[发明专利]一种基于多尺度可视图和深度学习的电机故障诊断方法

权利要求书

1.一种基于多尺度可视图和深度学习的电机故障诊断方法，其特征在于，包括以下步骤：

步骤1，获取电机K种不同故障类型，并进行标注；

步骤2，对每一种故障进行one-hot编码，得到故障样本的标记y；

步骤3，获取电机不同故障类型下加速度时间序列T＝(v₁，...，v_K)，其中K表示故障类型总数，v_i为第i种故障的加速度序列；

步骤4，将故障转速加速度时间序列按7∶3划分成训练集和测试集；

步骤5，设延迟步长为τ∈Z，延迟长度为m∈Z，构建如下多尺度时间序列：

其中，T表示加速度时间序列，Z表示正整数集合(本专利取τ＝4)；

步骤6，分别对多尺度序列构建可视图，将转速加速度多尺度时间序列转换为图结构；

步骤7，分别找到多尺度序列的可视图所有顶点最大为4的子图；

步骤8，在每个子图中计算子图密度、K核、分类系数以及度，并记为x_i；

步骤9，构建三层Softmax线性分类器，损失函数L为：

其中，

W＝(vec(W₁)，vec(W₂)，vec(W₃)，b₁，b₂，b₃)，vec表示按列把矩阵拉成向量，σ(·)为Relu函数，R(W)为网络的正则化项，λ＝0.1为正则化系数，y_i表示第i种故障状态的one-hot编码，f_i表示分类器的中间层的输出层结果，W₁，W₂，W₃表示第一层、第二层和最后一层的权重值，b₁、b₂、b₃表示第一层、第二层和最后一层的偏置值，x_i表示分类器的中间层的输入；

步骤10，将某故障类型对应的转速加速度训练样本和标签输入Softmax线性分类器，并采用随机梯度下降算法训练网络直至收敛；

步骤11，在测试集上测试所训练的Softmax线性分类器的性能；如果测试集上精度高于95％，网络训练结束；否则返回步骤10继续训练，直至测试集精度高于95％；

步骤12，实时故障诊断阶段，获取待诊断电机运行加速度时间序列，将待诊断电机运行加速度时间序列导入训练好的分类器中进行分类诊断。

2.根据权利要求1所述基于多尺度可视图和深度学习的电机故障诊断方法，其特征在于：步骤8中子图密度计算公式如下：

其中，p表示图密度，|E|表示图的边数，|V|表示图的顶点数。

3.根据权利要求2所述基于多尺度可视图和深度学习的电机故障诊断方法，其特征在于：步骤6中分别对多尺度序列构建可视图，将转速加速度多尺度时间序列转换为图结构的方法：故障转速加速度多尺度时间序列中的每个点都被视为垂直的矩形，其高度是相应的数值；每个时间步均是图形中的顶点，则如果垂直矩阵的项部彼此可见，则连接两个顶点，即从两个条的项部开始存在一条直线，且与其他矩形不相交，则可视图表示为G＝(V，E)，该图具有n个顶点V＝(1，...，n)，V为该图的边的集合，E为该图的边的集合，边e＝(i，j)∈E当且仅当对i＜k＜j，1≤i，j≤n使

其中，i∈V，j∈Vk∈V。

4.根据权利要求3所述基于多尺度可视图和深度学习的电机故障诊断方法，其特征在于：步骤8中分类系数计算公式如下：

其中，r表示分类系数，a_x和b_y分别代表在顶点处以x和y开头和终止的边的比例，而e_xy是分类性的度量，σ_a，σ_b是分布a_x和b_y的标准偏差。