一种基于多尺度可视图和深度学习的电机故障诊断方法

摘要

本发明公开了一种基于多尺度可视图和深度学习的电机故障诊断方法，通过将故障转速加速度时序数据规约成不同粒度的维度特征，得到不同尺度的数据，然后数据转化为多尺度图结构，通过在所生成的图上提取深度特征，并通过Softmax线性分类器训练得到故障分类器，本发明能够同时考虑故障转速加速度信号的全局和局部故障特性，从而实现了高效的电机故障诊断。

说明书

技术领域

本发明属于电机运行与分析领域，涉及了一种基于多尺度可视图和深度学习的电机故障诊断方法。

背景技术

随着电力需求的的迅猛发展,国内的发电量需求越来越大，电机已被广泛应用于电厂生产的各个领域。由于电机工作过程中,发生故障或失效的潜在可能性随着运行时间的增长逐渐增大。往往部件的故障就能引起链式反应,导致整个设备系统不能正常运行,甚至瘫痪。因此,提高设备系统的安全性和可靠性已成为刻不容缓的问题,而及时准确地发现电厂电机潜在的或现有的故障正是保证设备安全运行的重要措施,研究不同条件、不同运行状态下电厂电机故障诊断的理论方法和技术策略正是提高设备系统可靠运行的保证。

传统的电机故障诊断方法,需要建立精确的数学模型、有效的状态估计或参数估计、适当的统计决策方法等,这些前提条件使得传统的电机故障诊断具有相当的局限性。而人工智能控制方法,如神经网络、模糊逻辑、模糊神经和遗传算法等,能够处理传统故障诊断方法所无法解决的问题,具有传统诊断方法无以比拟的优越性,因而使得电机故障诊断的人工智能方法在近几年得到广泛的认可和应用,已被认为是电机诊断技术的重要发展方向。

Hinton等提出了深度学习理论,开启了深度学习在学术界和工业界的浪潮。深度学习可以通过组合低层特征形成更加抽象的高层特征表示，从而发现数据的分布式特征表达。深度学习非线性表达能力强，判别能力好，已经在语音识别、图像识别等领域取得了突破性进展。

对于电厂电机而言，其运行环境和工况复杂多变，存在电气量(各相电压，电流，功率)和非电气量(温度，湿度，振动位移)等高维时间信号，运行模态也不尽相同，与常规信号差异很大，同时，运行状态也没有标签可用，因此要提高电机故障预警的可靠性，不能套用原始的深度学习网络，为此，本专利提出了将故障转速加速度时序序数据做不同粒度的维度规约，得到不同尺度的数据，然后数据转化为多尺度图结构，通过在所生成的图上提取深度特征，并通过Softmax线性分类器训练得到故障分类器，由于该方法能够同时考虑全局(global)和局部(local)故障特性，从而实现了高效的电机故障诊断。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于多尺度可视图和深度学习的电机故障诊断方法。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于多尺度可视图和深度学习的电机故障诊断方法，通过将故障转速加速度时序序数据规约不同粒度的维度特征，得到不同尺度的数据，然后数据转化为多尺度图结构，通过在所生成的图上提取深度特征，并通过Softmax线性分类器训练得到故障分类器，具体包括以下步骤：

任意图表示为G＝(V,E)，V为该图的边的集合，E为该图的边的集合，该图具有n个顶点V＝(1,...,n)，边e＝(i,j)∈E，i∈V,j∈V。

步骤1，获取K电机不同故障类型，并进行标注；

步骤2，对故障进行one-hot编码，得到故障样本的标记y；

步骤3，获取电机不同故障类型下加速度时间序列T＝(v

步骤4，将加速度时间序列划分成训练集和测试集；

步骤5，设延迟步长为τ∈Z，延迟长度为m∈Z，构建多尺度时间序列：

其中，T表示加速度时间序列，Z表示正整数集合；

步骤6，分别对多尺度序列构建可视图，利用可见性图将转速加速度多尺度时间序列转换为图结构。

步骤7，分别找到多尺度序列的可视图所有顶点最大为4的子图；

步骤8，在每个子图中计算子图密度、K核、分类系数以及度的统计量，记这些特征量为x

步骤9，构建三层Softmax线性分类器，损失函数为：

其中，

W＝(vec(W

优选的：步骤6中，将故障转速加速度时间序列中的每个点都被视为垂直的矩形，其高度是相应的数值；每个时间步均是图形中的顶点，则如果垂直矩阵的顶部彼此可见，则连接两个顶点，即从两个条的顶部开始存在一条直线，且与其他矩形不相交，则可视图表示为G＝(V,E)，该图具有n个顶点V＝(1,...,n)，V为该图的边的集合，E为该图的边的集合，边e＝(i,j)∈E当且仅当对i＜k＜j，1≤i,j≤n使

优选的：步骤8中子图密度计算公式如下：

其中，p表示图密度，|E|表示图的边数，|V|表示图的顶点数。

优选的：步骤8中分类系数计算公式如下：

其中，r表示分类系数，a

优选的：步骤8中可视图G＝(V,E)的K核是最大子图H＝(V',E')，其中每个顶点具有至少为K的度数，该特征是连通子图的内聚性度量。

优选的：步骤8中度统计包括每个顶点的最大、最小和平均度。

优选的：步骤9中Softmax线性分类器的每层的节点数为50-100-20。。

本发明相比现有技术，具有以下有益效果：

本发明能够同时考虑全局(global)和局部(local)故障特性，从而实现了高效的电机故障诊。

附图说明

附图1-可视图构建过程；

附图2-最大节点数为4的子图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一种基于多尺度可视图和深度学习的电机故障诊断方法，如图1、2所示，设有时间长度为N的电机运行转速加速度原始信号。

为了利用图论作为表征故障时间序列的一种方法，本专利利用可见性图将转速加速度时间序列转换为图结构。通过将故障转速加速度时间序列中的每个点都被视为垂直的矩形，其高度是相应的数值。考虑由这些矩阵组成的图时，很容易从其他矩形图的顶部看到矩形的顶部。假设每个时间步均是图形中的顶点，则如果垂直矩阵的顶部彼此可见，则连接两个顶点，即从两个条的顶部开始存在一条直线，且与其他矩形不相交，具体的，给定时间序列T＝(v

由于时间序列可视图始终处于连接状态，图中的簇将始终与原始时间序列的子序列相对应，图中的小图是整个图形中的子图，具有周期性且具有统计意义，可以表征电机不同故障下加速度的特征。但由于子图的数量随可视图的大小呈指数增加，因此，本专利通过顶点数为小于等于4的的子图上提取深度特征，所提取的特征如下：

特征1：

子图密度，即边数与所有可能边数之比，计算公式如下：

特征2：

K核，即图G＝(V,E)的K核是最大子图H＝(V',E')，其中每个顶点具有至少为K的度数，该特征是连通子图的内聚性度量。

特征3：

分类系数，即通过计算连接的成对顶点之间的度的皮尔逊相关程度系数来测量图中顶点的相关性，其计算公式如下：

其中a

特征4：

度统计，即包括每个顶点的最大，最小和平均度。

电机故障转速加速度时间序列数据的特征差异很大，具体取决于如何捕获，采样和应用目的：在故障中，全局特征可能会有所帮助，而在另一种故障中，局部特征对于分类而言可能变得更加重要，为解决这个问题，本专利利用多尺度可见度图表示，以便将每个时间序列转换为一组降维近似值，具体过程如下：

设故障转速加速度时间序列为T＝(v

这样即构建了多个不同时间序列，可以构建不同的可视图，然后提取不同的故障特征，然后将不同的可视图作为Softmax线性分类器的输入，通过对不同的故障样本进行训练即可得到故障分类器。

综上，本专利的电机故障诊断方法流程如下：

1、获取K电机不同故障类型，并进行标注，如内圈故障、外圈故障、转轴故障等。

2、对故障进行one-hot编码，得到故障样本的标记y。

3、获取电机不同故障类型下转速加速度样本T＝(v

4、将转速加速度划分成训练集和测试集，两者比例为7:3。

5、设置设延迟步长为τ∈Z，延迟长度为m∈Z，构建如下多尺度序列：

6、分别对多尺度序列构建可视图。

7、分别找到多尺度序列的可视图所有顶点最大为4的子图。

8、在每个子图中计算子图密度、K核、分类系数以及度的统计量，记这些特征量为x。

9、构建三层Softmax线性分类器，每层的节点数为50-100-20，,损失函数为：

其中

10、将某故障对应的转速加速度训练样本和标签输入Softmax线性分类器，并采用随机梯度下降算法训练网络直至收敛。

11、在测试集上测试所训练的Softmax线性分类器的性能。如果测试集上精度高于95％，网络训练结束。否则返回步骤10继续训练，直至测试集精度高于95％。

12、获取待诊断电机运行加速度时间序列，将待诊断电机运行加速度时间序列导入训练好的分类器中进行分类诊断。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。