CN117313000B - 一种基于样本表征拓扑的电机类脑学习故障诊断方法 - Google Patents

一种基于样本表征拓扑的电机类脑学习故障诊断方法 Download PDF

Info

Publication number
CN117313000B
CN117313000B CN202311208048.7A CN202311208048A CN117313000B CN 117313000 B CN117313000 B CN 117313000B CN 202311208048 A CN202311208048 A CN 202311208048A CN 117313000 B CN117313000 B CN 117313000B
Authority
CN
China
Prior art keywords
learning
sample
inheritance
motor
training
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
Application number
CN202311208048.7A
Other languages
English (en)
Other versions
CN117313000A (zh
Inventor
王彪
邱海权
秦勇
贾利民
汪洋
丁奥
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202311208048.7A priority Critical patent/CN117313000B/zh
Publication of CN117313000A publication Critical patent/CN117313000A/zh
Application granted granted Critical
Publication of CN117313000B publication Critical patent/CN117313000B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/214—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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种基于样本表征拓扑的电机类脑学习故障诊断方法，继承学习阶段，设计了一种创新性的继承损失函数，通过惩罚样本故障特征在表征空间中拓扑关系的不一致性，以此引导故障特征的记忆从旧表征迁移到新表征中，从而缓解模型对旧故障类别的遗忘，这极大地提高了模型对故障特征记忆的继承能力。同时，将交叉熵损失函数与继承损失函数按照一定的比例关系相结合，使得模型能够更加灵活地学习新故障类型的特征，提高了模型对新故障类型的学习能力。在电机错综复杂且不断有新故障发生的运行环境中，该方法可以高精度、高实时性实现类增诊断，对于提升电机运用效率、保障设备安全等方面具有重要意义。

