CN111766513B - 一种基于胶囊网络的三相感应电机变工况多故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于胶囊网络的三相感应电机变工况多故障诊断方法，通过采集不同工况下多种电机健康状态的三相电流数据，并进行数据预处理，然后利用处理好的数据搭建基于胶囊网络的故障诊断模型，并对该模型的训练，从而得到快速、准确地检测出三相感应电机的多种故障的故障诊断模型，进而用于三相感应电机的实时检测，这样不仅降低了测量成本和时间成本，提高了电机故障诊断的效率，提升了电机***的安全性。

Description

一种基于胶囊网络的三相感应电机变工况多故障诊断方法

技术领域

本发明属于三相感应电机智能故障检测技术领域，更为具体地讲，涉及一种基于胶囊网络的三相感应电机变工况多故障诊断方法。

背景技术

在现代工业制造中，电动机广泛应用于发电、风机、机床、压缩机、机械臂等领域。随着可再生能源的发展，电机在风力发电和电动汽车领域也发挥着重要的作用。电机作为现代工业中最基本的部件之一，它经常在恶劣的环境和多变的工作条件下工作，时常会发生各种紧急故障，造成严重的事故和巨大的经济损失。同时，随着电机在生产生活中的广泛应用，为保证机械设备和工业***的经济可靠运行，提高复杂机电***的运行效率，对电机工作状态的监测变得越来越重要。

为了减轻电机故障对工业***的影响，提高工业生产的运行效率，有必要探索一种有效的电机运行监测和故障诊断方法。近年来，随着人工智能技术的飞速发展，基于机器学习的方法在许多领域得到了应用，如谷歌的AlphaG使用深度神经网络从大量的围棋对弈数据或围棋规则中进行认知学习，并取得了重大突破；此外人工智能在电力***的应用也得到广泛的研究，如电力***输电线路故障诊断，风力发电机的出力、故障预测等。人工智能对数据强大的学习能力同样可以应用在电机故障诊断中，通过神经网络对电机数据进行处理，探索正常电机与故障电机数据之间的差异，进而实现电机故障诊断的方法是可行的。尽早发现电机故障可以尽早的去检查维修，提高了电机故障诊断的效率，提升了电机***的安全性，可以预防***发生更严重的事故。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于胶囊网络的三相感应电机变工况多故障诊断方法，通过对电机三相电流进行分析，进而检测出多种常见电机故障，从而解决了传统电机故障检测方法因为电机工况改变时检测精度大幅下降的特点，以及传统故障检测需要安装额外的传感器使得测量成本增加的特点。

为实现上述发明目的，本发明一种基于胶囊网络的三相感应电机变工况多故障诊断方法，其特征在于，包括以下步骤：

(1)、

采集三相感应电机在不同工况下的电流数据，及对应电流下的电机健康状态，记为I_j[state_m]；其中，j＝1,2,3,…，j表示电机在不同的工况；m＝1,2,…,7m表示电机的健康状态，包括正常工作状态和六种故障状态，故障类型有：匝间短路、缺相、鼠笼条断条、突然丢失负载、转子动态偏心与转子静态偏心；

(2)、数据预处理

(2.1)、将不同健康状态下的电流数据添加标签，其中，正常状态记为Normal，匝间短路记为ISC，缺相记为OP，鼠笼条断条记为BRB，突然丢失负载记为LM，转子动态偏心记为RDE，转子静态偏心记为RSE；添加标签后的电流数据在胶囊网络中所对应索引值为1～7；

(2.2)、将添加标签后的电流数据随机划分成N个等长度的子序列，每个子序列记为一个Batch，共计得到N个Batch；

(3)、搭建并训练基于胶囊网络的故障诊断模型；

(3.1)、设置基于胶囊网络的故障诊断模型的学习率α；设置总的迭代次数T；

(3.2)、随机选取n个Batch输入至卷积神经网络CNN，利用卷积神经网络CNN提取的初始特征，提取公式为：

其中，f_c(t)是t时刻CNN提取的初始数据特征，act()表示激活函数，

表示t时刻的权重矩阵，

为t时刻的偏置向量，I_t为t时刻输入Batch中的电流数据，t为当前训练次数；

(3.3)、将CNN提取的初始特征输入至胶囊网络模型的卷积层，通过卷积运算后将初始特征映射到初级胶囊层；

其中，g₁(t)是t时刻胶囊网络卷积层的输出；e_i(t)为t时刻初级胶囊层的输出，是一系列的8维向量；

为t时刻胶囊网络卷积层的权重矩阵和偏置向量；

为t时刻初级胶囊层的权重矩阵和偏置向量；tanh()为双曲正切激活函数；

(3.4)、通过压缩与动态路由算法对初级胶囊层的输出进行处理，得到数字胶囊层的输出，处理的具体公式为：

其中，||·||表示求模，v_j(t)是t时刻数字胶囊层第j个胶囊的输出，j∈[1,7]它是每一种电机健康状态所对应的索引值；l_j(t)是t时刻从初级胶囊层到数字胶囊层的总输入向量；

为t时刻预测向量，通过将初级胶囊层的输出乘以一个权重矩阵W_ij(t)得到，i为初级胶囊层输出8维向量的个数；a_ij(t)为t时刻的耦合系数；b_ij(t)为t时刻动态路由算法的迭代更新参数，初始值为0；r为动态路由算法的迭代次数；

(3.5)、计算向量v_j(t)的长度，并比较当前t时刻所有向量长度的最大值，再将最长向量的索引值对应的电机状态作为当前数据所对应的电机状态，并输出电机状态；

(3.6)、根据数字胶囊层的输出v_j(t)搭建用于优化故障诊断模型的损失函数；

L_loss(t)＝Y_j(t)maxmax(0,m₁-||v_j(t)||)²+λ(1-Y_j(t))max(0,||v_j(t)||-m₂)²

其中，Y_j是不同健康状态下电机数据标签所对应的索引值，||v_j||就是数字胶囊层输出向量v_j的长度，m₁、m₂、λ均是[0,1]之间的常量；

(3.7)、计算t时刻的损失函数值L_loss(t)，再与t-1时刻的损失函数值L_loss(t-1)进行比较，如果L_loss(t)小于L_loss(t-1)，则利用梯度下降法直接优化CNN和胶囊网络的权重及偏置；否则，则利用AdamOptimizer优化器优化CNN和胶囊网络的权重及偏置，AdamOptimizer优化器优化的具体公式为：

其中，g(t)为t时刻的梯度；m_t为指数移动均值；h_t为平方梯度；β₁、β₂为常数，β₁、β₂∈[0,1]；∈为常数，默认为1e-8；θ_t表示更新后的模型参数，包括CNN和胶囊网络更新后的权重及偏置；

(3.8)、判断当前迭代次数t是否达到最大迭代次数T，如果满足，则迭代停止，将本次更新后的权重及偏置作为CNN和胶囊网络的参数，然后进入步骤(4)；否则，将当前迭代次数t自加1，再返回步骤(3.2)，继续选取下一组Batch进行训练；

(4)、实时采集三相感应电机的电流数据，然后输入至模型，从而输出三相感应电机的健康状态类型。

本发明的发明目的是这样实现的：

本发明基于胶囊网络的三相感应电机变工况多故障诊断方法，通过采集不同工况下多种电机健康状态的三相电流数据，并进行数据预处理，然后利用处理好的数据搭建基于胶囊网络的故障诊断模型，并对该模型的训练，从而得到快速、准确地检测出三相感应电机的多种故障的故障诊断模型，进而用于三相感应电机的实时检测，这样不仅降低了测量成本和时间成本，提高了电机故障诊断的效率，提升了电机***的安全性。

同时，本发明基于胶囊网络的三相感应电机变工况多故障诊断方法还具有以下有益效果：

(1)、通过使用人工智能技术，采用基于数据驱动的方式进行对电机数据进行特征提取与辨识，减少了传统数据特征提取方法中人为干预的影响，提高了电机故障诊断的效率；

(2)、故障诊断模型的核心使用胶囊网络，与传统的神经网络相比，胶囊网络具有更强的泛化性能，当电机工况发生改变时，基于胶囊网络的故障诊断模型能够更好的进行故障诊断，这种强泛化性克服了传统故障诊断模型在工况改变时需要训练新的模型的缺点；

(3)、本发明只需采集电流信号，在不改变原有的控制器结构或使用外部测量设备(如示波器)即可检测出电机的各种故障，有效地降低了测量成本和时间成本。

附图说明

图1是本发明基于胶囊网络的三相感应电机变工况多故障诊断方法流程图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明基于胶囊网络的三相感应电机变工况多故障诊断方法流程图。

在本实施例中，如图1所示，本发明一种基于胶囊网络的三相感应电机变工况多故障诊断方法，包括以下步骤：

S1、数据采集

采集三相感应电机在不同工况下的电流数据，及对应电流下的电机健康状态，记为I_j[state_m]；其中，j＝1,2,3,…，j表示电机在不同的工况；m＝1,2,…,7m表示电机的健康状态，本发明采集了5种工况下的电流数据，分别为负载在72、70、68、45和40Nm五种情况下的电机电流，以及正常工作状态和六种故障状态，故障类型有：匝间短路、缺相、鼠笼条断条、突然丢失负载、转子动态偏心与转子静态偏心；

S2、数据预处理

S2.1、将不同健康状态下的电流数据添加标签，其中，正常状态记为Normal，匝间短路记为ISC，缺相记为OP，鼠笼条断条记为BRB，突然丢失负载记为LM，转子动态偏心记为RDE，转子静态偏心记为RSE；添加标签后的电流数据在胶囊网络中所对应索引值为1～7；

S2.2、将添加标签后的电流数据随机划分成N个等长度的子序列，每个子序列记为一个Epoch，共计得到N个Epoch；

S3、搭建并训练基于胶囊网络的故障诊断模型；

S3.1、设置基于胶囊网络的故障诊断模型的学习率为α＝0.001；设置总的迭代次数T＝10000；初始化卷积神经网络CNN和胶囊网络的权重及偏置；

S3.2、随机选取256个Batch输入至卷积神经网络CNN，利用卷积神经网络CNN提取该Epoch的初始特征，提取公式为：

其中，f_c(t)是t时刻CNN提取的初始数据特征，act()表示激活函数，

表示t时刻的权重矩阵，

为t时刻的偏置向量，I_t为t时刻输入Batch中的电流数据，t为当前训练次数；

S3.2、将CNN提取的初始特征输入至胶囊网络模型的卷积层，通过卷积运算后将初始特征映射到初级胶囊层；

其中，g₁(t)是t时刻胶囊网络卷积层的输出；e_i(t)为t时刻初级胶囊层的输出，是一系列的8维向量；

为t时刻胶囊网络卷积层的权重矩阵和偏置向量；

为t时刻初级胶囊层的权重矩阵和偏置向量；tanh()为双曲正切激活函数；

S3.3、通过压缩与动态路由算法对初级胶囊层的输出进行处理，得到数字胶囊层的输出，处理的具体公式为：

其中，v_j是数字胶囊层第j个胶囊的输出，j∈[1,7]它是每一种电机健康状态所对应的索引值；l_j是从初级胶囊层到数字胶囊层的总输入向量；

为预测向量，通过将初级胶囊层的输出乘以一个权重矩阵W_ij得到，i为初级胶囊层输出8维向量的个数；a_ij为耦合系数；b_ij为动态路由算法的迭代更新参数，初始值为0；r为动态路由算法的迭代次数；

S3.4、通过压缩与动态路由算法对初级胶囊层的输出进行处理，得到数字胶囊层的输出，处理的具体公式为：

其中，v_j(t)是t时刻数字胶囊层第j个胶囊的输出，j∈[1,7]它是每一种电机健康状态所对应的索引值；l_j(t)是t时刻从初级胶囊层到数字胶囊层的总输入向量；

为t时刻预测向量，通过将初级胶囊层的输出乘以一个权重矩阵W_ij(t)得到，i为初级胶囊层输出8维向量的个数；a_ij(t)为t时刻的耦合系数；b_ij(t)为t时刻动态路由算法的迭代更新参数，初始值为0；r为动态路由算法的迭代次数；

