CN117332320A - 一种基于残差卷积网络的多传感器融合pmsm故障诊断方法 - Google Patents
一种基于残差卷积网络的多传感器融合pmsm故障诊断方法 Download PDFInfo
- Publication number
- CN117332320A CN117332320A CN202311550827.5A CN202311550827A CN117332320A CN 117332320 A CN117332320 A CN 117332320A CN 202311550827 A CN202311550827 A CN 202311550827A CN 117332320 A CN117332320 A CN 117332320A
- Authority
- CN
- China
- Prior art keywords
- fusion
- pmsm
- convolution network
- feature
- layer
- 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.)
- Granted
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 174
- 238000003745 diagnosis Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000000605 extraction Methods 0.000 claims abstract description 26
- 230000036541 health Effects 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000011176 pooling Methods 0.000 claims description 56
- 230000007246 mechanism Effects 0.000 claims description 44
- 230000004913 activation Effects 0.000 claims description 27
- 230000006870 function Effects 0.000 claims description 27
- 230000001360 synchronised effect Effects 0.000 claims description 20
- 101100156282 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) vib-1 gene Proteins 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 6
- 238000012958 reprocessing Methods 0.000 claims description 5
- 238000004804 winding Methods 0.000 claims description 4
- 230000005347 demagnetization Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 11
- 239000000284 extract Substances 0.000 description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000007794 visualization technique Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于残差卷积网络的多传感器融合PMSM故障诊断方法。方法包括：建立多传感器融合诊断模型，将带有标签的PMSM的电流和振动信号作预处理后输入模型中训练至完成；采集待诊断的PMSM的电流和振动信号进行预处理后输入训练完成的模型中，处理后输出PMSM的健康状态，完成故障诊断。本发明方法能够挖掘并自适应关注电流和振动信号的内在相关特征，且具有显著的特征提取能力，提取的特征不存在重叠且界限分明，能够避免误判，具备更好的故障诊断效果；方法在噪声环境中具备很好的抗扰能力，能保持更高的准确率，且具备一定可扩展性，可提高在PMSM故障诊断中的应用能力，对于在实际工业环境中进行PMSM的故障诊断具有重要意义。
Description
技术领域
本发明涉及了一种PMSM故障诊断方法，具体涉及一种基于残差卷积网络的多传感器融合PMSM故障诊断方法。
背景技术
永磁同步电机凭借其结构紧凑、效率高、具备高功率密度等优点，在电动汽车、航空航天、工业生产等领域得到了广泛的应用。然而，在长时间运行过程中，由于操作不当、环境恶劣、材料老化等因素，不可避免地会发生故障，电机的运行效率、可靠性受到影响，及时、准确的故障诊断有助于降低事故发生的可能性，减少经济损失。因此，对永磁同步电机的故障诊断的研究具有十分重要的意义。永磁同步电机的故障主要分为电气故障与机械故障。其中，电气故障包括定子绕组匝间短路、定子相间短路、退磁故障等，机械故障包括轴承故障、转子偏心故障等。
永磁同步电机故障诊断的常用方法分为基于模型、基于信号处理、基于深度学习的方法。基于模型的方法根据电机的物理原理建立某种故障状态下的电机模型，这种方法依赖于精确的电机参数，而电机参数随着电机运行工况变化而变化，导致诊断准确率降低。基于信号处理的方法通常提取振动信号与电流信号的故障特征用于判断是否故障，快速傅里叶变换、希尔伯特变换、小波包变换等信号处理方法被广泛应用于故障特征提取，但基于信号处理的方法需要一定先验知识，并且容易受到电机运行工况与环境影响。得益于人工智能技术的快速发展，基于深度学习的智能诊断方法在永磁同步电机的故障诊断领域中得到了广泛的研究。智能诊断能够自动从庞大的数据集中提取特征，免去了手动提取特征的时间，大大减少了对专家知识的依赖程度。卷积神经网络是一种典型的深度学习方法，在故障诊断领域中已经得到了广泛的研究，然而，现有的故障诊断方法主要使用单一传感器信号作为诊断信号，其诊断效果高度依赖于传感器信号质量，单传感器信号容易受到不确定因素干扰，对于多故障这类复杂诊断需求的场合，诊断准确率较低。