Description

一种基于样本表征拓扑的电机类脑学习故障诊断方法
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样本表征拓扑的电机类脑学习故障诊断方法。
背景技术
电动机是由定子、转子、轴承等组成的复杂机电系统，它是工业生产中重要的动力装置，其性能直接影响到工业生产的多个方面。电机运行环境错综复杂，一旦电机发生故障，轻则造成停工停产，重则造成巨大的经济损失。
随着人工智能技术的不断创新和发展，深度学习算法已经广泛应用于电机故障诊断领域。由于电机故障类型十分多样，预先准备好完整的故障数据来训练真实场景下的网络是很困难的。于是，基于记忆继承的类脑学习方法开始引起研究人员的关注，该方法模拟人脑的学习过程，通过建立新旧表征方法，让新表征继承旧表征中所提取的旧样本故障特征记忆。这样，当新类型故障出现时，网络既可以保持对旧故障类型的诊断能力，又可以诊断新的故障类型，而无需重新进行耗时的训练。然而，传统基于记忆继承的类脑学习方法为了防止继承过程对记忆的遗忘，保留了旧样本故障特征在表征空间中的绝对位置。当新表征继承旧表征记忆时，强调新表征继承的记忆与旧表征记忆在表征空间中的绝对位置相同。这限制了新的故障样本灵活地嵌入到表征空间中，导致模型很容易偏向旧类。
因此，如何提供一种基于样本表征拓扑的电机类脑学习故障诊断方法是本领域技术人员亟需解决的技术问题。
发明内容
有鉴于此，本发明提供了一种基于样本表征拓扑的电机类脑学习故障诊断方法，在较好地保持已有类别记忆的基础上不断地学习新类别，通过采用嵌入拓扑策略，只需使样本故障特征在表征空间中满足同类故障拓扑嵌入关系的一致性，便可以实现记忆的继承。这使得新表征可以更灵活地、可分离地继承旧表征记忆，而不需要受到旧表征记忆在表征空间中绝对位置的约束。因此，在新故障类型出现时，网络能够具备更好的诊断准确性。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供了一种基于样本表征拓扑的电机类脑学习故障诊断方法，包括：
S1：初始学习阶段，获取原始电机故障数据集构造旧智能诊断模型，并基于原始电机故障数据集/>对旧智能诊断模型进行训练；
S2：从训练后的数据中采样得到样本示例，将样本示例作为旧表征记忆；
S3：继承学习阶段，将学习阶段次数记为s，获取继承学习阶段电机故障数据集Ds，将电机故障数据集Ds与样本示例结合作为训练集，构造新智能诊断模型，并基于训练集对新智能诊断模型进行嵌入拓扑策略训练，具体训练过程为：
将训练集按批次输入至旧智能诊断模型和新智能诊断模型中，对应得到一个批次内旧表征嵌入层的输出特征矩阵和新表征嵌入层的输出特征矩阵；
基于旧表征嵌入层的输出特征矩阵和新表征嵌入层的输出特征矩阵构造继承损失函数，并基于继承损失函数和交叉熵函数构造总损失函数；
通过总损失函数更新新智能诊断模型参数，得到训练后的新智能诊断模型和预测后所得的软标签；
S4：基于软标签从训练后的数据中采样得到更新后的样本示例；
S5：判断是否出现新类型故障数据，若满足，返回S3，继续进行继承学习，上一次训练得到的新智能诊断模型作为旧智能诊断模型，且学习阶段次数加1，否则结束训练。
优选地，S1具体包括如下步骤：
S101：获取原始电机故障数据集 其中，/>表示初始学习阶段的电机数据样本，/>表示所对应的电机健康状态标签，/>Y0表示初始学习阶段的电机健康状态标签集合，n0表示/>所包含的样本个数，i＝0，1，2…n0；
S102：构造旧智能诊断模型其中，θ0是F0中可训练参数，并确定训练时的优化目标：
其中，为多分类交叉熵函数，如下所示：
