【技术实现步骤摘要】
本专利技术涉及电机故障检测，具体涉及一种电驱动系统电机时空特征神经网络故障诊断方法及系统。
技术介绍
1、电驱动系统作为电力运载装备机电复合传动系统的关键与核心部件，已广泛应用于重型矿卡、新能源特种车辆、交通型重载自动电梯等电力运载装备中，其运行性能、可靠性及环境适用性是制约其发展的关键所在。随着电力运载装备的应用领域不断拓展，尤其在一些特殊应用场合中对电驱动系统提出了新要求。电驱动系统在极端自然环境中长期服役已成为新常态，因此对电驱动系统电机故障诊断提出新要求，尤其在轨道交通、航空航天、军事装备等对可靠性要求较高的应用场合。
2、现有电机故障诊断方法分为两大类：数据驱动和模型构造。目前基于模型构造的电机故障诊断方法主要依赖于先验知识，然而电驱动系统的结构和功能极为复杂，构建一个精确数学模型来模拟其电机系统及其部件十分困难。人工神经网络作为一种广泛应用的工具，通过层间学习机制成功构建了故障症状与故障类别之间的映射关系，因此基于神经网络深度学习等形式的数据驱动故障分类方法得到广泛研究和应用。
3、然而，由于电机故障诊断中分析的信号通常是一维时间序列形式，卷积神经网络在提取时间特征方面存在很大的不足。而具有生物学合理性的神经元建模的脉冲神经网络在模型中添加了时序的概念，能获得更丰富的时空动态特征，但是脉冲神经网络神经形态的信息有限且数据精确表征难度大，简化的脉冲神经元模型限制了其表达能力和动态多样性，这导致脉冲神经网络在分类任务中难以达到较高的分类精度。
4、因此，如何有效提升电驱动系统电机故障诊
技术实现思路
1、本专利技术的目的是解决电驱动系统电机故障诊断精度有待提升的技术问题，进而提供一种电驱动系统电机时空特征神经网络故障诊断方法及系统。其中，本专利技术所述方法融合卷积神经网络和脉冲神经网络的各自优势，创造性的提出了一种全新的脉冲卷积神经网络用以实现电机故障诊断，即在卷积模块和全连接层模块中的卷积层、全连接层后均依次插入批规范化时间层bntt和积分-发放模型lif。
2、为此，本专利技术提供如下技术方案：
3、一方面，本专利技术提供的一种电驱动系统电机时空特征神经网络故障诊断方法，包括以下步骤：
4、步骤1：采集正常、多类故障工况下的电机振动信号构成原始数据集，再对原始数据集的样本至少进行样本切片、样本贴标签，得到不同故障状态以及正常状态下的样本集；
5、步骤2：将各个样本的电机振动信号转换编码为脉冲模式的各个样本的脉冲信号，并将样本集划分为训练集和测试集；
6、步骤3：构建基于脉冲卷积神经网络的故障诊断模型，并将样本的脉冲信号输入所述脉冲卷积神经网络进行模型训练；
7、其中，所述脉冲卷积神经网络的网络架构为：依次设有卷积模块、池化层以及全连接模块，且至少在所述卷积模块中一个卷积层之后、以及在所述全连接层模块中一个全连接层之后均依次插入批规范化时间层bntt和积分-发放模型lif；
8、步骤4：采集待监测电机的电机振动信号并转换编码为脉冲信号，进而输入训练后的故障诊断模型进行故障诊断。
9、优选地，所述卷积模块和所述全连接模块中，包含卷积层/全连接层、批规范化时间层bntt和积分-发放模型lif的网络层的数据处理模型均如下所示：
10、
11、式中，分别是神经元i在时间步t、时间步t-1下的输出膜电位，对应网络层的输出，视神经元i为输出神经元/输出通道，并作为一个网络层的输入；是神经元j在时间步t的脉冲输入，即对应网络层的输入，视神经元j为输入神经元/输入通道；ωij是连接神经元j、i的连接权重；γt为时间步t的可学习参数，v是电压阈值，λ是泄露因子，用于模拟lif模型的泄露行为，表示批规范化时间层bntt的输出；
12、未归一化的膜电位为批规范化时间层bntt的输入，批规范化时间层bntt的数据处理表示为：
13、
14、式中，表示归一化的膜电位，和分别是批规范化时间层bntt的样本输入对应神经元i在时间步长t下的均值和方差，ε是预先给定的极小值。
15、优选地，后一时间步的可学习参数γt+1由前一个时间步的可学习参数γt更新，更新公式为：γt+1＝γt-ηδγt，η为预设系数；
16、其中，更新差量δγt的计算如下：
17、
