CN116561655A - 电机电流信号的故障诊断方法、装置、设备及存储介质 - Google Patents
电机电流信号的故障诊断方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116561655A CN116561655A CN202310504843.4A CN202310504843A CN116561655A CN 116561655 A CN116561655 A CN 116561655A CN 202310504843 A CN202310504843 A CN 202310504843A CN 116561655 A CN116561655 A CN 116561655A
- Authority
- CN
- China
- Prior art keywords
- fault
- current signal
- loss
- motor current
- source domain
- 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
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000003745 diagnosis Methods 0.000 title claims abstract description 95
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000013145 classification model Methods 0.000 claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000008485 antagonism Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 64
- 238000005259 measurement Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 238000000691 measurement method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 abstract description 19
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000011176 pooling Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种电机电流信号的故障诊断方法、装置、设备及存储介质,所述电机电流信号的故障诊断方法包括:获取电机电流信号;将所述电机电流信号输入至预设的信号分类模型,基于所述信号分类模型,对所述电机电流信号进行故障识别处理,得到故障信息;其中,所述信号分类模型包括特征提取器和故障判别器,所述特征提取器和故障判别器是基于语义对齐分组对抗的方法训练得到的。本申请通过预训练的信号分类模型中特征提取器和故障判别器,对电机电流信号进行语义对齐分组对抗,使得来自不同领域但具有相同类别标签的样本会在特征空间中就近映射,以此提高了模型的特征提取能力,进而提高故障诊断的准确性。
Description
技术领域
本申请涉及故障诊断技术领域,尤其涉及一种电机电流信号的故障诊断方法、装置、设备及存储介质。
背景技术
SCARA机器人是工业生产自动化中的重要成员,具有高精度配件加工、搬运、装配与分拣等20项功能。SCARA机器人凭借其高转速与高精度加工优势深受自动化企业青睐。但是SCARA机器人的丝杆在高转速、长时间的运行条件下容易发生卡滞、缺钢珠等故障。因此对SCARA机器人的准确的故障诊断是目前需要解决的难题。
相关技术中用于工程实际的主要是迁移学习的方法。迁移学习的诊断方法主要有基于特征距离度量、基于对抗学习的领域自适应等方法。但是由于电机与丝杆之间存在柔性环节,电机电流包含的故障特征极弱,使得特征距离度量与对抗领域自适应的方法难以提取故障特征,导致故障诊断的准确性低。
发明内容
本申请的主要目的在于提供一种电机电流信号的故障诊断方法、装置、设备及存储介质,旨在解决现有技术中故障诊断的准确性低的技术问题。
为实现以上目的,本申请提供一种电机电流信号的故障诊断方法,所述电机电流信号的故障诊断方法包括:
获取电机电流信号;
将所述电机电流信号输入至预设的信号分类模型,基于所述信号分类模型,对所述电机电流信号进行故障识别处理,得到故障信息;
其中,所述信号分类模型包括特征提取器和故障判别器,所述特征提取器和故障判别器是基于语义对齐分组对抗的方法训练得到的。
可选地,所述获取电机电流信号的步骤之前,所述方法包括:
获取源域电流信号样本和所述源域电流信号样本的故障结果标签;
基于所述源域电流信号样本,预训练得到初始特征提取器;
将所述源域电流信号样本分组至预设第一数量的语义对齐小组,得到分组后的源域电流信号样本;
基于所述分组后的源域电流信号样本,预训练得到初始故障判别器;
基于所述源域电流信号样本和所述源域电流信号样本的故障结果标签,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型。
可选地,所述基于所述源域电流信号样本和所述源域电流信号样本的故障结果标签,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型的步骤,包括:
将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,并基于所述第一故障特征,确定预测故障信息;
基于所述预测故障信息和所述故障结果标签,确定故障分类损失;
将所述第一故障特征输入至所述初始故障判别器,得到组别对抗损失;
基于所述故障分类损失和所述组别对抗损失,确定目标损失;
判断所述目标损失是否满足预设损失阈值范围指示的损失标准;
若所述目标损失未满足所述预设损失阈值范围指示的损失标准,则返回将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,得到预测故障信息的步骤,直到所述目标损失满足所述预设损失阈值范围指示的损失标准后停止训练,得到具有满足精度条件的信号分类模型。
