CN117332340A - 基于多传感器视觉特征融合pmsm故障诊断方法及系统 - Google Patents
基于多传感器视觉特征融合pmsm故障诊断方法及系统 Download PDFInfo
- Publication number
- CN117332340A CN117332340A CN202311382822.6A CN202311382822A CN117332340A CN 117332340 A CN117332340 A CN 117332340A CN 202311382822 A CN202311382822 A CN 202311382822A CN 117332340 A CN117332340 A CN 117332340A
- Authority
- CN
- China
- Prior art keywords
- image
- angle difference
- features
- pmsm
- difference field
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000003745 diagnosis Methods 0.000 title claims abstract description 68
- 230000000007 visual effect Effects 0.000 title claims abstract description 46
- 230000004927 fusion Effects 0.000 title claims abstract description 42
- 230000001133 acceleration Effects 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 238000006243 chemical reaction Methods 0.000 claims abstract description 27
- 238000007637 random forest analysis Methods 0.000 claims description 42
- 241000254173 Coleoptera Species 0.000 claims description 23
- 210000003608 fece Anatomy 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000009467 reduction Effects 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 101100074846 Caenorhabditis elegans lin-2 gene Proteins 0.000 claims description 3
- 101100412394 Drosophila melanogaster Reg-2 gene Proteins 0.000 claims description 3
- 101100497386 Mus musculus Cask gene Proteins 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 abstract description 11
- 230000001360 synchronised effect Effects 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000000593 degrading effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000004075 alteration Effects 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
- 238000013145 classification model Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
-
- 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
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- 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
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及永磁同步电机故障诊断技术领域，具体涉及基于多传感器视觉特征融合PMSM故障诊断方法及系统，包括给电机预置常见健康状态和三种振动信号时域特征较为相似故障类型，搭建电机故障实验台，获取PMSM多种状态下不同转速和负载工况下的电机不同位置的振动信号样本，将采集的振动信号样本通过格拉姆角差场矩阵的形式表现出来；三个不同位置的加速度信号分别与RGB三个通道对应，通过图像视觉转化方法转化成多信号格拉姆角差场二维图像，本发明能够提高电机故障诊断的准确性和效率，克服了传统信号处理方法故障信息表征不全面的局限性，为降低复杂电机系统维护成本、提高服役质量提供了理论指导与实际借鉴。
Description
技术领域
本发明涉及PMSM故障诊断技术领域，具体涉及基于多传感器视觉特征融合PMSM故障诊断方法及系统。
背景技术
永磁同步电动机(PMSM)是重要的机电能量转换器，因为其重量轻、运行可靠、噪声低、效率高等性能优势，在各种工业应用中发挥着至关重要的作用。典型的应用包括自动化生产线中的包装机、钻床、切割机、注塑机等。在这些应用中，PMSM以高惯量驱动负载并频繁启动。
由于PMSM本身存在的制造缺陷以及运行中出现的磨损、形变和腐蚀等现象的影响，PMSM的性能会随着零件性能的恶化而逐渐衰退，会触发安全隐患，严重时甚至会发生停机事故，造成重大的经济损失。因此，准确的电机故障诊断算法至关重要。