发明内容
为了解决背景技术中存在的问题，本发明所提供基于残差卷积网络的多传感器融合PMSM故障诊断方法。本发明具体是一种从电机振动信号与电流信号提取特征并融合特征，从而有效进行永磁同步电机PMSM(permanent magnet synchronous motor)故障诊断的方法，方法利用电流信号与振动信号，基于残差卷积网络进行多传感器融合，解决了准确率较低的问题，同时增强了模型抗扰能力。
本发明采用的技术方案是：
本发明的基于残差卷积网络的多传感器融合PMSM故障诊断方法，包括：
1) 建立多传感器融合诊断模型，将若干带有标签的永磁同步电机PMSM的电流信号和振动信号进行预处理后作为训练集输入多传感器融合诊断模型中进行训练，获得训练完成的多传感器融合诊断模型。
2) 采集待诊断的永磁同步电机PMSM的电流信号和振动信号进行步骤1)中相同的预处理后输入训练完成的多传感器融合诊断模型中处理，多传感器融合诊断模型处理后输出永磁同步电机PMSM的健康状态，完成永磁同步电机PMSM的故障诊断。
所述的步骤1)中，多传感器融合诊断模型包括两个残差卷积网络、三个中间特征融合模块、全连接层和softmax激活函数；永磁同步电机PMSM经预处理后的电流信号x i 和振动信号x vib 分别作为第一残差卷积网络和第二残差卷积网络的输入，第一残差卷积网络和第二残差卷积网络处理后分别输出第一电流特征F i1和第一振动特征F vib1至第一中间特征融合模块，第一中间特征融合模块处理后分别输出第一融合电流特征x i2和第一融合振动特征x vib2至第一残差卷积网络和第二残差卷积网络，第一残差卷积网络和第二残差卷积网络处理后分别输出第二电流特征F i2和第二振动特征F vib2至第二中间特征融合模块，第二中间特征融合模块处理后分别输出第二融合电流特征x i3和第二融合振动特征x vib3至第一残差卷积网络和第二残差卷积网络，第一残差卷积网络和第二残差卷积网络处理后分别输出第三电流特征F i3和第三振动特征F vib3至第三中间特征融合模块，第三中间特征融合模块处理后分别输出第三融合电流特征x i4和第三融合振动特征x vib4至第一残差卷积网络和第二残差卷积网络，第一残差卷积网络和第二残差卷积网络处理后分别输出最终融合电流特征和最终融合振动特征并串联获得永磁同步电机PMSM的运行特征，将运行特征依次输入至全连接层和softmax激活函数中进行处理后输出作为多传感器融合诊断模型的输出。
多传感器融合诊断模型的输入为电流信号和振动信号，搭建两个残差卷积网络分别提取电流信号和振动信号特征，使用一种中间特征融合模块实现网络多层特征的有效融合。
所述的每个残差卷积网络包括一个卷积层、四个特征提取层和一个全局平均池化层，每个特征提取层包括两个依次连接的残差模块，残差卷积网络的输入依次输入至卷积层、第一特征提取层、第一中间特征融合模块、第二特征提取层、第二中间特征融合模块、第三特征提取层、第三中间特征融合模块、第四特征提取层和全局平均池化层中处理后输出作为残差卷积网络的输出。
残差模块包括两个3×3卷积层、一个1×1卷积层和两个修正线性单元ReLU(Rectified Linear Unit)激活函数，残差模块的输入特征u分别输入至第一3×3卷积层和1×1卷积层中处理，输入特征u在第一3×3卷积层中经第一3×3卷积层的权重矩阵W 1处理后的输出依次输入至第一ReLU激活函数和第二3×3卷积层中处理，在第二3×3卷积层中经第二3×3卷积层的权重矩阵W 2处理后输出，输入特征u在1×1卷积层中经1×1卷积层的权重矩阵W s处理后输出，然后和第二3×3卷积层的输出相加后经第二ReLU激活函数处理后输出作为残差模块的输出特征H。
残差模块的输入与输出直接建立联系，能够解决模型过深带来的模型退化问题。W s为1×1卷积的权重矩阵，用作输入特征u与输出特征H的维度匹配，而当输入特征u与输出特征H维度相同时，使用单位矩阵替代权重矩阵，表示恒等映射。
所述的每个中间特征融合模块包括通道融合注意力机制和空间融合注意力机制，中间特征融合模块的第一初始输入和第二初始输入共同输入至通道融合注意力机制中处理，处理后输出第一融合特征，第一融合特征分别与第一初始输入和第二初始输入相乘后获得第一相乘结果和第二相乘结果，第一相乘结果和第二相乘结果共同输入至空间融合注意力机制中处理，处理后输出第二融合特征，第二融合特征分别与第一相乘结果和第二相乘结果相乘后输出作为中间特征融合模块的输出。
所述的通道融合注意力机制包括两个全局平均池化层和两个全局最大池化层、四个共享参数的1×1卷积层和一个sigmoid激活函数，通道融合注意力机制将第一初始输入分别输入至第一全局平均池化层和第一全局最大池化层重处理后分别输出至第一1×1卷积层和第二1×1卷积层中处理，通道融合注意力机制将第二初始输入分别输入至第二全局平均池化层和第二全局最大池化层重处理后分别输出至第三1×1卷积层和第四1×1卷积层中处理，四个1×1卷积层的输出相加后经sigmoid激活函数处理后输出作为通道融合注意力机制输出的第一融合特征。
两个残差卷积网络的特征提取层1的输出分别为电流特征F i1和振动特征F vib1，其尺寸为C×H×W，其中，C、H、W分别表示特征的通道数、高度和宽度。通道融合注意力机制分别对F i1和F vib1进行全局平均池化和全局最大池化操作得到四个C×1×1的特征，四个特征输入至一个共享参数的卷积网络，该共享网络由两层卷积核大小为1×1的卷积层构成，通过卷积网络计算得到每个特征的输出向量后，使用求和合并向量，并通过sigmoid激活函数得到最终输出的通道注意力特征M c (F)。将通道注意力特征M c (F)分别与F i1和F vib1相乘得到空间融合注意力模块的输入特征F’ i1和F’ vib1。
