一种基于Alexnet算法的电机电流波形分析方法技术

本发明专利技术公开了一种基于Alexnet算法的电机电流波形分析方法，包括：数据预处理；基于Alexnet算法建立电流分析模型；电流分析模型参数的优化。本发明专利技术的波形分析方法采用两层Alexnet结构，第一层结构可以区分出大部分波形，第二层结构可以进一步区分波形，有利于更快速地提取出有效特征。本发明专利技术设计的电机电流波形分析方法可以更好地帮助工厂关注电机的使用情况，在电机发生故障时快速、准确地找到故障原因，一定程度上减少技术人员的工作量，同时也避免了可能导致的经济损失以及人身安全问题。

An analysis method of motor current waveform based on alexnet algorithm

【技术实现步骤摘要】
一种基于Alexnet算法的电机电流波形分析方法
本专利技术涉及一种基于Alexnet算法的电机电流波形分析方法，是一种针对电机电流波形分析的故障检测方法。
技术介绍
电机是一种依据电磁感应定律实现电能转换或传递的电磁装置。电机的主要作用是生成驱动转矩，为用电器或各种机械的运行提供动力，将电能转化为其他能量，在现如今的社会中，在生产生活中被普遍运用。然而，电机故障是一个亟待解决的问题。如若电机有故障发生，则会对工厂的生产效率产生影响，并造成一定程度的经济影响，更有甚者，电机可能会过热而导致燃烧，从而引起大型事故，使得操作人员的人身安全被威胁。因此，需要对电机的各种不稳定或故障状态进行排查，在故障出现之前进行预知并对电机做出维修，避免因电机故障而产生的各种影响。在小数据集的环境下，传统的电机故障诊断方法，如特征工程法，已经达到了非常好的效果。但由于故障数据维度的增加，使得诊断的时效性以及准确率无法得到很好的保障。因此从电流波形的角度出发，对电机的故障进行分类是电机故障检测技术所迫切需求的。
技术实现思路
为了解决上述问题，本专利技术提供了一种基于Alexnet算法的电机电流波形分析方法，包括如下步骤：（1）数据预处理；（2）基于Alexnet算法建立电流分析模型；（3）电流分析模型参数的优化。根据权利要求1所述的一种基于Alexnet算法的电机电流波形分析方法，其特征在于，所述步骤（1）的数据预处理的过程如下：在读取输入图片之后，首先将所有波形图片大小统一为100*100像素，然后将训练样本中的所有图片按预设比例分为训练集与测试集，训练集用于训练模型，测试集用于测试所得模型的准确率等结果。根据权利要求1所述的一种基于Alexnet算法的电机电流波形分析方法，其特征在于，所述步骤（2）的基于Alexnet算法建立电流分析模型为两层Alexnet结构，第一层结构区分出大部分普通波形，第二层结构进一步区分与正常波形相似的波形，具体采用如下步骤进行建模：（2.1）波形标签处理，包括对异常特征明显的波形和异常特征不明显的波形的标签处理，每一种波形都有各自的类别标签，保持异常特征明显的波形的标签不变，将异常特征不明显的波形视为一大类，并将其标签修改为相同的值；（2.2）第一层模型建立，将带标签的波形输入Alexnet进行训练，得到第一层波形分析模型；（2.3）数据筛选，从训练集中选取异常特征不明显的波形作为新的训练集，并将这些波形的标签修改为原本的异常类别标签；（2.4）第二层模型建立，将新的数据集输入Alexnet进行训练，得到第二层波形分析模型。根据权利要求1所述的一种基于Alexnet算法的电机电流波形分析方法，其特征在于：所述步骤（3）电流分析模型参数的优化，包括以下几个方面：（3.1）一次训练样本数量的选择，在Alexnet算法中，自行设置每次训练过程中所输入的波形样本的数量，选取不同的值，选取收敛速度最快的值为一次训练样本数量；（3.2）学习率的选择，选取不同的学习率分别运行，得到的准确率图像，根据收敛速度和算法复杂度选择合适的学习率；（3.3）比例的选择，采用留出法对数据集进行分类，选择不同的训练集和测试集比例进行测试，选择合适的比例。本专利技术的有益效果：本专利技术从电流波形的角度出发，对电机的故障进行分类，可以为工作人员的检修提供便利。同时，采取了二层训练结构，通过将相似故障类型进行二次训练，以提取出更多的有效特征并进行参数调节的对比，使得故障检测的准确率大幅度提高。在经过多次试验后，本方法在数据集上表现较为良好，识别准确率可以达到93%以上。附图说明图1是本专利技术的电机电流波形分析方法流程图；图2是实施例中不良品波形图片示例图。具体实施方式如图1所示，本专利技术提出的一种基于Alexnet算法的电机电流波形分析方法，包括如下步骤：（1）数据预处理；（2）基于Alexnet算法建立电流分析模型；（3）电流分析模型参数的优化。所述步骤（1）进行数据预处理，在读取输入图片之后，首先将所有波形图片大小统一为100*100像素，然后将训练样本中的所有图片按预设比例分为训练集与测试集，训练集用于训练模型，测试集用于测试所得模型的准确率等结果。所述步骤（2）基于Alexnet算法建立电流分析模型为两层Alexnet结构，第一层结构可以区分出大部分普通波形，第二层结构可以进一步区分与正常波形相似的波形，具体采用如下步骤进行建模：（2.1）波形标签处理，包括对异常特征明显的波形和异常特征不明显的波形的标签处理，作为训练样本每一种波形都有各自的类别标签，保持异常特征明显的波形的标签不变，将异常特征不明显的波形视为一大类，并将其标签修改为相同的值；以N10带摆锤、N10不带摆锤和180三种型号电机的不同故障为例，收集了如图2所示的波形。其中只有P1为正常波形，其他均为某些原因造成的故障波形，而180型电机产品的不良波形与正常波形极为相似，需要将这些波形的标签视为一大类，统一修改为B；（2.2）第一层模型建立，将带标签的波形输入Alexnet进行训练，次数由预设值确定，得到第一层波形分析模型，其中Alexnet网络是一个具有十一层网络结构的深度神经网络，包含五个卷积层、三个池化层以及三个全连接层，卷积层与池化层交替出现；（2.3）数据筛选，从训练集中选取异常特征不明显的波形作为新的训练集，并将这些波形的标签修改为原本的异常类别标签，即单独训练被识别为B类的波形图片，使其分为10类；由于B类中的电流波形图相似度较高，与其他类一起进行分类时，特征提取较为模糊，提取的有效特征不足，使得在识别过程中准确率偏低；而B类经过Alexnet单独训练后，特征提取清晰，提取出的有效特征更多，识别的准确率大幅上升；（2.4）第二层模型建立，将新的数据集输入Alexnet进行训练，得到第二层波形分析模型。所述步骤（3）电流分析模型参数的优化，具体包括以下几个方面：（3.1）一次训练样本数量的选择，在Alexnet算法中，可以自行设置每次训练过程中所输入的波形样本的数量，选取不同的值，选取收敛速度最快的值为一次训练样本数量；根据经验，一次训练的图片数量一般取2的整数次幂，因此，可以取2，4，8三个值，根据准确率曲线中的模型驯良的收敛速度，选取收敛速度最快的值为一次训练样本数量；（3.2）学习率的选择，学习率是卷积神经网络的重要参数之一，会影响每次迭代更新参数时的更新步长，当学习率较小时，准确率曲线波动较小，但算法的时间复杂度大大提高，训练耗时增大；当学习率较大时，准确率曲线波动较大，但算法时间复杂度下降，模型收敛速度快；可以选取不同的学习率如0.001，0.0001和0.00001分别运行，得到的准确率图像，根据收敛速度和算法复杂度选择合适的学习率；（3.3）比例的选择本文档来自技高网...

【技术保护点】
1.一种基于Alexnet算法的电机电流波形分析方法，其特征在于包括如下步骤：/n（1）数据预处理；/n（2）基于Alexnet算法建立电流分析模型；/n（3）电流分析模型参数的优化。/n

【技术特征摘要】
1.一种基于Alexnet算法的电机电流波形分析方法，其特征在于包括如下步骤：
（1）数据预处理；
（2）基于Alexnet算法建立电流分析模型；
（3）电流分析模型参数的优化。


2.根据权利要求1所述的一种基于Alexnet算法的电机电流波形分析方法，其特征在于，所述步骤（1）的数据预处理的过程如下：在读取输入图片之后，首先将所有波形图片大小统一为100*100像素，然后将训练样本中的所有图片按预设比例分为训练集与测试集，训练集用于训练模型，测试集用于测试所得模型的准确率等结果。


3.根据权利要求1所述的一种基于Alexnet算法的电机电流波形分析方法，其特征在于，所述步骤（2）的基于Alexnet算法建立电流分析模型为两层Alexnet结构，第一层结构区分出大部分普通波形，第二层结构进一步区分与正常波形相似的波形，具体采用如下步骤进行建模：
（2.1）波形标签处理，包括对异常特征明显的波形和异常特征不明显的波形的标签处理，每一种波形都有各自的类别标签，保持异常特征明显的波...

【专利技术属性】
技术研发人员：孙宁，石慧珠，韩光洁，韩森森，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：江苏;32