S3.5、计算向量v_j(t)的长度，并比较当前t时刻所有向量长度的最大值，再将最长向量的索引值对应的电机状态作为当前数据所对应的电机状态，并输出电机状态；

S3.6、根据数字胶囊层的输出v_j(t)搭建用于优化故障诊断模型的损失函数；

L_loss(t)＝Y_j(t)maxmax(0,m₁-||v_j(t)||)²+λ(1-Y_j(t))max(0,||v_j(t)||-m₂)²

其中，Y_j是不同健康状态下电机数据标签所对应的索引值，||v_j||就是数字胶囊层输出向量v_j的长度，m₁、m₂、λ均是[0,1]之间的常量；

S3.7、计算t时刻的损失函数值L_loss(t)，再与t-1时刻的损失函数值L_loss(t-1)进行比较，如果L_loss(t)小于L_loss(t-1)，则利用梯度下降法直接优化CNN和胶囊网络的权重及偏置；否则，则利用AdamOptimizer优化器优化CNN和胶囊网络的权重及偏置，AdamOptimizer优化器优化的具体公式为：

其中，g(t)为t时刻的梯度；m_t为指数移动均值；h_t为平方梯度；β₁、β₂为常数，β₁、β₂∈[0,1]；∈为常数，默认为1e-8；θ_t表示更新后的模型参数，包括CNN和胶囊网络更新后的权重及偏置；

S3.8、判断当前迭代次数t是否达到最大迭代次数T，如果满足，则迭代停止，将本次更新后的权重及偏置作为CNN和胶囊网络的参数，然后进入步骤S4；否则，将当前迭代次数t自加1，再返回步骤S3.2，继续选取下一组Batch进行训练；

S4、实时采集三相感应电机的电流数据，然后输入至模型，从而输出三相感应电机的健康状态类型。

在本实施例中，利用ANSYS仿真软件对三相电机不同工况下的不同电机健康状态进行仿真，并利用该软件采集了多种工况(不同电机负载)下正常工作状态和6种故障状态的三相电流数据，一共采集了5种工况、7种健康状态下的35组电机电流数据。

本方法是在windows 10操作***下，利用GPU版的Tensorflow在Pycharm3.6(64位)软件中搭建的神经网络故障诊断模型，并通过GPU对硬件进行加速；结果显示：表1为在负载大小为68、70、72Nm的情况下，不同方法的故障诊断准确率，其中，CCaps-Net是本发明提出的故障诊断模型；LSTM-Caps-Net是本发明提出的一种对比算法，将本发明初始特征提取网络更换为了LSTM网络；LSTM-ATT(ATT是注意力机制)、SVM(支持向量机)和CNN都是目前主流的方法，结果显示本发明提出的方法有最高的故障诊断准确率，平均准确率高达98.63％。

表1是不同负载下不同模型的故障诊断准确率；

表2为变工况时不同模型的故障诊断准确率，其中“72→70Nm”表示模型在72Nm的负载下的数据集进行训练，在70Nm负载下的数据集进行测试，其它情况同理；表2显示，在变工况的情况下所有的故障诊断模型准确率都有所下降，这是因为不同工况下不同数据集的特征有变化，但本发明提出的方法有最好的故障诊断表现，具体结果如表2所示；

表2是变工况下不同模型的故障诊断准确率；

表3为负载大小为轻载(40Nm)时不同模型的故障诊断准确率，当负载减轻时，所有模型的准确率都有所下降，这是因为负载减轻，电机的电流随之减小，使得电流总谐波失真(THD)增加，造成了模型的故障诊断准确率的下降，但本发明提出的方法仍具有最好的故障诊断性能，具体结果如表3所示；

表3是轻载时不同模型故障诊断准确率；

方法	负载为40Nm时的故障诊断准确率
		CCaps-Net	94.67％
LSTM-Caps-Net	90.13％
		LSTM-ATT	78.92％
SVM	77.06％
		CNN	89.68％

表4为轻载变工况时不同模型的故障诊断准确率，通过对比可以看出，本发明所提出的方法具有最高的准确率。

表4是轻载变工况不同模型的故障诊断准确率；

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种基于胶囊网络的三相感应电机变工况多故障诊断方法，其特征在于，包括以下步骤：

(1)、采集三相感应电机在不同工况下的电流数据，及对应电流下的电机健康状态，记为I_j[state_m]；其中，j＝1,2,3,…，j表示电机不同的工况编号；m＝1,2,…,7，m表示电机的健康状态，包括正常工作状态和六种故障状态，故障类型有：匝间短路、缺相、鼠笼条断条、突然丢失负载、转子动态偏心与转子静态偏心；

(2)、数据预处理

(2.1)、将不同健康状态下的电流数据添加标签，其中，正常状态记为Normal，匝间短路记为ISC，缺相记为OP，鼠笼条断条记为BRB，突然丢失负载记为LM，转子动态偏心记为RDE，转子静态偏心记为RSE；添加标签后的电流数据在胶囊网络中所对应索引值为1～7；

(2.2)、将添加标签后的电流数据随机划分成N个等长度的子序列，每个子序列记为一个Batch，共计得到N个Batch；

(3)、搭建并训练基于胶囊网络的故障诊断模型；

(3.1)、设置基于胶囊网络的故障诊断模型的学习率α；设置总的迭代次数T；

(3.2)、随机选取n个Batch输入至卷积神经网络CNN，利用卷积神经网络CNN提取的初始特征，提取公式为：

其中，f_c(t)是t时刻CNN提取的初始数据特征，act()表示激活函数，

表示t时刻的权重矩阵，

为t时刻的偏置向量，I_t为t时刻输入Batch中的电流数据，t为当前训练次数；

(3.3)、将CNN提取的初始特征输入至胶囊网络模型的卷积层，通过卷积运算后将初始特征映射到初级胶囊层；

其中，g₁(t)是t时刻胶囊网络卷积层的输出；e_i(t)为t时刻初级胶囊层的输出，是一系列的8维向量；

为t时刻胶囊网络卷积层的权重矩阵和偏置向量；

为t时刻初级胶囊层的权重矩阵和偏置向量；tanh()为双曲正切激活函数；

(3.4)、通过压缩与动态路由算法对初级胶囊层的输出进行处理，得到数字胶囊层的输出，处理的具体公式为：

其中，v_j(t)是t时刻数字胶囊层第j个胶囊的输出，j∈[1,7]它是每一种电机健康状态所对应的索引值；l_j(t)是t时刻从初级胶囊层到数字胶囊层的总输入向量；

为t时刻预测向量，通过将初级胶囊层的输出乘以一个权重矩阵W_ij(t)得到，i为初级胶囊层输出8维向量的个数；a_ij(t)为t时刻的耦合系数；b_ij(t)为t时刻动态路由算法的迭代更新参数，初始值为0；r为动态路由算法的迭代次数；

(3.5)、计算向量v_j(t)的长度，并比较当前t时刻所有向量长度的最大值，再将最长向量的索引值对应的电机状态作为当前数据所对应的电机状态，并输出电机状态；

(3.6)、根据数字胶囊层的输出v_j(t)搭建用于优化故障诊断模型的损失函数；

L_loss(t)＝Y_j(t)maxmax(0,m₁-‖v_j(t)‖)²+λ(1-Y_j(t))max(0,‖v_j(t)‖-m₂)²

其中，Y_j(t)是不同健康状态下电机数据标签所对应的索引值，‖v_j‖就是数字胶囊层输出向量v_j的长度，m₁、m₂、λ均是[0,1]之间的常量；

(3.7)、计算t时刻的损失函数值L_loss(t)，再与t-1时刻的损失函数值L_loss(t-1)进行比较，如果L_loss(t)小于L_loss(t-1)，则利用梯度下降法直接优化CNN和胶囊网络的权重及偏置；否则，则利用AdamOptimizer优化器优化CNN和胶囊网络的权重及偏置，AdamOptimizer优化器优化的具体公式为：

其中，g(t)为t时刻的梯度；m_t为指数移动均值；h_t为平方梯度；β₁、β₂为常数，β₁、β₂∈[0,1]；∈为常数，默认为1e-8；θ_t-1表示前一个时刻的模型参数，θ_t表示更新后的模型参数，包括CNN和胶囊网络更新后的权重及偏置；

(3.8)、判断当前迭代次数t是否达到最大迭代次数T，如果满足，则迭代停止，将本次更新后的权重及偏置作为CNN和胶囊网络的参数，然后进入步骤(4)；否则，将当前迭代次数t自加1，再返回步骤(3.2)，继续选取下一组Batch进行训练；

(4)、实时采集三相感应电机的电流数据，然后输入至模型，从而输出三相感应电机的健康状态类型。

Images