和/>分别是初始学习阶段当前样本的健康状态标签和旧表征输出的预测概率，/>为指示函数，若括号中/>为真，则取值为1，否则取值为0，c0表示样本健康状态标签的真实值，bs是训练批次，v＝1，2，3…bs；
S103：基于原始电机故障数据集对旧智能诊断模型进行训练，得到训练完成的旧智能诊断模型/>以及预测状态软标签/>
优选地，S103具体包括如下步骤：
步骤i：将原始电机故障数据集输入至旧智能诊断模型/>中；
步骤ii：初始化θ0；
步骤iii：利用反向传播算法训练旧智能诊断模型，其中，基于梯度下降算法更新θ0如下所示：
其中，η表示学习率，为多分类交叉熵函数；
步骤iv：重复步骤iii直到达到迭代次数T；
步骤v：得到训练完成的旧智能诊断模型以及预测状态软标签/>其中，优化后的可训练参数为θ0*。
优选地，从训练后的数据中采样得到样本示例ε0，记作
其中，n′0表示所抽取样本示例中样本的个数，表示抽取样本中的原始电机数据样本，/>表示抽取样本训练后所得预测状态软标签，预测状态软标签中包含对该样本预测所得每一类健康状态的概率值，j＝1，2，3…n′0。
优选地，S3具体包括如下步骤：
S301：获取第s次继承学习时电机故障数据集Ds，其中，/>表示第s次继承学习时获取的电机数据样本，/>表示第s次继承学习时所对应的电机健康状态标签，/>Ys表示第s次继承学习时电机健康状态标签集合，ns表示第s次继承学习时Ds所包含的样本个数，a＝0，1，2…ns，s＝1，2…m；
S302：将样本示例与电机故障数据集Ds结合作为训练集，构造第s次继承学习时新智能诊断模型θs是第s次继承学习时Fs中可训练参数；
S303：将训练集按批次输入至旧智能诊断模型和新智能诊断模型中，对应得到一个批次内旧表征嵌入层的输出特征矩阵和新表征嵌入层的输出特征矩阵；
根据旧表征嵌入层的输出特征矩阵和新表征嵌入层的输出特征矩阵计算两个特征向量之间的距离矩阵其中，/>为向量空间的实数域；
根据距离矩阵Ls得到表示样本拓扑次序的矩阵Ps-1和矩阵Ps；
基于样本拓扑次序的矩阵Ps-1和矩阵Ps构造第s次继承学习时继承损失函数
其中，为第s次继承学习时矩阵Ps中第c行第d列的元素，表示第s次继承学习时第d个样本到第c个样本的拓扑升序，/>为第s-1阶段矩阵Ps-1中第c行第d列的元素；
基于继承损失函数和交叉熵函数构造总损失函数，确定训练时的优化目标：
其中，θs表示第s次继承学习时的可训练参数，εs -1表示s-1阶段获取的样本示例，总损失函数由/>和/>两部分组成，如下所示：
式中，α表示继承损失占总损失的权重，可根据具体情况设置，和/>分别为第s次继承学习时继承损失、交叉熵损失，第s次继承学习时交叉熵损失计算为：
式中，和/>分别是第s次继承学习阶段当前样本的健康状态标签和网络输出的预测概率，Ys表示第s次继承学习时电机健康状态标签集合，Ys-1表示第s-1阶段电机健康状态标签集合，cs表示第s继承学习阶段中样本健康状态标签的真实值；
S304：对新智能诊断模型进行训练，得到训练完成的新智能诊断模型以及预测后所得的软标签/>其中优化后的可训练参数为/>
优选地，为矩阵Ps中第c行第d列的元素，表示第d个样本到第c个样本的拓扑升序，/>由下式计算：
其中，为指示函数，若括号中/>为真，则取值为1，否则取值为0，/>为第s次继承学习时矩阵Ls中第c行第d列的元素，表示第s次继承学习时第d个样本与第c个样本的距离，/>表示第s次继承学习时第c个样本与第n个样本的距离；κ是一个无穷大的实数，bs是训练批次。
优选地，S304具体包括如下步骤：
步骤i：将训练集输入至新智能诊断模型中；
步骤ii：初始化θs；
步骤iii：利用反向传播算法训练新智能诊断模型，其中，基于梯度下降算法更新θs如下所示：
