[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

说明书

本发明公开了一种基于多尺度可视图和深度学习的电机故障诊断方法，通过将故障转速加速度时序数据规约成不同粒度的维度特征，得到不同尺度的数据，然后数据转化为多尺度图结构，通过在所生成的图上提取深度特征，并通过Softmax线性分类器训练得到故障分类器，本发明能够同时考虑故障转速加速度信号的全局和局部故障特性，从而实现了高效的电机故障诊断。

技术领域

本发明属于电机运行与分析领域，涉及了一种基于多尺度可视图和深度学习的电机故障诊断方法。

背景技术

随着电力需求的的迅猛发展,国内的发电量需求越来越大，电机已被广泛应用于电厂生产的各个领域。由于电机工作过程中,发生故障或失效的潜在可能性随着运行时间的增长逐渐增大。往往部件的故障就能引起链式反应,导致整个设备系统不能正常运行,甚至瘫痪。因此,提高设备系统的安全性和可靠性已成为刻不容缓的问题,而及时准确地发现电厂电机潜在的或现有的故障正是保证设备安全运行的重要措施,研究不同条件、不同运行状态下电厂电机故障诊断的理论方法和技术策略正是提高设备系统可靠运行的保证。

传统的电机故障诊断方法,需要建立精确的数学模型、有效的状态估计或参数估计、适当的统计决策方法等,这些前提条件使得传统的电机故障诊断具有相当的局限性。而人工智能控制方法,如神经网络、模糊逻辑、模糊神经和遗传算法等,能够处理传统故障诊断方法所无法解决的问题,具有传统诊断方法无以比拟的优越性,因而使得电机故障诊断的人工智能方法在近几年得到广泛的认可和应用,已被认为是电机诊断技术的重要发展方向。

Hinton等提出了深度学习理论,开启了深度学习在学术界和工业界的浪潮。深度学习可以通过组合低层特征形成更加抽象的高层特征表示，从而发现数据的分布式特征表达。深度学习非线性表达能力强，判别能力好，已经在语音识别、图像识别等领域取得了突破性进展。

对于电厂电机而言，其运行环境和工况复杂多变，存在电气量(各相电压，电流，功率)和非电气量(温度，湿度，振动位移)等高维时间信号，运行模态也不尽相同，与常规信号差异很大，同时，运行状态也没有标签可用，因此要提高电机故障预警的可靠性，不能套用原始的深度学习网络，为此，本专利提出了将故障转速加速度时序序数据做不同粒度的维度规约，得到不同尺度的数据，然后数据转化为多尺度图结构，通过在所生成的图上提取深度特征，并通过Softmax线性分类器训练得到故障分类器，由于该方法能够同时考虑全局(global)和局部(local)故障特性，从而实现了高效的电机故障诊断。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于多尺度可视图和深度学习的电机故障诊断方法。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于多尺度可视图和深度学习的电机故障诊断方法，通过将故障转速加速度时序序数据规约不同粒度的维度特征，得到不同尺度的数据，然后数据转化为多尺度图结构，通过在所生成的图上提取深度特征，并通过Softmax线性分类器训练得到故障分类器，具体包括以下步骤：

任意图表示为G＝(V,E)，V为该图的边的集合，E为该图的边的集合，该图具有n个顶点V＝(1,...,n)，边e＝(i,j)∈E，i∈V,j∈V。

步骤1，获取K电机不同故障类型，并进行标注；

步骤2，对故障进行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，将加速度时间序列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，构建多尺度时间序列：