CN114386453A - 一种三相异步电机故障诊断方法及计算机可读介质 - Google Patents
一种三相异步电机故障诊断方法及计算机可读介质 Download PDFInfo
- Publication number
- CN114386453A CN114386453A CN202111487994.0A CN202111487994A CN114386453A CN 114386453 A CN114386453 A CN 114386453A CN 202111487994 A CN202111487994 A CN 202111487994A CN 114386453 A CN114386453 A CN 114386453A
- Authority
- CN
- China
- Prior art keywords
- layer
- fault
- capsule
- phase asynchronous
- asynchronous motor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种三相异步电机故障诊断方法及计算机可读介质,其中电机故障诊断方法包括:获取电机振动信号数据,并对数据进行数据增强处理;搭建胶囊网络模型,该模型包括依次相连的一维卷积层、设有多层次结构的卷积层、残差层、Concat层和数字胶囊层;对搭建的胶囊网络模型进行训练;使用训练好的胶囊网络模型对获取的电机振动信号进行故障诊断,输出故障诊断结果。与现有技术相比,本发明具有鲁棒性好、泛化能力强等优点。
Description
技术领域
本发明涉及电机故障诊断技术领域,尤其是涉及一种基于改进胶囊网络的三相异步电机故障诊断方法及计算机可读介质。
背景技术
传统的电机故障诊断方法通常是采用信号处理的方法。由于绝大多数的电机故障诊断都是利用振动、电流、红外、声音等信号。这些采集到的原始信号由于存在大量冗余信息以及噪声等因素的影响,故障特征在原始信号中隐藏较深,不易找出。因此需要用到信号处理的方法人工提取故障特征。常见的信号处理方法有傅里叶变换、小波变换、希尔伯特变换、经验模态分解等。
随着计算机领域地蓬勃发展,研究人员提出了一种又一种新的智能算法。越来越多的学者将它们应用到故障诊断领域中来,也取得了一定的效果。在它们中较为典型的有模糊理论,BP神经网络,支持向量机,随机森林等方法。
传统方法需要大量信号处理以及数学方面的知识,且往往只考虑了一小部分故障类型,当故障数量增加时,这些方法将失效。而基于人工智能技术的一些新算法通过对故障数据的分析与预处理,再通过深度学习的方法对提取到的故障特征进行分类。这种方法无需知道故障特征频率等深受环境影响的因素,可以消除人工提取特征所带来的干扰,完成从提取故障特征到到故障分类的全过程,自动地实现从端到端的智能故障诊断分类。但这些方法仍然存在一些问题。目前的方法由于实验条件限制等原因,大多只是用一种电机的原始状态做实验,并没有考虑到在实际工业环境中可能遇到的问题。在实际工业环境中,电机可能处于强噪声环境,如振动信号等可能会被噪声淹没;除此之外,当电机处于不同负载状态下,电机的转速会发生变化,从而影响振动信号和电流信号。因此单单考虑一种电机在原始条件下的故障状态是远远不够的。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种鲁棒性好、泛化能力强的三相异步电机故障诊断方法及计算机可读介质。
本发明的目的可以通过以下技术方案来实现:
一种三相异步电机故障诊断方法,所述的电机故障诊断方法包括:
步骤1:获取电机振动信号数据,并对数据进行数据增强处理;
步骤2:搭建胶囊网络模型,该模型包括依次相连的一维卷积层、设有多层次结构的卷积层、残差层、Concat层和数字胶囊层;
步骤3:对步骤2搭建的胶囊网络模型进行训练;
步骤4:使用步骤3训练好的胶囊网络模型对步骤1中获取的电机振动信号进行故障诊断,输出故障诊断结果。
优选地,所述胶囊网络模型中的一维卷积层具体为:
其中,为当前层,即l层中第j个神经元的输出;为上一层,即l-1层中第i个神经元的输出;为所有的输入特征;为l-1层中第i个神经元到l层中第j个神经元的卷积核;为第l层第j个神经元的偏置;f为激活函数。
更加优选地,所述的一维卷积层的输出端设有一维池化层,具体为:
优选地,所述设有多层次结构的卷积利用Skip Connection方法进行网络跳连。
优选地,所述的残差层具体为:
F(x)=x+f(x)
其中,x为残差层的输入;f(x)为经过有损压缩处理后的输出;F(x)为后续网络的输入。
优选地,所述的数字胶囊层具体为:
数字胶囊层的输入为:
sj通过数字胶囊层的squashing激活函数后获得输出向量,具体为:
更加优选地,所述数字胶囊层的损失函数为:
Lc=Tcmax(0,m+-||vc||)2+λ(1-Tc)max(0,||vc||-m-)2
其中,Tc为真实标签,当输入样本类别与c一致时Tc取1,否则取0;||vc||为向量的模长,即故障类型的概率;m+和m-分别为上边界和下边界,即当||vc||>m+或||vc||<m-时,损失函数为0;λ为调比参数,用于调节两项的比例。
优选地,所述的步骤3使用Adam优化器优化总损失。
一种计算机可读介质,所述的计算机可读介质内存储有上述任一项所述的三相异步电机故障诊断方法。
与现有技术相比,本发明具有以下有益效果:
鲁棒性好、泛化能力强:本发明中的三相异步电机故障诊断方法采用带多层次结构的一维卷积神经网络快速提取特征再利用残差网络减小过拟合风险。最后利用胶囊网络完成故障分类,该方法在强噪声环境(-10dB)下的平均准确率仍能达到91.9%,在变负载环境下的平均准确率可达90.82%,与现有技术相比,该网络模型充分证明了其鲁棒性和泛化能力。
附图说明
图1为本发明中三相异步电机故障诊断方法的流程示意图;
图2为本发明中改进胶囊网络模型的结构示意图;
图3为本发明实施例中验证集上的准确率和损失示意图;
其中图3(a)为验证集上的准确率,图3(b)为验证集上的损失;
图4为本发明实施例中混淆矩阵的示意图;
图5为本发明实施例中加噪信号的示意图;
其中,图5(a)为原始信号,图5(b)为高斯白噪声信号,图5(c)为加噪后的信号;
图6为本发明实施例中强噪声环境下模型识别的准确率示意图;
其中,图6(a)为在空载下的准确率,图6(b)为在25%负载下的准确率,图6(c)为在50%负载下的准确率,图6(d)为在75%负载下的准确率。
图7为本发明实施例中不同负载下的信号示意图;
其中,图7(a)为训练集是空载时的信号,图7(b)为训练集是25%负载时的信号,图7(c)为训练集是50%负载时的信号,图7(d)为训练集是75%负载时的信号;
图8为本发明实施例中变负载环境下模型识别的准确率示意图;
其中,图8(a)为训练集是空载时的准确率,图8(b)为训练集是25%负载时的准确率,图8(c)为训练集是50%负载时的准确率,图8(d)为训练集是75%负载时的准确率。
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,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
本实施例针对信号处理方法的局限性以及电机在强噪声和变负载环境下的问题,提出一种基于改进的胶囊网络的三相异步电动机故障诊断方法。该方法使用一维卷积神经网络作为模型输入,并且在一维卷积神经网络的基础上采用多尺度策略,该策略可以从多种层面提升卷积神经网络(CNN)的特征表达能力。模型再经过一层残差层以防止梯度***。最后通过胶囊网络进一步提取细节特征,并完成故障分类。实际实验以及对比实验表明,该方法拥有更好的鲁棒性以及泛化能力。
一种基于改进胶囊网络的三相异步电机故障诊断方法,其流程如图1所示,包括:
步骤1:获取电机振动信号数据,并对数据进行数据增强处理;
步骤2:搭建胶囊网络模型,该模型包括依次相连的一维卷积层、设有多层次结构的卷积层、残差层、Concat层和数字胶囊层;
步骤3:对步骤2搭建的胶囊网络模型进行训练;
步骤4:使用步骤3训练好的胶囊网络模型对步骤1中获取的电机振动信号进行故障诊断,输出故障诊断结果。
本实施例中胶囊网络模型的结构如图2所示,下面分别对各层进行描述:
(1)模型的第一层为卷积层:
电机的振动信号由于是时间序列,因此使用一维卷积神经网络作为模型输入。与二维卷积神经网络相比,一维卷积神经网络改变的只是特征图的维度。一维卷积神经网络主要由一维卷积层、池化层、全连接层等构成。一维卷积层:卷积层的目的是为了增强原始输入信号的特征,并消除原始输入中的部分噪音,这也是把原始信号不做任何特征提取而直接输入网络的原因之一。它的公式如下式所示:
其中,为当前层,即l层中第j个神经元的输出;为上一层,即l-1层中第i个神经元的输出;为所有的输入特征;为l-1层中第i个神经元到l层中第j个神经元的卷积核;为第l层第j个神经元的偏置;f为激活函数。
一维池化层:池化层的目的是在不改变特征矩阵深度的情况下缩小特征矩阵的大小,从而有效地减少整个网络中的参数数量。它的公式如所示:
本实施例中的一维卷积层为了获得更多的有用信息,第一层卷积层使用了尺寸为127的较宽的卷积核,卷积核数目为32,步长为8。较大的感受野可以在一定程度上提高模型的抗噪能力。另外在卷积层中使用ReLU作为激活函数。之后在网络中加入一层批量归一化层,加入批量归一化层的目的是防止梯度的消失或者***,并且可以加快训练的速度。之后在网络中加入一层池化层,目的是为了减少整个网络中的参数量,同时也可以防止过拟合。
(2)模型的第二层为多层次结构的卷积层:
多层次结构:较小的卷积核包含更多的细节特征以及相应的位置信息,但其感受野小,即卷积核中所包含的信息会较少。相反较大的卷积核感受野较大,能够提取到更多的信息,但相对来说它能得到的细节特征就会比较小的卷积核要少。因此融合多种大小的卷积核可以更好地表达信号中所包含的特征信息。本实施例使用Skip Connection方法进行网络跳连,即先融合多层的特征,再进行下一步操作,用到的是Concat操作。
本层分别使用尺寸为3,5,7的三种卷积核,卷积核数目均为32,步长为2。与单一尺寸的卷积核相比,融合不同大小的卷积核可以更好地表达信号中所包含的特征信息。之后的操作与前一层相同。同样在卷积层中使用ReLU作为激活函数。之后同样在网络中加入批量归一化层以及一层池化层。
(3)模型的第三层为残差层
在一般情况下,随着网络程度的加深,网络的性能会越来越好。但网络结构不是越深越好,当网络达到一定深度后,此时再增加网络层数可能会出现梯度***以及梯度消失。为了解决由于网络深度的加深而产生的学习率变低、准确率无法有效提升的问题,本实施例引入残差层,具体为:
F(x)=x+f(x)
其中,x为残差层的输入;f(x)为经过有损压缩处理后的输出;F(x)为后续网络的输入。使用这种方式可以使网络学习到更多的信号特征。
本实施例中残差层使用卷积核大小为3,卷积核数目为32的残差块,目的是为了在网络加深的同时避免准确率下降的问题。
(4)模型的第四层为Concat层:
其作用是将上述几层提取到的标量特征转化为向量特征后再拼接起来。通过将特征层的通道合并为一个胶囊单元形成向量。在此层中,由于前一层残差层的输出为16×32,且一共有三个这样的特征数,所以一共有1536(16×32×3)个初级胶囊。为了方便后续的处理,将它重塑成一个192×8的向量。
(5)模型的第五层为数字胶囊层:
数字胶囊层的作用等同于全连接层在卷积神经网络中的作用,用来区分各种故障类型。由于要识别的故障类型是8种,所以该层的胶囊个数为8,设置向量维度为8,向量的模长即某种故障类型的概率。
数字胶囊层的输入为:
sj通过数字胶囊层的squashing激活函数后获得输出向量,具体为:
cij决定了当前胶囊层与前层各胶囊的关系密切程度,它是由bij通过softmax归一化后得到。
数字胶囊层的损失函数为:
Lc=Tcmax(0,m+-||vc||)2+λ(1-Tc)max(0,||vc||-m-)2
其中,Tc为真实标签,当输入样本类别与c一致时Tc取1,否则取0;||vc||为向量的模长,即故障类型的概率;m+和m-分别为上边界和下边界,即当||vc||>m+或||vc||<m-时,损失函数为0,本实施例中m+和m-分别取0.9和0.1;λ为调比参数,用于调节两项的比例,本实施例中λ取0.5。
胶囊网络模型的参数设置方法:
本实施例在Google深度学习框架TensorFlow中完成。设置批次大小为32,对所有样本的训练次数为10次。胶囊层中动态路由算法的迭代次数为2。除此之外,使用Adam优化器优化总损失,学习率设置为0.001,并采用动态衰减的方式,衰减率为10-8。为了验证模型的有效性,使用如下这四个网络作为对比试验。
(1)不使用残差块。此对比模型在网络中不使用残差块,其余参数与提出的网络相同。
(2)不使用多层次结构。此对比模型在网络中不使用多层次结构,在第二层卷积层中仅使用大小为5的卷积核,其余参数与提出的网络相同。
(3)不使用残差块以及多层次结构。此对比模型在一维卷积神经网络的第一层结构与所提网络相同,第二层中不使用多层次结构,选择卷积核大小为5的卷积层,第三层中不使用残差网络,之后经过胶囊层。其余参数与提出的网络相同。
(4)一维卷积神经网络。此对比模型在一维卷积神经网络的第一层结构与所提网络相同,第二层中不使用多层次结构,选择卷积核大小为5的卷积层,之后分别经过节点数为512,256,8的三层全连接层。其余参数与提出的网络相同。损失函数使用交叉熵损失函数。
本实施例还涉及一种计算机可读介质,该介质内存储有上述任一项所述的电机故障诊断方法。
