[发明专利]一种数据融合的深度学习网络的电机故障诊断方法

摘要

一种数据融合的深度学习网络的电机故障诊断方法；该神经网络中包括数据压缩网络、特征提取网络和分类网络；其确定与训练方法为：1、采集电机的A,B两相电流信号和电机端部轴承的振动信号。进行数据标准化，通过希尔伯特‑黄变换得到频谱序列，建立神经网络的数据集；2、建立深度神经网络，确定网络结构并初始化参数；3、将训练集输入神经网络，分别计算不同神经网络的损耗函数，并利用损耗值更新神经网络参数；4、将测试集的数据输入神经网络，计算准确率，重复步骤3直至准确率满足要求；训练结束后，神经网络可以将输入的电流、振动数据映射至特征平面，分类网络根据其所在区域对应的故障状态可预测电机是否发生故障。

主权项

1.一种数据融合的深度学习网络的电机故障诊断方法，其特征在于：包括如下步骤：步骤1：采集电机的A,B两相电流信号i_A(t)、i_B(t)和电机端部轴承的振动信号v(t)，进行数据标准化，通过希尔伯特‑黄变换得到A，B两相电流信号与振动信号的频谱序列i_A(z)、i_B(z)、v(z)；建立神经网络的数据集：对采集到的电流信号、振动信号进行标准化，使其均值为0，方差为1；对于A相电流式(1)：式中i_Amean、i_Avar为A相电流的平均值、方差；为A相电流标准化后的结果；n为序列长度；同样，根据式(2)、式(3)得到B相电流和振动数据标准化后的结果v^*(t)；式中i_Bmean、i_Bvar为B相电流的平均值、方差；为B相电流标准化后的结果；式中v_mean、v_var为振动信号的平均值、方差；v^*为振动信号标准化后的结果；对标准化后的结果进行HHT变换：对于首先对标准化后的结果进行经验模态分解并计算幅频特性函数：a)的极大值点经三次样条插值得到的上包络线记为S_max(t)，极小值点经三次样条插值得到的下包络线记为S_min(t)，则上、下包络线的中线m(t)表示为式(4)：b)根据式(5)计算的本征模态函数h₁(t)：c)若m(t)极大值、极小值个数均大于1，则重复a)、b)，对m(t)进行进一步的经验模态分解，到高次的本征模态函数h₂(t)、h₃(t)、...、h_p(t)，直至极大值或极小值个数为1，其中p为本征模态函数的个数；d)将所有本征模态函数的幅频特性相加，得到原始信号的频域信号，如下式(6)：式中表示Hilbert变换，Re(·)表示取实部，h_k为第k个本征模态函数；上述经验模态分解与幅频特性函数计算过程中，将分别替换为v^*(t)，则能够分别得到B相电流和振动数据的频域信号i_B(z)、v(z)；将i_A(z)、i_B(z)连接为i(z)，作为电流输入信号，信号长度为N_i；v(z)为振动输入信号，长度为N_v；一组电流、振动信号共同组成一个神经网络的输入；若电机状态类型数为s，电机处于第j种状态时，状态标签向量表示为下式(7)将多个时间段的电流、振动信号进行预处理，得到多个神经网络输入，建立数据集，并根据输入数据对应的电机状态通过式(7)确定训练标签；随机选取一半作为训练集，另外一半作为测试集；步骤2：建立深度神经网络，确定网络结构并初始化参数：深度神经网络包括数据压缩网络、特征提取网络和特征分类网络三个部分；数据压缩网络采用等效自动编码器架构，对于电流数据压缩网络，输入、输出神经元个数为N_i，经过压缩的特征向量层的神经元个数为τN_i，其中τ为常系数，取值范围为0.1～0.5；对于振动数据压缩网络，输入、输出神经元个数为N_v，经过压缩的特征向量层的神经元个数为τN_v；从输入层到特征向量层共3～4层，神经元个数逐层递减，解码器与编码器对称；特征提取网络以两个数据压缩网络的压缩结果为输入，神经元个数为τ(N_i+N_v)，采用自动编码器结构，最中间的隐藏层神经元个数为2，编码部分层数为5，神经元数目逐层减少，解码器与编码器对称；特征分类网络是一个Soft‑max分类器，输入为二维特征潜向量[f₁,f₂]^T；分类先通过一个两层的神经网络，将特征潜向量映射至每种故障的置信值v_i,i＝1,2,...,n，计算公式如式(8):v＝[v₁,v₂,…,v_s]^T＝g(W_s×2·[f₁,f₂]^T+b_s)    (8)式中W_s×2、b_s分别为神经网络的权重矩阵、偏置向量，g(·)为激活函数；由公式(9)根据置信值计算电机发生每种故障的概率；式中p_i为被测电机发生第i种故障的概率；建立好对应结构的神经网络后，生成均值为0、方差为1的随机数，将神经网络参数初始化；步骤3：将步骤1建立的训练集输入神经网络，分别计算不同神经网络的损耗函数，并利用损耗值更新神经网络参数：将训练集中的电流数据输入至电流数据压缩网络，该网络输出层为特征向量层的为电流数据的特征向量f_i(n)，电流数据压缩网络的损失函数表示为式(10)式中L_i为电流数据压缩网络的损耗值，||·||₂为向量的模；i为电流数据压缩网络输入的电流数据；为电流数据压缩网络输出层输出的向量；将训练集中的振动数据输入至振动数据压缩网络，该网络输出层为特征向量层的为振动数据的特征向量f_v(n)，振动数据压缩网络的损失函数表示为式(11)式中L_v为振动数据压缩网络的损耗值；v为振动数据压缩网络输入的振动数据；为振动数据压缩网络输出层输出的向量；根据损失函数L_i,L_v，利用梯度下降法更新电流数据压缩网络与振动数据压缩网络的参数；将f_i(n)、f_v(n)合并为f_in(n)，输入至特征提取网络，得到输出层f_out(n)和二维特征潜向量[f₁,f₂]^T；特征提取网络损失函数表示为式(12)，并根据特征压缩网络的损耗值L_f更新该网络的参数；L_f＝||f_in(n)‑f_out(n)||₂     (12)将二维的特征潜向量输入特征分类网络，得到最终预测不同故障的概率向量p＝[p_i,p₂,…,p_n]^T，则概率最大的状态为预测的电机状态类型如式(13)，并计算特征分类网络的损耗函数L_p如式(14)，根据损耗函数更新分类网络的参数；L_p＝||q‑l||₂      (14)式中q为故障预测向量，q_k是q的k个元素，是对第k种故障的预测结果，若q_k＝1表示输入信号是第i种故障，若q_k＝0表示输入信号不是第i种故障；步骤4：将测试集的数据输入神经网络：电流数据输入电流数据压缩网络，提取电流数据特征；振动数据输入振动数据压缩网络，提取振动数据特征；将该两网络的输出合并，作为特征提取网络的输入，提取输入数据的特征潜向量；由特征分类网络计算故障概率向量，并由式(13)计算故障预测向量q，判断电机状态；对于一组数据，其对应电机的真实状态的标签向量l由式(7)计算得到，若q＝l，则神经网络正确判断了电机的状态，否则判断错误；计算准确率a如式(15)式中m为测试集样本的总数，m_c为故障判断正确的个数；提前设定常数a_min作为准确率阈值低限，若a<a_min，则重复步骤3，直至准确率满足a≥a_min时训练结束；训练结束后，通过数据压缩网络和特征提取网络，将电机的电流、振动数据映射为二维的特征潜向量；若将二维向量表示在平面直角坐标系中，该直角坐标系即能够作为电机状态的特征平面；特征分类网络就是根据特征潜向量在特征平面的分布，预测电机是否发生故障；将不同输入数据的特征潜向量用离散的点表示在特征平面，即实现故障预测的可视化。