步骤iv：重复步骤iii直到达到迭代次数T；
步骤v：得到训练完成的新智能诊断模型以及预测后所得的软标签/>其中优化后的可训练参数为/>
第二方面，本发明提供了一种计算机设备，包括：存储器和处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述方法的步骤。
第三方面，本发明提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，该计算机程序被处理器执行时，实现上述方法的步骤。
本发明能够在诊断模型部署后，在新故障类型不断增加的情况下，对其使用嵌入拓扑策略，通过记忆继承方法进行学习，从而实现类增诊断，并且具备如下优点：
1)在嵌入拓扑策略下，新表征所继承的记忆不需要拘泥于旧表征记忆在表征空间中的绝对位置，从而使网络能够更加灵活地学习，将样本映射到表征空间中，因此当新的故障类型出现时，模型具有识别新故障类型的能力，这提高了对新故障类型的诊断准确率。
2)诊断网络仅需要使用少量的旧样本，就可以有效缓解继承过程的遗忘问题，对旧故障类型仍保持较高诊断准确率，使模型具备更均衡的可塑性和稳定性。
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附图为本发明提供的一种基于样本表征拓扑的电机类脑学习故障诊断方法流程图。
图2附图为本发明提供的样本表征拓扑的类脑学习方法原理示意图。
图3附图为本发明提供的样本嵌入拓扑工作原理图，注：不同形式的填充代表不同类别的样本，虚线轮廓代表了旧样本，左图表示传统记忆继承策略，右图表示样本嵌入拓扑策略。
图4附图为本发明提供的本发明方法同现有类脑学习方法的学习性能对比图。
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。
本发明实施例公开了一种基于样本表征拓扑的电机类脑学习故障诊断方法，如图1和图2所示，包括以下步骤：
S1：初始学习阶段，获取原始电机故障数据集构造旧智能诊断模型，并基于原始电机故障数据集/>对旧智能诊断模型进行训练；具体包括：
S101：当前为网络的初始学习阶段，记作阶段0；获取原始电机故障数据集其中，/>表示初始学习阶段获取的电机数据样本，/>表示所对应的电机健康状态标签，/>Y0表示旧表征学习初始阶段的电机健康状态标签集合，n0表示/>所包含的样本个数，i＝0，1，2…n0。
S102：构造旧智能诊断模型模型包括输入层、卷积层、全连接层和输出层。其中，θ0是F0中可训练参数。进一步，设置损失函数/>迭代次数T，学习率η，训练批次bs，确定训练的优化目标，由如下公式描述：
其中，选择的是多分类交叉熵函数，如下所示：
和/>分别是初始学习阶段当前样本的健康状态标签和旧表征输出的预测概率，/>为指示函数，若括号中/>为真，则取值为1，否则取值为0，c0表示初始阶段样本健康状态标签的真实值，bs是训练批次，v=1,2,3…bs；
S103：利用原始电机故障数据集对模型可训练参数进行初始训练，具体过程为：
步骤i.输入训练集构建带有可训练参数θ0的诊断网络F0，损失函数/>迭代函数T，学习率η；
步骤ii.初始化θ0；
步骤iii.利用反向传播算法训练模型，具体地，基于梯度下降算法更新θ0如下所示：
步骤iv.重复步骤iii直到迭代次数达到t；
步骤v.得到训练完成的旧智能诊断模型以及预测状态软标签/>其中优化后的可训练参数为θ0*，预测状态软标签即样本的故障特征。
S2：以一定的方式从训练后的数据中抽取少量样本示例，记作其中，n′0表示所抽取样本示例中样本的个数，j＝1，2，3…n′0，/>表示抽取样本中的原始电机数据样本，/>表示该样本训练后所得预测状态的软标签，软标签中包含对该样本预测所得每一类健康状态的概率值。所抽取的样本示例也称为旧表征记忆，将其保存到单独的存储空间中，其余样本则可以删除以释放存储空间。
S3：当前为网络的第一个继承学习阶段，记作阶段1，即s＝1。具体过程为：
S301：获取新一个阶段的电机故障数据集其中，/>表示第1次继承学习时获取的电机数据样本，/>表示第1次继承学习时所对应的电机健康状态标签，Y1表示新表征学习阶段1的电机健康状态标签集合，且/>ns表示第1次继承学习时D1所包含的样本个数。进一步，将新获取的电机故障数据集/>与样本示例ε0结合，组成新表征的训练数据集，共同用于新表征的训练。
S302：构造第1次继承学习时所对应的新智能诊断模型θ1是第1次继承学习时F1的可训练参数。
S303：在这个阶段的训练过程使用嵌入拓扑策略，通过构造继承损失函数来引导记忆从旧表征转移到新表征中，同时新表征从新的故障样本中学习，如图3所示，具体地：
1)首先将训练集按批次输入新旧表征中，在训练之后，可得到一个批次内新旧表征嵌入层的输出特征矩阵。根据输出特征矩阵，计算两个特征向量之间的距离矩阵其中/>为向量空间的实数域，输出距离的度量通常采用的是欧式距离。
2)其次，根据距离矩阵L1可以得到表示样本之间距离值，可以计算表示样本拓扑次序的矩阵P0和矩阵P1，为第1次继承学习时矩阵P1第c行第d列的元素，表示第d个样本到第c个样本的拓扑升序，/>可以由下式计算：
其中κ是一个无穷大的实数，表示第1次继承学习时第c个样本与第d个样本的距离，/>表示第1次继承学习时第c个样本与第n个样本的距离。
3)通过构造第1次继承学习时的继承损失惩罚样本特征之间的拓扑次序不一致，使得样本特征在表征空间中实现同类故障在拓扑关系上一致，以此来引导故障特征记忆从旧表征转移到新表征中，继承损失计算如下：
其中，表示初始学习阶段矩阵P0中第c行第d列的元素，/>表示第1次继承学习时矩阵P1中第c行第d列的元素；
设置第1次继承学习时的总损失函数训练代数T，学习率η，训练批次bs，对模型可训练参数进行优化，确定进行训练的优化目标，由如下公式描述：
其中，由/>和/>两部分组成，如下所示：
和/>分别为第1次继承学习时继承损失、交叉熵损失，第1次继承学习时交叉熵损失计算为：
式中，和/>分别是第1次继承学习时当前样本的健康状态标签和网络输出的预测概率，Y1表示第1次继承学习时电机健康状态标签集合，Y0表示第初始学习阶段的电机健康状态标签集合，c1表示第1继承学习时样本健康状态标签的真实值。
将交叉熵损失函数与继承损失函数按照一定的比例关系相结合，使得模型能够更加灵活地学习新故障类型的特征，这提高了模型对新故障类型的学习能力。本发明所设计的损失函数，使模型对于新旧故障类型的诊断具有更均衡的可塑性和稳定性，它能够像人类一样，在较好地保持已有类别记忆的基础上不断地学习新类别。
S304：对新智能诊断模型进行训练，优化流程如下：
步骤i.输入训练集(可对ε0进行适当的过采样处理)，带有可训练参数θ1的诊断网络F1，损失函数/>训练代数T，学习率η；
步骤ii.初始化θ1；
步骤iii.利用反向传播算法训练模型，具体地，基于梯度下降算法更新θ1如下所示：
步骤iv.重复步骤iii直到迭代次数达到T；
步骤v.得到训练完成的模型，其中优化后的可训练参数为θ1*；以及模型训练后所得预测状态的软标签
S4：从训练后的数据中采样得到少量样本示例，并与ε0合并得到ε1，将其保存到单独的存储空间中，其余样本则可以删除以释放存储空间。
S5：判断是否出现新类型故障数据，若满足，返回S3，继续进行继承学习，上一次训练得到的新智能诊断模型作为旧智能诊断模型，且学习阶段次数加1，即s＝s+1，新一阶段的继承学习过程与S3步骤相同，在此不再赘述；不满足结束训练；
所以，之后网络处于不断学习的阶段，训练时间是不断更新的，不同阶段会得到不同的新数据。当新类别的数据出现时，网络就会到新的阶段，舍弃原来的模型，得到新的训练模型，通过嵌入拓扑策略引导旧模型所提取故障特征的记忆转移到新模型中。
基于上述方法，诊断模型则可以以高诊断精度和低冗余度不断实现类增诊断，能适应现实中故障类型不断增加的状况。嵌入拓扑策略更关注保持样本故障特征在表征空间的拓扑结构而不是保持绝对位置。通过设置这样的损失函数，来惩罚样本故障特征之间的拓扑关系不一致性，这样不仅能够有效地缓解继承过程记忆的丢失，也能让新故障样本更加灵活地嵌入到表征空间中，从而在故障类别增加的阶段提高诊断准确性。
本实施例提供了一种计算机设备，包括：存储器和处理器，存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时，实现基于样本表征拓扑的电机类脑学习故障诊断方法的步骤。
本实施例提供了一种计算机可读存储介质，存储介质上存储有计算机程序，该计算机程序被处理器执行时，实现基于样本表征拓扑的电机类脑学习故障诊断方法的步骤。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以三相电机故障诊断为案例，基于三相电机实验平台数据，对本发明方法的有效性进行了验证。本实施例所使用的实验台利用变频器控制交流电机的转速并通过电涡流制动器向电机施加转矩，从而模拟出三相电机在多种工况下的运行情况。在电机驱动端和非驱动端分别安装了三向加速度传感器，在电源线处安装了电流钳采集电机工作电压，并在电机旁安装了声传感器，共采集10通道传感数据。实验中考虑了11种电机健康状态，包括正常状态、4种轴承故障(内圈故障、外圈故障、滚动体故障和保持架故障)、3种转子故障(转子不平衡、转子弯曲和转子断条)和3种电气故障(电机缺相、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1024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三个阶段，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，包括之前阶段训练数据采样得到的少量示例样本和当前阶段训练数据，对于测试集，包括之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三种类脑学习方法进行了对比，具体的三种方法为基于正则化方法、基于回放方法和基于记忆继承方法，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。通过实验结果可以看出，在新故障出现阶段本发明方法始终比其他方法具有最高的诊断准确性。这是因为嵌入拓扑策略不再强调样本故障特征在表征空间中的绝对位置不变，而是只保持样本故障特征在表征空间拓扑次序的一致性，使新的故障样本可以更灵活地嵌入到表示空间中。此外，该策略在电机故障诊断类脑学习中能够更好地平衡可塑性和稳定性，并且对样本的敏感性较低，这提升了模型学习能力上限，从而对新故障的诊断也有更好的效果。上述实验结果证明了方法的优越性。
表1.网络基本结构汇总表
表2.训练相关参数汇总表
参数名称 设置
迭代次数 T＝80
学习率 η＝0.001
优化器 Adam
继承损失权重 α＝0.5
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 (7)