为了验证该模型的有效性,使用实验室电动机数据采集平台所采集的故障数据进行验证。该平台由一台3kW的异步电动机、一台直流发电机、一个电机数据采集箱、保护电路以及若干传感器组成。选用电动机驱动端轴向的振动信号作为实验数据。不同的载荷通过在直流发电机两端加不同阻值的波纹电阻实现,分别有空载、25%负载、50%负载、75%负载四种状态。实验研究了5个模型,分别为正常状态(Normal),转子断条(RBB)、定子匝间短路(分为短路1匝(SC1T)和短路3匝(SC3T)、偏心(AE)以及轴承故障(轴承故障分为外圈磨损(ROO),内圈磨损(ROI),保持架断裂RCB)。一共得到电机的8种状态信号。深度学***台收集的数据远远不够。因此,重叠采样被用于数据增强。通过滑动步长获得新的数据。当信号长度固定时,较小的滑动步长会导致大量的冗余信息,较大的滑动步长会导致样本数不足。因此,样本长度、样本数、滑动步长和样本数必须满足不等式:L+(N-1)×s≤T。在实验中,每个样本的长度被设置为1024。共采集到的数据为100000个。滑动步长被设置为99,并带入式9。最后可以计算出采集到的样本数量为1000(1024+(1000-1)×99=99925≤100000)。由于有8种状态,所以最后得到总的样本数为8000,即正常状态和7种故障状态的样本数各为1000,对应标签为0~7。将8000个数据以7:2:1的比例分为训练集,验证集和测试集,即包含5600个训练样本,1600个验证样本和800个测试样本。最后设置如表1所示。
初始状态下的结果分析:分别使用空载、25%负载、50%负载、75%负载四种状态做实验。结果均为5次实验的平均值。对于验证集的准确率和损失值如图3所示。对于测试集样本,使用图4所示的混淆矩阵和表2所示的故障诊断报告来评估模型的性能。从图3中可以看出,大概经过7-8次迭代之后,验证集上的准确率就高达100%。经过10次迭代之后,模型的损失仅为0.002左右,且诊断一个样本所需的时间仅为18ms。这说明模型的收敛速度较快,且收敛过程较为稳定。在混淆矩阵和故障诊断报告上可以看出每种故障的预测准确性。从图4中可以看出,在原始状态下,本实施例所提出的模型故障在所有故障下全部诊断正确。从表2中可以看出每种故障的查准率,召回率,F1 Score均为1.0。这也充分说明了模型的有效性。与其他对比:结果如表3所示。从一方面说,这些模型无需数据处理,直接输入到网络中去,还能拥有相当高的识别准确率。这充分说明了深度学习的优越性。在另一方面,由于胶囊网络的优越性,本实施例所提出来的网络模型并没有什么优势。只是比一维卷积网络模型高出了0.33%。
表1样本数据设置
标签 | 故障位置 | 训练集 | 验证集 | 测试集 |
0 | 正常 | 700 | 200 | 100 |
1 | 转子断条 | 700 | 200 | 100 |
2 | 匝间短路1匝 | 700 | 200 | 100 |
3 | 匝间短路3匝 | 700 | 200 | 100 |
4 | 偏心故障 | 700 | 200 | 100 |
5 | 轴承内圈磨损 | 700 | 200 | 100 |
6 | 轴承外圈磨损 | 700 | 200 | 100 |
7 | 轴承保持架断裂 | 700 | 200 | 100 |
表2故障诊断报告
表3原始状态下的准确率
噪声状态下的结果分析:选用高斯白噪声作为噪声干扰,为更好地验证模型的抗噪能力,在训练集中使用原始信号,在验证集和测试集中加入不同信噪比(SNR)的高斯白噪声。以50%负载下转子断条的振动时域信号为例,如图5所示,当信噪比为-10dB时,噪声污染下的加噪信号与原始信号相比发生了很大变化,从中提取故障特征的难度很大。因此,在噪声环境下仍能保持较高的准确率对于模型尤为重要。分别在不同负载条件下均做了信噪比为-10dB~4dB的实验,每次结果均为5次实验的平均值。实验结果如图6所示。由图可得,在一方面,随着噪声信号的减小,每种模型的准确率都在上升,且在负载为75%,信噪比为4dB时,本实施例所提出来的模型准确率达到了100%;从另一方面说,无论是空载还是负载为25%,50%,75%情况下,随着多层次结构以及残差块的加入,本实施例提出所提出的网络在所比较的网络中准确率是最高的,在空载时分别平均比四个对比模型高出0.325%,0.454%,0.338%,5.816%,在负载为25%时分别平均比四个对比模型高出0.417%,0.296%,0.54%,6.581%,在负载为50%时分别平均比四个对比模型高出0.444%,0.519%,0.596%,7.0%,在负载为75%时分别平均比四个对比模型高出0.196%,0.312%,0.354%,6.283%。其中本实施例所提出来的模型比卷积高出最多,这不仅说明了胶囊网络中的向量相比卷积网络中的标量更能提取更多的细节特征,也说明了在强噪声环境下该模型仍可以直接使用原始信号输入,从而实现端到端的电机故障诊断。
变负载状态下的结果分析:以不同载荷条件下轴承保持架断裂的振动时域信号为例。如图7所示,同一故障在不同负载条件下的信号波形也有很大差异,因此模型无法区分提取到的特征,从而影响识别的准确率。因此,变负载环境下的故障诊断也很重要。在实验中发现在变负载环境下使用较大的卷积核不如较小的卷积核,因此在变负载环境中将第一层卷积层中的卷积核大小改为21,其余参数保持不变。分别将空载,25%,50%,75%负载分别作为训练集,其余作为验证集和测试集。一共有12种情况,分别是0-25,0-50,0-75,25-0,25-50,25-75,50-0,50-25,50-75,75-0,75-25,75-50,实验结果如图8所示。从一方面说,在大多数情况下,随着负载差距的减小,准确率也随之提高,有负载和空载的振动信号差异最大。从另一方面说,除了从负载25%到空载这一种情况,在其他状态下,本实施例所提出的网络在所有对比网络中准确率是最高的,在空载到其它负载情况下分别比四组对比实验高出0.395%,0.663%,0.915%,2.301%,在25%负载到其它负载情况下分别比四组对比实验高出0.495%,0.125%,0.298%,7.49%。在50%负载到其它负载情况下分别比四组对比实验高出1.14%,1.197%,1.391%,3.331%,在75%负载到其它负载情况下分别比四组对比实验高出0.76%,0.292%,0.667%,5.185%。通过比较本实施例模型与对比模型说明该模型具有更好地跨负载诊断能力,能够适应复杂多变的工业环境。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种三相异步电机故障诊断方法,其特征在于,所述的电机故障诊断方法包括:
步骤1:获取电机振动信号数据,并对数据进行数据增强处理;
步骤2:搭建胶囊网络模型,该模型包括依次相连的一维卷积层、设有多层次结构的卷积层、残差层、Concat层和数字胶囊层;
步骤3:对步骤2搭建的胶囊网络模型进行训练;
步骤4:使用步骤3训练好的胶囊网络模型对步骤1中获取的电机振动信号进行故障诊断,输出故障诊断结果。
4.根据权利要求1所述的一种三相异步电机故障诊断方法,其特征在于,所述设有多层次结构的卷积利用Skip Connection方法进行网络跳连。
5.根据权利要求1所述的一种三相异步电机故障诊断方法,其特征在于,所述的残差层具体为:
F(x)=x+f(x)
其中,x为残差层的输入;f(x)为经过有损压缩处理后的输出;F(x)为后续网络的输入。
8.根据权利要求6所述的一种三相异步电机故障诊断方法,其特征在于,所述数字胶囊层的损失函数为:
Lc=Tcmax(0,m+-||vc||)2+λ(1-Tc)max(0,||vc||-m-)2
其中,Tc为真实标签,当输入样本类别与c一致时Tc取1,否则取0;||vc||为向量的模长,即故障类型的概率;m+和m-分别为上边界和下边界,即当||vc||>m+或||vc||<m-时,损失函数为0;λ为调比参数,用于调节两项的比例。
9.根据权利要求1所述的一种三相异步电机故障诊断方法,其特征在于,所述的步骤3使用Adam优化器优化总损失。
10.一种计算机可读介质,其特征在于,所述的计算机可读介质内存储有如权利要求1~9中任一项所述的三相异步电机故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111487994.0A CN114386453A (zh) | 2021-12-08 | 2021-12-08 | 一种三相异步电机故障诊断方法及计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111487994.0A CN114386453A (zh) | 2021-12-08 | 2021-12-08 | 一种三相异步电机故障诊断方法及计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114386453A true CN114386453A (zh) | 2022-04-22 |
Family
ID=81195935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111487994.0A Pending CN114386453A (zh) | 2021-12-08 | 2021-12-08 | 一种三相异步电机故障诊断方法及计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114386453A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115114848A (zh) * | 2022-06-13 | 2022-09-27 | 成都星云智联科技有限公司 | 一种基于混合cnn-lstm的三相异步电机故障诊断方法和*** |
CN116026586A (zh) * | 2023-01-31 | 2023-04-28 | 东华大学 | 一种谐波减速器出厂合格性判定方法及装置 |
-
2021
