一種變工況下多特徵融合的電機小樣本故障診斷方法與流程

2024-04-16 10:40:05

1.本技術涉及電機故障診斷和工業人工智慧領域，具體為一種變工況下多特徵融合的電機小樣本故障診斷方法。


背景技術：

2.電機故障診斷廣泛存在於製造業、能源、軌道交通等多個國民經濟關鍵領域。電機在運行過程中不可避免的會發生故障，在整個生產系統中如果電機運行出現異常，可能會導致整個系統停止運行，輕則影響生產效率、造成經濟損失，重則可能造成重大安全事故、威脅人身安全。因此，對電機運行狀態進行實時監測和故障診斷，可以及時發現問題並開展針對性的維護工作，避免重大損失產生。
3.當前電機故障診斷技術發展中的一大限制是故障數據獲取困難，導致這一狀況的原因主要有兩種：(1)實際生產中不允許工業系統陷入故障狀態導致的不良結果，尤其是對於關鍵系統；(2)大多數機電系統的故障發生緩慢，並遵循退化路徑，系統的故障退化可能需要幾個月甚至幾年的時間，故障形成周期長。實際生產場景中能採集到的設備故障數據有限，進而導致診斷模型容易出現欠擬合、泛化能力弱等問題。因此，開展小樣本條件下的智能故障診斷研究對於處理實際工程問題具有重要意義。
4.另一方面，電機作為驅動設備被廣泛應用於各類生產場景中，在實際生產過程中，電機經常會涉及到轉速的變換，在不同轉速下運作時，設備產生的信號及其特徵也會隨之有所變化，由於設備運行環境的複雜性，導致目前的診斷模型往往只能適用於單一工況，實際使用中局限性太大，因此構建出具有強泛化性的診斷模型具有重要意義。
5.近年來，深度學習憑藉其智能的特徵提取和狀態識別能力，避免了傳統故障診斷中對低效、不全面的人工分析的依賴而受到廣泛關注。利用神經網絡模型雖然可以自適應地提取信號中的通用特徵，但其不具備故障機理特性，可能會遺漏掉重要的故障信息，而且需要大量訓練樣本才能獲得較好的特徵提取效果。


技術實現要素：

6.本技術的目的是提供一種變工況下多特徵融合的電機小樣本故障診斷方法，能夠適用於有限故障樣本數據下的電機故障診斷，提升小樣本、變工況條件下電機故障識別的精確度。本發明採用的技術方案如下。
7.一方面，本技術提供一種變工況下多特徵融合的電機小樣本故障診斷方法，包括：
8.獲取電機運行狀態下的振動信號數據和轉速數據，將所述振動信號數據作為待識別數據樣本；
9.獲取同型號電機的歷史故障振動信號數據及其對應的轉速數據，根據所述待識別數據樣本對應的轉速，對所述歷史故障振動信號數據進行數據增強處理，得到所述對應轉速的故障數據樣本集；
10.將所述待識別數據樣本與所述故障數據樣本集中的故障數據樣本作為數據樣本
對；
11.將所述數據樣本對輸入預先訓練的電機故障識別模型，得到所述數據樣本對特徵的歐式距離；
12.根據所述數據樣本對特徵的歐式距離確定電機故障類型；
13.其中，所述電機故障識別模型通過對預先構建的孿生網絡模型輸入訓練數據樣本對訓練得到；所述訓練數據樣本對通過如下步驟得到：
14.獲取同型號電機的歷史故障振動信號數據及對應的轉速數據，對獲取到的歷史故障振動信號數據進行數據增強處理，得到至少一個故障數據樣本集，各故障數據樣本集分別對應一種轉速，且包括對應多種故障類型的多個故障數據樣本；
15.對於任意故障數據樣本集，從中隨機選取第一預設數量種故障類型，對於所選取的每種故障類型，隨機抽取第二預設數量個故障數據樣本；
16.從所抽取的故障數據樣本中劃分支持集和查詢集，利用支持集中的故障數據樣本構造所述訓練數據樣本對。
17.可選的，根據所述待識別數據樣本對應的轉速，對所述歷史故障振動信號數據進行數據增強處理，包括：
18.根據所述待識別數據樣本對應的第一轉速以及所述歷史故障振動信號數據對應的第二轉速，對所述歷史故障振動信號數據進行頻域遷移處理，得到變轉速至所述第一轉速的多個故障振動信號數據。
19.可選的，根據如下公式進行所述頻域遷移處理：
[0020][0021]
式中，x(t)頻域遷移前的原始振動信號，x
ω0
(t)表示頻域遷移後對應指定轉速的振動信號，a表示幅值校正係數，δn為原始振動信號對應的轉速與所述指定轉速的轉速差，t為時間。
[0022]
可選的，所述預先構建的孿生網絡模型依次包括特徵提取模塊、多特徵融合模塊和度量距離模塊；所述特徵提取模塊包括兩個相同的特徵提取網絡，分別用於對數據樣本對中的兩個數據樣本進行特徵提取；其中，所述特徵提取網絡均包括深層特徵提取網絡和先驗特徵提取網絡，所述先驗特徵提取網絡提取的特徵包括時域特徵、頻域特徵以及電機部件典型故障頻率特徵；
[0023]
所述多特徵融合模塊用於對所述深層特徵提取網絡和先驗特徵提取網絡提取的特徵進行特徵融合處理；
[0024]
所述度量距離模塊用於計算數據樣本對中兩個數據樣本的融合後特徵的歐式距離。
[0025]
可選的，所述深層特徵提取網絡包括卷積神經網絡，所述卷積神經網絡至少包括2層卷積層，所述第一卷積層的卷積核大於後面卷積層的卷積核。
[0026]
進一步的，所述卷積神經網絡由4層一維卷積層、4層最大池化層和一層全連接層構成，每層卷積層後接一層最大池化層；最後一層最大池化層後接flatten層和dropout層再接全連接層；
[0027]
所述卷積層的激活函數採用relu函數，全連接層的激活函數採用sigmoid函數。
[0028]
可選的，所述先驗特徵提取網絡提取的振動信號的時域特徵包括均值、方差、標準差、峰峰值、偏斜度、均方根、峰值指標、波形指標、脈衝指標、方根幅值、絕對平均值、裕度指標和峭度的至少之一；
[0029]
頻域特徵包括重心頻率、均方頻率、均方根頻率、頻率方差和頻率標準差至少之一；
[0030]
故障特徵包括外圈故障頻率、內圈故障頻率、滾動體故障頻率、保持架故障頻率的至少之一。
[0031]
可選的，所述多特徵融合模塊對深層特徵提取網絡和先驗特徵提取網絡提取的特徵進行特徵融合處理，包括：
[0032]
對所述先驗特徵提取網絡提取的特徵值進行歸一化處理；
[0033]
將歸一化處理後的特徵數據與所述深層特徵提取網絡提取的特徵數據feat融合得到融合特徵集fea＝{feat，fea1，fea2，fea3}，其中，fea1、fea2和fea3分別表示歸一化處理後的時域特徵、頻域特徵和故障特徵。
[0034]
可選的，所述度量距離模塊用於度量孿生網絡中兩個特徵提取網絡模塊輸出的特徵向量之間的歐式距離；
[0035]
所述根據所述樣本對特徵的歐式距離確定電機故障類型，包括：
[0036]
根據所述歐式距離計算數據樣本對中的兩個數據樣本相同的概率；
[0037]
計算待識別數據樣本與各故障類型下所有歷史故障數據樣本之間樣本相同概率之和，作為綜合相同概率；
[0038]
將綜合相同概率最大的故障類型，作為待識別數據樣本的故障類型。
[0039]
第二方面，本技術提供一種計算機可讀存儲介質，其上存儲有電腦程式，該電腦程式被處理器執行時，實現如第一方面所介紹的方法。
[0040]
第三方面，本技術提供一種電子設備，其包括：
[0041]
一個或多個處理器；
[0042]
存儲器，被配置為存儲一個或多個程序，
[0043]
其中，當所述一個或多個程序被所述一個或多個處理器執行時，使得所述一個或多個處理器實現第一方面所介紹的方法。
[0044]
有益效果
[0045]
本技術的電機故障診斷方法，從電機實際運行工況變化情況和診斷模型泛化能力的角度出發，通過根據電機機理特性對原始故障樣本進行頻域遷移處理，實現了電機狀態信息從一種工況到其他工況的遷移，進而實現了變工況下的電機信號數據增強，使得方法能夠對變工況下故障樣本數據較少的電機進行精確的故障識別，擴展診斷模型的工程應用範圍，克服傳動診斷模型在設備變轉速等複雜工況下識別精度低的問題，可有效提高故障樣本有限情況下電機故障的準確性。
[0046]
同時，本技術結合深度學習理論與先驗知識提出了一種基於寬核卷積神經網絡和先驗知識特徵融合的孿生神經網絡模型，通過獲取樣本對信號中的通用特徵與先驗知識特徵，並對信號進行多特徵融合，使模型在樣本有限的情況下能夠獲取更加能夠表徵設備狀態的特徵信息，提升模型訓練的效率和收斂速度，克服現有智能故障診斷模型訓練需要大量故障樣本數據的問題
附圖說明
[0047]
圖1所示為本技術實施例提供的在變工況下多特徵融合的電機小樣本故障診斷方法的實現流程示意圖
[0048]
圖2所示為本技術實施例提供的方法中小樣本學習孿生模型結構示意圖；
[0049]
圖3所示為小樣本學習策略示意圖。
具體實施方式
[0050]
以下結合附圖和具體實施例進一步描述。
[0051]
參考圖1所示，本技術實施例介紹了一種變工況下多特徵融合的電機小樣本故障診斷方法，包括：
[0052]
獲取電機運行狀態下的振動信號數據和轉速數據，將所述振動信號數據作為待識別數據樣本；
[0053]
獲取同型號電機的歷史故障振動信號數據及其對應的轉速數據，根據所述待識別數據樣本對應的轉速，對所述歷史故障振動信號數據進行數據增強處理，得到所述對應轉速的故障數據樣本集；
[0054]
基於所述待識別數據樣本與所述故障數據樣本集中的故障數據樣本構造數據樣本對；
[0055]
將所述數據樣本對輸入預先訓練的電機故障識別模型，得到所述數據樣本對特徵歐式距離；
[0056]
根據所述數據樣本對特徵歐式距離確定電機故障類型；
[0057]
其中，所述電機故障識別模型通過對預先構建的孿生網絡模型輸入訓練數據樣本對訓練得到；所述訓練數據樣本對通過如下步驟得到：
[0058]
獲取同型號電機的歷史故障振動信號數據及對應的轉速數據，對獲取到的歷史故障振動信號數據進行數據增強處理，得到至少一個故障數據樣本集，各故障數據樣本集分別對應一種轉速，且包括對應多種故障類型的多個故障數據樣本；
[0059]
對於任意故障數據樣本集，從中隨機選取第一預設數量種故障類型，對於所選取的每種故障類型，隨機抽取第二預設數量個故障數據樣本；
[0060]
從所抽取的故障數據樣本中劃分支持集和查詢集，利用支持集中的故障數據樣本構造所述訓練數據樣本對。
[0061]
參考圖1和圖2，本技術實施例提供的電機故障識別模型通過對孿生網絡模型進行訓練得到，孿生網絡模型依次包括特徵提取模塊、多特徵融合模塊和度量距離模塊；
[0062]
特徵提取模塊包括兩個相同的特徵提取網絡，分別用於對數據樣本對中的兩個數據樣本進行特徵提取；其中，所述特徵提取網絡均包括深層特徵提取網絡和先驗特徵提取網絡，其中深層特徵提取網絡使用深層卷積網絡，先驗特徵提取網絡提取的特徵包括時域特徵、頻域特徵以及電機部件典型故障頻率特徵；
[0063]
多特徵融合模塊用於對深層特徵提取網絡和先驗特徵提取網絡提取的特徵進行特徵融合處理；度量距離模塊用於計算數據樣本對中兩個數據樣本的融合後特徵的歐式距離。
[0064]
深層特徵提取網絡包括卷積神經網絡，其由四層一維卷積層、四層最大池化層和
一層全連接層構成，每層卷積層後接一層最大池化層；最後一層最大池化層後接flatten層和dropout層再接全連接層。模型細節如下：第一層卷積層使用kernel size為64*1的寬核卷積提取特徵，卷積核個數為16，第二層、第三層以及第四層卷積層使用kernel size為3*1的窄核卷積獲得更細節的故障特徵，其卷積核個數分別為32、64、64，卷積層的激活函數採用relu函數；四層最大池化層都採用2*1大小的池化窗口，對應的卷積核個數分別為16、32、64、64；dropout層概率設置為0.2以緩解過擬合問題，全連接層的神經元個數為100，激活函數採用sigmoid函數。卷積神經網絡的卷積過程表示為：
[0065][0066][0067]
式中，表示中間層l中第i個神經元的輸出，表示上一層的輸出值，表示卷積核，表示當前層的偏差值，*表示卷積運算，f(*)表示非線性激活函數計算；
[0068]
最大池化層的表達式為：
[0069]zl
＝f(w
l
*max(x
l-1
)+b
l
)
[0070]
式中，z
l
表示第l層的輸出，w
l
表示第l層的權值，x
l-1
表示上一層的輸出，b
l
表示第l層的的偏置；
[0071]
卷積層的激活函數表示為：
[0072]
relu(x)＝max{0，x}
[0073]
全連接層的激活函數表示為：
[0074][0075]
本技術的實施例的方法具體涉及以下內容：
[0076]
一、電機故障識別模型的預訓練
[0077]
1.1歷史故障數據樣本採集
[0078]
本技術的實施例中，對於任意型號的電機，採集至少一種相同型號電機的歷史故障振動信號數據及對應的轉速數據，對採集到的歷史故障振動信號數據進行數據增強處理，得到至少一個故障數據樣本集，各故障數據樣本集分別對應一種轉速，且包括對應多種故障類型的多個故障數據樣本。
[0079]
對實際工程中獲取的信號數據按照實際故障類型進行標籤標註，作為有監督訓練中的訓練標籤。為了提升模型訓練後的識別準確度和適用範圍，可針對多種型號的電機獲得對應多種轉速工況的故障數據樣本集，每個故障數據樣本集中的故障類型應當儘量覆蓋電機可能出現的故障類型，每種故障類型下應儘可能有多個數據樣本。但是，由於實際應用中可獲得的電機的故障數據樣本十分有限，因此，本實施例根據電機運行特性提出了一種針對電機變工況的數據樣本擴充方法實現數據增強。
[0080]
1.2小樣本的數據增強
[0081]
本技術實施例根據電機機理特性對原始故障樣本進行頻域遷移處理，實現在變工況下的電機信號數據增強，實現方式如下：確定已獲得的電機振動加速度信號的故障樣本
數據對應的轉速以及變工況目標轉速，計算兩者的轉速差δn，進而可以推算出頻率差，藉助傅立葉變換下的頻移特性實現新的故障樣本數據生成，新生成的信號的頻譜是原來信號x(t)在其頻譜f(ω)中進行平移ω0，變成f(ω-ω0)所得，可表徵電機在目標轉速工況下的振動加速度信號數據。
[0082]
具體的，按照以下公式對已有故障樣本進行頻域遷移處理，即得到目標轉速下的故障樣本數據，其故障類型與頻域遷移前的已有故障樣本的故障類型相同：
[0083][0084]
式中，x(t)頻域遷移前的原始振動信號，x
ω0
(t)表示頻域遷移後對應指定轉速的振動信號，a表示幅值校正係數。
[0085]
對於任一型號電機的任一種轉速工況，將相應的工程中採集的原始數據與新生成的數據合併構建一個故障數據樣本集。多種型號電機的多種轉速對應的故障數據樣本集合併為一個總的訓練樣本集。
[0086]
1.3特徵提取
[0087]
進一步的，參考圖2，本實施例的孿生網絡模型的特徵提取模塊包括兩個相同的特徵提取網絡，分別用於對數據樣本對中的兩個數據樣本進行特徵提取；兩個特徵提取網絡權值共享，所述特徵提取網絡模塊中，深層特徵提取網絡使用深層卷積網絡提取特徵數據feat，先驗特徵提取網絡提取的特徵包括時域特徵fea1和頻域特徵fea2以及電機部件典型故障頻率特徵fea3。特徵提取模塊的兩個特徵提取網絡模塊，網絡結構相同，權值共享。特徵提取部分為卷積神經網絡和先驗知識特徵提取模塊的結合，採用度量距離的計算形式作為分類器。具體計算方法如下表。
[0088][0089]
以上時域特徵中的x表示原始信號輸入；頻域特徵中的p(f)表示信號的功率譜；r表示電機軸承轉速；n表示滾珠個數；d表示滾動體直徑；d表示軸承節徑；α表示滾動體接觸角。
[0090]
1.4多特徵融合
[0091]
進一步地，本技術實施例中的孿生網絡模型的多特徵融合模塊對深層特徵提取網絡和先驗特徵提取網絡提取的特徵進行特徵融合處理時，首先對先驗特徵提取網絡提取的特徵值進行歸一化處理；再將歸一化處理後的特徵數據與深層特徵提取網絡提取的特徵數據feat融合得到融合特徵集fea＝{feat，fea1，fea2，fea3}；
[0092]
歸一化處理公式為：
[0093]
式中，x為需要被歸一化的初始數據，x
min
為數組中的最小值，x
max
為數組中的最大值，x
norm
為歸一化處理結果。
[0094]
1.5樣本對距離度量
[0095]
度量距離模塊用於度量孿生網絡中兩個特徵提取網絡模塊輸出的特徵向量之間的歐式距離，根據所述歐式距離計算數據樣本對中的兩個數據樣本相同的概率，然後可根
據數據樣本對特徵的歐式距離確定電機故障類型。
[0096]
特徵向量之間的歐式距離按照下式計算：
[0097][0098]
式中，f1(*)表示特徵提取及融合網絡的處理，表示輸入數據樣本對中兩數據樣本對應的特徵向量之間的歐式距離；
[0099]
兩個數據樣本相同的概率，按照下式計算：
[0100][0101]
式中，fc(*)表示全連接層網絡的處理，sigm(*)表示全連接層的激活函數。
[0102]
1.6模型訓練
[0103]
本技術實施例提供了一種基於小樣本的元學習策略，從採集到的故障數據樣本集中選取出第一預設數量種故障類別，對於選取的每種故障類別，隨機抽取第二預設數量個樣本數據；對於選取的第二預設數量個樣本數據中的第三預設數量個樣本數據作為元訓練的支持集，並將剩餘的樣本數據作為元訓練的查詢集。
[0104]
將具有相同或不同類別的樣本對的集合作為模型的輸入，模型訓練的輸出是一個概率距離，用來判斷樣本對中的兩數據樣本是屬於同一類別還是不同類別，模型輸出是兩個輸入樣本相同的概率p(x1，y1)。
[0105]
參考圖3所示，與傳統分類方式不同，本實施例的小樣本學習的性能通過n樣本k類別來進行測試，如圖3(c)所示。在k類單樣本測試中，給定單個測試樣本進行分類，並給出一個支持集s，該支持集包含k類樣本，每類樣本有一個不同的標籤y，如下式：
[0106]
s＝{(x1，y1)，...，(xk，yk)}
[0107]
支持集中的樣本有對應的標籤，然後測試樣本根據與支持集中最相似(度量距離最短)的樣本實現分類，如下式所示：
[0108][0109]
在n樣本k類別測試中，給出了一個由k個不同類別組成的支持集，每個類別有n個樣本(s1，...，sn)。然後模型要確定測試樣本應該屬於哪個支持集類(與哪個支持集綜合最相似)，如下式所示：
[0110][0111]
通過利用多電機型號多轉速工況下的歷史故障數據進行訓練，即得到訓練後的電機故障識別模型。
[0112]
模型訓練中的損失函數選取為其為長度m的向量，包含小批量的標籤。當和來自同一故障類時，取tj＝1，否則tj＝0，其中j為第i小批的第j個樣本對。優化器選用adam優化器，計算每個參數的自適應學習率，實現對網絡的優化。
[0113]
二、實際應用中的電機故障識別過程
[0114]
在實際用於電機運行狀態故障識別時，可實時獲取電機在運行狀態下的振動加速度信號及其對應的轉速數據，將振動信號數據作為待識別數據樣本；
[0115]
然後獲取同型號電機的歷史故障振動信號數據及其對應的轉速數據，根據電機當前實時轉速，對歷史故障振動信號數據進行頻域遷移，實現變工況下新的故障數據樣本的生成，進而得到擴充後的對應當前實時轉速的故障數據樣本集；
[0116]
基於待識別數據樣本與所述故障數據樣本集構造數據樣本對，將待識別數據樣本與故障數據樣本集中的各樣本數據分別組成數據樣本對；將所得數據樣本對輸入已訓練的電機故障識別模型，提取各樣本對中兩數據樣本的特徵，以及計算得到各樣本對特徵間的歐式距離，得到各數據樣本對對應的樣本相同概率；
[0117]
再計算待識別數據樣本與各故障類型下所有歷史故障數據樣本之間樣本相同概率之和，作為綜合相同概率；
[0118]
將綜合相同概率最大的故障類型，作為待識別數據樣本的故障類型，至此，得到電機實時的故障識別結果，包括無故障或有故障，及有故障情形下的故障類型。
[0119]
另一方面，本技術實施例提供了一種計算機可讀存儲介質，其上存儲有電腦程式，該電腦程式被處理器執行時，實現如實施例1所介紹的變工況下多特徵融合的電機小樣本故障診斷方法。
[0120]
本技術實施例還提供一種電子設備，其包括：
[0121]
一個或多個處理器；
[0122]
存儲器，被配置為存儲一個或多個程序，
[0123]
其中，當所述一個或多個程序被所述一個或多個處理器執行時，使得所述一個或多個處理器實現前述的變工況下多特徵融合的電機小樣本故障診斷方法。
[0124]
綜上實施例，本技術一方面從電機實際運行工況變化情況和診斷模型泛化能力的角度出發，根據電機運行機理特性對原始故障樣本進行頻域遷移處理，實現了電機狀態信息從一種工況到其他工況的遷移，擴展了診斷模型的工程應用範圍，克服了傳動診斷模型在設備變轉速等複雜工況下識別精度低的問題；
[0125]
另一方面，提出了一種基於寬核卷積神經網絡和先驗知識特徵融合的孿生神經網絡模型，用於小樣本下的故障診斷識別，將卷積網絡提取的通用特徵與工程應用中更具針對性與可解釋性的先驗知識特徵進行融合，使模型在樣本有限的情況下能夠獲取更加能夠表徵設備狀態的特徵信息，提升模型訓練的效率和收斂速度，克服現有智能故障診斷模型需要大量故障樣本數據的問題，結合頻域遷移的數據增強技術，有效提高了故障樣本有限情況下電機故障的準確性。
[0126]
本領域內的技術人員應明白，本技術的實施例可提供為方法、系統、或電腦程式產品。因此，本技術可採用完全硬體實施例、完全軟體實施例、或結合軟體和硬體方面的實施例的形式。而且，本技術可採用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(包括但不限於磁碟存儲器、cd-rom、光學存儲器等)上實施的電腦程式產品的形式。
[0127]
本技術是參照根據本技術實施例的方法、設備(系統)、和電腦程式產品的流程圖和/或方框圖來描述的。應理解可由電腦程式指令實現流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合。可提供這些電腦程式
指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數據處理設備的處理器以產生一個機器，使得通過計算機或其他可編程數據處理設備的處理器執行的指令產生用於實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。
[0128]
這些電腦程式指令也可存儲在能引導計算機或其他可編程數據處理設備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產生包括指令裝置的製造品，該指令裝置實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。
[0129]
這些電腦程式指令也可裝載到計算機或其他可編程數據處理設備上，使得在計算機或其他可編程設備上執行一系列操作步驟以產生計算機實現的處理，從而在計算機或其他可編程設備上執行的指令提供用於實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。
[0130]
以上結合附圖對本發明的實施例進行了描述，但是本發明並不局限於上述的具體實施方式，上述的具體實施方式僅僅是示意性的，而不是限制性的，本領域的普通技術人員在本發明的啟示下，在不脫離本發明宗旨和權利要求所保護的範圍情況下，還可做出很多形式，這些均屬於本發明的保護之內。