可选地,所述基于所述源域电流信号样本和所述源域电流信号样本的故障结果标签,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型的步骤,包括:
获取目标域电流信号样本;
基于所述源域电流信号样本、所述源域电流信号样本的故障结果标签以及所述目标域电流信号样本,结合最大均值差异MMD距离度量方法,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型。
可选地,所述基于所述源域电流信号样本、所述源域电流信号样本的故障结果标签以及所述目标域电流信号样本,结合最大均值差异MMD距离度量方法,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型的步骤,包括:
将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,并基于所述第一故障特征,确定预测故障信息;
基于所述预测故障信息和所述故障结果标签,确定故障分类损失;
将所述第一故障特征输入至所述初始故障判别器,得到组别对抗损失;
将所述目标域电流信号样本输入至所述初始特征提取器,得到目标域的第二故障特征;
采用最大均值差异MMD距离度量函数,计算所述第一故障特征和所述第二故障特征的距离损失;
计算所述故障分类损失、组别对抗损失和距离损失之和,得到目标损失;
判断所述目标损失是否满足预设损失阈值范围指示的损失标准;
若所述目标损失未满足所述预设损失阈值范围指示的损失标准,则返回将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,得到预测故障信息的步骤,直到所述目标损失满足所述预设损失阈值范围指示的损失标准后停止训练,得到具有满足精度条件的信号分类模型。
可选地,所述将所述目标域电流信号样本输入至所述初始特征提取器,得到目标域的第二故障特征的步骤,包括:
对所述目标域电流信号样本进行快速傅里叶变换,得到变换后的目标域电流信号样本;
对所述变换后的目标域电流信号样本进行归一化,得到归一化后的目标域电流信号样本;
将所述归一化后的目标域电流信号样本输入至所述初始特征提取器,得到目标域的第二故障特征。
可选地,所述信号分类模型采用轻量化卷积网络,其中,所述轻量化卷积网络由深度Depthwise卷积、逐点Pointwise卷积和分组Group卷积构建。
本申请还提供一种电机电流信号的故障诊断装置,其特征在于,所述电机电流信号的故障诊断装置包括:
获取模块,用于获取电机电流信号;
识别模块,用于将所述电机电流信号输入至预设的信号分类模型,基于所述信号分类模型,对所述电机电流信号进行故障识别处理,得到故障信息;其中,所述信号分类模型包括特征提取器和故障判别器,所述特征提取器和故障判别器是基于语义对齐分组对抗的方法训练得到的。
本申请还提供一种电机电流信号的故障诊断设备,所述电机电流信号的故障诊断设备包括:存储器、处理器以及存储在存储器上的用于实现所述电机电流信号的故障诊断方法的程序,
所述存储器用于存储实现电机电流信号的故障诊断方法的程序;
所述处理器用于执行实现所述电机电流信号的故障诊断方法的程序,以实现所述电机电流信号的故障诊断方法的步骤。
本申请还提供一种存储介质,所述存储介质上存储有实现电机电流信号的故障诊断方法的程序,所述实现电机电流信号的故障诊断方法的程序被处理器执行以实现所述电机电流信号的故障诊断方法的步骤。
本申请提供的一种电机电流信号的故障诊断方法、装置、设备及存储介质,与相关技术中由于电机与丝杆之间存在柔性环节,电机电流包含的故障特征极弱,使得特征距离度量与对抗领域自适应的方法难以提取故障特征,导致故障诊断的准确性低相比,在本申请中,获取电机电流信号;将所述电机电流信号输入至预设的信号分类模型,基于所述信号分类模型,对所述电机电流信号进行故障识别处理,得到故障信息;其中,所述信号分类模型包括特征提取器和故障判别器,所述特征提取器和故障判别器是基于语义对齐分组对抗的方法训练得到的。即在本申请中,通过预训练的信号分类模型中特征提取器和故障判别器,对电机电流信号进行语义对齐分组对抗,使得来自不同领域但具有相同类别标签的样本会在特征空间中就近映射,以此提高了模型的特征提取能力,进而提高故障诊断的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。为了更清楚地说明本申请实施例或现有技术中的技术方案,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地介绍,显而易见地,对于本领域普通技术人员而言,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是本申请实施例方案涉及的硬件运行环境的设备结构示意图;
图2为本申请电机电流信号的故障诊断方法第一实施例的流程示意图;
图3为本申请电机电流信号的故障诊断装置的模块示意图;
图4为本申请电机电流信号的故障诊断方法第一实施例中语义对齐分组对抗设置的示意图;
图5为本申请电机电流信号的故障诊断方法第一实施例的信号分类模型的结构示意图;
图6为本申请电机电流信号的故障诊断方法第二实施例的诊断流程示意图;
图7为本申请电机电流信号的故障诊断方法第三实施例的流程示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,图1是本申请实施例方案涉及的硬件运行环境的终端结构示意图。
本申请实施例终端可以是PC,也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、便携计算机等具有显示功能的可移动式终端设备。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示屏的亮度,接近传感器可在移动终端移动到耳边时,关闭显示屏和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;当然,移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作装置、网络通信模块、用户接口模块以及电机电流信号的故障诊断程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的电机电流信号的故障诊断程序。
参照图2,本申请实施例提供一种电机电流信号的故障诊断方法,所述电机电流信号的故障诊断方法包括:
步骤S100,获取电机电流信号;
步骤S200,将所述电机电流信号输入至预设的信号分类模型,基于所述信号分类模型,对所述电机电流信号进行故障识别处理,得到故障信息;
其中,所述信号分类模型包括特征提取器和故障判别器,所述特征提取器和故障判别器是基于语义对齐分组对抗的方法训练得到的。
在本实施例中,针对的应用场景是:
作为一种示例,电机电流信号的故障诊断的场景可以为,SCARA机器人的丝杆在高转速、长时间的运行条件下容易发生卡滞、缺钢珠等故障,需要准确识别故障类别。相关技术中用于工程实际的主要是迁移学习的方法。迁移学习的诊断方法主要有基于特征距离度量、基于对抗学习的领域自适应等方法。但是由于电机与丝杆之间存在柔性环节,电机电流包含的故障特征极弱,使得特征距离度量与对抗领域自适应的方法难以提取故障特征,导致故障诊断的准确性低。针对此场景,本实施例的电机电流信号的故障诊断方法通过预训练的信号分类模型中特征提取器和故障判别器,对电机电流信号进行语义对齐分组对抗,使得来自不同领域但具有相同类别标签的样本会在特征空间中就近映射,以此提高了模型的特征提取能力,进而提高故障诊断的准确性。
作为一种示例,电机电流信号的故障诊断的应用场景不仅为上述的对压SCARA机器人的丝杆进行故障诊断处理,还包括各种电机故障诊断场景中,在此不做具体限制。
本实施例旨在:提高故障诊断的准确性。
在本实施例中,电机电流信号的故障诊断方法应用于电机电流信号的故障诊断装置。
具体步骤如下:
步骤S100,获取电机电流信号;
在本实施例中,所述电机电流信号是SCARA机器人的电机输出的电流信号,由于现有的诊断方法均依赖振动信号作为诊断数据,但在工程应用中为每台SCARA机器人加装振动传感器会增加巨大经济成本,因此本申请选用电机电流信号作为诊断数据,方案实现方便,且节约硬件成本。
在本实施例中,装置获取电机电流信号的方式可以是实时接收电机发送的电机电流信号;也可以是装置定时接收电机传输的电机电流信号,判断该段电机电流信号是否由故障信息。
步骤S200,将所述电机电流信号输入至预设的信号分类模型,基于所述信号分类模型,对所述电机电流信号进行故障识别处理,得到故障信息;
其中,所述信号分类模型包括特征提取器和故障判别器,所述特征提取器和故障判别器是基于语义对齐分组对抗的方法训练得到的。
在本实施例中,所述信号分类模型包括特征提取器和故障判别器,所述特征提取器和故障判别器是基于语义对齐分组对抗的方法训练得到的,其中,所述语义对齐分组对抗的作用是保证来自不同领域但具有相同类别标签的样本会在特征空间中就近映射,寻找特征样本中不同领域的域不变特性,还实现了不同标签之间的语义对齐,具体地,参照图4,设置一定数量的语义对齐小组,每个小组中包含不同机器的电流数据,0、1、2分别表示不同类型的状态标签,例如,卡滞、缺钢珠等故障标签以及正常状态标签,将G1与G2、G3、G4对抗(adversarial)不仅可以寻找不同领域的域不变特性,还实现了不同标签之间的语义对齐,G5和G6、G7、G8同理,其中,小组数量可以自行设置。
在所述步骤S100,获取电机电流信号的步骤之前,所述方法包括以下步骤A100-A400:
步骤A100,获取源域电流信号样本和所述源域电流信号样本的故障结果标签;
在本实施例中,所述源域(source domain)表示与测试样本不同的领域,但是有丰富的监督信息;目标域(target domain)表示测试样本所在的领域,无标签或者只有少量标签。源域和目标域往往属于同一类任务,但是分布不同,所述源域电流信号样本是基于实验室获取的电流信号样本,存在相应的标签,即所述源域电流信号样本的故障结果标签。
步骤A200,基于所述源域电流信号样本,预训练得到初始特征提取器;
在本实施例中,装置基于所述源域电流信号样本,预训练得到初始特征提取器,其中,所述初始特征提取器是指具备电流信号样本的提取功能的模型,在迭代训练中不断进行收敛,直至得到满足精度条件的特征提取器。
步骤A300,将所述源域电流信号样本分组至预设第一数量的语义对齐小组,得到分组后的源域电流信号样本;
在本实施例中,装置将所述源域电流信号样本分组至预设第一数量的语义对齐小组,得到分组后的源域电流信号样本,具体地,装置从所述源域电流信号样本中随机采样并将其分组至预设第一数量的语义对齐小组,例如,装置从源域数据集中随机采样并将其分为G1至G8组。
步骤A400,基于所述分组后的源域电流信号样本,预训练得到初始故障判别器;
在本实施例中,装置基于所述分组后的源域电流信号样本,预训练得到初始故障判别器,其中,所述初始故障判别器是指具备对电流信号样本故障判断的模型,在迭代训练中不断进行收敛,直至得到满足精度条件的故障判别器,其中,所述故障判别器是用于辅助训练特征提取器的。
步骤A500,基于所述源域电流信号样本和所述源域电流信号样本的故障结果标签,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型。
在本实施例中,装置基于所述源域电流信号样本和所述源域电流信号样本的故障结果标签,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型,其中,参照图5,本申请均使用轻量化卷积网络:深度卷积DW(Depthwise convolution)、逐点卷积PW(Pointwise convolution)和分组卷积GC(Groupconvolution)来搭建模型。特征融合块由PW、DW和平均池化层组成,平均池化层用于复用上层特征,进而提升模型的泛化性能。通道拼接可以避免使用卷积核提升通道的数量,因此可以进一步减少模型参数量。通道混洗是为了使特征融合块两个分支的信息进行融合,进而提升模型的特征提取能力,本申请设计了基于DW、PW与GC的轻量化诊断模型,为模型部署在移动终端创造了条件。
具体地,所述步骤A500,包括以下步骤A510-A560:
步骤A510,将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,并基于所述第一故障特征,确定预测故障信息;
