利用反向传播算法进行参数的学习，具体地，基于梯度下降算法更新和/>如下所示：
6）重复3）-5）直到迭代次数达到。
7）得到训练完成的模型和/>，其中优化后的可训练参数为/>和/>。
对特征提取器模型和故障分类器模型训练完成之后，对新型故障检测器进行训练。具体训练的过程包括：
1）从初始训练后的特征提取器模型所提取的样本特征向量中选取少量已知健康状态类别的样本，作为典型样本，将剩余样本作为非典型样本；其中，/>表示所选取典型样本的数量，/>表示非典型样本的数量，/>表示典型样本中的原始电机故障数据，/>表示非典型样本中的原始电机故障数据，/>表示典型样本经过特征提取后的特征向量，/>表示非典型样本经过特征提取后的特征向量。特征计算过程如下：
2）构造的新型故障检测器模型表示为，其中，/>为样本特征向量和/>的集合，/>为新型故障自主检测器模型可训练的参数，其结构由全连接层和二元指示器组成。
3）对新型故障检测器进行训练，在训练过程，首先计算两个特征（非典型样本和典型样本）之间的余弦距离，其次将距离矩阵加上一个全连接层，根据的输出结果来度量两个样本的相似度，若某个非典型样本与所有典型样本相似度都较低则说明出现了新型故障。具体为：
3.1）将典型样本的特征向量保存到新型故障检测器模型中，输入非典型样本的特征向量，在每个健康状态类别下，计算某一非典型样本与所有典型样本间的余弦距离，构造距离矩阵；某一非典型样本与典型样本间的距离公式为：
；
其中，表示第o个非典型样本与第f类健康状态典型样本间的余弦距离。
3.2）将所得距离矩阵输入到带有sigmoid激活函数的全连接层中，得到概率值，代表两个样本之间的相似度，概率值越大，表示两个样本越相似，属于同一健康状态类别的概率越大，计算如下：
其中，FC表示一个全连接层。
3.3）将得到的概率值输入二元指示器，并设定一个相似度阈值，若两个样本之间的概率值超过了该相似度阈值，则说明没有出现新故障，否则，说明出现了新故障。二元指示器为：
其中，a,b为求和变量，a的取值范围从0到f，b的取值范围从0到o；为二元指示器，为设置的阈值，/>为指示函数，若括号中/>为真，则取值为1。
3.4）对新型故障自主检测器模型中可训练参数进行优化，得到训练完成的模型，其中，优化后的可训练参数为/>。
二、若新型故障自主检测器中检测到了有新型故障的出现，网络则进入到高阶学习阶段，记作阶段1。获取新一批的电机故障数据集，与检测出的新型故障数据组合，得到具有新型故障的电机故障数据集，其中，/>表示传感器所获取的电机数据样本，/>表示所对应的电机健康状态标签，/>，/>表示新表征学习阶段1的电机健康状态标签集合，且/>，/>表示/>所包含的样本个数。然后，将新获取的电机故障数据集/>与典型样本/>结合，组成新表征的训练数据集样本，共同用于特征提取器/>与故障分类器/>的训练。在高阶学习阶段采取特征动机偏移策略，通过构造一种新颖的偏移损失函数，充分挖掘已知故障的特征动机并将其延续到高阶学习阶段，从而有效减缓模型学习新型故障过程中已知故障对其产生的干扰，使模型能够灵活地学习到新型故障，具体包括：
1）将新的训练数据集样本输入到上一学习阶段训练后的特征提取器模型中，得到样本的输出特征向量；
根据输出特征向量，得到上一学习阶段故障分类器模型预测该样本的属于每一类健康状态的概率值，将该概率值称为故障特征的动机，/>对应的是对第c类故障特征动机；
2）根据故障特征的动机，求得样本故障特征对于动机偏向的排名/>；动机偏向的排名/>的计算公式为：
其中，表示一个无穷大的实数，/>表示第0阶段所含故障类别的数量，/>表示第1阶段所含故障类别的数量；n表示求和变量，取值范围从1到/>；djlb表示第lb类的故障特征动机，djn表示第n类的故障特征动机。
3）构造动机偏移损失，惩罚样本之间动机偏向的排名差异，以此来将已知故障的特征动机延续到高阶学习阶段中；动机偏移损失/>的表达式为：
其中，表示该样本在第0阶段中对于第i类故障的动机偏向排名，/>表示该样本在第1阶段中对于第i类故障的动机偏向排名。
4）基于动机偏移损失构造损失函数，设置训练代数/>，学习率/>，训练批次/>，并确定进行训练的优化目标，对上一学习阶段训练后的特征提取器模型和故障分类器模型的训练参数进行优化。
训练的优化目标为：