传统的电机故障诊断研究在特征提取阶段主要采用时域、频域或时频域等信号处理方法对测得的信号进行分析提取相应状态的故障特征。然而上述方法往往存在故障诊断精度不高、适用范围不广问题，相关研究存在仅提取单一维度信号细节特征的局限性。然而，电机运行状态信号均可通过多维数据融合高维视觉知识方法转换到二维或高维度的空间以全面展示出隐含的多维信息。
灰度图编码方法一定程度上能反映振动信号的特征，但在编码过程中会造成振动信号时间信息的缺失从而造成故障特征信息的缺失。格拉姆角场可将序列信号转换成二维图像，克服了灰度图编码信息缺失的不足，通过相应位置的颜色、点、线等不同特征对信号进行完整映射。
图像特征提取方法主要是基于底层和中层特征的人工提取技术，通过考虑图像的局部或全局的各种特征，根据其纹理、形状和空间结构等信息来进行特征提取，且获取的特征具有可解释性强的优点，其中具有代表性的特征提取方法包括Tamura纹理特征和局部二进制模式(LBP)等，常将其应用于图像场景分类。纹理是图像中普遍存在而又难以描述的特征，可看作是一种反映图像像素空间分布特征的属性，常表现为在局部不规则而宏观上又有一定规律。传统的纹理特征提取尺度较为单一，获取的图像信息有限，因此需要从多个尺度上表征图像内部纹理基元的排列、组合方式及其在多尺度上的变化，以更好地捕捉图像全面的结构特征及其细节信息，展现不同尺度感受野下图像的独有特性。
机器学习已经成为一种流行的技术，并在电机故障检测领域得到了广泛的应用。在模式识别阶段利用提取到的故障特征对相应的机器学习模型进行训练如支持向量机、人工神经网络和极限学习机等。随机森林(RF)算法由于其稳定性和抗过拟合性而具有强大的优势。RF在处理高维数据方面具有很大的优势，并且对数据集具有很高的适应性。其次，RF的优点是训练速度快。然而，RF算法的主要应用是感应电机的故障检测，很少应用于PMSM故障分类。
发明内容
为了弥补现有技术的不足，解决上述的技术问题；本发明提出了基于多传感器视觉特征融合PMSM故障诊断方法及系统。
基于多传感器视觉特征融合PMSM故障诊断方法，所述方法包括：
S1：获取PMSM多种状态下不同转速和负载工况下的电机不同位置(电机的轴向、径向和机座)的振动信号样本，将采集的振动信号样本通过格拉姆角差场矩阵的形式表现出来；
S2：三个不同位置的加速度信号分别与RGB三个通道对应，通过图像视觉转化方法转化成多信号格拉姆角差场二维图像；
S3：分别通过Tamura纹理特征，HOG纹理特征与LBP特征对图像进行求解，将图像从整体到局部进行表征，将提取的特征进行PCA特征空间降维；
S4：进行多维特征融合，训练蜣螂算法优化的随机森林的网络参数，生成诊断模型；
S5：针对待检测的加速度信号，经过S2、S3处理后，输入S4训练后的诊断模型，获取被检测PMSM的诊断结果。
可选的，S1中包括如下步骤：
S11：利用格拉姆角差场将时间序列数据转换成二维图像，通过将时间序列X＝{x1,x2,…,x4}缩放至区间[-1,1]，其表达式为：
上式中，xi为采集的振动信号，max(X)为当前信号样本加速度的最大值，min(X)为当前信号样本加速度的最小值；
S12：将缩放后的振动信号数值编码为角余弦，将时间戳编码为半径r，然后重新转化为极坐标的时间序列，
上式中，ti为时间戳，N为正则化极坐标系统生成空间的常数因子，θ为极坐标系的角度；
其中，格拉姆角差场矩阵基于正弦函数，其定义分别为：
上式中，I为单位行向量[1,1,1…1]；为X的转置向量。
可选的，S2中需要三个不同位置的加速度信号得到的格拉姆角差场矩阵分别与RGB三个通道对应，包括如下步骤：
S21：计算每一个加速度传感器采集信号经过预处理后的格拉姆角差场矩阵,GR,GG,GB分别代表三个不同位置的加速度传感器采集信号经过预处理后的格拉姆角差场矩阵
S22：将矩阵内部的每一个数缩放至0-255之间得到色彩特征矩阵
S23：通过色彩特征矩阵转化生成二维图像。
可选的，S3中需要计算的Tamura纹理特征包括粗糙度、对比度、方向度、线性度、规整度和粗略度。
可选的，设定GASF和GADF图像的粗糙度特征为Tcoa1和Tcoa2，粗糙度的计算公式为：
上式中，m和n分别为图像的长和宽；l的取值为每个像素点在水平和垂直两个方向上未重叠窗口间的平均强度差最大时，设置窗口的最佳尺寸Sbest(i,j)＝2l；平均强度差的计算公式分别为
El,h(x,y)＝∣Cl(x+2l-1,y)-Cl(x-2l-1,y)∣
El,v(x,y)＝∣Cl(x,y+2l-1)-Cl(x,y-2l-1)∣
上式中，Cl为位于该坐标像素点的灰度值，x,y为图像的横纵坐标；
设定GASF和GADF图像的对比度特征为Tcon1和Tcon2，对比度的计算公式为：
上式中，其中μ4为四次矩；σ4为方差；
设定GASF和GADF图像的方向度特征为Tdir1和Tdir2，方向度的计算公式为：
上式中，np为直方图峰值数目；p(p>0)为直方图/>的峰值；ωp为峰值量化范围；/>为ωp中最大直方图中的量化值；
设定GASF和GADF图像的线性度特征为Tlin1和Tlin2，线性度的计算公式为：
上式中，Pa为m×m局部方向共生矩阵的距离点；
设定GASF和GADF图像的规整度特征为Treg1和Treg2，规整度的计算公式为：
Treg＝1-r(σcoa+σcon+σdir+σlin)
上式中，r为归一化因子；σcoa，σcon，σdir，σlin为各纹理特征参数的标准差；
设定GASF和GADF图像的粗略度特征Trou1和Trou2，粗略度的计算公式为：
Trou＝Tcoa+Tcon。
可选的，S3中需要计算的HOG特征包括以下步骤：
S311：将图像划为两层，第一层互相连通Cell单元组成，几个Cell构成一个Block区块，各Block可以重叠。
S312：通过计算像素点(x，y)的坐标方向的梯度来获取该点的梯度幅值和梯度方向。
S313：式中，Gx(x,y)，Gy(x,y)，H(x,y)分别表示像素点在二维平面垂直坐标系中x轴和y轴方向梯度及像素值。该像素点处的梯度幅值与梯度方向的计算公式为：
