一种基于对抗迁移学习的多工况电机故障诊断方法及系统技术方案

本发明专利技术涉及故障诊断技术领域，公开了一种基于对抗迁移学习的多工况电机故障诊断方法及系统，该方法通过构建标签分类器模型、全局域判别器模型以及局部域判别器模型，可以对齐不同工况下的数据分布，提取不同工况下的样本的平移不变特征，使某工况下所训练的故障诊断模型能适用于其它工况，使所训练的故障诊断模型适用多工况运行，而不限于单一工况，提高故障诊断方法在实际运行电机上的适应性。该方法易于实施，无需额外硬件设备，能提高电机和列车实时运行健康监测水平。车实时运行健康监测水平。车实时运行健康监测水平。

【技术实现步骤摘要】
一种基于对抗迁移学习的多工况电机故障诊断方法及系统


[0001]本专利技术涉及故障诊断
，尤其涉及一种基于对抗迁移学习的多工况电机故障诊断方法及系统。

技术介绍

[0002]在现代工业生产设备不断朝着结构化、自动化和智能化方向发展的过程中，电机作为最重要的动力和驱动装置，在高速列车、地铁和城际轨道交通设备中得到了广泛的应用。然而，在生产实践中，电机由于长期在恶劣环境下运行，不可避免地会发生故障。目前，在故障诊断中，存在诸多问题，一方面由于保护机制，运营车或者实物试验故障数据采集难度大、成本高，采集所有工况下的不同故障类型数据几乎不可能；另一方面，现有的电机智能故障诊断方法大多忽视了不同工况下传感器数据分布的差异性，而导致在某种工况下所训练的故障诊断模型难以适用于其它工况。
[0003]可见，现有电机故障诊断方式存在难以实现多工况下的故障诊断的问题。