其中，为损失函数，由动机偏移损失和交叉熵损失两部分组成，具体表达式为：
其中，和/>分别为动机偏移损失和交叉熵损失，/>为动机偏移损失的权重。
交叉熵损失计算为：
为当前样本的健康状态标签，bs为训练批次，/>为向量/>中第/>个元素，/>为低阶学习阶段故障分类器模型的输出值，/>表示低阶学习阶段样本健康状态标签的真实值。
对上一学习阶段训练后的特征提取器模型和故障分类器模型的训练参数的具体优化流程为：
4.1）输入训练集，构建带有可训练参数/>的特征提取网络/>以及带有可训练参数/>的分类器网络/>，设置损失函数/>，迭代函数/>，学习率/>。
4.2）初始化当前阶段特征提取器模型和故障分类器模型的训练参数和/>。
4.3）利用网络的前向传播来计算网络的输出，将新的训练数据集样本的原始输入向量通过多层的多链卷积网络进行逐层信息传递，第一层传递过程由如下公式描述：
其中，表示第一层多链网络的输出张量，/>表示激活函数，/>表示不同链长的卷积链，/>表示每条链所对应的动态权值。
多层卷积之后转换到更有效的特征向量，实现特征的抽取。
4.4）根据前向传播的结果求损失函数。
4.5）利用反向传播算法进行参数的学习，具体基于梯度下降算法更新和/>，如下所示：
4.6）重复4.3）-4.5），迭代次数达到后，得到本阶段训练后的特征提取器模型和故障分类器模型/>，其中优化后的可训练参数为/>和/>。
本阶段将特征提取器模型和故障分类器模型训练完成之后，同样地，以一定的方式选取每种已知健康类型的典型样本和非典型样本，用于再次训练新型故障自主检测器模型。若新型故障自主检测器模型中检测到了有新型故障的出现，则网络进入到下一高阶学习阶段。
之后网络处于高阶学习阶段，随着时间的推移，电机的数据在不断更新，模型在逐渐积累先前阶段学习到的知识。当新型故障出现时，自主检测器模型就会检测到该故障的发生，使模型进入到新一学习阶段，并将已积累的知识通过动机偏移策略过渡新一阶段，实现阶梯式学习，详细方法同二。
下面，以三相电机故障诊断为案例，从三相电机的实验台上收集了电机在各种健康状态下的多通道信号数据，以此来证实本发明方法的实用性。
本实施例所使用的实验台利用变频器来控制交流电机的转速，而电涡流制动器则用于向电机施加转矩，这样可以模拟出三相电机在不同工况下的运行情况。多传感器融合技术来实现电机各部分的实时监测，通过多个无线收发模块将采集到的信息传送给上位机，再由计算机完成数据分析处理和结果输出，在电机驱动端和风扇端分别采集了三轴加速度信号和三相电流信号，共包含9个通道传感数据。实验共考虑了11种电机健康状态，包括正常状态、内圈故障、外圈故障、滚动体故障、保持架故障、永磁体退磁故障、转子弯曲、转子断条、气隙偏心故障、电压不平衡和短路。每种健康状态包括1000个样本，每个样本包括2048个采样点。在此基础上，根据轴承故障、转子故障和电气故障将数据集划分为七个阶段，每个阶段的数据以1：1的比例进行训练和测试。对于每阶段的训练集，包括先前阶段训练数据采样得到的少量典型样本和当前阶段训练数据，对于测试集，包括先前阶段和当前阶段的全部测试数据。
实验将本发明提出的方法与四种现有阶梯式学习方法进行了对比，具体的四种方法为基于正则化方法、基于回放方法、基于知识蒸馏方法和基于参数隔离方法，网络基本结构见表1，训练相关参数见表2。实验结果被汇总于图4。
表1. 网络基本结构汇总表
表2. 训练相关参数汇总表
通过实验结果可以看出，每当有新型故障出现时，本发明方法始终比其他方法具有最高的诊断准确性。这是因为新型故障自主检测器能够自主快速地判别数据中是否出现新型故障，同时采用动机偏移策略，使网络能灵活地学习新型故障，从而在电机故障诊断中能够更好地平衡可塑性和稳定性，这提升了模型学习能力上限。上述实验结果证明了本发明方法的优越性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于全自主动机偏移的电机故障诊断阶梯式学习方法，其特征在于，包括如下学习阶段：
在训练初始，进入低阶学习阶段，收集电机的基础故障数据集样本，对构造好的特征提取器模型和故障分类器模型进行初始训练；
将初始训练后的特征提取器模型所提取的样本特征向量分为典型样本和非典型样本，对构造好的新型故障检测器模型进行训练；训练过程中，计算某一非典型样本的特征向量和所有典型样本的特征向量间的相似度，若该非典型样本与所有典型样本间的相似度均低于阈值，则说明出现了新型故障，进入高阶学习阶段；