所述的空间融合注意力机制包括两个最大池化层、两个平均池化层、一个3×3卷积层和一个sigmoid激活函数，空间融合注意力机制将第一相乘结果分别输入至第一最大池化层和第一平均池化层中处理，空间融合注意力机制将第二相乘结果分别输入至第二最大池化层和第二平均池化层中处理，两个最大池化层和两个平均池化层处理后的输入共同依次输入至3×3卷积层和sigmoid激活函数中处理后输出作为空间融合注意力机制输出的第二融合特征。
空间融合注意力机制分别沿着F’ i1和F’ vib1的通道轴进行最大池化和平均池化，得到四个尺寸为1×H×W的特征，将四个特征沿着通道连接形成一4×H×W的特征，经过一层卷积核大小为3×3的卷积层降维得到一尺寸为1×H×W的空间注意力特征M s (F)，最终得到空间融合注意力机制的输出x i2和x vib2。
所述的步骤1)中，带有标签的永磁同步电机PMSM的电流信号和振动信号具体为不同健康状态的永磁同步电机PMSM运行在不同负载工况下的电流信号和振动信号，标签标注有永磁同步电机PMSM的健康状态。
所述的永磁同步电机PMSM的健康状态包括健康、定子绕组匝间短路、永磁体退磁、轴承内圈故障和轴承外圈故障；负载工况包括空载、半载和满载。
所述的步骤1)中，永磁同步电机PMSM的电流信号和振动信号进行预处理具体为将电流信号和振动信号均进行信号降采样处理，随后将降采样后的电流信号和振动信号均匀分割为多个样本，将各个样本归一化后作为多传感器融合诊断模型的训练集。
在训练过程中，当多传感器融合诊断模型的模型损失趋于稳定且收敛后，获得训练完成的多传感器融合诊断模型的模型参数，将模型参数加载到多传感器融合诊断模型上，获得训练完成的多传感器融合诊断模型。
本发明方法使用PMSM的三相电流信号与两路正交的径向振动信号，通过有效挖掘并融合电流信号与振动信号的深层隐藏特征，实现对永磁同步电机的典型定、转子故障的高精度诊断。另外，在不同白噪声环境下，本发明方法具备显著的抗扰能力，对于叠加强噪声的样本，仍可以发挥高准确度的优势。
本发明的有益效果是：
1、本发明方法是一种端到端的故障诊断方法，不依赖于专家知识，能够挖掘电流信号与振动信号的特征，自适应关注不同信号的内在相关特征，以得到更好的诊断结果。
2、本发明方法表现出显著的特征提取能力。模型所提取的不同故障类别样本的特征不存在重叠，界限分明，能够避免由单传感器导致的误判现象，具备更好的故障诊断效果。
3、本发明方法在噪声环境中具备很好的抗扰能力，相较于单传感器方法，本发明方法保持更高的准确率，对于在实际工业环境中进行永磁同步电机的故障诊断具有重要意义。
4、本发明方法具备一定可扩展性，通过进一步增加传感器数量和增加故障类别等，可以提高在永磁同步电机故障诊断中的应用能力。
附图说明
图1为本发明PMSM故障诊断方法流程图；
图2为本发明的多传感器融合诊断模型示意图；
图３为本发明的残差模块示意图；
图４为本发明的中间特征融合模块示意图；
图５为本发明的通道融合注意力机制和空间融合注意力机制的具体结构图，其中，图5的（a）为空间融合注意力机制的结构图，图5的（b）为通道融合注意力机制的结构图；
图6为本发明实施例的故障诊断结果示意图，其中，图6的（a）为本发明实施例的故障诊断的模型准确率折线图，图6的（b）为本发明实施例的故障诊断的模型损失折线图，图6的（c）为本发明实施例的故障诊断结果的混淆矩阵示意图；
图7为本发明实施例的基于t分布堆积邻域嵌入算法t-SNE(t-distributedstochastic neighbor embedding)的特征可视化示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
本发明的基于残差卷积网络的多传感器融合PMSM故障诊断方法，包括：
1) 建立多传感器融合诊断模型，将若干带有标签的永磁同步电机PMSM的电流信号和振动信号进行预处理后作为训练集输入多传感器融合诊断模型中进行训练，获得训练完成的多传感器融合诊断模型。
如图2所示，步骤1)中，多传感器融合诊断模型包括两个残差卷积网络、三个中间特征融合模块、全连接层和softmax激活函数；永磁同步电机PMSM经预处理后的电流信号x i 和振动信号x vib 分别作为第一残差卷积网络和第二残差卷积网络的输入，第一残差卷积网络和第二残差卷积网络处理后分别输出第一电流特征F i1和第一振动特征F vib1至第一中间特征融合模块，第一中间特征融合模块处理后分别输出第一融合电流特征x i2和第一融合振动特征x vib2至第一残差卷积网络和第二残差卷积网络，第一残差卷积网络和第二残差卷积网络处理后分别输出第二电流特征F i2和第二振动特征F vib2至第二中间特征融合模块，第二中间特征融合模块处理后分别输出第二融合电流特征x i3和第二融合振动特征x vib3至第一残差卷积网络和第二残差卷积网络，第一残差卷积网络和第二残差卷积网络处理后分别输出第三电流特征F i3和第三振动特征F vib3至第三中间特征融合模块，第三中间特征融合模块处理后分别输出第三融合电流特征x i4和第三融合振动特征x vib4至第一残差卷积网络和第二残差卷积网络，第一残差卷积网络和第二残差卷积网络处理后分别输出最终融合电流特征和最终融合振动特征并串联获得永磁同步电机PMSM的运行特征，将运行特征依次输入至全连接层和softmax激活函数中进行处理后输出作为多传感器融合诊断模型的输出。
多传感器融合诊断模型的输入为电流信号和振动信号，搭建两个残差卷积网络分别提取电流信号和振动信号特征，使用一种中间特征融合模块实现网络多层特征的有效融合。
如图3所示，每个残差卷积网络包括一个卷积层、四个特征提取层和一个全局平均池化层，每个特征提取层包括两个依次连接的残差模块，残差卷积网络的输入依次输入至卷积层、第一特征提取层、第一中间特征融合模块、第二特征提取层、第二中间特征融合模块、第三特征提取层、第三中间特征融合模块、第四特征提取层和全局平均池化层中处理后输出作为残差卷积网络的输出。
残差模块包括两个3×3卷积层conv、一个1×1卷积层和两个修正线性单元ReLU(Rectified Linear Unit)激活函数，残差模块的输入特征u分别输入至第一3×3卷积层和1×1卷积层中处理，输入特征u在第一3×3卷积层中经第一3×3卷积层的权重矩阵W 1处理后的输出依次输入至第一ReLU激活函数和第二3×3卷积层中处理，在第二3×3卷积层中经第二3×3卷积层的权重矩阵W 2处理后输出，输入特征u在1×1卷积层中经1×1卷积层的权重矩阵W s处理后输出，然后和第二3×3卷积层的输出相加后经第二ReLU激活函数处理后输出作为残差模块的输出特征H。
残差模块的输入与输出直接建立联系，能够解决网络过深带来的网络退化问题。W s为1×1卷积的权重矩阵，用作输入特征u与输出特征H的维度匹配，而当输入特征u与输出特征H维度相同时，使用单位矩阵替代权重矩阵，表示恒等映射。
如图4所示，每个中间特征融合模块包括通道融合注意力机制和空间融合注意力机制，中间特征融合模块的第一初始输入和第二初始输入共同输入至通道融合注意力机制中处理，处理后输出第一融合特征，第一融合特征分别与第一初始输入和第二初始输入相乘后获得第一相乘结果和第二相乘结果，第一相乘结果和第二相乘结果共同输入至空间融合注意力机制中处理，处理后输出第二融合特征，第二融合特征分别与第一相乘结果和第二相乘结果相乘后输出作为中间特征融合模块的输出。
如图5的（b）所示，通道融合注意力机制包括两个全局平均池化层GAP(GlobalAvgpool)和两个全局最大池化层GMP(Global Maxpool)、四个共享参数的1×1卷积层和一个sigmoid激活函数，通道融合注意力机制将第一初始输入分别输入至第一全局平均池化层和第一全局最大池化层重处理后分别输出至第一1×1卷积层和第二1×1卷积层中处理，通道融合注意力机制将第二初始输入分别输入至第二全局平均池化层和第二全局最大池化层重处理后分别输出至第三1×1卷积层和第四1×1卷积层中处理，四个1×1卷积层的输出相加后经sigmoid激活函数处理后输出作为通道融合注意力机制输出的第一融合特征。
两个残差卷积网络的特征提取层1的输出分别为电流特征F i1和振动特征F vib1，其尺寸为C×H×W，其中，C、H、W分别表示特征的通道数、高度和宽度。通道融合注意力机制分别对F i1和F vib1进行全局平均池化和全局最大池化操作得到四个C×1×1的特征，四个特征输入至一个共享参数的卷积网络，该共享网络由两层卷积核大小为1×1的卷积层构成，通过卷积网络计算得到每个特征的输出向量后，使用求和合并向量，并通过sigmoid激活函数得到最终输出的通道注意力特征M c (F)。将通道注意力特征M c (F)分别与F i1和F vib1相乘得到空间融合注意力模块的输入特征F’ i1和F’ vib1。
如图5的（a）所示，空间融合注意力机制包括两个最大池化层Maxpool、两个平均池化层Avgpool、一个3×3卷积层和一个sigmoid激活函数，空间融合注意力机制将第一相乘结果分别输入至第一最大池化层和第一平均池化层中处理，空间融合注意力机制将第二相乘结果分别输入至第二最大池化层和第二平均池化层中处理，两个最大池化层和两个平均池化层处理后的输入共同依次输入至3×3卷积层和sigmoid激活函数中处理后输出作为空间融合注意力机制输出的第二融合特征。
空间融合注意力机制分别沿着F’ i1和F’ vib1的通道轴进行最大池化和平均池化，得到四个尺寸为1×H×W的特征，将四个特征沿着通道连接形成一4×H×W的特征，经过一层卷积核大小为3×3的卷积层降维得到一尺寸为1×H×W的空间注意力特征M s (F)，最终得到空间融合注意力机制的输出x i2和x vib2。
步骤1)中，带有标签的永磁同步电机PMSM的电流信号和振动信号具体为不同健康状态的永磁同步电机PMSM运行在不同负载工况下的电流信号和振动信号，标签标注有永磁同步电机PMSM的健康状态。
永磁同步电机PMSM的健康状态包括健康、定子绕组匝间短路、永磁体退磁、轴承内圈故障和轴承外圈故障；负载工况包括空载、半载和满载。
步骤1)中，永磁同步电机PMSM的电流信号和振动信号进行预处理具体为将电流信号和振动信号均进行信号降采样处理，随后将降采样后的电流信号和振动信号均匀分割为多个样本，将各个样本归一化后作为多传感器融合诊断模型的训练集。
在训练过程中，当多传感器融合诊断模型的模型损失趋于稳定且收敛后，获得训练完成的多传感器融合诊断模型的模型参数，将模型参数加载到多传感器融合诊断模型上，获得训练完成的多传感器融合诊断模型。
如图1所示，办发明方法在训练初始阶段，首先初始化模型参数并输入训练集，模型前向传播，计算得到模型损失，判断模型是否收敛，若未收敛则将参数反向传播更新模型参数，再继续进行上述前向传播的操作，若收敛则判断是否达到最大迭代次数，若否则继续判断模型是否收敛，若是则输入测试集判断模型准确率是否满足预设诊断需求，若否则返回初始化参数阶段，若是则保存当前更新的模型参数并加载到多传感器融合诊断模型上，用于PMSM诊断。
2) 采集待诊断的永磁同步电机PMSM的电流信号和振动信号进行步骤1)中相同的预处理后输入训练完成的多传感器融合诊断模型中处理，多传感器融合诊断模型处理后输出永磁同步电机PMSM的健康状态，完成永磁同步电机PMSM的故障诊断。
本发明的具体实施例如下：
步骤1)中采集的信号为三相电流信号和两路正交振动信号，振动传感器安装于电机的驱动端，采集两路正交的径向振动信号，信号的初始采样频率为1MHz；然后进行信号降采样处理，随后将电流信号与振动信号均匀分割为多个样本，然后进行数据归一化使模型更易收敛，归一化是将每相电流信号或每个振动信号为一个通道，每个样本的长度为1024个点，将长度为1024的一维信号转换为32×32的二维信号，分别得到模型的电流输入和振动输入的尺寸分别为3×32×32与2×32×32。最后将归一化样本以8：2的比例划分训练集与测试集，为不同类别的样本打上标签，最终对模型进行训练和测试。
多传感器融合诊断模型首先使用残差卷积网络的卷积层对输入进行特征提取，随后逐步通过四个特征提取层提取深层特征，每一特征提取层包含两个残差模块，每经过一个特征提取层，使用中间特征融合模块融合电流特征与振动特征并输出融合后的特征。中间特征融合模块融合电流信号与振动信号的特征信息，通过通道融合注意力得到通道注意力矩阵，通过空间融合注意力得到空间注意力矩阵，放大通道与空间位置的重要特征的权重，减小不重要特征的权重，以提取不同传感器信号的深层特征，自适应关注不同信号的内在相关特征。残差卷积网络的结构如下表1所示。
表1 残差卷积网络结构
残差卷积网络完成对电流信号与振动信号的特征提取后，将两个残差卷积网络的所得特征串联，经过全连接层与softmax激活函数得到诊断结果；softmax函数将输入转换为范围为[0,1]，总和为1的值，扩大了不同输入之间的差异。选择其输出的最大值为分类结果。
在训练时，使用处理得到的振动训练样本和电流训练样本训练多传感器融合诊断模型，模型训练设置迭代轮次epoch为80次；设置每批处理的样本数batch size为32；模型学习率设置为0.001；前向传播计算模型损失，使用Adam优化算法反向传播更新模型参数，损失趋于稳定、模型收敛后，保存训练完成的模型参数。将训练保存的模型参数加载至模型上，输入测试样本得到故障类别。
为验证本发明所提出的诊断方法的有效性与优越性，进行实验验证，具体实施例如下：
以一台十极、额定转速为1500r/min、额定负载为14.6N·m的电机为被测电机，TMS320F28335控制器以10kHz的开关频率控制被测电机。被测电机稳定运行在额定转速下，负载工况分为空载(0N·m)、半载(7.3N·m)、满载(14.6N·m)，采样频率设置为1MHz，采集电机的定子三相电流信号与电机驱动端的两路正交的径向振动信号。数据集标签与数量如表2所示。
表2 数据集标签与数量
数据集共采集五种不同的电机健康状态的电流信号与振动信号，每种电机状态在三种不同负载下共计得到600个训练样本和150个测试样本，训练集共计3000个样本，测试集共计750个样本。训练过程如图6中的（a）和图6中的（b）所示，在25次迭代内，模型训练准确率迅速上升并逐渐收敛，其损失趋近于0，准确率趋近于100%，在测试集上准确率呈现较大的波动，在之后的迭代过程中，模型波动较小，在第70次迭代后诊断准确率稳定在100%，训练损失稳定为0。图6中的（c）为得到的最终诊断结果，根据模型的预测标签和真实标签的比较，五种电机状态都达到了100%的诊断准确率。
为表现本发明方法的优越性，进行了与其他方法的比较，比较方法及其准确率如表3所示，得到本发明方法测试集准确率为100%，残差卷积网络的结构与表1一致。
表3 网络测试准确率对比
此外，本实施例进行了在信号含有白噪声条件下的测试，在不同SNR的条件下，不同网络的测试准确率如表4所示。
表4 不同方法在不同信噪比下的诊断准确率
为更直观地展现本发明所提方法提取特征与分类的能力，采用t-SNE可视化方法将模型的最后一层输出降维，得到结果如图7所示，相同类别的点聚集在一片区域，与其他类别的点距离较远，具有明显界限，不存在重叠的样本点。
以上所述仅为本发明的典型实施例，在不脱离本发明的精神和原则的情况下，对于本发明所作的多种变化、修改、替换或变形，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于残差卷积网络的多传感器融合PMSM故障诊断方法，其特征在于，包括：
1) 建立多传感器融合诊断模型，将若干带有标签的永磁同步电机PMSM的电流信号和振动信号进行预处理后作为训练集输入多传感器融合诊断模型中进行训练，获得训练完成的多传感器融合诊断模型；
2) 采集待诊断的永磁同步电机PMSM的电流信号和振动信号进行步骤1)中相同的预处理后输入训练完成的多传感器融合诊断模型中处理，多传感器融合诊断模型处理后输出永磁同步电机PMSM的健康状态，完成永磁同步电机PMSM的故障诊断；
所述的步骤1)中，多传感器融合诊断模型包括两个残差卷积网络、三个中间特征融合模块、全连接层和softmax激活函数；永磁同步电机PMSM经预处理后的电流信号x i 和振动信号x vib 分别作为第一残差卷积网络和第二残差卷积网络的输入，第一残差卷积网络和第二残差卷积网络处理后分别输出第一电流特征F i1和第一振动特征F vib1至第一中间特征融合模块，第一中间特征融合模块处理后分别输出第一融合电流特征x i2和第一融合振动特征x vib2至第一残差卷积网络和第二残差卷积网络，第一残差卷积网络和第二残差卷积网络处理后分别输出第二电流特征F i2和第二振动特征F vib2至第二中间特征融合模块，第二中间特征融合模块处理后分别输出第二融合电流特征x i3和第二融合振动特征x vib3至第一残差卷积网络和第二残差卷积网络，第一残差卷积网络和第二残差卷积网络处理后分别输出第三电流特征F i3和第三振动特征F vib3至第三中间特征融合模块，第三中间特征融合模块处理后分别输出第三融合电流特征x i4和第三融合振动特征x vib4至第一残差卷积网络和第二残差卷积网络，第一残差卷积网络和第二残差卷积网络处理后分别输出最终融合电流特征和最终融合振动特征并串联获得永磁同步电机PMSM的运行特征，将运行特征依次输入至全连接层和softmax激活函数中进行处理后输出作为多传感器融合诊断模型的输出。
2.根据权利要求1所述的基于残差卷积网络的多传感器融合PMSM故障诊断方法，其特征在于：所述的每个残差卷积网络包括一个卷积层、四个特征提取层和一个全局平均池化层，每个特征提取层包括两个依次连接的残差模块，残差卷积网络的输入依次输入至卷积层、第一特征提取层、第一中间特征融合模块、第二特征提取层、第二中间特征融合模块、第三特征提取层、第三中间特征融合模块、第四特征提取层和全局平均池化层中处理后输出作为残差卷积网络的输出。
3.根据权利要求1所述的基于残差卷积网络的多传感器融合PMSM故障诊断方法，其特征在于：所述的每个中间特征融合模块包括通道融合注意力机制和空间融合注意力机制，中间特征融合模块的第一初始输入和第二初始输入共同输入至通道融合注意力机制中处理，处理后输出第一融合特征，第一融合特征分别与第一初始输入和第二初始输入相乘后获得第一相乘结果和第二相乘结果，第一相乘结果和第二相乘结果共同输入至空间融合注意力机制中处理，处理后输出第二融合特征，第二融合特征分别与第一相乘结果和第二相乘结果相乘后输出作为中间特征融合模块的输出。
4.根据权利要求3所述的基于残差卷积网络的多传感器融合PMSM故障诊断方法，其特征在于：所述的通道融合注意力机制包括两个全局平均池化层和两个全局最大池化层、四个1×1卷积层和一个sigmoid激活函数，通道融合注意力机制将第一初始输入分别输入至第一全局平均池化层和第一全局最大池化层重处理后分别输出至第一1×1卷积层和第二1×1卷积层中处理，通道融合注意力机制将第二初始输入分别输入至第二全局平均池化层和第二全局最大池化层重处理后分别输出至第三1×1卷积层和第四1×1卷积层中处理，四个1×1卷积层的输出相加后经sigmoid激活函数处理后输出作为通道融合注意力机制输出的第一融合特征。
5.根据权利要求3所述的基于残差卷积网络的多传感器融合PMSM故障诊断方法，其特征在于：所述的空间融合注意力机制包括两个最大池化层、两个平均池化层、一个3×3卷积层和一个sigmoid激活函数，空间融合注意力机制将第一相乘结果分别输入至第一最大池化层和第一平均池化层中处理，空间融合注意力机制将第二相乘结果分别输入至第二最大池化层和第二平均池化层中处理，两个最大池化层和两个平均池化层处理后的输入共同依次输入至3×3卷积层和sigmoid激活函数中处理后输出作为空间融合注意力机制输出的第二融合特征。
6.根据权利要求1所述的基于残差卷积网络的多传感器融合PMSM故障诊断方法，其特征在于：所述的步骤1)中，带有标签的永磁同步电机PMSM的电流信号和振动信号具体为不同健康状态的永磁同步电机PMSM运行在不同负载工况下的电流信号和振动信号，标签标注有永磁同步电机PMSM的健康状态；
所述的永磁同步电机PMSM的健康状态包括健康、定子绕组匝间短路、永磁体退磁、轴承内圈故障和轴承外圈故障；负载工况包括空载、半载和满载。
7.根据权利要求1所述的基于残差卷积网络的多传感器融合PMSM故障诊断方法，其特征在于：所述的步骤1)中，永磁同步电机PMSM的电流信号和振动信号进行预处理具体为将电流信号和振动信号均进行信号降采样处理，随后将降采样后的电流信号和振动信号均匀分割为多个样本，将各个样本归一化后作为多传感器融合诊断模型的训练集；
在训练过程中，当多传感器融合诊断模型的模型损失趋于稳定且收敛后，获得训练完成的多传感器融合诊断模型的模型参数，将模型参数加载到多传感器融合诊断模型上，获得训练完成的多传感器融合诊断模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311550827.5A CN117332320B (zh) | 2023-11-21 | 2023-11-21 | 一种基于残差卷积网络的多传感器融合pmsm故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311550827.5A CN117332320B (zh) | 2023-11-21 | 2023-11-21 | 一种基于残差卷积网络的多传感器融合pmsm故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117332320A true CN117332320A (zh) | 2024-01-02 |
| CN117332320B CN117332320B (zh) | 2024-02-02 |
Family
ID=89293597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311550827.5A Active CN117332320B (zh) | 2023-11-21 | 2023-11-21 | 一种基于残差卷积网络的多传感器融合pmsm故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117332320B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111914883A (zh) * | 2020-06-18 | 2020-11-10 | 西安交通大学 | 一种基于深度融合网络的主轴轴承状态评估方法及装置 |
| CN112834921A (zh) * | 2020-12-23 | 2021-05-25 | 浙江工业大学 | 一种基于残差图注意力网络的电机故障诊断方法 |
| CN113569990A (zh) * | 2021-08-25 | 2021-10-29 | 浙江工业大学 | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 |
| WO2021233179A1 (zh) * | 2020-05-19 | 2021-11-25 | 深圳忆海原识科技有限公司 | 具有前向学习和元学习功能的类脑视觉神经网络 |
