一种基于MSK-CNN和多源机电信息融合的同步电机故障诊断方法

摘要

本发明提供了一种基于MSK‑CNN和多源机电信息融合的同步电机故障诊断方法，实时采集同步电机工作在正常以及不同转子绕组匝间短路工况下的相电压、转子振动和定子振动信号，划分为训练集和测试集；确定最优MSK‑CNN模型；将相电压、转子振动、定子振动的原始数据分别输入MSK‑CNN模型中进行训练，经过多尺度特征提取层，将多尺度核提取到的故障特征进行融合并作为各个MSK‑CNN子模型的输出；并将基于三种信号提取到的特征进行融合，实现诊断目的。本发明为同步发电机提供了端到端的故障诊断方案，无需额外的信号处理和专家经验，消除了人工提取特征的影响，同时避免了由于单一传感器故障时导致的漏判、误判等现象发生，同步发电机故障诊断准确率显著提升。

说明书

技术领域

本发明涉及同步电机故障诊断技术领域，特别是涉及一种基于MSK-CNN和多源机电信息融合的同步电机故障诊断方法。

背景技术

同步电机是电力系统中能量转换的关键环节，是系统必不可少的一部分。其工作工况多变且结构复杂，易受外部环境干扰、自身材料老化等原因而导致故障频发，若不能及时发现并处理这些故障，可能会使发电机轴承的工作状态恶化、加剧机组定转子振动，引发大轴磁化使机组被迫停机，对发电机及整个电网的安全运行造成威胁。因此，研究同步电机故障诊断方法，提高故障诊断准确性，对厂网的运维安全有着重要现实意义。

同步电机常见的电气故障有：转子匝间短路故障、定子匝间短路故障和气隙偏心故障。传统的故障诊断方法都是从不同的角度从原始信号中提取有效的故障相关特征，然后将这些提取的特征输入一些浅层机器学习算法实现故障诊断。但这些传统方法的特征提取和分类环节是分别设计和执行的，两者都会影响最终的诊断性能，而且特征提取需要建立精确的物理模型，依赖于专家先验知识，只能用于特定的机组和故障，不能在线更新并很好地推广到新的诊断领域。随着机械制造业的快速发展，电机模型变得越来越精确、复杂、自动化，这使得为每个机组设计一个具体的、合适的特征提取器变得更加困难。

近年来，随着深度学习的快速发展智能故障诊断提供了新思路。卷积神经网络作为深度学习的基本模型，可自动提取原始信号的特征，减少了对经验的依赖，解决了传统方法依赖专家经验、耗时大、泛化能力较差的问题。上述智能诊断算法在同步电机上应用较少，且大多依靠单一传感器实现诊断目的。单一信号反映的故障信息是片面的，且单一信号的采集易受故障特征弱、传感器故障及环境多变等因素的影响，导致误判、漏判的发生。不仅如此，由于电机中存在大量旋转机械，因此采集到的信号往往是具有较强周期性和深度相关性的时间序列信号。在这些周期性的背后，也隐藏着许多有价值的信息和相关性，如果同时考虑不同尺度的信号之间的关系，能够更充分的利用信号中的所有信息，提高故障诊断准确率。

发明内容

本发明的目的是提供一种基于MSK-CNN和多源机电信息融合的同步电机故障诊断方法，能够从多个尺度捕获原始信号的故障特征，提高特征学习能力，同时避免由于单一传感器故障时导致的误判、漏判等现象发生，提高故障诊断准确率。

为实现上述目的，本发明提供了如下方案：

一种基于MSK-CNN和多源机电信息融合的同步电机故障诊断方法，包括如下步骤：

S1，利用数据采集装置实时采集同步电机工作在正常、转子绕组匝间短路、定子匝间短路和静偏心不同运行工况下的相电压、转子振动和定子振动信号；

S2，对采集到的相电压、转子振动和定子振动信号以设定单位长度进行切片处理，并按设定比例设置为训练集和测试集；

S3，建立MSK-CNN模型，确定MSK-CNN模型的网络结构和卷积核大小，利用训练集进行训练，根据迭代过程中的损失函数及准确率变化情况，对MSK-CNN网络结构和超参数进行调整，再次训练，重复以上过程，确定最优MSK-CNN模型；

S4，将相电压、转子振动、定子振动的原始数据分别输入最优MSK-CNN模型中，经过多尺度特征提取层，将多尺度核提取到的故障特征进行融合并作为各个MSK-CNN子模型的输出；