在高阶学习阶段，获取新一批的电机故障数据集，与当前检测的新型故障和典型样本结合，组成新的训练数据集样本；
构造动机偏移损失，在动机偏移损失的指导下，利用新的训练数据集样本对上一学习阶段训练后的特征提取器模型和故障分类器模型进行训练；
将当前高阶学习阶段训练后的特征提取器模型所提取的样本特征向量分为典型样本和非典型样本，对新型故障检测器模型进行再次训练，若检测到新型故障，则进入到下一高阶学习阶段；
新型故障检测器模型由全连接层和二元指示器组成，对新型故障检测器模型进行训练的过程包括：
从初始训练后的特征提取器模型所提取的样本特征向量中选取部分已知健康状态类别的样本，作为典型样本，将剩余样本作为非典型样本；
将典型样本的特征向量保存到新型故障检测器模型中，输入非典型样本的特征向量，在每个健康状态类别下，计算某一非典型样本与所有典型样本间的余弦距离，构造距离矩阵；
将所得距离矩阵输入到全连接层中，得到概率值，概率值越大，表示两个样本越相似，属于同一健康状态类别的概率越大；
将得到的概率值输入二元指示器，并设定一个相似度阈值，若两个样本之间的概率值超过了该相似度阈值，则说明没有出现新故障，否则，说明出现了新故障。
2.根据权利要求1所述的基于全自主动机偏移的电机故障诊断阶梯式学习方法，其特征在于，典型样本记为非典型样本记为/>其中，n'0表示所选取典型样本的数量，m'0表示非典型样本的数量，Xi'0表示典型样本中的原始电机故障数据，/>表示非典型样本中的原始电机故障数据，/>表示典型样本经过特征提取后的特征向量，/>表示非典型样本经过特征提取后的特征向量。
3.根据权利要求2所述的基于全自主动机偏移的电机故障诊断阶梯式学习方法，其特征在于，某一非典型样本与典型样本间的距离公式为：
其中，表示第o个非典型样本与第f类健康状态典型样本间的余弦距离。
4.根据权利要求1所述的基于全自主动机偏移的电机故障诊断阶梯式学习方法，其特征在于，特征提取器模型包括：输入层、批量归一化层、多链卷积层、全连接层、压平层和输出层；故障分类器模型包括：全连接层和归一化指数函数。
5.根据权利要求1所述的基于全自主动机偏移的电机故障诊断阶梯式学习方法，其特征在于，高阶学习阶段包括：
将新的训练数据集样本输入到上一学习阶段训练后的特征提取器模型中，得到样本的输出特征向量；
根据输出特征向量，得到上一学习阶段故障分类器模型预测该样本的属于每一类健康状态的概率值，将该概率值称为故障特征的动机djc，djc对应的是对第c类故障特征动机；
根据故障特征的动机djc，求得样本故障特征对于动机偏向的排名Rlb；
构造动机偏移损失惩罚样本之间动机偏向的排名差异，以此来将已知故障的特征动机延续到高阶学习阶段中；
基于动机偏移损失构造损失函数，并确定进行训练的优化目标，对上一学习阶段训练后的特征提取器模型和故障分类器模型的训练参数进行优化。
6.根据权利要求5所述的基于全自主动机偏移的电机故障诊断阶梯式学习方法，其特征在于，动机偏向的排名Rlb的计算公式为：
其中，K表示一个无穷大的实数，C0表示第0阶段所含故障类别的数量，C1表示第1阶段所含故障类别的数量；n表示求和变量，取值范围从1到C0∪C1；djlb表示第lb类的故障特征动机，djn表示第n类的故障特征动机。
7.根据权利要求5所述的基于全自主动机偏移的电机故障诊断阶梯式学习方法，其特征在于，动机偏移损失的表达式为：
其中，表示该样本在第0阶段中对于第i类故障的动机偏向排名，/>表示该样本在第1阶段中对于第i类故障的动机偏向排名。
8.根据权利要求7所述的基于全自主动机偏移的电机故障诊断阶梯式学习方法，其特征在于，训练的优化目标为：
其中，为损失函数，由动机偏移损失和交叉熵损失两部分组成，具体表达式为：
其中，和/>分别为动机偏移损失和交叉熵损失，α为动机偏移损失的权重。
9.根据权利要求5所述的基于全自主动机偏移的电机故障诊断阶梯式学习方法，其特征在于，对上一学习阶段训练后的特征提取器模型和故障分类器模型的训练参数进行优化的过程包括：
初始化当前阶段特征提取器模型和故障分类器模型的训练参数和/>设置损失函数L1，迭代函数T和学习率η；