在本实施例中,装置将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,并基于所述第一故障特征,确定预测故障信息。
具体地,所述步骤A510,包括以下步骤A511-A513:
步骤A511,基于所述初始特征提取器,对所述源域电流信号样本的进行特征提取,得到第三故障特征;
在本实施例中,装置基于所述初始特征提取器,对所述源域电流信号样本的进行特征提取,得到第三故障特征,其中,特征提取的方法包括但不限于HOG特征提取算法、LBP特征提取算法以及Haar特征提取算法。
步骤A512,对所述第三故障特征进行卷积和平均池化,得到第四故障特征;
步骤A513,将所述第四故障特征经过通道拼接和通道混洗,融合特征信息,得到所述源域电流信号样本的第一故障特征。
在本实施例中,参照图5,装置基于DW、PW与GC的轻量化诊断模型,对所述第三故障特征进行卷积和平均池化,得到第四故障特征,并将所述第四故障特征经过通道拼接和通道混洗,融合特征信息,得到所述源域电流信号样本的第一故障特征。
步骤A520,基于所述预测故障信息和所述故障结果标签,确定故障分类损失;
在本实施例中,装置基于所述预测故障信息和所述故障结果标签,确定故障分类损失,具体地,装置基于所述预测故障信息和所述故障结果标签,采用均方误差计算故障分类损失。
步骤A530,将所述第一故障特征输入至所述初始故障判别器,得到组别对抗损失;
在本实施例中,装置将所述第一故障特征输入至所述初始故障判别器,得到组别对抗损失。
步骤A540,基于所述故障分类损失和所述组别对抗损失,确定目标损失;
在本实施例中,装置基于所述故障分类损失和所述组别对抗损失,确定目标损失,具体地,装置将所述故障分类损失和所述组别对抗损失相加之和作为目标损失。
步骤A550,判断所述目标损失是否满足预设损失阈值范围指示的损失标准;
在本实施例中,装置判断所述目标损失是否满足预设损失阈值范围指示的损失标准,其中,所述损失阈值范围指示的损失标准是自行设定的,即用于判定当前训练周期的目标损失是否收敛,若所述目标损失满足预设损失阈值范围指示的损失标准,即表示当前训练周期的目标损失收敛,满足精度要求,完成信号分类模型的训练;若所述目标损失不满足预设损失阈值范围指示的损失标准,即表示当前训练周期的目标损失未收敛,尚未满足精度要求,需要进行下一周期的迭代训练。
步骤A560,若所述目标损失未满足所述预设损失阈值范围指示的损失标准,则返回将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,得到预测故障信息的步骤,直到所述目标损失满足所述预设损失阈值范围指示的损失标准后停止训练,得到具有满足精度条件的信号分类模型。
在本实施例中,若所述目标损失未满足所述预设损失阈值范围指示的损失标准,则表示当前训练周期的目标损失未收敛,尚未满足精度要求,需要进行下一周期的迭代训练,则装置返回将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,得到预测故障信息的步骤,直到所述目标损失满足所述预设损失阈值范围指示的损失标准后停止训练,得到具有满足精度条件的信号分类模型。
本申请提供的一种电机电流信号的故障诊断方法,与相关技术中由于电机与丝杆之间存在柔性环节,电机电流包含的故障特征极弱,使得特征距离度量与对抗领域自适应的方法难以提取故障特征,导致故障诊断的准确性低相比,在本申请中,获取电机电流信号;将所述电机电流信号输入至预设的信号分类模型,基于所述信号分类模型,对所述电机电流信号进行故障识别处理,得到故障信息;其中,所述信号分类模型包括特征提取器和故障判别器,所述特征提取器和故障判别器是基于语义对齐分组对抗的方法训练得到的。即在本申请中,通过预训练的信号分类模型中特征提取器和故障判别器,对电机电流信号进行语义对齐分组对抗,使得来自不同领域但具有相同类别标签的样本会在特征空间中就近映射,以此提高了模型的特征提取能力,进而提高故障诊断的准确性。
基于上述的第一实施例,本申请还提供另一实施例,所述电机电流信号的故障诊断方法包括:
参照图6,所述步骤A500,基于所述源域电流信号样本和所述源域电流信号样本的故障结果标签,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型还包括以下步骤B100-B200:
步骤B100,获取目标域电流信号样本;
在本实施例中,所述目标域电流信号样本是基于工业现场获取的电流信号样本,不存在相应的标签,即未知标签的电流信号样本。
步骤B200,基于所述源域电流信号样本、所述源域电流信号样本的故障结果标签以及所述目标域电流信号样本,结合最大均值差异MMD距离度量方法,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型。
在本实施例中,装置基于所述源域电流信号样本、所述源域电流信号样本的故障结果标签以及所述目标域电流信号样本,结合最大均值差异MMD距离度量方法,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型,即信号分类模型是基于语义对齐分组对抗与最大均值差异MMD特征距离结合的方法,以此来提高模型的特征提取能力,进而提升信号分类模型的泛化性能。
具体地,所述步骤B200,包括以下步骤B210-B280:
步骤B210,将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,并基于所述第一故障特征,确定预测故障信息;
步骤B220,基于所述预测故障信息和所述故障结果标签,确定故障分类损失;
步骤B230,将所述第一故障特征输入至所述初始故障判别器,得到组别对抗损失;
在本实施例中,所述步骤B210-B230与上述步骤A510-A530相同,在此不再赘述。
步骤B240,将所述目标域电流信号样本输入至所述初始特征提取器,得到目标域的第二故障特征;
在本实施例中,装置将所述目标域电流信号样本输入至所述初始特征提取器,提取所述目标域电流信号样本的特征,得到目标域的第二故障特征。
具体地,所述步骤B240,包括以下步骤B241-B243:
步骤B241,对所述目标域电流信号样本进行快速傅里叶变换,得到变换后的目标域电流信号样本;
步骤B242,对所述变换后的目标域电流信号样本进行归一化,得到归一化后的目标域电流信号样本;
步骤B243,将所述归一化后的目标域电流信号样本输入至所述初始特征提取器,得到目标域的第二故障特征。
在本实施例中,装置从工业现场采集丝杆电流数据并进行快速傅里叶变换,然后对数据进行归一化,最后将数据输入特征提取器得到目标域的故障特征,其中,快速傅里叶变换(fast Fourier transform),即利用计算机计算离散傅里叶变换(DFT)的高效、快速计算方法的统称,简称FFT。
步骤B250,采用最大均值差异MMD距离度量函数,计算所述第一故障特征和所述第二故障特征的距离损失;
在本实施例中,装置采用最大均值差异MMD距离度量函数,计算所述第一故障特征和所述第二故障特征的距离损失,其中,所述最大均值差异MMD距离度量函数用于衡量两个分布之间的差异,将两个分布之间差距最大的那个矩应该被用来作为度量两个分布的标准,以此计算所述第一故障特征和所述第二故障特征的距离损失。
步骤B260,计算所述故障分类损失、组别对抗损失和距离损失之和,得到目标损失;
在本实施例中,装置计算所述故障分类损失、组别对抗损失和距离损失之和,得到目标损失,即损失累加并用于优化特征提取器。
步骤B270,判断所述目标损失是否满足预设损失阈值范围指示的损失标准;
步骤B280,若所述目标损失未满足所述预设损失阈值范围指示的损失标准,则返回将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,得到预测故障信息的步骤,直到所述目标损失满足所述预设损失阈值范围指示的损失标准后停止训练,得到具有满足精度条件的信号分类模型。
在本实施例中,所述步骤B270和B280参照以上步骤A550-A560,在此不再赘述。
在本实施例中,本申请通过设计了多源域分组对抗与特征距离度量相结合的方法提升了模型的特征提取能力,这可以解决电流信号包含故障特征弱的问题。本申请设计的故障诊断模型可以完成丝杆端到端的实时诊断,这可以减少不合格产品的输出,提高经济效益。
基于上述的第一实施例和第二实施例,本申请还提供另一实施例,参照图7,所述电机电流信号的故障诊断方法包括:
步骤1、加载实验室采集的源域数据集。
步骤2、使用源域数据集预训练特征提取器。
步骤3、从源域数据集中随机采样并将其分为G1至G8组。
步骤4、使用G1至G8组数据训练判别器。
步骤5、将G1至G8组数据输入至特征提取器并提取源域的故障特征,然后根据真实标签求取源域的故障分类损失。
步骤6、将步骤4提取的故障特征输入判别器并求取组别对抗损失。
步骤7、从工业现场采集丝杆电流数据并进行快速傅里叶变换,然后对数据进行归一化,最后将数据输入特征提取器得到目标域的故障特征。
步骤8、使用MMD距离度量函数求取步骤4和步骤6的故障特征之间的距离损失。
步骤9、将步骤4、步骤5和步骤7求取的损失累加并用于优化特征提取器。
步骤10、再次从工业现场采集数据并输入特征提取器得到故障预测结果。
步骤11、结束。
在本实施例中,首先选用电机电流信号作为诊断数据来节约经济成本,然后设计了轻量化诊断网络以便于将模型直接部署在移动终端,最后设计了多源域分组对抗与最大均值差异MMD(Max Mean discrepancy)特征距离结合的方法来提高模型的特征提取能力,进而提升模型的泛化性能。
本申请还提供一种电机电流信号的故障诊断装置,参照图3,所述电机电流信号的故障诊断装置包括:
获取模块10,用于获取电机电流信号;
识别模块20,用于将所述电机电流信号输入至预设的信号分类模型,基于所述信号分类模型,对所述电机电流信号进行故障识别处理,得到故障信息;其中,所述信号分类模型包括特征提取器和故障判别器,所述特征提取器和故障判别器是基于语义对齐分组对抗的方法训练得到的。
可选地,所述电机电流信号的故障诊断装置还包括:
样本获取模块,用于获取源域电流信号样本和所述源域电流信号样本的故障结果标签;
第一预训练模块,用于基于所述源域电流信号样本,预训练得到初始特征提取器;
分组模块,用于将所述源域电流信号样本分组至预设第一数量的语义对齐小组,得到分组后的源域电流信号样本;
第二预训练模块,用于基于所述分组后的源域电流信号样本,预训练得到初始故障判别器;
训练模块,用于基于所述源域电流信号样本和所述源域电流信号样本的故障结果标签,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型。
可选地,所述训练模块,包括:
特征提取模块,用于将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,并基于所述第一故障特征,确定预测故障信息;
分类损失确定模块,用于基于所述预测故障信息和所述故障结果标签,确定故障分类损失;
组别对抗损失确定模块,用于将所述第一故障特征输入至所述初始故障判别器,得到组别对抗损失;
目标损失确定模块,用于基于所述故障分类损失和所述组别对抗损失,确定目标损失;
判断模块,用于判断所述目标损失是否满足预设损失阈值范围指示的损失标准;
迭代训练模块,用于若所述目标损失未满足所述预设损失阈值范围指示的损失标准,则返回将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,得到预测故障信息的步骤,直到所述目标损失满足所述预设损失阈值范围指示的损失标准后停止训练,得到具有满足精度条件的信号分类模型。
可选地,所述训练模块,还包括:
目标域信号样本获取模块,用于获取目标域电流信号样本;
结合距离度量方法的训练模块,用于基于所述源域电流信号样本、所述源域电流信号样本的故障结果标签以及所述目标域电流信号样本,结合最大均值差异MMD距离度量方法,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型。
可选地,所述结合距离度量方法的训练模块,包括:
特征提取模块,用于将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,并基于所述第一故障特征,确定预测故障信息;
分类损失确定模块,用于基于所述预测故障信息和所述故障结果标签,确定故障分类损失;
组别对抗损失确定模块,用于将所述第一故障特征输入至所述初始故障判别器,得到组别对抗损失;
故障特征提取模块,用于将所述目标域电流信号样本输入至所述初始特征提取器,得到目标域的第二故障特征;