S314：将Cell的梯度方向180度等分成n个被称为Bin的方向块，累加每一个Cell的n维梯度幅度。
S315：将多个Cell单元组合为Block块，进行对比度归一化。
S316：收集检测窗口中所有重叠的Block块的HOG特征。
可选的，S3中需要计算的LBP特征包括以下步骤：
S321：生成一个3x3的窗口,将窗口中心的数值与其相邻的8个数值从左上角开始，顺时针进行大小比较，当邻域数值大于或等于中心数值时，记为1,反之则记为0。
S322：通过此方法，则可生成一组8位的二进制数，将其通过下式转换为十进制数值，得到的十进制数值就是此像素点的LBP值，最后通过对不同LBP值的出现次数进行统计，就可以对图像的特征进行描述。
式中，(xc,yc)为3×3邻域的中心像素；ic为中心点的灰度值；ip为邻域像素点的灰度值。
可选的，S4中蜣螂优化算法对随机森林分类模型的优化过程为：
S41：输入经过PCA降维后的图像特征，初始化决策树的个数b和最小叶子点树m，设置种群数量及迭代次数初始化参数。
S42：计算随机森林模型袋外数据误分率，采用蜣螂优化对随机森林模型的b和m进行优化求解。
S43：如果达到最大迭代次数或者达到分类准确度，输出最优参数b和m到随机森林分类模型；如果没有达到最大迭代次数或者达到分类准确度，执行S42。
可选的，S4中需要选择合适的目标函数评价每组参数的优劣：
本发明在使用随机森林训练每个决策树基分类器时，约有1/3的纹理融合特征参数未被抽取训练，称其为袋外数据。袋外数据可取代测试集对随机森林模型泛化误差进行估计，故本文选择袋外数据误分率作为蜣螂优化算法的目标函数，用于搜寻适应于电机故障诊断模型的最优参数，其计算公式为：
其中，xr、xw分别为袋外数据中正确分类、错误分类的样本数量；M1为原始样本的特征属性；N1为决策树基分类器的规模上限。
可选的，S5中基于训练后的随机森林，获取被检测电机轴承的故障状态包括如下步骤：
S501，将待测的振动信号通过格拉姆角差场矩阵的形式表现出来；
S502，三个不同位置的加速度信号得到的格拉姆角差场矩阵分别与RGB三个通道对应，通过图像视觉转化方法转化成多信号格拉姆角差场二维图像；
S503，分别通过Tamura纹理特征，HOG纹理特征与LBP特征对图像进行求解，将图像从整体到局部进行表征，将提取的特征进行PCA特征空间降维；
S504，将特征输入训练好的蜣螂算法优化的随机森林分类模型，得到被检测电机的故障状态。
基于多传感器视觉特征融合PMSM故障诊断系统，所述系统包括：
第一获取单元，所述第一获取单元用于获取多种电机故障状态下的振动信号样本；
转化单元，所述转化单元用于将采集的振动信号样本通过计算格拉姆角差场矩阵，将三个不同位置的加速度信号得到的格拉姆角差场矩阵分别与RGB三个通道对应，通过图像视觉转化方法转化成多信号格拉姆角差场二维图像；
计算单元，分别通过Tamura纹理特征，HOG纹理特征与LBP特征对图像进行求解，将图像从整体到局部进行表征，将提取的特征进行PCA特征空间降维；
训练单元，训练单元用于多维特征融合，训练蜣螂算法优化的随机森林的网络参数，生成诊断模型；
第二获取单元，所述第二获取单元用于基于训练后的诊断模型，获取被检测电机轴承的故障状态，其中第二获取单元包括：获取模块，用于获取被检测电机的振动信号；
转化模块，用于将多维振动信号变换为二维图像；
计算模块，用于Tamura纹理特征，HOG纹理特征与LBP特征对图像进行求解，将提取的特征进行PCA特征空间降维；
输入输出模块，用于将提取的特征输入训练后的诊断模型，得到被检测电机的故障状态。
基于多传感器视觉特征融合PMSM故障诊断装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
获取待测电机的振动信号样本，将采集的振动信号样本通过格拉姆角差场矩阵的形式表现出来；
三个不同位置的加速度信号得到的格拉姆角差场矩阵分别与RGB三个通道对应，通过图像视觉转化方法转化成多信号格拉姆角差场二维图像；
分别通过Tamura纹理特征，HOG纹理特征与LBP特征对图像进行求解，将图像从整体到局部进行表征，将提取的特征进行PCA特征空间降维；
将提取的特征向量，输入训练后的诊断模型，获取被检测PMSM的诊断结果。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
获取待测电机的振动信号样本，将采集的振动信号样本通过格拉姆角差场矩阵的形式表现出来；三个不同位置的加速度信号得到的格拉姆角差场矩阵分别与RGB三个通道对应，通过图像视觉转化方法转化成多信号格拉姆角差场二维图像；分别通过Tamura纹理特征，HOG纹理特征与LBP特征对图像进行求解，将提取的特征进行PCA特征空间降维；将提取的特征向量，输入训练后的诊断模型，获取被检测PMSM的诊断结果。
本发明的有益效果如下：
1.将图像处理和故障诊断向结合，电机运行状态信号均可通过多个传感器的数据融合视觉知识方法转换到二维空间以全面展示出隐含的多维信息，更直观的表证了故障下的特征。克服了传统信号处理方法故障信息表征不全面的局限性，为降低复杂电机系统维护成本、提高服役质量提供了理论指导与实际借鉴。
2.通过多种图像特征提取方法，图像多维视觉特征融合更直观的表征了故障下的特征，可以通过图像中相应位置的颜色、点、线等多维视觉特征对振动信号进行完整映射，将图像从整体到局部进行表征，且对应负载具的变化具有较高鲁棒性，该方法在表征轴承不同故障下的特征具有极大的优势。
3.本发明提出了基于蜣螂优化算法改进的随机森林分类，采用蜣螂算法对决策树的个数b和最小叶子点树m进行优化，提高了分类模型的准确率和效率，同时对比了其他的常见分类方法，参考准确度、精确度、召回率和F1值等指标，本发明创建的方法框架具有较大的优势。
4.本发明诊断思路适用于其他时序成像方法，通用性好，具有良好的应用效果。同时本发明所提的诊断方法是非侵入式的，可推广应用于工业电机的状态监测和在线诊断。
5.永磁同步电机故障诊断中，在信号转换图像后，使用单一信号源进行故障诊断效果并不理想，使用多种不同维度的信号可大大提高诊断精度，同时由于使用的是随机森林模型，具有学习速度快、泛化能力强等优点。