利用网络的前向传播来计算网络的输出，将新的训练数据集样本的原始输入向量通过多层的多链卷积网络进行逐层信息传递，多层卷积之后转换到特征向量z1；
根据前向传播的结果求损失函数L1；
基于梯度下降算法更新和/>
迭代次数达到T后，得到本阶段训练后的特征提取器模型和故障分类器模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311439543.9A CN117150377B (zh) | 2023-11-01 | 2023-11-01 | 基于全自主动机偏移的电机故障诊断阶梯式学习方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311439543.9A CN117150377B (zh) | 2023-11-01 | 2023-11-01 | 基于全自主动机偏移的电机故障诊断阶梯式学习方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117150377A CN117150377A (zh) | 2023-12-01 |
| CN117150377B true CN117150377B (zh) | 2024-02-02 |
Family
ID=88908610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311439543.9A Active CN117150377B (zh) | 2023-11-01 | 2023-11-01 | 基于全自主动机偏移的电机故障诊断阶梯式学习方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117150377B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114429153A (zh) * | 2021-12-31 | 2022-05-03 | 苏州大学 | 基于终身学习的齿轮箱增量故障诊断方法及系统 |
| CN115270956A (zh) * | 2022-07-25 | 2022-11-01 | 苏州大学 | 基于持续学习的跨设备增量轴承故障诊断方法 |
| CN115563565A (zh) * | 2022-09-13 | 2023-01-03 | 长沙理工大学 | 一种基于增量学习的电机轴承故障诊断方法及装置 |
| CN116108346A (zh) * | 2023-02-17 | 2023-05-12 | 苏州大学 | 一种基于生成特征重放的轴承增量故障诊断终身学习方法 |
| CN116451150A (zh) * | 2023-04-04 | 2023-07-18 | 河北工业大学 | 一种基于半监督小样本的设备故障诊断方法 |
| CN116593157A (zh) * | 2023-05-19 | 2023-08-15 | 西安理工大学 | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2552028B (en) * | 2016-07-08 | 2020-07-08 | Jaguar Land Rover Ltd | Off-Road Route Rating System |
-
2023
- 2023-11-01 CN CN202311439543.9A patent/CN117150377B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114429153A (zh) * | 2021-12-31 | 2022-05-03 | 苏州大学 | 基于终身学习的齿轮箱增量故障诊断方法及系统 |
| CN115270956A (zh) * | 2022-07-25 | 2022-11-01 | 苏州大学 | 基于持续学习的跨设备增量轴承故障诊断方法 |
| CN115563565A (zh) * | 2022-09-13 | 2023-01-03 | 长沙理工大学 | 一种基于增量学习的电机轴承故障诊断方法及装置 |
| CN116108346A (zh) * | 2023-02-17 | 2023-05-12 | 苏州大学 | 一种基于生成特征重放的轴承增量故障诊断终身学习方法 |
| CN116451150A (zh) * | 2023-04-04 | 2023-07-18 | 河北工业大学 | 一种基于半监督小样本的设备故障诊断方法 |
| CN116593157A (zh) * | 2023-05-19 | 2023-08-15 | 西安理工大学 | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于注意力机制BiLSTM的设备智能故障诊断方法;王太勇;王廷虎;王鹏;乔卉卉;徐明达;;天津大学学报(自然科学与工程技术版)(06);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117150377A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109655259B (zh) | 基于深度解耦卷积神经网络的复合故障诊断方法及装置 | |
| CN109766921B (zh) | 一种基于深度领域自适应的振动数据故障分类方法 | |
| CN111914883B (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 | |
| CN111967486A (zh) | 一种基于多传感器融合的复杂装备故障诊断方法 | |
| JP6250198B2 (ja) | 異常音診断装置、異常音診断システム、異常音診断方法および異常音診断プログラム | |
| CN111046916A (zh) | 一种基于空洞卷积胶囊网络的电机故障诊断方法及系统 | |
| 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 | |
| CN111505424A (zh) | 一种基于深度卷积神经网络的大型实验装置电力设备故障诊断方法 | |
| CN112763214A (zh) | 基于多标签零样本学习的滚动轴承故障诊断方法 | |
| CN112784872B (zh) | 一种基于开放集联合迁移学习的跨工况故障诊断方法 | |
| CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 | |
| CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
| CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
| CN114118138A (zh) | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 | |
| CN113850161A (zh) | 基于lstm深度降噪自编码器的飞轮故障识别方法 | |
| CN114112398A (zh) | 一种变速工况下滚动轴承故障诊断方法 | |
| CN117313000B (zh) | 一种基于样本表征拓扑的电机类脑学习故障诊断方法 | |
| CN113092044B (zh) | 一种基于加权水平可见图的旋转机械故障诊断方法 | |
| CN117150377B (zh) | 基于全自主动机偏移的电机故障诊断阶梯式学习方法 | |
| CN111766513B (zh) | 一种基于胶囊网络的三相感应电机变工况多故障诊断方法 | |
| CN115659249B (zh) | 一种智能测站控制系统异常检测方法 | |
| WO2023231374A1 (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
| CN115876467A (zh) | 一种基于伪标签传递式两阶段领域自适应的滚动轴承故障诊断方法 | |
| CN116070134A (zh) | 一种基于原型学习的智能设备故障诊断方法及系统 | |
| CN116248472A (zh) | 基于神经霍克斯过程的云边端系统故障预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |