一种基于空洞卷积胶囊网络的电机故障诊断方法及系统技术方案

本发明专利技术涉及一种基于空洞卷积胶囊网络的电机故障诊断方法及系统，该方法包括如下步骤：(1)获取有标签的训练样本，所述的训练样本包括电机振动信号以及对应的运行状态，所述的运行状态包括正常状态以及故障状态下的故障类型；(2)建立空洞卷积胶囊网络，利用训练样本进行训练；(3)获取待诊断的电机振动信号并输入至训练好的空洞卷积胶囊网络，输出电机的运行状态。与现有技术相比，本发明专利技术能自动提取电机信号的有效特征并实现智能故障诊断，诊断准确率达到99％以上，鲁棒性和泛化能力强，显著降低了错误识别率。

A method and system of motor fault diagnosis based on cavity convolution capsule network

【技术实现步骤摘要】
一种基于空洞卷积胶囊网络的电机故障诊断方法及系统
本专利技术涉及一种电机故障诊断方法及系统，尤其是涉及一种基于空洞卷积胶囊网络的电机故障诊断方法及系统。
技术介绍
目前电机故障诊断方法主要有以下几种：方法1：基于信号处理的电机故障诊断方法。它对采集到的信号进行预处理以此来消除噪声，降低特征维数并且提取出有用的故障特征信息。信号处理方法主要包括傅里叶变换，小波变换，小波包变换和经验模态分解方法等。方法2：基于专家系统的电机故障诊断方法。它采用众多人类专家学者的知识和推理方法，以此来处理复杂的问题。将故障信号归纳成为一种规则，建立专家知识库。当有故障发生时，利用知识库中的经验分析推理达到故障诊断的目的。方法3：基于机器学习的电机故障诊断方法。它尽可能利用计算机模拟或实现人类的学习行为，以获取新的知识或技能，并重新组织已有的知识结构使之不断改善自身的性能，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。常用的机器学习方法包括支持向量机(SVM)、神经网络、深度学习等。上述方法存在如下不足：方法1的本文档来自技高网...

【技术保护点】
1.一种基于空洞卷积胶囊网络的电机故障诊断方法，其特征在于，该方法包括如下步骤：/n(1)获取有标签的训练样本，所述的训练样本包括电机振动信号以及对应的运行状态，所述的运行状态包括正常状态以及故障状态下的故障类型；/n(2)建立空洞卷积胶囊网络，利用训练样本进行训练；/n(3)获取待诊断的电机振动信号并输入至训练好的空洞卷积胶囊网络，输出电机的运行状态。/n

【技术特征摘要】
1.一种基于空洞卷积胶囊网络的电机故障诊断方法，其特征在于，该方法包括如下步骤：
(1)获取有标签的训练样本，所述的训练样本包括电机振动信号以及对应的运行状态，所述的运行状态包括正常状态以及故障状态下的故障类型；
(2)建立空洞卷积胶囊网络，利用训练样本进行训练；
(3)获取待诊断的电机振动信号并输入至训练好的空洞卷积胶囊网络，输出电机的运行状态。


2.根据权利要求1所述的一种基于空洞卷积胶囊网络的电机故障诊断方法，其特征在于，所述的电机振动信号包括电机驱动端X、Y、Z三个方向的振动信号。


3.根据权利要求1所述的一种基于空洞卷积胶囊网络的电机故障诊断方法，其特征在于，所述的空洞卷积胶囊网络包括依次级联的输入层、故障特征层、空洞卷积层、初级胶囊层、数字胶囊层和输出层，所述的输入层输入电机振动信号，所述的故障特征层将电机振动信号转化为故障特征图，所述的空洞卷积层基于故障特征图提取特征信息，所述的初级胶囊层将特征信息向量化并输出初级胶囊层特征向量，所述的数字胶囊层通过挤压函数和动态路由操作将初级胶囊层特征向量变换为代表各运行状态的数字胶囊层特征向量并输出，所述的输出层求取各数字胶囊层特征向量的L2范数，选取L2范数最大者对应的运行状态作为诊断结果。


4.根据权利要求3所述的一种基于空洞卷积胶囊网络的电机故障诊断方法，其特征在于，训练过程中构建空洞卷积胶囊网络的损失函数，采用Adam梯度优化器优化空洞卷积胶囊网络使其损失函数的总体损失最小。


5.根据权利要求4所述的一种基于空洞卷积胶囊网络的电机故障诊断方法，其特征在于，所述的损失函数：
Loss＝Lk+αRL，
Lk＝Tkmax(0,m+-||vk||)2+λ(1-Tk)max(0,||vk||-m-)2，
其中，Loss为总体损失，Lk为边缘损失，RL为重构损失，α为重构损失的权重，α＝0.005，k表示运行状态对应的标签...

【专利技术属性】
技术研发人员：梁昱，焦斌，李鑫，李函朔，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：上海;31