附图说明
下面结合附图对本发明作进一步说明。
图1为故障诊断框架图；
图2为MGADF图像转换过程；
图3为振动信号、颜色特征和MGADF图像；
图4为不同电机类型在1000r/min的不同负载条件下的MGADF图像；
图5为不同电机类型在额定负载下不同转速条件下的MGADF图像；
图6为多纹理特征融合提取过程；
图7为DBO-RF算法流程图；
图8为四种尺寸在分类的数据结果。
具体实施方式
下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
首先，需要说明的是，随着像素数的增加,可能会出现冗余干扰信息,进而影响图像的识别,在故障诊断领域,为了获得尽可能多的信息,通常采用较高的采样率,所以本发明中实施例的故障数据是在10kHz下测量的。
其次，在实际处理这些数据时,发现在采集过程中存在大量的冗余信息。本实施例针对下述方式进行了实验，固定检测方法,调整数据长度，探究这四种数据长度(64，256，512，1024)对最终实验结果的影响，可见64尺寸未能包含足够的振动信息，而256、512、1024三种尺寸均包含了足够的信号信息。明显看到，1024尺寸因为像素的压缩，图像相似度提高，特征反而不明显。
为了验证结论，采用基于多传感器视觉特征融合PMSM故障诊断方法，分别用以上4种采样尺寸采集无故障对照组和故障在额定转速下的数据，进行四分类实验，图8是四种尺寸在分类的数据结果。实验表明，128尺寸的采样会丢失部分信息，使精度下降。而1024尺寸的采样虽然包含足够的信息，因为像素的压缩，图像相似度提高，特征反而不明显而导致精度下降。因此，本方法将采用256尺寸作为信号样本的时间点长度。由于数据量的转化，两者之间存在着匹配的关系,这也是本实施例的原理出发点，具体如下：
实施例一
如图1所示，基于多传感器视觉特征融合PMSM故障诊断方法，所述方法包括：
S1：获取PMSM多种状态下不同转速和负载工况下的电机不同位置(电机的轴向、径向和机座)的振动信号样本，将采集的振动信号样本通过格拉姆角差场矩阵的形式表现出来；
S2：三个不同位置的加速度信号分别与RGB三个通道对应，通过图像视觉转化方法转化成多信号格拉姆角差场二维图像；
S3：分别通过Tamura纹理特征，HOG纹理特征与LBP特征对图像进行求解，将图像从整体到局部进行表征，将提取的特征进行PCA特征空间降维；
S4：进行多维特征融合，训练蜣螂算法优化的随机森林的网络参数，生成诊断模型；
S5：针对待检测的加速度信号，经过S2、S3处理后，输入S4训练后的诊断模型，获取被检测PMSM的诊断结果。
在一些实施例中，S1中包括如下步骤：
S11：利用格拉姆角差场将时间序列数据转换成二维图像，通过将时间序列X＝{x1,x2,…,x4}缩放至区间[-1,1]，其表达式为：
上式中，xi为采集的振动信号，max(X)为当前信号样本加速度的最大值，min(X)为当前信号样本加速度的最小值；
S12：将缩放后的振动信号数值编码为角余弦，将时间戳编码为半径r，然后重新转化为极坐标的时间序列，
上式中，ti为时间戳，N为正则化极坐标系统生成空间的常数因子，θ为极坐标系的角度；
其中，格拉姆角差场矩阵基于正弦函数，其定义分别为：
上式中，I为单位行向量[1,1,1…1]；为X的转置向量。
在一些实施例中，S2中需要三个不同位置的加速度信号得到的格拉姆角差场矩阵分别与RGB三个通道对应，包括如下步骤：
S21：计算每一个加速度传感器采集信号经过预处理后的格拉姆角差场矩阵,GR,GG,GB分别代表三个不同位置的加速度传感器采集信号经过预处理后的格拉姆角差场矩阵
S22：将矩阵内部的每一个数缩放至0-255之间得到色彩特征矩阵
S23：通过色彩特征矩阵转化生成二维图像。
在一些实施例中，S3中需要计算的Tamura纹理特征包括粗糙度、对比度、方向度、线性度、规整度和粗略度。
在一些实施例中，设定GASF和GADF图像的粗糙度特征为Tcoa1和Tcoa2，粗糙度的计算公式为：
上式中，m和n分别为图像的长和宽；l的取值为每个像素点在水平和垂直两个方向上未重叠窗口间的平均强度差最大时，设置窗口的最佳尺寸Sbest(i,j)＝2l；平均强度差的计算公式分别为
El,h(x,y)＝∣Cl(x+2l-1,y)-Cl(x-2l-1,y)∣
El,v(x,y)＝∣Cl(x,y+2l-1)-Cl(x,y-2l-1)∣
上式中，Cl为位于该坐标像素点的灰度值，x,y为图像的横纵坐标；
设定GASF和GADF图像的对比度特征为Tcon1和Tcon2，对比度的计算公式为：
上式中，其中μ4为四次矩；σ4为方差；
设定GASF和GADF图像的方向度特征为Tdir1和Tdir2，方向度的计算公式为：
上式中，np为直方图峰值数目；p(p>0)为直方图/>的峰值；ωp为峰值量化范围；/>为ωp中最大直方图中的量化值；
设定GASF和GADF图像的线性度特征为Tlin1和Tlin2，线性度的计算公式为：
上式中，Pa为m×m局部方向共生矩阵的距离点；
设定GASF和GADF图像的规整度特征为Treg1和Treg2，规整度的计算公式为：
Treg＝1-r(σcoa+σcon+σdir+σlin)
上式中，r为归一化因子；σcoa，σcon，σdir，σlin为各纹理特征参数的标准差；
设定GASF和GADF图像的粗略度特征Trou1和Trou2，粗略度的计算公式为：
Trou＝Tcoa+Tcon。
在一些实施例中，S3中需要计算的HOG特征包括以下步骤：
S311：将图像划为两层，第一层互相连通Cell单元组成，几个Cell构成一个Block区块，各Block可以重叠。
S312：通过计算像素点(x，y)的坐标方向的梯度来获取该点的梯度幅值和梯度方向。
S313：式中，Gx(x,y)，Gy(x,y)，H(x,y)分别表示像素点在二维平面垂直坐标系中x轴和y轴方向梯度及像素值。该像素点处的梯度幅值与梯度方向的计算公式为：
S314：将Cell的梯度方向180度等分成n个被称为Bin的方向块，累加每一个Cell的n维梯度幅度。
S315：将多个Cell单元组合为Block块，进行对比度归一化。