18、式中，m表示模型训练的一个批次的样本总数，b为对应批次内的样本索引，ut为时间步t对应的卷积/全连接模块的网络输出，为样本b在时间步t对应的网络输出膜电位，由样本b对应的所有神经元i的构成；为样本b在时间步t对应的批规范化时间层bntt的输出，由样本b对应的所有神经元i的构成；l为损失函数，θ为偏导符号。
19、所有神经元i的均值和方差构成均值向量μt和方差向量σt，计算公式为：
20、
21、式中，是样本b在时间步t对应的批规范化时间层bntt的输入，即由样本b对应的所有神经元i的构成，m表示模型训练的一个批次的样本总数，b为对应批次内的样本索引。
22、优选地，模型训练过程采用时间反向传播法进行网络训练；
23、其中，不包含批规范化时间层bntt的网络层的连接神经元的权重梯度公式为：
24、
25、包含批规范化时间层bntt的网络层的连接神经元的权重梯度公式为：
26、
27、式中，δωij为连接神经元j、i的连接权重ωij的权重梯度，用于更新连接权重ωij；t为设定的时间步总数，l为损失函数，是神经元i在时间步t的对应网络层输出，是神经元i在时间步t的网络层输出膜电位；是样本b在时间步t对应的批规范化时间层bntt的输入；表示样本b、样本k对应的批规范化时间层bntt的输出；m表示模型训练中一个批次的样本总数，b、k为对应批次内的样本索引，ε是预先给定的极小值，σt是批规范化时间层bntt的样本输入在时间步长t下的方差，t、t分别表示设定的时间步总数、时间步索引。
28、优选地，存在：
29、
30、其中，采用分段线性近似的代理梯度下降的方法求解如下：
31、
32、式中，超参数ξ是反向传播梯度的衰减因子，v是设定的阈值。
33、优选地，步骤2中将各个样本的电机振动信号转换编码为脉冲模式的各个样本的脉冲信号的过程如下：
34、利用低通滤波器和高通滤波器对各个样本的电机振动信号进行特征提取，以样本数据小波分解的逼近系数和所有细节系数的二范数合并成一维数组作为样本的故障特征输出；
35、利用高斯函数对每个样本的故障特征输出进行种群编码得到每个样本的脉冲信号。
36、其中，本专利技术技术方案利用高斯种群编码将输入特征编码成离散脉冲进行通信，为后续离散化脉冲神经元模型奠定了基本文档来自技高网...
【技术保护点】
1.一种电驱动系统电机时空特征神经网络故障诊断方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的方法，其特征在于：所述卷积模块和所述全连接模块中，包含卷积层/全连接层、批规范化时间层BNTT和积分-发放模型LIF的网络层的数据处理模型均如下所示：
3.根据权利要求2所述的方法，其特征在于：后一时间步的可学习参数γt+1由前一个时间步的可学习参数γt更新，更新公式为：γt+1＝γt-ηΔγt，η为预设系数；
4.根据权利要求2所述的方法，其特征在于：所有神经元i的均值和方差构成均值向量μt和方差向量σt，计算公式为：
5.根据权利要求1所述的方法，其特征在于：模型训练过程采用时间反向传播法进行网络训练；
6.根据权利要求5所述的方法，其特征在于：存在：
7.根据权利要求1所述的方法，其特征在于：步骤2中将各个样本的电机振动信号转换编码为脉冲模式的各个样本的脉冲信号的过程如下：
8.一种基于权利要求1-7任一项所述方法的诊断系统，其特征在于：至少包含：
9.一种计算机终端，其特征在
10.一种计算机可读存储介质，其特征在于：存储了计算机程序，所述计算机程序被处理器调用以实现：
...【技术特征摘要】
1.一种电驱动系统电机时空特征神经网络故障诊断方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的方法，其特征在于：所述卷积模块和所述全连接模块中，包含卷积层/全连接层、批规范化时间层bntt和积分-发放模型lif的网络层的数据处理模型均如下所示：
3.根据权利要求2所述的方法，其特征在于：后一时间步的可学习参数γt+1由前一个时间步的可学习参数γt更新，更新公式为：γt+1＝γt-ηδγt，η为预设系数；
4.根据权利要求2所述的方法，其特征在于：所有神经元i的均值和方差构成均值向量μt和方差向量σt，计算公...
【专利技术属性】
技术研发人员：吴公平，黄志文，龙卓，黄凤琴，杨明，周湘祁，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。