技术实现思路

[0004]本专利技术提供了一种基于对抗迁移学习的多工况电机故障诊断方法及系统，以解决现有的电机故障诊断方式存在难以实现多工况下的故障诊断的问题。
[0005]为了实现上述目的，本专利技术通过如下的技术方案来实现：
[0006]第一方面，本专利技术提供一种基于对抗迁移学习的多工况电机故障诊断方法，包括：
[0007]S1：根据预先构建的源域数据集和目标域数据集构建训练样本集和测试样本集；
[0008]S2：根据所述训练样本集确定训练样本集源域特征和训练样本集目标域特征；
[0009]S3：将所述训练样本集源域特征和训练样本集目标域特征进行融合和增强处理，分别得到融合特征和增强特征；
[0010]S4：分别构建标签分类器模型、全局域判别器模型以及局部域判别器模型，根据所述标签分类器模型、全局域判别器模型以及局部域判别器模型的输出，分别构建标签分类器损失函数、全局域判别器损失函数和局部域判别器损失函数，并得到故障诊断模型损失函数；
[0011]S5：根据所述故障诊断模型损失函数构建训练最优故障诊断模型参数，根据所述最优故障诊断模型参数、所述测试样本集训练得到目标模型；
[0012]S6：根据待测电机的实时传感器信号和所述目标模型确定所述待测电机的诊断结果。
[0013]第二方面，本申请提供一种基于对抗迁移学习的多工况电机故障诊断系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的预测机程序，所述处理器执行所述计算机程序时实现上述第一方面所述方法的步骤。
[0014]有益效果：
[0015]本专利技术提供的基于对抗迁移学习的多工况电机故障诊断方法，通过构建标签分类
器模型、全局域判别器模型以及局部域判别器模型，可以对齐不同工况下的数据分布，提取不同工况下的样本的平移不变特征，使某工况下所训练的故障诊断模型能适用于其它工况，使所训练的故障诊断模型适用多工况运行，而不限于单一工况，提高故障诊断方法在实际运行电机上的适应性。该方法易于实施，无需额外硬件设备，能提高电机和列车实时运行健康监测水平。
附图说明
[0016]图1是本专利技术实施例的一种基于对抗迁移学习的多工况电机故障诊断方法流程图；
[0017]图2是本专利技术实施例的基于对抗迁移学习的多工况电机故障诊断方法架构图；
[0018]图3是本专利技术实施例的特征增强示意图；
[0019]图4是本专利技术实施例的所提取的特征经t
‑
SNE的可视化图。
具体实施方式
[0020]下面对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0021]除非另作定义，本专利技术中使用的技术术语或者科学术语应当为本专利技术所属领域内具有一般技能的人士所理解的通常意义。本专利技术中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。
[0022]应理解，本申请实施例中的一种电机故障诊断方法及系统，可以应用于电机控制系统、轨道交通等的应用场景中，例如高速列车、动车组、或者地铁、城轨等应用场景。此处仅做示例，不做限定。
[0023]请参见图1
‑
图2，本申请提供的一种基于对抗迁移学习的多工况电机故障诊断方法，包括：
[0024]S1：根据预先构建的源域数据集和目标域数据集构建训练样本集和测试样本集；
[0025]S2：根据训练样本集确定训练样本集源域特征和训练样本集目标域特征；
[0026]S3：将训练样本集源域特征和训练样本集目标域特征进行融合和增强处理，分别得到融合特征和增强特征；
[0027]S4：分别构建标签分类器模型、全局域判别器模型以及局部域判别器模型，根据标签分类器模型、全局域判别器模型以及局部域判别器模型的输出，分别构建标签分类器损失函数、全局域判别器损失函数和局部域判别器损失函数，并得到故障诊断模型损失函数；
[0028]S5：根据故障诊断模型损失函数构建训练最优故障诊断模型参数，根据最优故障诊断模型参数、测试样本集训练得到目标模型；
[0029]S6：根据待测电机的实时传感器信号和目标模型确定待测电机的诊断结果。
[0030]本实施例以某型永磁同步电机故障诊断为例，对本专利技术的方法进行进一步说明与验证。本实施例所述工况指的是电机运行的转速。定子绕组匝间短路故障(下文中简称“匝间短路”)和永磁体失磁(下文中简称“失磁”)故障是永磁同步电机常见的两类故障。但是如
不及时诊断匝间短路及失磁故障，会使电机温度升高，加速电机故障演化速度，使电机性能急遽恶化，使系统的稳定性和安全性大打折扣。因此本实施例以电机匝间短路、失磁这2类故障诊断为例，以电机运行在某种转速下不同运行状态(包括正常、匝间短路、失磁)三相电流信号(传感器)数据来构建源域数据集，另一转速下不同运行状态三相电流信号(传感器)数据来构建目标域数据集。
[0031]本实施例中，根据训练样本集确定训练样本集源域特征和训练样本集目标域特征时，可以采用多尺度卷积神经网络(Multi
‑
scale Convolutional Neural Networks，M
‑
CNN)结构构建特征提取器模型，设置特征提取器模型层数及各层参数，得到训练样本集源域特征和训练样本集目标域特征。
[0032]其中，目标模型为特征提取器模型、标签分类器模型、全局域判别器模型和局部域判别器模型相结合的模型。