1.一种基于样本表征拓扑的电机类脑学习故障诊断方法，其特征在于，包括：
S1：初始学习阶段，获取原始电机故障数据集构造旧智能诊断模型，并基于原始电机故障数据集/>对旧智能诊断模型进行训练；
S2：从训练后的数据中采样得到样本示例，将样本示例作为旧表征记忆；
S3：继承学习阶段，将学习阶段次数记为S，获取继承学习阶段电机故障数据集Ds，将电机故障数据集Ds与样本示例结合作为训练集，构造新智能诊断模型，并基于训练集对新智能诊断模型进行嵌入拓扑策略训练，具体训练过程为：
将训练集按批次输入至旧智能诊断模型和新智能诊断模型中，对应得到一个批次内旧表征嵌入层的输出特征矩阵和新表征嵌入层的输出特征矩阵；
基于旧表征嵌入层的输出特征矩阵和新表征嵌入层的输出特征矩阵构造继承损失函数，并基于继承损失函数和交叉熵函数构造总损失函数；
通过总损失函数更新新智能诊断模型参数，得到训练后的新智能诊断模型和预测后所得的软标签；
S4：基于软标签从训练后的数据中采样得到更新后的样本示例；
S5：判断是否出现新类型故障数据，若满足，返回S3，继续进行继承学习，上一次训练得到的新智能诊断模型作为旧智能诊断模型，且学习阶段次数加1，否则结束训练；
S1具体包括如下步骤：
S101：获取原始电机故障数据集 其中，/>表示初始学习阶段的电机数据样本，/>表示所对应的电机健康状态标签，/>Y0表示初始学习阶段的电机健康状态标签集合，n0表示/>所包含的样本个数，i＝0，1，2…n0；
S102：构造旧智能诊断模型其中，θ0是F0中可训练参数，并确定训练时的优化目标：
其中，为多分类交叉熵函数，如下所示：
和/>分别是初始学习阶段当前样本的健康状态标签和旧表征输出的预测概率，/>为指示函数，若/>为真，则取值为1，否则取值为0，c0表示初始阶段样本健康状态标签的真实值，bs是训练批次，v＝1，2，3…bs；
S103：基于原始电机故障数据集对旧智能诊断模型进行训练，得到训练完成的旧智能诊断模型/>以及预测状态软标签/>
S3具体包括如下步骤：
S301：获取第s次继承学习时电机故障数据集Ds，其中，/>表示第s次继承学习时获取的电机数据样本，/>表示第s次继承学习时所对应的电机健康状态标签，Ys表示第s次继承学习时电机健康状态标签集合，ns表示第s次继承学习时Ds所包含的样本个数，a＝0，1，2…ns，s＝1，2…m；
S302：将样本示例与电机故障数据集Ds结合作为训练集，构造第s次继承学习时新智能诊断模型θs是第s次继承学习时Fs中可训练参数；
S303：将训练集按批次输入至旧智能诊断模型和新智能诊断模型中，对应得到一个批次内旧表征嵌入层的输出特征矩阵和新表征嵌入层的输出特征矩阵；
根据旧表征嵌入层的输出特征矩阵和新表征嵌入层的输出特征矩阵计算两个特征向量之间的距离矩阵其中，/>为向量空间的实数域；
根据距离矩阵Ls得到表示样本拓扑次序的矩阵Ps-1和矩阵Ps；
基于样本拓扑次序的矩阵Ps-1和矩阵Ps构造第s次继承学习时继承损失函数
其中，为第s次继承学习时矩阵Ps中第c行第d列的元素，表示第s次继承学习时第d个样本到第c个样本的拓扑升序，/>为第s-1阶段矩阵Ps-1中第c行第d列的元素；
基于继承损失函数和交叉熵函数构造总损失函数，确定训练时的优化目标：
其中，θs表示第s次继承学习时的可训练参数，εs-1表示s-1阶段获取的样本示例，而总损失函数由/>和/>两部分组成，如下所示：
式中，α表示继承损失占总损失的权重，可根据具体情况设置，和/>分别为第s次继承学习时继承损失、交叉熵损失，第s次继承学习时交叉熵损失计算为：
式中，和/>分别是第s次继承学习时当前样本的健康状态标签和网络输出的预测概率，Ys表示第s次继承学习时电机健康状态标签集合，Ys-1表示第s-1阶段电机健康状态标签集合，cs表示第s继承学习时样本健康状态标签的真实值；
S304：对新智能诊断模型进行训练，得到训练完成的新智能诊断模型以及预测后所得的软标签/>其中优化后的可训练参数为/>
2.根据权利要求1所述的一种基于样本表征拓扑的电机类脑学习故障诊断方法，其特征在于，S103具体包括如下步骤：
步骤i：将原始电机故障数据集输入至旧智能诊断模型/>中；
步骤ii：初始化θ0；
步骤iii：利用反向传播算法训练旧智能诊断模型，其中，基于梯度下降算法更新θ0如下所示：
其中，η表示学习率，为多分类交叉熵函数；
步骤iv：重复步骤iii直到达到迭代次数T；
步骤v：得到训练完成的旧智能诊断模型以及预测状态软标签/>其中，优化后的可训练参数为/>
3.根据权利要求1或2所述的一种基于样本表征拓扑的电机类脑学习故障诊断方法，其特征在于，从训练后的数据中采样得到样本示例ε0，记作
其中，n′0表示所抽取样本示例中样本的个数，表示抽取样本中的原始电机数据样本，/>表示抽取样本训练后所得预测状态软标签，预测状态软标签中包含对该样本预测所得每一类健康状态的概率值，j＝1，2，3…n′0。
4.根据权利要求3所述的一种基于样本表征拓扑的电机类脑学习故障诊断方法，其特征在于，
由下式计算：
其中，为指示函数，若/>为真，则取值为1，否则取值为0，/>为第s次继承学习时矩阵Ls中第c行第d列的元素，表示第s次继承学习时第c个样本与第d个样本的距离，表示第s次继承学习时第c个样本与第n个样本的距离；κ是一个无穷大的实数，bs是训练批次。
5.根据权利要求4所述的一种基于样本表征拓扑的电机类脑学习故障诊断方法，其特征在于，S304具体包括如下步骤：
步骤i：将训练集输入至新智能诊断模型中；
步骤ii：初始化θs；
步骤iii：利用反向传播算法训练新智能诊断模型，其中，基于梯度下降算法更新θs如下所示：
步骤iv：重复步骤iii直到达到迭代次数T；
步骤v：得到训练完成的新智能诊断模型以及预测后所得的软标签/>其中优化后的可训练参数为/>
6.一种计算机设备，其特征在于，包括：存储器和处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现权利要求1至5任一项所述方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，该计算机程序被处理器执行时，实现权利要求1至5中任一项所述方法的步骤。
CN202311208048.7A 2023-09-19 2023-09-19 一种基于样本表征拓扑的电机类脑学习故障诊断方法 Active CN117313000B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311208048.7A CN117313000B (zh) 2023-09-19 2023-09-19 一种基于样本表征拓扑的电机类脑学习故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311208048.7A CN117313000B (zh) 2023-09-19 2023-09-19 一种基于样本表征拓扑的电机类脑学习故障诊断方法

Publications (2)

Publication Number Publication Date
CN117313000A CN117313000A (zh) 2023-12-29
CN117313000B true CN117313000B (zh) 2024-03-15

Family

ID=89249145

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311208048.7A Active CN117313000B (zh) 2023-09-19 2023-09-19 一种基于样本表征拓扑的电机类脑学习故障诊断方法

Country Status (1)

Country Link
CN (1) CN117313000B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117591888B (zh) * 2024-01-17 2024-04-12 北京交通大学 面向列车关键部件的集群自主学习故障诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114004252A (zh) * 2021-10-13 2022-02-01 苏州大学 一种轴承故障诊断的方法、装置以及设备
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
CN115510963A (zh) * 2022-09-20 2022-12-23 同济大学 一种增量式设备故障诊断方法
CN115965057A (zh) * 2022-11-28 2023-04-14 北京交通大学 一种面向列车传动系统的类脑持续学习故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114004252A (zh) * 2021-10-13 2022-02-01 苏州大学 一种轴承故障诊断的方法、装置以及设备
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
CN115510963A (zh) * 2022-09-20 2022-12-23 同济大学 一种增量式设备故障诊断方法
CN115965057A (zh) * 2022-11-28 2023-04-14 北京交通大学 一种面向列车传动系统的类脑持续学习故障诊断方法

Also Published As

Publication number Publication date
CN117313000A (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
Sun et al. Disease prediction via graph neural networks
CN109659033B (zh) 一种基于循环神经网络的慢性疾病病情变化事件预测装置
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
CN113196314B (zh) 适配预测模型
Papageorgiou et al. Multi-step prediction of pulmonary infection with the use of evolutionary fuzzy cognitive maps
CN111967495B (zh) 一种分类识别模型构建方法
CN109978134B (zh) 一种基于快速集成卷积神经网络的故障预测方法
CN110111885B (zh) 属性预测方法、装置、计算机设备及计算机可读存储介质
CN115985513B (zh) 一种基于多组学癌症分型的数据处理方法、装置及设备
EP3985574A1 (en) Method and apparatus with neural network pruning
EP4232956A1 (en) Federated learning
Wang et al. Distilling the knowledge of multiscale densely connected deep networks in mechanical intelligent diagnosis
CN112527547B (zh) 一种基于自动卷积神经网络的机械智能故障预测方法
Yang et al. Improved graph-regularized deep belief network with sparse features learning for fault diagnosis
CN116412162A (zh) 基于数字孪生模型的磁悬浮鼓风机故障诊断方法及系统
Mansouri et al. A hybrid machine learning approach for early mortality prediction of ICU patients
CN112884129B (zh) 一种基于示教数据的多步规则提取方法、设备及存储介质
CN111611531B (zh) 人员关系分析方法、装置及电子设备
Guan et al. Fault diagnosis of rolling bearing with imbalanced small sample scenarios
CN114386479A (zh) 医学数据处理方法、装置、存储介质及电子设备
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
CN118427689B (zh) 一种变速器滚动轴承复合故障诊断方法及系统
CN115329906B (zh) 一种基于图正则化网络的故障诊断方法及装置
CN116825360B (zh) 基于图神经网络的慢病共病预测方法、装置及相关设备
Vellido et al. Machine learning for critical care: an overview and a Sepsis case study

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