S316：收集检测窗口中所有重叠的Block块的HOG特征。
在一些实施例中，S3中需要计算的LBP特征包括以下步骤：
S321：生成一个3x3的窗口,将窗口中心的数值与其相邻的8个数值从左上角开始，顺时针进行大小比较，当邻域数值大于或等于中心数值时，记为1,反之则记为0。
S322：通过此方法，则可生成一组8位的二进制数，将其通过下式转换为十进制数值，得到的十进制数值就是此像素点的LBP值，最后通过对不同LBP值的出现次数进行统计，就可以对图像的特征进行描述。
式中，(xc,yc)为3×3邻域的中心像素；ic为中心点的灰度值；ip为邻域像素点的灰度值。
在一些实施例中，S4中蜣螂优化算法对随机森林分类模型的优化过程为：
S41：输入经过PCA降维后的图像特征，初始化决策树的个数b和最小叶子点树m，设置种群数量及迭代次数初始化参数。
S42：计算随机森林模型袋外数据误分率，采用蜣螂优化对随机森林模型的b和m进行优化求解。
S43：如果达到最大迭代次数或者达到分类准确度，输出最优参数b和m到随机森林分类模型；如果没有达到最大迭代次数或者达到分类准确度，执行S42。
在一些实施例中，S4中需要选择合适的目标函数评价每组参数的优劣：
本发明在使用随机森林训练每个决策树基分类器时，约有1/3的纹理融合特征参数未被抽取训练，称其为袋外数据。袋外数据可取代测试集对随机森林模型泛化误差进行估计，故本文选择袋外数据误分率作为蜣螂优化算法的目标函数，用于搜寻适应于电机故障诊断模型的最优参数，其计算公式为：
其中，xr、xw分别为袋外数据中正确分类、错误分类的样本数量；M1为原始样本的特征属性；N1为决策树基分类器的规模上限。
在一些实施例中，S5中基于训练后的随机森林，获取被检测电机轴承的故障状态包括如下步骤：
S501，将待测的振动信号通过格拉姆角差场矩阵的形式表现出来；
S502，三个不同位置的加速度信号得到的格拉姆角差场矩阵分别与RGB三个通道对应，通过图像视觉转化方法转化成多信号格拉姆角差场二维图像；
S503，分别通过Tamura纹理特征，HOG纹理特征与LBP特征对图像进行求解，将图像从整体到局部进行表征，将提取的特征进行PCA特征空间降维；
S504，将特征输入训练好的蜣螂算法优化的随机森林分类模型，得到被检测电机的故障状态。
实施例二
基于与前述实施例一中基于多传感器视觉特征融合PMSM故障诊断方法同样的发明构思，本发明还提供了基于多传感器视觉特征融合PMSM故障诊断系统，所述系统包括：
第一获取单元，所述第一获取单元用于获取多种电机故障状态下的振动信号样本；
转化单元，所述转化单元用于将采集的振动信号样本通过计算格拉姆角差场矩阵，将三个不同位置的加速度信号得到的格拉姆角差场矩阵分别与RGB三个通道对应，通过图像视觉转化方法转化成多信号格拉姆角差场二维图像；
计算单元，分别通过Tamura纹理特征，HOG纹理特征与LBP特征对图像进行求解，将图像从整体到局部进行表征，将提取的特征进行PCA特征空间降维；
训练单元，训练单元用于多维特征融合，训练蜣螂算法优化的随机森林的网络参数，生成诊断模型；
第二获取单元，所述第二获取单元用于基于训练后的诊断模型，获取被检测电机轴承的故障状态，其中第二获取单元包括：获取模块，用于获取被检测电机的振动信号；
转化模块，用于将多维振动信号变换为二维图像；
计算模块，用于Tamura纹理特征，HOG纹理特征与LBP特征对图像进行求解，将提取的特征进行PCA特征空间降维；
输入输出模块，用于将提取的特征输入训练后的诊断模型，得到被检测电机的故障状态。
实施例三
基于与前述实施例中基于多传感器视觉特征融合PMSM故障诊断方法同样的发明构思，本发明还提供基于多传感器视觉特征融合PMSM故障诊断装置，其上存储有计算机程序，该程序被处理器执行时实现前文所述一种数据方法的任一方法的步骤，具体如下：
其包括总线架构，总线可以包括任意数量的互联的总线和桥，总线将包括由处理器代表的一个或多个处理器和存储器代表的存储器的各种电路链接在一起。总线还可以将诸如外围设备、稳压器、传感器、摄像头和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本发明不再对其进行进一步描述。
实施例四
基于与前述实施例一中基于多传感器视觉特征融合PMSM故障诊断方法同样的发明构思，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
获取待测电机的振动信号样本，将采集的振动信号样本通过格拉姆角差场矩阵的形式表现出来；三个不同位置的加速度信号得到的格拉姆角差场矩阵分别与RGB三个通道对应，通过图像视觉转化方法转化成多信号格拉姆角差场二维图像；分别通过Tamura纹理特征，HOG纹理特征与LBP特征对图像进行求解，将图像从整体到局部进行表征，将提取的特征进行PCA特征空间降维；将提取的特征向量，输入训练后的诊断模型，获取被检测PMSM的诊断结果。
为了对本实施例前述基于多传感器视觉特征融合PMSM故障诊断方法的有效性和对不同故障的泛化性进行验证，本实施例中通过电机故障实验平台不同负载下的测试数据来验证对不同数据的可泛化性。
本实施例中利用PMSM故障实验平台采集振动数据，完成对上述相关理论的实验验证。其中，电机故障实验台主要由待测电机、振动传感器、定位平台、数字信号采集装置、编码器、直流电源和计算机组成，电机参数如表1所示。
表1为电机参数
| 额定功率 | 极数 | 电压 | 电流 | 频率 | 额定转速 |
| 750w | 4 | 380V | 1.35A | 50Hz | 3000rpm |
电机故障实验主要包括正常电机、匝间短路故障电机、不均匀退磁故障电机、偏心故障电机。电机在1000rpm，1500rpm和2000rpm下运行，以及空载，50％额定负载，100％额定负载时进行测量。
本实施中对不同故障和工况下采集一维振动信号数据片段全部转换为二维图像，不同故障和工况下转换的二维图像如图4和图5所示。
进一步的，下面将使用不同方法进行对比，说明本发明在PMSM故障诊断的优越性。
第一：与其他时间序列转二维图像方法对比。