[0033]上述的基于对抗迁移学习的多工况电机故障诊断方法，通过构建标签分类器模型、全局域判别器模型以及局部域判别器模型，可以对齐不同工况下的数据分布，提取不同工况下的样本的平移不变特征，使某工况下所训练的故障诊断模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对抗迁移学习的多工况电机故障诊断方法，其特征在于，包括：S1：根据预先构建的源域数据集和目标域数据集构建训练样本集和测试样本集；S2：根据所述训练样本集确定训练样本集源域特征和训练样本集目标域特征；S3：将所述训练样本集源域特征和训练样本集目标域特征进行融合和增强处理，分别得到融合特征和增强特征；S4：分别构建标签分类器模型、全局域判别器模型以及局部域判别器模型，根据所述标签分类器模型、全局域判别器模型以及局部域判别器模型的输出，分别构建标签分类器损失函数、全局域判别器损失函数和局部域判别器损失函数，并得到故障诊断模型损失函数；S5：根据所述故障诊断模型损失函数构建训练最优故障诊断模型参数，根据所述最优故障诊断模型参数、所述测试样本集训练得到目标模型；S6：根据待测电机的实时传感器信号和所述目标模型确定所述待测电机的诊断结果。2.根据权利要求1所述的基于对抗迁移学习的多工况电机故障诊断方法，其特征在于，所述S1包括：S11：采集电机在第一设定转速下正常状态和C类故障运行状态下的传感器信号其中分别表示正常、第1类、
…
、第c类、
…
、第C类故障运行状态下传感器信号的采样点数，c＝0,1,...,C，n表示传感器数量，将该转速下采集的数据视为源域，构建源域数据集源域数据集D
S
所对应的类别标签为对应的域标签为y
d
＝0，带标签的源域数据集表示为采集电机在第二设定转速下正常状态和C类故障运行状态下的传感器信号采集电机在第二设定转速下正常状态和C类故障运行状态下的传感器信号其中分别表示正常、第1类、
…
、第c类、
…
、第C类故障运行下传感器信号的采样点数，将该转速下采集的数据视为目标域，构建目标域数据集目标域数据集D
T
所对应的类别标签为标签为对应的域标签为y
d
＝1，带标签的目标域数据集表示为R表示实数集；S12：以窗口大小为Win、步长为Stp对源域数据集D
S
中的数据做时间滑窗，经时间滑窗后构建数据集为其中表示样本数，计算公式满足如下关系式：式中，floor表示向下取整；以窗口大小为Win、步长为Stp分别对源域数据集D
S
中所有C+1类运行状态下所有数据做时间滑窗，经时间滑窗后构建数据集为据做时间滑窗，经时间滑窗后构建数据集为分别表示时间滑窗后构建数据集的样本个数，利用经时间滑
窗后的源域数据构建源域样本集l
s
为源域样本集的样本数，其大小表示为：源域样本集D
s
所对应的类别标签为所对应的类别标签为带标签的源域样本集记为以窗口大小为Win、步长为Stp分别对目标域数据集D
T
中所有C+1类运行状态下所有数据分别做时间滑窗，经时间滑窗后构建数据集为分别表示时间滑窗后构建数据集的样本个数，利用经滑窗后的目标域数据构建目标域样本集l
t
为目标域样本集的样本数，其大小表示为：目标域数据集D
T
所对应的类别标签为所对应的类别标签为带标签的目标域样本集记为S13：将目标域样本集D
t
随机打乱后，以设定比例划分，一部分用于构建训练样本集一部分用于构建测试样本集其中和分别表示目标域样本集中用于训练和测试的样本个数，它们之间的关系为：将源域样本集D
s
与目标域样本集中的训练样本集所有样本按行拼接，构建训练样本集l
Tr
为训练样本的第一维度，其大小表示为：带标签的训练样本集记为利用目标域样本集中的测试样本集构建测试样本集带标签的测试样本集记为3.根据权利要求1所述的基于对抗迁移学习的多工况电机故障诊断方法，其特征在于，所述S2包括：S21：采用多尺度卷积神经网络M
‑
CNN结构构建特征提取器模型G
f
，设定特征提取器层数为n
f
层；S22：设置特征提取器模型第1层参数；其中，特征提取器第1层为卷积层，第1层卷积输入为维度1
×
Win
×
n的训练样本集D
Tr
中单样本数据，第1层卷积核的数量为个、大小为步长为填充为经
处理后，输出维度为的第1层卷积特征的第1层卷积特征的计算公式满足如下关系式：将维度为的第1层卷积特征输入大小为1
×
P1的第1最大池化层，得到第1层卷积输出第1层卷积输出与之间的关系为：式中，ceil表示向上取整；S23：设置特征提取器模型第i层参数，其中，i＝2,3,
…
,n
f
‑
3；特征提取器第i层为卷积层，第i层卷积输入为第i
‑
1层卷积输出第i层卷积核的数量为个、大小为步长为填充为经处理后，输出维度为的第i层卷积特征的第i层卷积特征的计算公式满足如下关系式：将维度为的第i层卷积特征输入大小为1
×
P
i
的第i最大池化层，得到第i层卷积输出层卷积输出与之间的关系为：i＝2,3,...，n
f
‑
3，当i＝n
f
‑
3时，得到第n
f
‑
3层卷积输出S24：设置特征提取器模型第n
f
‑
2层参数；特征提取器第n
f
‑
2层为卷积层，第n
f
‑
2层卷积输入为第n
f
‑
3层卷积输出第n
f
‑
2层卷积核的数量为个、大小为1
×
3、步长为1，经处理后，输出维度为的第n
f
‑
2层卷积特征的计算公式满足如下关系式：将维度为的第n
f
‑
2层卷积特征输入第n
f
‑
2自适应最大池化层，得到第n
f
‑
2层卷积输出S25：设置特征提取器模型第n
f
‑
1层参数；特征提取器第n
f
‑
1层为卷积层，第n
f
‑
1层卷积输入为第n
f
‑
3层卷积输出第n
f
‑
1层卷积核的数量为1个、大小为1
×
3、步长为1，经处理后，输出维度为的第n
f
‑
1层卷积特征的计算公式满足如下关系式：将维度为的第n
f
‑
1层卷积特征输入大小为的第n
f
‑
1最大池化
层，得到第n
f
‑
1层卷积输出1层卷积输出与之间的关系为；S26：设置特征提取器模型第n
f
层参数；特征提取器第n
f
层为卷积层，第n
f
层卷...

【专利技术属性】
技术研发人员：彭涛，彭霞，杨超，叶城磊，阳春华，
申请(专利权)人：中南大学，
类型：发明
国别省市：