| CN113887342A (zh) * | 2021-09-16 | 2022-01-04 | 上海工业自动化仪表研究院有限公司 | 基于多源信号和深度学习的设备故障诊断方法 |
| US20230096021A1 (en) * | 2021-09-28 | 2023-03-30 | Robert Bosch Gmbh | Image processing via isotonic convolutional neural networks |
| CN116304861A (zh) * | 2023-02-09 | 2023-06-23 | 河北工业大学 | 一种基于自注意力的时频特征融合故障诊断方法 |
| CN116451163A (zh) * | 2023-04-19 | 2023-07-18 | 东南大学 | 基于深度残差网络的光纤电流互感器故障诊断方法 |
| CN116595313A (zh) * | 2023-03-23 | 2023-08-15 | 合肥工业大学 | 基于多尺度残差注意力网络的故障诊断方法及系统 |
| US20230351177A1 (en) * | 2022-04-29 | 2023-11-02 | University Of South Carolina | Enhanced discriminate feature learning deep residual cnn for multi-task rotating machinery fault diagnosis with information fusion |
| CN117056402A (zh) * | 2023-10-12 | 2023-11-14 | 国网浙江省电力有限公司余姚市供电公司 | 一种基于多源信号的电机诊断方法、装置及存储介质 |
-
2023
- 2023-11-21 CN CN202311550827.5A patent/CN117332320B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021233179A1 (zh) * | 2020-05-19 | 2021-11-25 | 深圳忆海原识科技有限公司 | 具有前向学习和元学习功能的类脑视觉神经网络 |
| CN111914883A (zh) * | 2020-06-18 | 2020-11-10 | 西安交通大学 | 一种基于深度融合网络的主轴轴承状态评估方法及装置 |
| CN112834921A (zh) * | 2020-12-23 | 2021-05-25 | 浙江工业大学 | 一种基于残差图注意力网络的电机故障诊断方法 |
| CN113569990A (zh) * | 2021-08-25 | 2021-10-29 | 浙江工业大学 | 面向强噪声干扰环境的演艺装备故障诊断模型构建方法 |
| CN113887342A (zh) * | 2021-09-16 | 2022-01-04 | 上海工业自动化仪表研究院有限公司 | 基于多源信号和深度学习的设备故障诊断方法 |
| US20230096021A1 (en) * | 2021-09-28 | 2023-03-30 | Robert Bosch Gmbh | Image processing via isotonic convolutional neural networks |
| US20230351177A1 (en) * | 2022-04-29 | 2023-11-02 | University Of South Carolina | Enhanced discriminate feature learning deep residual cnn for multi-task rotating machinery fault diagnosis with information fusion |
| CN116304861A (zh) * | 2023-02-09 | 2023-06-23 | 河北工业大学 | 一种基于自注意力的时频特征融合故障诊断方法 |
| CN116595313A (zh) * | 2023-03-23 | 2023-08-15 | 合肥工业大学 | 基于多尺度残差注意力网络的故障诊断方法及系统 |
| CN116451163A (zh) * | 2023-04-19 | 2023-07-18 | 东南大学 | 基于深度残差网络的光纤电流互感器故障诊断方法 |
| CN117056402A (zh) * | 2023-10-12 | 2023-11-14 | 国网浙江省电力有限公司余姚市供电公司 | 一种基于多源信号的电机诊断方法、装置及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| LERUI CHEN ET.AL.: ""An effective fault diagnosis approach for bearing using stacked de-noising auto-encoder with structure adaptive adjustment"", 《MEASUREMENT》, vol. 217 * |
| 蓝吕盈: ""基于边缘计算的轴承复合故障协同诊断研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, vol. 2023, no. 02, pages 029 - 783 * |
| 车维崧;彭书华;李俊杰;: "基于多特征时空信息融合的行为识别", 北京信息科技大学学报(自然科学版), no. 04, pages 9 - 16 * |
| 邱建琪等: ""永磁同步电机新型有限集模型预测速度控制"", 《电机与控制学报》, vol. 27, no. 04, pages 1 - 9 * |
| 郑维红: ""基于多头注意力机制和卷积神经网络的自适应机械故障诊断算法研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, vol. 2023, no. 02, pages 029 - 985 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117332320B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Maraaba et al. | Convolutional neural network-based inter-turn fault diagnosis in LSPMSMs | |
| Surendran et al. | Deep learning based intelligent industrial fault diagnosis model. | |
| CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
| Lebaroud et al. | Classification of induction machine faults by optimal time–frequency representations | |
| Vamsi et al. | Random forest based real time fault monitoring system for industries | |
| Wang et al. | Fault detection for motor drive control system of industrial robots using CNN-LSTM-based observers | |
| Minaz et al. | An effective method for detection of demagnetization fault in axial flux coreless PMSG with texture-based analysis | |
| Zaman et al. | Greedy-gradient max cut-based fault diagnosis for direct online induction motors | |
| Sá et al. | A multilayer perceptron-based approach for stator fault detection in permanent magnet wind generators | |
| Radhi et al. | Faults diagnosis in stator windings of high speed solid rotor induction motors using fuzzy neural network | |
| Bessam et al. | A novel method for induction motors stator inter-turn short circuit fault diagnosis based on wavelet energy and neural network | |
| CN117332320B (zh) | 一种基于残差卷积网络的多传感器融合pmsm故障诊断方法 | |
| Husari et al. | Sensitive inter-tum fault identifcation in induction motors using deep learning based methods | |
| Aishwarya et al. | Design and Fault Diagnosis of Induction Motor Using ML-Based Algorithms for EV Application | |
| CN116738367A (zh) | 基于多尺度图Transformer的滚动轴承故障诊断方法 | |
| CN113009337A (zh) | 海上风电永磁直驱电机匝间短路故障识别方法 | |
| CN111766513A (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 | |
| CN112162196A (zh) | 一种基于图注意力网络的电机故障诊断方法 | |
| CN113311364B (zh) | 基于多核svm的永磁同步电机逆变器开路故障诊断方法 | |
| CN115935275A (zh) | 基于双重对抗自编码的永磁推进电机故障数据扩张方法 | |
| Pashaee et al. | Fault Diagnosing Of An Induction Motor Based On Signal Fusion Using One-Dimensional Convolutional Neural Network | |
| Szabo et al. | ITSC Fault diagnosis in permanent magnet synchronous motor drives using shallow CNNs | |
| CN116626491B (zh) | 一种五相永磁电机匝间短路故障诊断方法 | |
| CN117929998A (zh) | Pmsm不同工况不同噪声环境下的电气故障诊断方法 | |
| Dongare et al. | Incipient faults detection in induction motor using MLP-NN and RBF-NN-based fault classifier |
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 |