技术领域
[0001] 本
发明涉及
电机故障诊断领域,具体是指一种基于深度学习的异步电动机故障监测与诊断方法。
背景技术
[0002] 电动机是
电能和机械能相互转化的纽带和
桥梁,目前最广泛应用的电动机便是异步电动机,在科学研究以及日常的生产生活中地位十分重要。作为动
力设备,异步电动机在工业生产中扮演着非常重要的
角色,在设备运行过程中,异步电动机发生故障会威胁到生产活动的顺利进行,甚至发生巨大的经济损失以及人员的伤亡。因此对电动机的运行状态进行监控可以防患于未然,有效避免损失的扩大化。
[0003] 统计表明,
定子绕组故障、
转子断条故障、错位、动态气隙偏心和
轴承齿轮箱故障等五种故障类型占异步电动机故障的85%以上。现有的异步电动机故障诊断方法多通过对其定子
电流、振动
信号等进行
频谱分析从中提取反应故障特征的分量,从而进行故障诊断。此种方法需要对电机系统建立精确的数学模型,步骤繁琐,且需人工寻找大量的特征量以保证识别的准确率。
发明内容
[0004] 基于上述电动机故障诊断方法所存在的技术问题,本发明提供一种基于深度学习的异步电动机故障监测与诊断方法,在节省了线下故障诊断系统开发时间的同时,还具有更高的故障诊断正确率,也降低了故障诊断从业人员的
门槛。
[0005] 为实现上述技术目的,本发明采用如下技术方案:
[0006] 一种基于深度学习的异步电动机故障监测与诊断方法,包括
深度神经网络模型建立和实时运行状态监测两个过程;
[0007] 所述深度神经网络建立过程包括以下步骤:
[0008] 步骤S1,数据预处理;
[0009] 步骤S1.1,获取原始数据;
[0010] 获取异步电动机在已知工况类型时的
电力负荷时间序列,所述电力负荷时间序列的时间跨度为Num1个电力负荷周期,每个电力负荷周期包括Num2个样本时刻,每个样本时刻的电力负荷数据包括
电压、电流和功率三个维度的数据;
[0011] 步骤S1.2,数据图像化;
[0012] 以电压、电流和功率数据分别作为RGB图像中三个图层的
像素点灰度值,将每个电力负荷周期的Num2个样本时刻的电压、电流和功率数据,对RGB图像三个图层的各像素点进行赋值,其中样本时刻的顺序与像素点的行列顺序依次对应,每个电力负荷周期对应得到1张RGB图像,并作为异步电动机的特征图像;每个电力负荷时间序列得到一组RGB图像,并按时间顺序组成异步电动机的特征图像时间序列;
[0013] 步骤S2,深度神经网络构建;
[0014] 所述深度神经网络的结构依次包括:
输入层、
卷积神经网络、内部LSTM网络、外部LSTM网络和
输出层;所述输入层、卷积神经网络、内部LSTM网络、外部LSTM网络和输出层依次连接;
[0015] 步骤S3,模型训练;
[0016] 以异步电动机的特征图像时间序列和相应的工况类型分别作为输入和输出数据,训练深度神经网络,得到故障诊断模型;
[0017] 所述实时运行状态监测过程包括以下步骤:
[0018] 步骤T1,数据预处理;
[0019] 按照步骤S1所述的数据预处理方法,获取待测异步电动机的特征图像时间序列;
[0020] 步骤T2,故障诊断;
[0021] 将待测异步电动机的特征图像时间序列输入至步骤S3得到的故障诊断模型中,由故障诊断模型诊断待测异步电动机的工况类型。
[0022] 本方案通过巧妙地使用特征图像来描述异步电动机的运行工况特性,并引入深度学习领域技术,建立了深度神经网络模型,结合了卷积神经网络强大的空间特征提取能力与LSTM优秀的时序特征提取能力,并通过引入外部LSTM网络的方法,从单个电流周期空间特征、单个电流周期时间特征、周期与周期间的时间特征三个维度,综合提取了异步电动机特征图像中的故障信号中的特征,基于此对电动机的工况进行识别。本发明能自动提取异步电动机正常工况与故障工况的特征,相较于采用人工定义的特征,该方法能得到更高的故障诊断正确率,在节省系统开发时间的同时,也降低了从业人员的门槛。
[0023] 进一步地,步骤S1.2的具体过程为:
[0024] 步骤S1.2.1,数据缩放:将每个样本时刻的电压、电流和功率数据,均按比例缩放至范围为[0,255];
[0025] 步骤S1.2.2,数据分割:将电力负荷时间序列按照电力负荷周期分为Num1个电力负荷时间序列
片段;
[0026] 步骤S1.2.3,数据重构:将每个电力负荷时间序列片段的Num2个电力负荷数据,均重排为Num3*Num4的三维矩阵,共得到Num1个三维矩阵;其中,三维矩阵的各维分别为电压、电流和功率数据;
[0027] 步骤S1.2.4,图像时间序列生成:以三维矩阵中的电压、电流和功率数据,分别作为RGB图像中三个图层的像素点灰度值,每个三维矩阵得到1张RGB图像,由Num1个三维矩阵得到一组由Num1张RGB图像组成的图像时间序列。
[0028] 进一步地,所述电力负荷时间序列包括电压时间序列、电流时间序列和功率时间序列,在步骤S1.2之前还包括步骤S1.1.5,小波
阈值去噪:对电压时间序列、电流时间序列和功率时间序列,分别采用小波阈值方法进行去噪处理。
[0029] 本方案采用小波阈值方法对电力负荷时间序列进行去噪处理,可以更好的从去噪后的信号中学习到异步电动机的故障特征,提高故障诊断的准确率。
[0030] 进一步地,所述采用小波阈值方法对电流时间序列进行去噪处理的具体步骤为:
[0031] 步骤S1.1.5.1,小波分解;
[0032] 采用db4小波包对电流时间序列进行五层分解,得到相应的小波系数;
[0033] 步骤S1.1.5.2,阈值确定;
[0034] 按以下公式计算确定阈值T:
[0035]
[0036] 步骤S1.1.5.3,阈值函数选择;
[0037] 选择软阈值函数对含有噪声系数的小波系数y进行过滤处理,去除高斯噪声系数,得到过滤后的小波系数Tsoft,其中过滤处理函数为:
[0038]
[0039] 步骤S1.1.5.4,小波重构;
[0040] 利用过滤后的小波系数进行小波逆变换,得到去噪处理后的电流时间序列;
[0041] 对电压时间序列和功率时间序列进行去噪处理的方法与电流时间序列的去噪方法相同。
[0042] 进一步地,在训练深度神经网络时,初始学习率设置为0.1,训练样本循环次数为5000,并采用梯度下降
算法,确定深度神经网络中各神经元的连接权重,得到故障诊断模型。
[0043] 进一步地,在训练深度神经网络时:卷积神经网络根据输入的RGB图像提取异步电动机的故障空间特征;内部LSTM网络根据卷积神经网络输出的故障空间特征,提取异步电动机在单个电力负荷周期中的第一时间特征;外部LSTM网络根据内部LSTM网络输出的第一时间特征,提取异步电动机在连续Num1个电力负荷周期中的第二时间特征。
[0044] 进一步地,所述工况类型包括:电动机正常工作、定子绕组故障、转子断条故障、错位、动态气隙偏心和轴承齿轮箱故障。
[0045] 进一步地,其特征在于,Num1=5,Num2=400,Num3=20,Num4=20。
[0046] 有益效果
[0047] 本发明针对异步电动机故障诊断系统,提供了一种高
精度的异步电动机故障监测与诊断方法。通过巧妙地使用特征图像来描述异步电动机的运行工况特性,并引入深度学习领域技术,建立了深度神经网络模型,结合了卷积神经网络强大的空间特征提取能力与LSTM优秀的时序特征提取能力,并通过引入外部LSTM网络的方法,从单个电流周期空间特征、单个电流周期时间特征、周期与周期间的时间特征三个维度,综合提取了异步电动机特征图像中的故障信号中的特征,基于此对电动机的工况进行识别。本发明能自动提取异步电动机正常工况与故障工况的特征,相较于采用人工定义的特征,该方法能得到更高的故障诊断正确率,在节省系统开发时间的同时,也降低了从业人员的门槛。
附图说明
[0048] 图1为本发明的LRCN-LSTM深度神经网络的结构图;
[0049] 图2为本发明训练LRCN-LSTM深度神经网络的
流程图;
[0050] 图3为本发明使用故障诊断模型对异步电动机进行实时监测的流程图。
具体实施方式
[0051] 下面对本发明的
实施例作详细说明,本实施例以本发明的技术方案为依据开展,给出了详细的实施方式和具体的操作过程,对本发明的技术方案作进一步解释说明。
[0052] 本发明提供一种基于深度学习的异步电动机故障监测与诊断方法,包括LRCN-LSTM深度神经网络模型建立和实时运行状态监测两个过程。
[0053] 其中,所述深度神经网络建立过程包括以下步骤:
[0054] 步骤S1,数据预处理;
[0056] 本发明所采用的原始电力负荷数据采样
频率为20kHz,选用交流电额定工作频率50Hz作为电力负荷时间序列的基频(即每个电力负荷周期包括400个采样时刻),对异步电动机的瞬时电流、瞬时电压、瞬时功率进行提取,每种数据每次采样5个电力负荷周期的数据量(即原始数据2000个采样点),构成1个电力负荷时间序列,包括时间对应的电压时间序列、电流时间序列和功率时间序列。为了确保采样周期的完整性,每组数据的起始点电压应该为0。采集异步电动机每种工况类型时的电力负荷时间序列各2000条,工况类型包括电动机正常工作、定子绕组故障、转子断条故障、错位、动态气隙偏心和轴承齿轮箱故障。
[0057] 步骤S1.1.5,小波阈值去噪;
[0058] 小波去噪方法具有低熵性、多
分辨率特性和去相关特性等优点,能有效地将非平稳信号和噪声分离。对提取的电压时间序列、电流时间序列和功率时间序列,本发明均采用小波阈值方法进行去噪处理,以更好的从去噪后的信号中学习到异步电动机的故障特征,提高故障诊断的准确率。下面以电流时间序列为例,对采用的小波阈值去噪方法进行解释,具体步骤为:
[0059] 步骤S1.1.5.1,小波分解;
[0060] 采用db4小波包对电流时间序列进行五层分解,得到相应的小波分解系数;
[0061] 步骤S1.1.5.2,阈值确定;
[0062] 按以下公式计算确定阈值T:
[0063]
[0064] 步骤S1.1.5.3,阈值函数选择;
[0065] 选择软阈值函数对含有噪声系数的小波系数y进行过滤处理,去除高斯噪声系数,得到过滤后的小波系数Tsoft,其中过滤处理函数为:
[0066]
[0067] 步骤S1.1.5.4,小波重构;
[0068] 利用过滤后的小波系数进行小波逆变换,得到去噪处理后的电流时间序列Xi。
[0069] 与述电流时间序列的去噪处理方法相同,得到去噪处理后的电压时间序列Xv和功率时间序列Xp。
[0070] 步骤S1.2,数据图像化;
[0071] 以电压、电流和功率数据分别作为RGB图像中三个图层的像素点灰度值,将每个电力负荷周期的Num2个样本时间的电压、电流和功率数据,按行列顺序对RGB图像三个图层的各像素点进行赋值,每个电力负荷周期对应得到1张RGB图像,并作为异步电动机的特征图像;每个电力负荷时间序列得到一组RGB图像,并按时间顺序组成异步电动机的特征图像时间序列,从而用来区分异步电动机是否正常运行以及明确各种故障工况的类型。具体步骤如下:
[0072] 步骤S1.2.1,数据缩放:将得到的电流时间序列Xi、电压时间序列Xv和功率时间序列Xp按比例缩放至[0,255]区间;
[0073] 步骤S1.2.2,数据分割:对每个时间序列按时间顺序进行分割,步长为400,得到五个长度为400的子序列。对于三个序列来说,共得到15个子序列;
[0074] 步骤S1.2.3,数据重构和矩阵拼接:每20个数据为一层,依次往下,对每个子序列进行该操作,得到15个规格为20×20的矩阵;取相同时段的对应的电流、电压、功率矩阵各一个,拼接成一个三维矩阵,规格为20×20×3,电流数据为第一层,电压数据为第二层,功率数据为第三层。由此一共可以得到5个三维矩阵。
[0075] 步骤S1.2.4,图像时间序列生成:三维矩阵的每层视为RGB图像的三层,每个数据值视为RGB图像的灰度值,由此可以得到五张RGB图像;再按时间顺序编号,得到异步电动机在某种工况类型时的特征图像时间序列。
[0076] 步骤S2,LRCN—LSTM深度神经网络构建;
[0077] LRCN—LSTM深度神经网络构建如图1所示,其结构依次包括:输入层、卷积神经网络、内部LSTM网络、外部LSTM网络和输出层;所述输入层、卷积神经网络、内部LSTM网络、外部LSTM网络和输出层依次连接。其中卷积神经网络依次包括卷积层1、ReLU层、卷积层2、ReLU层、卷积层3、ReLU层和卷积层4,内部LSTM网络包括内部LSTM层,外部LSTM网络包括外部LSTM层。
[0078] 卷积神经网络是多层神经网络结构的算法,现已成为语音分析和和
图像识别领域的重要研究算法。在本发明中,设置卷积神经网络的具体参数如表1所示,将提取到的RGB图像作为特征图像输入至卷积神经网络,通过连续的四层卷积神经网络提取其最优的故障空间特征,最终输出格式为3×12的异步电动机的故障空间特征矩阵。
[0079] 表1
[0080]
[0081]
[0082] LSTM(长短期记忆网络)通过在神经元中通过添加
开关门机制实现网络的长期记忆功能,可以有效学习到长期的依赖信息。本发明的内部STLM网络,将卷积神经网络提取的异步电动机的故障空间特征矩阵视为每个时刻包含3个值的时间序列,将之作为内部LSTM网络的输入,进一步挖掘异步电动机的故障信号中所隐藏的时间维度的特征。按先后顺序依次输入每个时刻的信号,对应输出为一个1×20向量,该向量即为单个电力负荷周期的异步电动机的电力负荷时间序列(400个数据点)的故障
特征向量,其中既包含了故障的空间特征又包含其时间特征。该内部LSTM网络具有两层
隐藏层,网络各层之间采用全连接,输入层神经元个数为3,隐藏层为64、32,输出层为20。
[0083] 对于一个训练样本,经过卷积神经网络和内部LSTM网络的提取,可以依输入顺序得到5个1×20的故障特征向量来描述其工况类型,但每个异步电动机的故障特征向量仅包含了一个电流周期的故障特征,为挖掘故障信号周期与周期之间的关系,本发明在外部再次构建了一个两层的外部LSTM网络,将得到的5个特征向量视作五个时刻的数据,依时间顺序输入外部LSTM网络,由此可以得到信号周期与周期之间的联系。该外部LSTM网络在架构上与内部LSTM网络相同,隐藏层为64、32,输出层为20。最终外部LSTM网络得到的输出为一个1×20特征向量,该向量即为异步电动机在各种工况类型工况下运行时的最终特征向量,其综合了故障的空间、时间以及周期与周期间的特征信息,辨识度极高。
[0084] LRCN-LSTM深度神经网络的输出层神经元个数K=6,与外部LSTM网络中的输出层以全连接的方式连接,每个神经元对应异步电动机的一种工况,并采用softmax函数作为该输出层的激活函数,该激活函数为:
[0085]
[0086] 式中,i,k均表示输出层各神经元的编号,ai表示输出层第i个神经元的输出,yi表示输出层第i个神经元经激活函数后得到的输出,最终LRCN-LSTM深度神经网络的输出即为1×6向量,每个值可以视为对应工况的置信概率。
[0087] 步骤S3,模型训练;
[0088] 训练深度神经网络是指,采用大量已知工况类型的图像时间序列作为训练样本,对建立的深度神经网络进行训练,得到故障诊断诊断模型,具体包括以下步骤:
[0089] 按照数据预处理方法,获取异步电动机在不同工况类型时的图像时间序列,分别作为训练样本,所有训练样本构建得到训练集;然后以训练样本的图像时间序列和工况类型分别作为输入和输出数据,训练深度神经网络,得到故障诊断模型。
[0090] 第一次训练网络时,各神经元的连接权重矩阵采用随机初始化的方式设定,并采用梯度下降算法更新深度神经网络的连接权重。其中,初始学习率设置为0.1,训练样本循环次数为5000,具体训练流程如图2所示,最终保存训练好的连接权重,得到故障诊断模型。
[0091] 所述实时运行状态监测过程,如图3所示,包括以下步骤:
[0092] 步骤T1,数据预处理;
[0093] 通过电压互感器采集待测异步电动机的电力负荷实时数据,每次采样均采集2000个样本时刻的瞬时电压、瞬时电流和瞬时功率值,
采样频率与步骤S1相同为20kHZ,得到待测异步电动机的电力负荷时间序列,包括电压时间序列、电流时间序列和功率时间序列。然后采用步骤S1.2所述方法,对待测异步电动机的电力负荷时间序列进行处理,得到其特征图像时间序列。
[0094] 步骤T2,故障诊断;
[0095] 将步骤T1得到的特征图像时间序列,输入至故障诊断模型进行故障诊断,故障诊断模型即可输出对应的1×6输出向量,即电动机正常工作、定子绕组故障、转子断条故障、错位、动态气隙偏心和轴承齿轮箱故障该六种工况的预测置信概率,其中最大值对应的工况类型即为该时刻异步电动机的工况类型。由此可以确定异步电动机是处于正常运行状况,还是发生了某种故障。
[0096] 以上实施例为本
申请的优选实施例,本领域的普通技术人员还可以在此
基础上进行各种变换或改进,在不脱离本申请总的构思的前提下,这些变换或改进都应当属于本申请要求保护的范围之内。