S5，在最优MSK-CNN模型，将相电压、转子振动、定子振动各信号提取到的故障特征汇聚输入同一Flatten层压平，通过全连接层传递到Softmax输出层，最终得到每个运行工况的概率值，其中最大概率值对应的运行工况被视为最终的故障诊断结果。

进一步的，所述步骤S1中，转子绕组匝间短路运行工况包括转子绕组匝间短路3％和6％两种，定子匝间短路运行工况包括定子匝间短路3％和6％两种，静偏心运行工况包括静偏心3％和6％两种。

进一步的，所述步骤S1中，数据采集装置包括同步电机相电压信号检测装置、同步电机转子振动加速度传感器和定子振动加速度传感器。

进一步的，所述步骤S1中，所述步骤S2中，所述设定比例为8：2。

进一步的，所述步骤S3中，最优MSK-CNN模型，具体包括：输入层、多尺度核特征提取层、全连接层、输出层；其中，多尺度核特征提取层由多个卷积核大小不同的CNN子块构成，CNN子块包括两个交替出现的卷积层CL、归一化批处理BN层、激活函数ReLu层、池化层PL，所述卷积层CL包括卷积层CL1-1、卷积层CL1-2、卷积层CL2-1、卷积层CL2-2、卷积层CL3-1、卷积层CL3-2，所述池化层PL包括池化层PL1-1、池化层PL1-2、池化层PL2-1、池化层PL2-2、池化层PL3-1、池化层PL3-2。

进一步的，所述输入层输入的原始信号尺寸为500×1；

所述卷积层CL1-1的卷积核尺寸设为3×1，步长Stride设定为1，卷积核数目为16，激活函数选择ReLU函数；

所述池化层PL1-1采用最大池化法，池化区域宽度为2×1，卷积核数目为16；

所述卷积层CL1-2的卷积核尺寸设为3×1，步长Stride设定为1，卷积核数目为32，激活函数选择ReLU函数；

所述池化层PL1-2采用最大池化法，池化区域宽度为2×1，卷积核数目为32；

所述卷积层CL2-1的积核尺寸设为5×1，步长Stride设定为1，卷积核数目为16，激活函数选择ReLU函数；

所述池化层PL2-1采用最大池化法，池化区域宽度为2×1，卷积核数目为16；

所述卷积层CL2-2的积核尺寸设为5×1，步长Stride设定为1，卷积核数目为32，激活函数选择ReLU函数；

所述池化层PL2-2采用最大池化法，池化区域宽度为2×1，卷积核数目为32；

所述卷积层CL3-1的积核尺寸设为7×1，步长Stride设定为1，卷积核数目为16，激活函数选择ReLU函数；

所述池化层PL3-1采用最大池化法，池化区域宽度为2×1，卷积核数目为16；

所述卷积层CL3-2的积核尺寸设为7×1，步长Stride设定为1，卷积核数目为32，激活函数选择ReLU函数；

所述池化层PL3-2采用最大池化法，池化区域宽度为2×1，卷积核数目为32；

所述全连接层将神经元个数设为512，激活函数选择ReLU函数；

所述输出层采用Softmax分类器，输出类别为7，分别对应正常、转子匝间短路3％和6％、定子匝间短路3％和6％、静偏心3％和6％七种运行工况。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于MSK-CNN和多源机电信息融合的同步电机故障诊断方法，在线采集同步电机正常以及不同故障状态下的相电压、转子振动、定子振动信号，分别输入MSK-CNN模型，从多个尺度上并行获取互补且丰富的诊断信息，并将基于三种信号提取到的特征进行融合，实现诊断目的；本发明建立的MSK-CNN模型融合多尺度学习，在不同尺度上并行学习有效的故障特征，从而获得包含更丰富和互补的诊断信息，提高了故障诊断性能，具有较好的鲁棒性；不同类型的信号对同步电机故障的辨识度不同，本发明将多源机电信息的证据理论进行融合，避免了由于单一传感器故障时导致的误判、漏判等现象，进一步提高了故障诊断准确率。

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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例基于MSK-CNN和多源机电信息融合的同步电机故障诊断方法的流程示意图；

图2a-2c分别为本发明实施例基于相电压、转子振动、定子振动的故障诊断混淆矩阵图；

图3为本发明实施例的基于MSK-CNN和多源机电信息融合的故障诊断准确率图；

图4为本发明实施例的基于多源机电信息融合的故障诊断混淆矩阵图；

图5a-5b分别为本发明实施例原始信号和全连接层输出信号的t-SNE特征可视化图。

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。

本发明的目的是提供一种基于MSK-CNN和多源机电信息融合的同步电机故障诊断方法，能够从多个尺度捕获原始信号的故障特征，提高特征学习能力，同时避免由于单一传感器故障时导致的误判、漏判等现象发生，提高故障诊断准确率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

同步电机具有结构复杂、电压等级高、负荷大的特点，受运行环境的影响，容易发生各种故障。同步电机常见的电气故障有转子绕组匝间短路故障、偏心故障和定子匝间短路故障。由于电机内部各个部分存在复杂的耦合关系，使得故障原因与现象之间常常表现出一对多、多对一、多对多的映射关系，常见的故障特征量有振动、电流等。但是由故障所反映的特征往往不是唯一的，而且由单一信号不能全面反映被测对象的故障状态，易受环境因素的干扰。上述问题可通过使用信息融合技术来解决，机电信号属于异类信息，具有较强的互补性，可以获得比同类信息融合更好的诊断结果，所以本发明选择转子振动、定子振动和相电压作为原始输入信号联合诊断同步电机故障。

如图1所示，本发明提供的基于MSK-CNN和多源机电信息融合的同步电机故障诊断方法，包括如下步骤：

S1，利用数据采集装置实时采集同步电机工作在正常、转子绕组匝间短路3％和6％，定子匝间短路3％和6％和静偏心3％和6％这7种运行工况下的相电压、转子振动和定子振动信号；

所述数据采集装置包括同步电机相电压信号检测装置、同步电机转子振动加速度传感器和定子振动加速度传感器，在同步电机上安装各类传感器并与分析装置连接；其中同步电机的参数如表1所示；

S2，对采集到的相电压、转子振动和定子振动信号以5个周期为单位长度进行切片处理，并按8:2划分训练集和测试集；

S3，建立MSK-CNN模型，确定MSK-CNN模型的网络结构和卷积核大小，利用训练集进行训练，根据迭代过程中的损失函数及准确率变化情况，对MSK-CNN网络结构和超参数进行调整，再次训练，重复以上过程，确定最优MSK-CNN模型，并利用测试集来检验最优MSK-CNN模型效果；

S4，将相电压、转子振动、定子振动的原始数据分别输入最优MSK-CNN模型中，经过多尺度特征提取层，将多尺度核提取到的故障特征进行融合并作为各个MSK-CNN子模型的输出，便于之后将基于不同信号提取到的多尺度故障特征进行融合；

S5，在最优MSK-CNN模型，将相电压、转子振动、定子振动各信号提取到的故障特征汇聚输入同一Flatten层压平，通过全连接层传递到Softmax输出层，最终得到每个运行工况的概率值，其中最大概率值对应的运行工况被视为最终的故障诊断结果。

表1同步电机参数

所述步骤S2为数据预处理过程：

一维卷积神经网络能够提取数据的空间关联特征，各类传感器采集的原始转子振动、定子振动、相电压信号为连续变化的数据点，空间关系并不明显，需将其转换为适用于卷积神经网络的数据结构。取5个周期(500个采样点)为单位长度进行切片处理。将每种运行状态的原始数据点切分为3000个信号波数据，随机抽取2400个样本作为训练集，600个样本作为测试集，将各运行状态进行标签化如表2所示。

表2样本数据标签

所述步骤S3中，最优MSK-CNN模型对应的MSK-CNN网络结构如表3所示，具体包括：输入层、多尺度核特征提取层、全连接层、输出层；其中，多尺度核特征提取层由多个卷积核大小不同的CNN子块构成，CNN子块包括两个交替出现的卷积层CL、归一化批处理BN层、激活函数ReLu层、池化层PL，所述卷积层CL包括卷积层CL1-1、卷积层CL1-2、卷积层CL2-1、卷积层CL2-2、卷积层CL3-1、卷积层CL3-2，所述池化层PL包括池化层PL1-1、池化层PL1-2、池化层PL2-1、池化层PL2-2、池化层PL3-1、池化层PL3-2。

表3 MSK-CNN网络结构

其中，所述输入层输入的原始信号尺寸为500×1；

所述卷积层CL1-1的卷积核尺寸设为3×1，步长Stride设定为1，卷积核数目为16，激活函数选择ReLU函数；

所述池化层PL1-1采用最大池化法，池化区域宽度为2×1，卷积核数目为16；

所述卷积层CL1-2的卷积核尺寸设为3×1，步长Stride设定为1，卷积核数目为32，激活函数选择ReLU函数；

所述池化层PL1-2采用最大池化法，池化区域宽度为2×1，卷积核数目为32；

所述卷积层CL2-1的积核尺寸设为5×1，步长Stride设定为1，卷积核数目为16，激活函数选择ReLU函数；

所述池化层PL2-1采用最大池化法，池化区域宽度为2×1，卷积核数目为16；

所述卷积层CL2-2的积核尺寸设为5×1，步长Stride设定为1，卷积核数目为32，激活函数选择ReLU函数；

所述池化层PL2-2采用最大池化法，池化区域宽度为2×1，卷积核数目为32；

所述卷积层CL3-1的积核尺寸设为7×1，步长Stride设定为1，卷积核数目为16，激活函数选择ReLU函数；

所述池化层PL3-1采用最大池化法，池化区域宽度为2×1，卷积核数目为16；

所述卷积层CL3-2的积核尺寸设为7×1，步长Stride设定为1，卷积核数目为32，激活函数选择ReLU函数；

所述池化层PL3-2采用最大池化法，池化区域宽度为2×1，卷积核数目为32；

所述全连接层将神经元个数设为512，激活函数选择ReLU函数；

所述输出层采用Softmax分类器，输出类别为7，分别对应正常、转子匝间短路3％和6％、定子匝间短路3％和6％、静偏心3％和6％七种运行工况。

步骤S4，将经过数据预处理后的相电压、转子振动、定子振动的原始数据分别输入MSK-CNN模型中进行训练，得到基于相电压、转子振动、定子振动单一信号的故障诊断具体分类情况，用混淆矩阵表示。

如图2a-2c所示，为基于相电压、转子振动、定子振动的故障诊断混淆矩阵图，可见，单一信号对同步电机故障诊断效果不佳。对于同步电机的每一种运行工况，都有较多的样本被误分类。

所述步骤S5，将各信号提取到的故障特征汇聚输入同一Flatten层压平，通过全连接层传递到Softmax输出层，最终得到每个运行状态的概率值，其中最大的类别被视为最终的故障诊断结果。

输入信号经过卷积层和池化层的处理被提取为高层信息特征后，设置全连接层将将高层特征矢量展开为一维向量；输出层采用Softmax分类器解决分类问题，获得最终的故障诊断结果。其表达式为：

式中，θ为训练模型的参数集；M为训练集样本总数；(X

图3为基于MSK-CNN和多源机电信息融合的故障诊断准确率图，如图3，在模型训练过程中，训练集和测试集的准确率都迅速上升，并在迭代次数为12次时分别收敛于100％和99.64％。这说明本发明提出的方法具有优良的抗干扰性能，对于同步电机故障数据的特征挖掘和学习效果显著。

图4所示为基于多源机电信息融合的故障诊断混淆矩阵图，采用多源信息融合后的故障诊断准确率显著提高，除个别样本分类错误，准确率几乎可达100％。这说明机电信号具有较强的互补性，多源机电信息融合可以获得更好的诊断结果。

图5a-5b所示为t-SNE特征可视化图，每个样本都可视化为一个点，不同的颜色代表不同的故障类型，属于同一类的样本具有相同的颜色。可以看出，原始输入信号不同的健康状态严重重叠，说明原始信号的特征信息难以区分，而本发明建立的模型中输出层提取到的不同故障特征可以很容易地区分，这表明通过所提出的框架提取的特征映射是用于故障诊断的更好特征，从而验证了本发明的有效性。

本发明提供的基于MSK-CNN和多源机电信息融合的同步电机故障诊断方法，第一，建立的MSK-CNN模型融合多尺度学习，在不同尺度上并行学习有效的故障特征，从而获得包含更丰富和互补的诊断信息，提高了故障诊断性能，具有较好的鲁棒性；第二，不同类型的特征信息对同步电机故障的辨识度不同，本发明将多源机电信息的证据理论进行融合，避免了由于单一传感器故障时导致的误判、漏判等现象，进一步提高了故障诊断准确率。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。