为了对比MGADF在故障特征表征对故障诊断准确率的影响，a,b,c分别指代PMSM轴向、径向和机座的加速度，分别对数据长度为256的信号进行信号图像变换，并与常见的几种时间序列转二维图像方法马尔可夫转移场(MTF)，递归图(RP)，格拉姆角和场(GASF)，格拉姆角差场(GADF)进行对比。所有经由振动信号转化的二维图像均采用特征融合提取方法和基于蜣螂优化算法改进的随机森林的分类诊断方法，诊断结果见表3。
表3为不同时间序列转二维图像方法准确率对比
由上表可知，采用MGADF的时间序列转二维图像方法具有最高的故障诊断准确率，高达99.54％。结果表明MGADF相比于其他方法，在表征PMSM不同故障下的特征具有极大的优势。
第二：不同采样尺寸对诊断结果的影响的比较。
探究这五种数据尺寸(64，128，256，512，1024)对最终实验结果的影响。五种尺寸通过MGADF编码后得到图像，通过融合纹理特征提取方法求解特征向量，划分数据集和测试集，训练集经由蜣螂优化的随机森林模型生成，对测试集进行测试，测试结果见图8。实验表明，128尺寸的采样会丢失部分信息，使精度下降。而1024尺寸的采样虽然包含足够的信息，因为像素的压缩，图像相似度提高，特征反而不明显而导致精度下降。因此，本发明将采用256尺寸作为信号样本的时间点长度。
第三：与其他故障识别分类方法对比
为验证本发明故障识别的优越性，将支持向量机(SVM)，BP神经网络(BP)，RBF神经网络(RBF)，随机森林(RF)和蜣螂优化的随机森林(DBO-RF)比较。本发明模型和其他模型输入数据均为数据长度为256转换的MGADF图像提取的融合纹理特征，对比实验主要关注指示为准确率，精确率，召回率和F1分数，具体见表4。
表4为不同故障识别分类方法对比
| 方法 | 准确率 | 精确率 | 召回率 | F1分数 |
| MGADF+SVM | 87.35±2.04 | 88.76±2.08 | 87.35±2.04 | 88.27±2.63 |
| MGADF+BP | 95.59±1.35 | 95.35±1.43 | 95.59±1.35 | 95.35±1.54 |
| MGADF+RBF | 96.64±1.57 | 95.36±1.58 | 96.64±1.57 | 95.37±1.58 |
| MGADF+RF | 98.53±0.17 | 98.45±0.19 | 98.53±0.17 | 98.50±0.18 |
| MGADF+DBO-RF | 99.54±0.19 | 99.56±0.19 | 99.54±0.19 | 99.58±0.19 |
由表4可知与RF相比，DBO-RF在诊断时间上大幅缩短，诊断准确率也有提升。就整体性能而言，DBO-RF优于所有其他分类器，它具有最高的平均准确性和稳定性。综上所述，本发明创建的DBO-RF有较大的优势。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (12)
1.基于多传感器视觉特征融合PMSM故障诊断方法，其特征在于，所述方法包括：
S1：获取PMSM多种状态下不同转速和负载工况下的电机不同位置(电机的轴向、径向和机座)的振动信号样本，将采集的振动信号样本通过格拉姆角差场矩阵的形式表现出来；
S2：三个不同位置的加速度信号分别与RGB三个通道对应，通过图像视觉转化方法转化成多信号格拉姆角差场二维图像；
S3：分别通过Tamura纹理特征，HOG纹理特征与LBP特征对图像进行求解，将图像从整体到局部进行表征，将提取的特征进行PCA特征空间降维；
S4：进行多维特征融合，训练蜣螂算法优化的随机森林的网络参数，生成诊断模型；
S5：针对待检测的加速度信号，经过S2、S3处理后，输入S4训练后的诊断模型，获取被检测PMSM的诊断结果。
2.根据权利要求1所述的基于多传感器视觉特征融合PMSM故障诊断方法，其特征在于，S1中包括如下步骤：
S11：利用格拉姆角差场将时间序列数据转换成二维图像，通过将时间序列X＝{x1,x2,…,x4}缩放至区间[-1,1]，其表达式为：
上式中，xi为采集的振动信号，max(X)为当前信号样本加速度的最大值，min(X)为当前信号样本加速度的最小值；
S12：将缩放后的振动信号数值编码为角余弦，将时间戳编码为半径r，然后重新转化为极坐标的时间序列，
上式中，ti为时间戳，N为正则化极坐标系统生成空间的常数因子，θ为极坐标系的角度；
其中，格拉姆角差场矩阵基于正弦函数，其定义分别为：
上式中，I为单位行向量[1,1,1…1]；为X的转置向量。
3.根据权利要求1所述的基于多传感器视觉特征融合PMSM故障诊断方法，其特征在于，S2中需要三个不同位置的加速度信号得到的格拉姆角差场矩阵分别与RGB三个通道对应，包括如下步骤：
S21：计算每一个加速度传感器采集信号经过预处理后的格拉姆角差场矩阵,GR,GG,GB分别代表三个不同位置的加速度传感器采集信号经过预处理后的格拉姆角差场矩阵
S22：将矩阵内部的每一个数缩放至0-255之间得到色彩特征矩阵
S23：通过色彩特征矩阵转化生成二维图像。
4.根据权利要求1所述的基于多传感器视觉特征融合PMSM故障诊断方法，其特征在于，S3中需要计算的Tamura纹理特征包括粗糙度、对比度、方向度、线性度、规整度和粗略度。
5.根据权利要求1所述的基于多传感器视觉特征融合PMSM故障诊断方法，其特征在于，设定GASF和GADF图像的粗糙度特征为Tcoa1和Tcoa2，粗糙度的计算公式为：
上式中，m和n分别为图像的长和宽；l的取值为每个像素点在水平和垂直两个方向上未重叠窗口间的平均强度差最大时，设置窗口的最佳尺寸Sbest(i,j)＝2l；平均强度差的计算公式分别为
El,h(x,y)＝∣Cl(x+2l-1,y)-Cl(x-2l-1,y)∣
El,v(x,y)＝∣Cl(x,y+2l-1)-Cl(x,y-2l-1)∣
上式中，Cl为位于该坐标像素点的灰度值，x,y为图像的横纵坐标；
设定GASF和GADF图像的对比度特征为Tcon1和Tcon2，对比度的计算公式为：
上式中，其中μ4为四次矩；σ4为方差；
设定GASF和GADF图像的方向度特征为Tdir1和Tdir2，方向度的计算公式为：
上式中，np为直方图峰值数目；p(p>0)为直方图/>的峰值；ωp为峰值量化范围；/>为ωp中最大直方图中的量化值；
设定GASF和GADF图像的线性度特征为Tlin1和Tlin2，线性度的计算公式为：
上式中，Pa为m×m局部方向共生矩阵的距离点；
设定GASF和GADF图像的规整度特征为Treg1和Treg2，规整度的计算公式为：
Treg＝1-r(σcoa+σcon+σdir+σlin)
上式中，r为归一化因子；σcoa，σcon，σdir，σlin为各纹理特征参数的标准差；
设定GASF和GADF图像的粗略度特征Trou1和Trou2，粗略度的计算公式为：
Trou＝Tcoa+Tcon。
6.根据权利要求1所述的基于多传感器视觉特征融合PMSM故障诊断方法，其特征在于，S3中需要计算的HOG特征包括以下步骤：
S311：将图像划为两层，第一层互相连通Cell单元组成，几个Cell构成一个Block区块，各Block可以重叠；
S312：通过计算像素点(x，y)的坐标方向的梯度来获取该点的梯度幅值和梯度方向；
S313：式中，Gx(x,y)，Gy(x,y)，H(x,y)分别表示像素点在二维平面垂直坐标系中x轴和y轴方向梯度及像素值；该像素点处的梯度幅值与梯度方向的计算公式为：
S314：将Cell的梯度方向180度等分成n个被称为Bin的方向块，累加每一个Cell的n维梯度幅度；
S315：将多个Cell单元组合为Block块，进行对比度归一化；
S316：收集检测窗口中所有重叠的Block块的HOG特征。
7.根据权利要求1所述的基于多传感器视觉特征融合PMSM故障诊断方法，其特征在于，S3中需要计算的LBP特征包括以下步骤：
S321：生成一个3x3的窗口,将窗口中心的数值与其相邻的8个数值从左上角开始，顺时针进行大小比较，当邻域数值大于或等于中心数值时，记为1,反之则记为0；
S322：通过此方法，则可生成一组8位的二进制数，将其通过下式转换为十进制数值，得到的十进制数值就是此像素点的LBP值，最后通过对不同LBP值的出现次数进行统计，就可以对图像的特征进行描述；
式中，(xc,yc)为3×3邻域的中心像素；ic为中心点的灰度值；ip为邻域像素点的灰度值。
8.根据权利要求1所述的基于多传感器视觉特征融合PMSM故障诊断方法，其特征在于，S4中蜣螂优化算法对随机森林分类模型的优化过程为：
S41：输入经过PCA降维后的图像特征，初始化决策树的个数b和最小叶子点树m，设置种群数量及迭代次数初始化参数；
S42：计算随机森林模型袋外数据误分率，采用蜣螂优化对随机森林模型的b和m进行优化求解；
S43：如果达到最大迭代次数或者达到分类准确度，输出最优参数b和m到随机森林分类模型；如果没有达到最大迭代次数或者达到分类准确度，执行S42。
9.根据权利要求1所述的基于多传感器视觉特征融合PMSM故障诊断方法，其特征在于，S4中选择合适的目标函数评价每组参数的优劣：
包括选择袋外数据误分率作为蜣螂优化算法的目标函数，用于搜寻适应于电机故障诊断模型的最优参数，其计算公式为：
其中，xr、xw分别为袋外数据中正确分类、错误分类的样本数量；M1为原始样本的特征属性；N1为决策树基分类器的规模上限；
S5中基于训练后的随机森林，获取被检测电机轴承的故障状态包括如下步骤：
S501，将待测的振动信号通过格拉姆角差场矩阵的形式表现出来；
S502，三个不同位置的加速度信号得到的格拉姆角差场矩阵分别与RGB三个通道对应，通过图像视觉转化方法转化成多信号格拉姆角差场二维图像；
S503，分别通过Tamura纹理特征，HOG纹理特征与LBP特征对图像进行求解，将图像从整体到局部进行表征，将提取的特征进行PCA特征空间降维；
S504，将特征输入训练好的蜣螂算法优化的随机森林分类模型，得到被检测电机的故障状态。
10.基于多传感器视觉特征融合PMSM故障诊断系统，其特征在于，所述系统包括：
第一获取单元，所述第一获取单元用于获取多种电机故障状态下的振动信号样本；
转化单元，所述转化单元用于将采集的振动信号样本通过计算格拉姆角差场矩阵，将三个不同位置的加速度信号得到的格拉姆角差场矩阵分别与RGB三个通道对应，通过图像视觉转化方法转化成多信号格拉姆角差场二维图像；
计算单元，分别通过Tamura纹理特征，HOG纹理特征与LBP特征对图像进行求解，将图像从整体到局部进行表征，将提取的特征进行PCA特征空间降维；
训练单元，训练单元用于多维特征融合，训练蜣螂算法优化的随机森林的网络参数，生成诊断模型；
第二获取单元，所述第二获取单元用于基于训练后的诊断模型，获取被检测电机轴承的故障状态，其中第二获取单元包括：获取模块，用于获取被检测电机的振动信号；
转化模块，用于将多维振动信号变换为二维图像；
计算模块，用于Tamura纹理特征，HOG纹理特征与LBP特征对图像进行求解，将提取的特征进行PCA特征空间降维；
输入输出模块，用于将提取的特征输入训练后的诊断模型，得到被检测电机的故障状态。
11.基于多传感器视觉特征融合PMSM故障诊断装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
获取待测电机的振动信号样本，将采集的振动信号样本通过格拉姆角差场矩阵的形式表现出来；
三个不同位置的加速度信号得到的格拉姆角差场矩阵分别与RGB三个通道对应，通过图像视觉转化方法转化成多信号格拉姆角差场二维图像；
分别通过Tamura纹理特征，HOG纹理特征与LBP特征对图像进行求解，将图像从整体到局部进行表征，将提取的特征进行PCA特征空间降维；
将提取的特征向量，输入训练后的诊断模型，获取被检测PMSM的诊断结果。
12.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