- 2021-12-08 CN CN202111487994.0A patent/CN114386453A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115114848A (zh) * | 2022-06-13 | 2022-09-27 | 成都星云智联科技有限公司 | 一种基于混合cnn-lstm的三相异步电机故障诊断方法和*** |
CN115114848B (zh) * | 2022-06-13 | 2023-12-26 | 成都星云智联科技有限公司 | 一种基于混合cnn-lstm的三相异步电机故障诊断方法和*** |
CN116026586A (zh) * | 2023-01-31 | 2023-04-28 | 东华大学 | 一种谐波减速器出厂合格性判定方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Intelligent fault diagnosis for rotary machinery using transferable convolutional neural network | |
Zhao et al. | Improved generative adversarial network for vibration-based fault diagnosis with imbalanced data | |
Zhu et al. | Stacked pruning sparse denoising autoencoder based intelligent fault diagnosis of rolling bearings | |
CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
CN106682688A (zh) | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 | |
CN114386453A (zh) | 一种三相异步电机故障诊断方法及计算机可读介质 | |
CN111046916A (zh) | 一种基于空洞卷积胶囊网络的电机故障诊断方法及*** | |
CN110929847A (zh) | 一种基于深度卷积神经网络的换流变压器故障诊断方法 | |
CN113988126B (zh) | 一种基于少标签数据特征迁移的滚动轴承故障诊断方法 | |
CN110657984A (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
CN116702076A (zh) | 一种基于cnn特征融合的小样本迁移学习故障诊断方法、***、计算机及存储介质 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN115392333A (zh) | 一种基于改进端到端ResNet-BiLSTM双通道模型的设备故障诊断方法 | |
CN114648044B (zh) | 基于eemd和深度域对抗网络的振动信号诊断分析方法 | |
CN115099278A (zh) | 一种基于小波包时频图与ResNet迁移网络的设备状态诊断方法 | |
CN114441173B (zh) | 基于改进深度残差收缩网络的滚动轴承故障诊断方法 | |
CN113092044A (zh) | 一种基于加权水平可见图的旋转机械故障诊断方法 | |
CN117192358A (zh) | 基于卷积神经网络的永磁同步电机匝间短路故障诊断方法 | |
CN117235490A (zh) | 一种融合深度卷积和自注意力网络的故障自适应诊断方法 | |
CN113052060B (zh) | 基于数据增强的轴承剩余寿命预测方法、装置及电子设备 | |
CN115829029A (zh) | 一种基于通道注意力的自蒸馏实现方法 | |
CN114254669A (zh) | 滚动轴承故障诊断中时序周期ResNet网络模型的构建方法 | |
CN113780230A (zh) | 一种基于不变时空注意融合网络的不平衡故障诊断方法 | |
CN114186593A (zh) | 噪声条件下轴承故障识别方法、装置、设备和存储介质 | |
Yan et al. | Fault Diagnosis of Rolling Bearing with Small Samples Based on Wavelet Packet Theory and Random Forest |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |