CN114295981A - 一种基于rn网络电流多特征形态识别的电机故障诊断方法 - Google Patents

Abstract

本发明公开了一种电机的故障诊断方法，包括采集电机的电流数据进行特征处理，并由此获得电流谐波、转频谐波等电流特征数据；对电流特征数据进行属性约简，提取电机故障诊断的关键特征属性；截取关键特征属性的最大5%、最小5%数据进行拟合得到边界形态图像；将形态图像输入RN网络进行异常形态识别；对不同关键特征属性的边界异常形态进行组合优化，得到每种故障类型的异常形态最优组合模式，根据最优组合模式匹配结果确定电机的故障类型。本申请保证了电机故障类型判断的准确性和及时性，减少了工厂的经济损失。此外，本申请还提出了一种电机智能管理框架，将云端、智能边缘端以及客户端联系起来，方便运维工程师对电机的智能化管理。

Description

一种基于RN网络电流多特征形态识别的电机故障诊断方法

技术领域

本发明属于电机故障分析技术领域，特别是涉及一种基于RN网络电流多特征形态识别的电机故障诊断方法。

背景技术

在工厂的钢坯运输中，运输钢坯的辊道是由电机所驱动的，但因现场的环境因素或电机的本身原因，电机经常会出现故障。对于电机故障的维修，工厂一般会等机器坏了之后维修或定时维修，这种维修模式不仅会增加工厂的经济支出，还会造成过度维修。而且工厂一般会基于电机的振动信号对其进行故障诊断，但考虑到振动传感器需要安装在电机本体上，安装过程复杂且振动传感器价格昂贵，对于工厂来说性价比并不高。因此，本专利提出了一种基于定子电流的电机故障预测性诊断方法，该方法深入机理研究，通过提取多个电流特征信号及其关键特征属性，然后识别各关键特征属性异常形态并进行组合优化，给出用于电机故障分类的多属性异常形态组合模式。该方法有助于电机的预测性运维以及减少工厂的经济损失，具有良好的应用前景。

发明内容

本发明的目的是提供一种基于RN网络电流多特征形态识别的电机故障诊断方法，能够及时发现电机故障，有利于电机的及时维修以及延长电机使用寿命。

为解决上述技术问题，本发明提供一种电机故障识别方法，包括：

提出了一种‘云、边、端’的电机智能管理框架；

采集电机的电流数据，并对所述电流数据进行特征处理，获得电流谐波、转频谐波、最大电流以及逆序电流等电流特征数据；

对经过特征处理后的电流特征数据进行属性约简，进一步提取电机故障诊断的关键特征属性；

截取关键特征属性的最大5％、最小5％数据进行拟合得到关键特征属性的边界形态图像；将形态图像输入RN网络进行异常形态识别；

对不同关键特征属性的边界异常形态进行组合优化，得到每种故障类型的异常形态最优组合模式，根据最优组合模式匹配结果确定电机的故障类型。

可选地，所述智能管理框架，包括：

将在现场所采集到的电流数据上传到云端，并在云端完成数据的存储、分析、电机故障诊断模型训练等一系列过程；

将在云端训练好的模型部署到智能边缘端，将设备实时的运行数据输入到模型中，通过模型监测设备状态；

建立客户端，为运维工程师提供电机的实时状态监控、故障预警、历史表单查看等功能。

可选地，所述特征处理过程，包括：

将电流采集器获取的定子电流数据通过快速傅里叶变换计算各次电流谐波；通过对定子电流解调以及快速傅里叶变换计算各次转频谐波；基于电流短期内最大值获得最大电流；基于所获得的电流谐波计算逆序电流。

可选地，所述电流特征数据的属性约简过程，包括：

使用决策树算法以及专家经验对提取到的电流特征数据进行属性约简，挖掘出能决定电机故障的关键特征属性，并剔除跟电机故障关联性低的冗余属性。

可选地，所述关键特征属性的边界形态拟合过程，包括：

选取一小时中最大5％、最小5％数据，使用3σ(3倍标准差)原则去除所选取数据的离群点；分别计算去离群数据的一小时最大5％和最小5％数据的均值，将所计算的各小时均值进行连接形成上下粗边界。

可选地，为了将上下粗边界转换为平滑的上下边界，包括：

为获取平滑的上下边界，采用多起点分段拟合算法和采用贝叶斯全局优化算法获取使残差最小的线段分段数和起点位置，然后分段拟合获取各属性的上下光滑边界。

可选地，所述边界形态拟合图像的异常形态识别过程，包括：

使用RN神经网络对边界拟合图像进行识别，给出每种关键特征属性在不同故障下的边界异常形态。

可选地，确定电机故障类型过程，包括：

使用天牛须优化算法，对通过RN神经网络所获取的所有关键特征属性异常形态进行组合优化，得到每种故障类型的异常形态最优组合模式，根据最优组合模式匹配结果确定电机的故障类型。

本发明给出了一种基于RN网络电流多特征形态识别的电机故障诊断方法,首先提出了一种‘云、边、端’的电机智能管理框架，将云端、智能边缘端以及客户端以端对端的形式进行连接，方便故障诊断模型的智能化训练以及用户对电机故障的实时掌握；对所采集到的电机电流数据进行特征处理，并获取电流谐波、转频谐波、最大电流以及逆序电流多个特征数据；对经过特征处理后的电流数据进行属性约简，进一步提取电机故障诊断的关键特征属性；提取关键特征属性的最大5％、最小5％数据进行拟合得到关键特征属性的边界形态图像；将形态图像输入RN网络进行异常形态识别；对不同关键特征属性的边界异常形态进行组合优化，得到每种故障类型的异常形态最优组合模式，根据最优组合模式匹配结果确定电机的故障类型。

基于上述方法，本发明的优点在于：通过采集工厂中电机运行时的电流信号而非振动信号，避免安装昂贵的振动传感器而造成工厂不必要的经济支出；并且深入机理研究，通过提取多个电流特征信号及其关键特征属性，然后识别各关键特征属性异常形态并进行组合优化，根据最优组合模式匹配结果确定电机的故障类型，提高了电机故障诊断的准确性。本方法有助于电机的预测性运维以及减少工厂的经济损失，具有良好的应用前景。

附图说明

为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的电机故障诊断方法的流程示意图；

图2为本申请实施例提供的电机智能管理框架图；

图3为本申请实施例提供的电流特征信号关键特征属性的边界形态提取过程图；

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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。

如图1所示，图1为本申请实施例提供的电机故障诊断方法的流程示意图，该电机故障诊断方法可以包括：

S11：采集电机的电流数据，并对所述电流数据进行特征处理，获得电流谐波、转频谐波、最大电流以及逆序电流等电流特征数据。

本实施例中的电流数据主要来源于电机工作过程中，设于电机上的电流采集器所采集到的定子电流数据。

通过定子电流数据可以提取电机工作过程中的相关特征，即：电流谐波、转频谐波、最大电流以及逆序电流。

电流谐波是根据电流采集器获取的定子电流数据通过快速傅里叶变换计算得到的，其中fft变换公式为：

w代表频率，t代表时间，e^-jwt为复变函数。

转频谐波是先对获取后电流数据作解调后，根据

得到的电流数据通过fft进行分析，而找到最大幅值(D_max)的电流谐波分量的位置，然后乘以频率分辨率(FR)得到转子的频率(f_r)。

其中i²(t)的推导公式如下：

将公式(1)展开：

i(t)＝[k₁+k₂cos(2πf₂t)+k₃cos(2πf₃t)+...++k_ncos(2πf_nt)]cos(2πf₁t) 公式(2)

电流幅值m(t)计算公式为：

即公式(1)即可变形成：

i(t)＝m(t)cos(2πf₁t) 公式(4)

转子频率计算公式为：

f_r＝D_max×FR 公式(6)

其中，i(t)为电流数据，k_n,f_n分别为第n次谐波信号的常数项和电源频率，m(t)为电流幅值，D_max为电流谐波分量的最大值，FR为频率分辨率，f_r为转子的频率，即转频谐波的基频。

计算电流谐波和转频谐波时，由于误差的存在，导致电源频率与多倍电源频率或转频谐波中的基频与多倍基频之间并不一定是整倍数关系，如果按整倍数关系计算则会导致电流谐波和转频谐波的计算错误。为此可以引入谐波分量寻优算法：在整倍频前后一定范围内去找谐波分量的最大值，所找到的谐波分量的最大值即为整次谐波分量，其公式为：F_i(x)＝max([F(x_i-x),F(x_i+x)]),i＝1,2,3,...,10；其中，F_i(x)为谐波分量，x_i为整倍频率，x为频率浮动范围大小。