获取待测电机的振动信号样本，将采集的振动信号样本通过格拉姆角差场矩阵的形式表现出来；三个不同位置的加速度信号得到的格拉姆角差场矩阵分别与RGB三个通道对应，通过图像视觉转化方法转化成多信号格拉姆角差场二维图像；分别通过Tamura纹理特征，HOG纹理特征与LBP特征对图像进行求解，将提取的特征进行PCA特征空间降维；将提取的特征向量，输入训练后的诊断模型，获取被检测PMSM的诊断结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311382822.6A CN117332340A (zh) | 2023-10-24 | 2023-10-24 | 基于多传感器视觉特征融合pmsm故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311382822.6A CN117332340A (zh) | 2023-10-24 | 2023-10-24 | 基于多传感器视觉特征融合pmsm故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117332340A true CN117332340A (zh) | 2024-01-02 |
Family
ID=89279084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311382822.6A Pending CN117332340A (zh) | 2023-10-24 | 2023-10-24 | 基于多传感器视觉特征融合pmsm故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117332340A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574280A (zh) * | 2024-01-15 | 2024-02-20 | 长春理工大学 | 基于多元特征参数与mdbo-rf的播种质量检测方法 |
-
2023
- 2023-10-24 CN CN202311382822.6A patent/CN117332340A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574280A (zh) * | 2024-01-15 | 2024-02-20 | 长春理工大学 | 基于多元特征参数与mdbo-rf的播种质量检测方法 |
| CN117574280B (zh) * | 2024-01-15 | 2024-04-16 | 长春理工大学 | 基于多元特征参数与mdbo-rf的播种质量检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Babu et al. | Statistical features based optimized technique for copy move forgery detection | |
| CN105427298B (zh) | 基于各向异性梯度尺度空间的遥感图像配准方法 | |
| Liu et al. | Periodicity, directionality, and randomness: Wold features for image modeling and retrieval | |
| CN110334762B (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
| CN109902585B (zh) | 一种基于图模型的手指三模态融合识别方法 | |
| CN102831427B (zh) | 一种融合视觉显著性和灰度共生矩的纹理特征提取方法 | |
| CN104809731B (zh) | 一种基于梯度二值化的旋转尺度不变场景匹配方法 | |
| CN107643181B (zh) | 一种基于图像识别的滚动轴承变工况故障诊断方法 | |
| CN117332340A (zh) | 基于多传感器视觉特征融合pmsm故障诊断方法及系统 | |
| CN114358077B (zh) | 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 | |
| CN105160305B (zh) | 一种手指多模态特征融合方法 | |
| CN112084988B (zh) | 车道线实例聚类方法、装置、电子设备和存储介质 | |
| CN112633294A (zh) | 基于感知哈希的显著性区域检测方法、设备及存储设备 | |
| CN103295014A (zh) | 基于像素位置排列直方图的图像局部特征描述方法 | |
| Mishchenko et al. | Model-based chart image classification | |
| CN105844643B (zh) | 图像篡改检测方法 | |
| CN108062523B (zh) | 一种红外远小目标检测方法 | |
| CN114800041A (zh) | 一种刀具状态监测方法及其监测装置 | |
| CN113554036A (zh) | 一种改进orb算法的特征点提取与匹配方法 | |
| CN109241981A (zh) | 一种基于稀疏编码的特征检测方法 | |
| Xiao et al. | A robust and compact descriptor based on center-symmetric LBP | |
| Bi et al. | A segmentation-driven approach for 6D object pose estimation in the crowd | |
| CN115170854A (zh) | 基于端到端的PCANetV2的图像分类方法和系统 | |
| CN107563415B (zh) | 一种基于局部滤波特征矢量的图像匹配方法 | |
| Sulaiman et al. | Image tampering detection using extreme learning machine |
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 |