距离度量计算模块,用于采用最大均值差异MMD距离度量函数,计算所述第一故障特征和所述第二故障特征的距离损失;
损失计算模块,用于计算所述故障分类损失、组别对抗损失和距离损失之和,得到目标损失;
判断模块,用于判断所述目标损失是否满足预设损失阈值范围指示的损失标准;
迭代训练模块,用于若所述目标损失未满足所述预设损失阈值范围指示的损失标准,则返回将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,得到预测故障信息的步骤,直到所述目标损失满足所述预设损失阈值范围指示的损失标准后停止训练,得到具有满足精度条件的信号分类模型。
可选地,所述故障特征提取模块,包括:
傅里叶变换模块,用于对所述目标域电流信号样本进行快速傅里叶变换,得到变换后的目标域电流信号样本;
归一化模块,用于对所述变换后的目标域电流信号样本进行归一化,得到归一化后的目标域电流信号样本;
目标域故障特征确定模块,用于将所述归一化后的目标域电流信号样本输入至所述初始特征提取器,得到目标域的第二故障特征。
本申请电机电流信号的故障诊断装置具体实施方式与上述电机电流信号的故障诊断方法各实施例基本相同,在此不再赘述。
参照图1,图1是本申请实施例方案涉及的硬件运行环境的终端结构示意图。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地,该电机电流信号的故障诊断设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard),可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图1中示出的电机电流信号的故障诊断设备结构并不构成对电机电流信号的故障诊断设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作***、网络通信模块以及电机电流信号的故障诊断程序。操作***是管理和控制电机电流信号的故障诊断设备硬件和软件资源的程序,支持电机电流信号的故障诊断程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与电机电流信号的故障诊断***中其它硬件和软件之间通信。
在图1所示的电机电流信号的故障诊断设备中,处理器1001用于执行存储器1005中存储的电机电流信号的故障诊断程序,实现上述任一项所述的电机电流信号的故障诊断方法的步骤。
本申请电机电流信号的故障诊断设备具体实施方式与上述电机电流信号的故障诊断方法各实施例基本相同,在此不再赘述。
本申请还提供一种存储介质,所述存储介质上存储有实现电机电流信号的故障诊断方法的程序,所述实现电机电流信号的故障诊断方法的程序被处理器执行以实现如下所述电机电流信号的故障诊断方法:
获取电机电流信号;
将所述电机电流信号输入至预设的信号分类模型,基于所述信号分类模型,对所述电机电流信号进行故障识别处理,得到故障信息;
其中,所述信号分类模型包括特征提取器和故障判别器,所述特征提取器和故障判别器是基于语义对齐分组对抗的方法训练得到的。
可选地,所述获取电机电流信号的步骤之前,所述方法包括:
获取源域电流信号样本和所述源域电流信号样本的故障结果标签;
基于所述源域电流信号样本,预训练得到初始特征提取器;
将所述源域电流信号样本分组至预设第一数量的语义对齐小组,得到分组后的源域电流信号样本;
基于所述分组后的源域电流信号样本,预训练得到初始故障判别器;
基于所述源域电流信号样本和所述源域电流信号样本的故障结果标签,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型。
可选地,所述基于所述源域电流信号样本和所述源域电流信号样本的故障结果标签,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型的步骤,包括:
将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,并基于所述第一故障特征,确定预测故障信息;
基于所述预测故障信息和所述故障结果标签,确定故障分类损失;
将所述第一故障特征输入至所述初始故障判别器,得到组别对抗损失;
基于所述故障分类损失和所述组别对抗损失,确定目标损失;
判断所述目标损失是否满足预设损失阈值范围指示的损失标准;
若所述目标损失未满足所述预设损失阈值范围指示的损失标准,则返回将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,得到预测故障信息的步骤,直到所述目标损失满足所述预设损失阈值范围指示的损失标准后停止训练,得到具有满足精度条件的信号分类模型。
可选地,所述基于所述源域电流信号样本和所述源域电流信号样本的故障结果标签,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型的步骤,包括:
获取目标域电流信号样本;
基于所述源域电流信号样本、所述源域电流信号样本的故障结果标签以及所述目标域电流信号样本,结合最大均值差异MMD距离度量方法,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型。
可选地,所述基于所述源域电流信号样本、所述源域电流信号样本的故障结果标签以及所述目标域电流信号样本,结合最大均值差异MMD距离度量方法,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型的步骤,包括:
将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,并基于所述第一故障特征,确定预测故障信息;
基于所述预测故障信息和所述故障结果标签,确定故障分类损失;
将所述第一故障特征输入至所述初始故障判别器,得到组别对抗损失;
将所述目标域电流信号样本输入至所述初始特征提取器,得到目标域的第二故障特征;
采用最大均值差异MMD距离度量函数,计算所述第一故障特征和所述第二故障特征的距离损失;
计算所述故障分类损失、组别对抗损失和距离损失之和,得到目标损失;
判断所述目标损失是否满足预设损失阈值范围指示的损失标准;
若所述目标损失未满足所述预设损失阈值范围指示的损失标准,则返回将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,得到预测故障信息的步骤,直到所述目标损失满足所述预设损失阈值范围指示的损失标准后停止训练,得到具有满足精度条件的信号分类模型。
可选地,所述将所述目标域电流信号样本输入至所述初始特征提取器,得到目标域的第二故障特征的步骤,包括:
对所述目标域电流信号样本进行快速傅里叶变换,得到变换后的目标域电流信号样本;
对所述变换后的目标域电流信号样本进行归一化,得到归一化后的目标域电流信号样本;
将所述归一化后的目标域电流信号样本输入至所述初始特征提取器,得到目标域的第二故障特征。
可选地,所述信号分类模型采用轻量化卷积网络,其中,所述轻量化卷积网络由深度Depthwise卷积、逐点Pointwise卷积和分组Group卷积构建。
本申请存储介质具体实施方式与上述电机电流信号的故障诊断方法各实施例基本相同,在此不再赘述。
本申请还提供一种计算机程序产品、包括计算机程序,该计算机程序被处理器执行时实现上述的电机电流信号的故障诊断方法的步骤。
本申请计算机程序产品的具体实施方式与上述电机电流信号的故障诊断方法各实施例基本相同,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种电机电流信号的故障诊断方法,其特征在于,所述电机电流信号的故障诊断方法包括:
获取电机电流信号;
将所述电机电流信号输入至预设的信号分类模型,基于所述信号分类模型,对所述电机电流信号进行故障识别处理,得到故障信息;
其中,所述信号分类模型包括特征提取器和故障判别器,所述特征提取器和故障判别器是基于语义对齐分组对抗的方法训练得到的。
2.如权利要求1所述的电机电流信号的故障诊断方法,其特征在于,所述获取电机电流信号的步骤之前,所述方法包括:
获取源域电流信号样本和所述源域电流信号样本的故障结果标签;
基于所述源域电流信号样本,预训练得到初始特征提取器;
将所述源域电流信号样本分组至预设第一数量的语义对齐小组,得到分组后的源域电流信号样本;
基于所述分组后的源域电流信号样本,预训练得到初始故障判别器;
基于所述源域电流信号样本和所述源域电流信号样本的故障结果标签,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型。
3.如权利要求2所述的电机电流信号的故障诊断方法,其特征在于,所述基于所述源域电流信号样本和所述源域电流信号样本的故障结果标签,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型的步骤,包括:
将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,并基于所述第一故障特征,确定预测故障信息;
基于所述预测故障信息和所述故障结果标签,确定故障分类损失;
将所述第一故障特征输入至所述初始故障判别器,得到组别对抗损失;
基于所述故障分类损失和所述组别对抗损失,确定目标损失;
判断所述目标损失是否满足预设损失阈值范围指示的损失标准;
若所述目标损失未满足所述预设损失阈值范围指示的损失标准,则返回将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,得到预测故障信息的步骤,直到所述目标损失满足所述预设损失阈值范围指示的损失标准后停止训练,得到具有满足精度条件的信号分类模型。
4.如权利要求2所述的电机电流信号的故障诊断方法,其特征在于,所述基于所述源域电流信号样本和所述源域电流信号样本的故障结果标签,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型的步骤,包括:
获取目标域电流信号样本;
基于所述源域电流信号样本、所述源域电流信号样本的故障结果标签以及所述目标域电流信号样本,结合最大均值差异MMD距离度量方法,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型。
5.如权利要求4所述的电机电流信号的故障诊断方法,其特征在于,所述基于所述源域电流信号样本、所述源域电流信号样本的故障结果标签以及所述目标域电流信号样本,结合最大均值差异MMD距离度量方法,对所述初始特征提取器和所述初始故障判别器进行迭代训练,得到具有满足精度条件的信号分类模型的步骤,包括:
将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,并基于所述第一故障特征,确定预测故障信息;
基于所述预测故障信息和所述故障结果标签,确定故障分类损失;
将所述第一故障特征输入至所述初始故障判别器,得到组别对抗损失;
将所述目标域电流信号样本输入至所述初始特征提取器,得到目标域的第二故障特征;
采用最大均值差异MMD距离度量函数,计算所述第一故障特征和所述第二故障特征的距离损失;
计算所述故障分类损失、组别对抗损失和距离损失之和,得到目标损失;
判断所述目标损失是否满足预设损失阈值范围指示的损失标准;
若所述目标损失未满足所述预设损失阈值范围指示的损失标准,则返回将所述语义对齐小组中的源域电流信号样本输入至所述初始特征提取器,基于所述初始特征提取器,提取所述源域电流信号样本的第一故障特征,得到预测故障信息的步骤,直到所述目标损失满足所述预设损失阈值范围指示的损失标准后停止训练,得到具有满足精度条件的信号分类模型。
6.如权利要求5所述的电机电流信号的故障诊断方法,其特征在于,所述将所述目标域电流信号样本输入至所述初始特征提取器,得到目标域的第二故障特征的步骤,包括:
对所述目标域电流信号样本进行快速傅里叶变换,得到变换后的目标域电流信号样本;
对所述变换后的目标域电流信号样本进行归一化,得到归一化后的目标域电流信号样本;
将所述归一化后的目标域电流信号样本输入至所述初始特征提取器,得到目标域的第二故障特征。
7.如权利要求1所述的电机电流信号的故障诊断方法,其特征在于,所述信号分类模型采用轻量化卷积网络,其中,所述轻量化卷积网络由深度Depthwise卷积、逐点Pointwise卷积和分组Group卷积构建。
8.一种电机电流信号的故障诊断装置,其特征在于,所述电机电流信号的故障诊断装置包括:
获取模块,用于获取电机电流信号;
识别模块,用于将所述电机电流信号输入至预设的信号分类模型,基于所述信号分类模型,对所述电机电流信号进行故障识别处理,得到故障信息;其中,所述信号分类模型包括特征提取器和故障判别器,所述特征提取器和故障判别器是基于语义对齐分组对抗的方法训练得到的。
9.一种电机电流信号的故障诊断设备,其特征在于,所述电机电流信号的故障诊断设备包括:存储器、处理器以及存储在存储器上的用于实现所述电机电流信号的故障诊断方法的程序,
所述存储器用于存储实现电机电流信号的故障诊断方法的程序;
所述处理器用于执行实现所述电机电流信号的故障诊断方法的程序,以实现如权利要求1至7中任一项所述电机电流信号的故障诊断方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有实现电机电流信号的故障诊断方法的程序,所述实现电机电流信号的故障诊断方法的程序被处理器执行以实现如权利要求1至7中任一项所述电机电流信号的故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310504843.4A CN116561655A (zh) | 2023-05-06 | 2023-05-06 | 电机电流信号的故障诊断方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310504843.4A CN116561655A (zh) | 2023-05-06 | 2023-05-06 | 电机电流信号的故障诊断方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116561655A true CN116561655A (zh) | 2023-08-08 |
Family
ID=87497617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310504843.4A Pending CN116561655A (zh) | 2023-05-06 | 2023-05-06 | 电机电流信号的故障诊断方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116561655A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117949823A (zh) * | 2024-03-27 | 2024-04-30 | 南京信息工程大学 | 一种基于改进迁移学习模型的电机故障诊断方法及装置 |
-
2023
- 2023-05-06 CN CN202310504843.4A patent/CN116561655A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117949823A (zh) * | 2024-03-27 | 2024-04-30 | 南京信息工程大学 | 一种基于改进迁移学习模型的电机故障诊断方法及装置 |
CN117949823B (zh) * | 2024-03-27 | 2024-05-31 | 南京信息工程大学 | 一种基于改进迁移学习模型的电机故障诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598559B (zh) | 检测运动方向的方法、装置、计算机设备和存储介质 | |
CN110704661A (zh) | 一种图像分类方法和装置 | |
CN116561655A (zh) | 电机电流信号的故障诊断方法、装置、设备及存储介质 | |
CN110737798B (zh) | 室内巡检方法及相关产品 | |
CN114595124B (zh) | 时序异常检测模型评估方法、相关装置及存储介质 | |
KR102476679B1 (ko) | 객체 탐지 장치 및 방법 | |
CN111382270A (zh) | 基于文本分类器的意图识别方法、装置、设备及存储介质 | |
US20220155338A1 (en) | Method for testing sensing effect, moving apparatus, electronic device, storage medium, and system for testing sensing effect | |
KR101228336B1 (ko) | 모바일 단말기의 사용자 행동패턴을 이용하여 개인화 서비스를 제공하는 방법 및 이를 위한 모바일 단말기 | |
CN110909804B (zh) | 基站异常数据的检测方法、装置、服务器和存储介质 | |
CN112784985A (zh) | 神经网络模型的训练方法及装置、图像识别方法及装置 | |
CN114612531B (zh) | 一种图像处理方法、装置、电子设备及存储介质 | |
CN112001948A (zh) | 一种目标跟踪处理方法及装置 | |
CN108595013B (zh) | 握持识别方法、装置、存储介质及电子设备 | |
CN109726726B (zh) | 视频中的事件检测方法及装置 | |
CN115841575A (zh) | 关键点检测方法、装置、电子设备、存储介质和程序产品 | |
CN112400147A (zh) | 算法配置方法、设备、***及可移动平台 | |
CN107423515B (zh) | 机械臂摩擦辨识方法、装置、设备及存储介质 | |
WO2024012367A1 (zh) | 视觉目标跟踪方法、装置、设备以及存储介质 | |
CN115474108B (zh) | 一种基于边缘计算的事件监控***及监控方法 | |
CN115629930A (zh) | 基于dsp***的故障检测方法、装置、设备及存储介质 | |
CN115937970A (zh) | 手部关键点识别方法、装置、设备及存储介质 | |
CN112632222B (zh) | 一种终端设备和确定数据所属领域的方法 | |
CN114169258A (zh) | 一种明渠的流量测量方法、装置、设备及存储介质 | |
CN116450384A (zh) | 一种信息处理方法和相关装置 |
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 |