最大电流是基于电流短期内最大值获得的，其公式为I_max＝max(I₁,I₂,,,I_n)，I_max其中为最大电流，I_n为短期内的电流值。

逆序电流是将所获得的电流谐波中的2、5、8、11、15次电流谐波进行累加得到的,其公式为F_B＝F₂+F₅+F₈+F₁₁+F₁₅，其中，F_B为所求逆序电流，F₂、F₅、F₈、F₁₁、F₁₅分别为2、5、8、11、15次电流谐波。

S12：对电流特征数据进行属性约简，进一步提取电机故障诊断的关键特征属性。

为了进一步获取与电机故障有关的关键特征属性，因此对由电流数据进行特征提取所获得的电流谐波、转频谐波等电流特征数据，进行属性约简，将在第一次特征处理时所提取的无效属性或关联性不高的冗余属性进行剔除。采用决策树算法挖掘出跟故障有明显关联变化的关键特征属性。

首先将特征数据的最大5％、最小5％的数据均值和故障记录形成一张如表1的表格，电流属性为条件属性而各故障类型为决策属性；然后基于公式δ＝(x_max-x_min)/k对各属性的最大5％、最小5％的数据均值进行离散化，其中，k代表对数据离散化后的数据种类。例如：如果ih1值的范围是0.1--2，那根据以往所记录的数据可将ih1离散为0,1两种类型的数值，[0.3，1]属于0，[1，5]属于1，即k＝2。根据表格中的数据属性和故障类型将其划分为属性集合P和故障集合Q，使用相对约简算法分别计算P相对于Q的约简Pos_p(Q)，然后再分别计算Pos_p-p1(Q)，Pos_p-p2(Q)...Pos_p-pn(Q)，以及计算它们之间相互依赖的程度，然后对各个属性重新进行排序，将排名在前面的属性选作关键特征属性。

表1：

ih2	ih3	imax	mh2	mh3	ineg	采样时间	故障0	故障1	故障2	故障3
											1.25	0.27	13.59	0.66	0.03	0.21	2021/3/59:18	0	0	0	0
1.29	0.27	13.11	1.15	0.05	0.24	2021/3/59:18	0	0	0	0
											0.83	0.21	15.37	0.53	0.07	0.25	2021/3/59:18	0	0	0	0
0.91	0.25	10.82	0.76	0.06	0.17	2021/3/59:18	0	0	0	0
											1.16	0.18	10.12	0.82	0.05	0.18	2021/3/59:18	0	0	0	0
1.05	0.14	10.92	0.47	0.06	0.12	2021/3/59:18	0	0	0	0
											0.65	0.23	11.66	0.54	0.06	0.24	2021/3/59:18	0	0	0	0
...

在使用上述方法后，得出下面六个属性作为关键特征属性：电流二次谐波(ih2)、电流三次谐波(ih3)、转频二次谐波(mh2)，转频三次谐波(mh3)、最大电流(imax)、逆序电流(ineg)。

S13：截取关键特征属性的最大5％、最小5％的数据进行拟合得到关键特征属性的边界形态图像。

图3为本申请实施例提供的电流特征信号关键特征属性的边界形态图像提取过程图。

由于现场各种因素导致电机数据会出现一定的干扰，直接对关键特征属性进行异常形态识别往往会造成电机故障诊断效果不好。因此，提取每个属性的一小时中最大5％、最小5％的数据作为二次特征，那么前述所获得的6个关键特征属性将扩展为12个二次特征：ih2_95,ih2_05,mh2_95,mh2_05,imax_95，imax_05,ineg_95,ineg_05等。使用3σ(3倍标准差)原则去除所选取数据的离群点。分别计算去离群数据的一小时最大5％和最小5％数据的均值，将所计算的各小时均值进行连接形成上下粗边界。

为获取平滑的上下边界，采用多起点分段拟合算法和采用贝叶斯全局优化算法获取使残差最小的线段分段数和起点位置，然后分段拟合获取各属性的上下光滑边界。具体算法流程如下。

采用贝叶斯全局优化算法以此来获取最优分段数，其目标函数为：f(l)＝SSR(l)+εy_mean·l，其中，SSR(l)是分段数为l时真实数据与拟合数据的残差平方和，ε为惩罚参数。获取最优的分段数后，即可得到断点数目：b＝l-1。采用多起点分段拟合算法最小化误差平方和SSR(b)，其中，b＝[b₂,...,b_n-1]^T,x₁≤b_k≤x_n,k＝1,2,...,n_b生成n个随机样本，然后对生成的样本进行优化，最终确定每一段数据的断点位置。当获得断点位置后，使用最小二乘法对分段边界进行拟合，拟合表达式如下：

将其转换成矩阵表达式为：

其中，A为n×n_b的回归矩阵，k为n_b×1的待优化参数，

为假设函数。

目标函数为：SSR＝(Ak-y)^T(Ak-y)。然后使用目标函数对k求导，当其导数为0时，获得斜率k的解向量：k＝(A^TA)^-1A^Ty。确定断点位置和各分段线段的斜率后，即可获取光滑的各连续分段拟合线段。

根据获取的分段线段，对其进行归纳整理，可将边界线归纳为下面几种形态：双边上、下阶跃、幅值阶跃、双边劣化、幅值劣化、底部劣化，阶跃劣化，正常等。

S14：将形态图像输入RN网络进行异常形态识别。

关系网络(RN)是一种基于小样本学习的神经网络，因其在网络学习方面简单、灵活且不需要大量数据样本，成为近年来最热门的神经网络之一。

RN网络的数据集样式不同于其他神经网络的数据集。以训练集为例，RN网络训练集会被划分为support_set和query_set两部分，其中query_set中包含c类数据，每类数据中有k个样本，因此又将此类数据集设置称为c-way,k-shot。query_set则是属于这c类但又不同于support_set的样本集。

RN网络包括嵌入模块和关系模块，其中嵌入模块将support_set与query_set利用CNN神经网络进行特征提取，关系模块会对所提取的特征依据其相似度进行打分。以5-way,1-shot，query_set中包含一个样本为例，首先对这5类故障中的每个样本以及query_set中的样本进行特征提取，然后将query_set中样本的特征分别与5类故障中每个样本的特征进行深度拼接，得到5个拼接特征。将拼接后的特征输入关系模块，并在关系模块中进一步使用CNN神经网络对拼接特征进行特征提取，最后在全连接层处输出每个拼接特征的相似度，并将这个相似度称之为关系分数。其中关系分数最大的则说明query_set中的样本与其拼接样本属于同一类型故障。

将已经打好标签的边界线图像分为训练集与测试集，将训练集分批次输入RN神经网络进行训练，采用均方差函数作为网络的损失函数，损失函数公式为：

其中，i为故障种类，j为query_set中的样本,r_i,j为query_set的第j个样本与support_set的第i类的关系分数，y_i为预测标签，y_j为真实标签。待网络训练好后，给模型设定一个support_set，则模型根据输入的边界线图像样本可判断出其异常形态类型。

S15：对不同关键特征属性的边界异常形态进行组合优化，得到每种故障类型的异常形态最优组合模式，根据最优组合模式匹配结果确定电机的故障类型。

使用天牛须优化算法，对通过RN神经网络所获取各个关键特征属性的异常形态进行组合优化，确定每种电机故障的异常形态最优组合模式，并根据优化得到的最优组合模式，确定所述电机的故障类型。

现有6个关键特征属性，每个属性有8个二次特征形态。如果用数字代表异常形态类型：1表示双边上阶跃，2表示下阶跃，3表示幅值阶跃，4表示双边劣化，5表示幅值劣化，6表示底部劣化，7表示阶跃劣化，8表示正常，数字位置代表不同属性，则[1，2，2，4，5，3]表示某类型故障发生时，ih2出现了双边上阶跃形态，ih3出现了双边下阶跃等。可以建立基于天牛须算法的优化模型，挖掘出各类故障的形态组合模式。

以电机故障中的尼龙接手老化为例，具体寻优步骤如下。

1、设置适应度函数：

f(X)＝1/[(x1-y1)²+(x2-y2)²+(x3-y3)²+(x4-y4)²+(x5-y5)²+(x6-y6)²]

其中，X＝[x1,x2,x3,x4,x5,x6]，x1-x6为所需寻优的参数，即寻优后所得到的各个关键特征属性的异常形态，y1-y6为各个关键特征属性真实的异常形态标签。

2、天牛在任意位置时，头的朝向是随机的，在维度D中，天牛朝向向量可归一化为：

其中，D代表空间维度。

3、天牛左右须位置X_r、X_l可用天牛质心位置可用天牛质心位置X^m和两须距离d^m表示：

其中，代表天牛头部的方向。

4、依据适应度函数f(X)计算天牛两侧触须的气味浓度，即f(X_r)和f(X_l)。下式为更新迭代模型：

其中，δ^m为时刻(迭代次数)的搜索步长。

5、天牛步长与两须距离的更新规则如下：

其中，d_e和δ_e分别表示d和δ的递减因子。

根据上述描述，依据形态识别表，以适应度函数中各关键特征属性的异常形态作为天牛须的搜寻目标，确立识别尼龙接手老化故障时漏报误报率最小的优化目标，挖掘出最优的异常形态组合模式，并以此最优组合模式作为判断尼龙接手老化故障的标准。下表2为尼龙接手老化形态识别表。

表2：

ih2	ih3	imax	mh2	mh3	ineg	采样时间	故障类型
								8	8	8	8	8	8	2021/3/516:55	无故障
8	8	8	8	8	8	2021/3/517:55	无故障
								8	8	8	8	8	8	2021/3/518:55	无故障
8	8	6	8	8	8	2021/3/519:55	尼龙接手老化
								4	8	8	5	8	8	2021/3/520:55	尼龙接手老化
4	8	8	5	8	8	2021/3/521:55	尼龙接手老化
								4	8	8	5	8	8	2021/3/522:55	尼龙接手老化
...

电机的其他故障最优异常形态组合模式的挖掘与上述方法一致，在此不再赘述。

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。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，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围。

Claims (8)

1.一种电机的故障识别方法，其特征在于，包括：

提出了一种‘云、边、端’的电机智能管理框架；

采集电机的电流数据，并对所述电流数据进行特征处理，获得电流谐波、转频谐波、最大电流以及逆序电流等电流特征数据；

对电流特征数据进行属性约简，进一步提取电机故障诊断的关键特征属性；

截取关键特征属性的最大5％、最小5％数据进行拟合得到关键特征属性的边界形态图像；

将形态图像输入RN网络进行异常形态识别；

对不同关键特征属性的边界异常形态进行组合优化，得到每种故障类型的异常形态最优组合模式，根据最优组合模式匹配结果确定电机的故障类型。

2.如权利要求1所述的电机的故障识别方法，其特征在于，所述智能管理框架，包括：

将在现场所采集到的电流数据上传到云端，并在云端完成数据的存储、分析、电机故障诊断模型训练等一系列过程；

将在云端训练好的模型部署到智能边缘端，将设备实时的运行数据输入到模型中，通过模型监测设备状态；

建立客户端，为运维工程师提供电机实时状态监控、故障预警、历史表单查看等功能。

3.如权利要求1所述的电机的故障识别方法，其特征在于，所述特征处理过程，包括：

将电流采集器获取的定子电流数据通过快速傅里叶变换计算各次电流谐波；通过对定子电流解调以及快速傅里叶变换计算各次转频谐波；基于电流短期内最大值获得最大电流；基于所获得的电流谐波计算逆序电流。

4.如权利要求1所述的齿轮箱的故障识别方法，其特征在于，所述电流特征数据的属性约简过程，包括：

使用决策树算法以及专家经验对提取到的电流特征数据进行属性约简，挖掘出能决定电机故障的关键特征属性，并剔除跟电机故障关联性低的冗余属性。

5.如权利要求1所述的电机的故障识别方法，其特征在于，所述关键特征属性的边界形态拟合过程，包括：

选取一小时中最大5％、最小5％数据，使用3σ(3倍标准差)原则去除所选取数据的离群点；分别计算去离群数据的一小时最大5％和最小5％数据的均值，将所计算的各小时均值进行连接形成上下粗边界。

6.如权利要求5所述的电机的故障识别方法，其特征在于，为了将上下粗边界转换为平滑的上下边界，包括：

为获取平滑的上下边界，采用多起点分段拟合算法和采用贝叶斯全局优化算法获取使残差最小的线段分段数和起点位置，然后分段拟合获取各属性的上下光滑边界。

7.如权利要求1所述的电机的故障识别方法，其特征在于，所述边界形态图像的异常形态识别过程，包括：

使用RN神经网络对边界拟合图像进行识别，给出每种关键特征属性在不同故障下的边界异常形态。

8.如权利要求1所述的电机的故障识别方法，其特征在于，确定电机故障类型过程，包括：

使用天牛须优化算法，对通过RN神经网络所获取的所有关键特征属性异常形态进行组合优化，得到每种故障类型的异常形态最优组合模式，根据最优组合模式匹配结果确定电机的故障类型。

Images