一种基于迁移学习和时间序列的电机故障预测方法及系统技术方案

本发明专利技术提供一种基于迁移学习和时间序列的电机故障预测方法及系统，包括以下步骤：分别采集多台电机振动的试验信号、实况信号和应用验证信号；将采集到的试验信号、实况信号和应用验证信号进行预处理；搭建LSTM

【技术实现步骤摘要】
一种基于迁移学习和时间序列的电机故障预测方法及系统


[0001]本专利技术属于机械设备故障预测领域，具体涉及一种基于迁移学习和时间序列的电机故障预测方法及系统。

技术介绍

[0002]电动机的结构简单，制造、使用、维护方便，运行可靠性高，重量轻，成本低，在机械设备正常工作运行中发挥着举足轻重的作用。电机故障往往会导致整个机械设备及生产流水线停工，造成严重的经济损失。所以，对电机故障进行预测十分重要，提前发现故障隐患并采取一定措施，可以有效避免故障甚至事故的发生。电机的故障分为电气故障和机械故障，故障不同，电机振动信号的频率、幅值和相位也会不同。所以，根据电机振动的信号特征进行故障预测是主流研究方向。
[0003]对于故障的预测算法目前主要是基于理论、统计模型和数据驱动。基于理论的故障预测算法主要使用灰理论，该方法短期内预测效果好，但是对非线性数据的预测效果较差。基于统计过程控制大致都是基于向量机，对小样本具有很强的泛化能力，但是对大规模数据预测效果不理想。用于故障预测的数据驱动方法，主要有自编码器、卷积神经网络等，这些方法适用对象与环境略有差异，并且也存在没有记忆功能、难以捕捉内部表达等缺点。
[0004]目前基于时间序列的故障预测是一种发展的大趋势，其特点是：运用过去的时间序列数据进行统计分析，预测事物的发展趋势，该方法可以有效消除随机波动产生的影响。但训练好的预测模型往往只针对试验电机，对同类型同参数的其它电机匹配性和适应性不强，因此目前基于时间序列在实际应用中对电机进行故障预测时，存在一定的局限性。

技术实现思路

[0005]针对上述技术问题，本专利技术提供一种基于迁移学习和时间序列的电机故障预测方法及系统。本专利技术分别采集多台电机振动的试验信号、实况信号和应用验证信号；以试验信号为训练数据，将采集到的试验信号、实况信号和应用验证信号规范化处理，进行去噪、归一化处理、特征提取；预处理后的试验信号将作为源领域数据，预处理后的实况信号将作为目标领域的数据，预处理后的应用验证信号将作为故障预测的输入；本专利技术采用长短时记忆(LSTM)网络与领域适应(DaNN)模型对电机进行故障预测，采用迁移学习思想，使用试验信号和实况信号再次训练模型，得到适用于实际工况的目标领域，以此提高故障预测在实际生产中应用的适应性。
[0006]本专利技术的技术方案是：一种基于迁移学习和时间序列的电机故障预测方法，包括以下步骤：
[0007]步骤S1：振动信号的采集：分别采集多台电机振动的试验信号、实况信号和应用验证信号；
[0008]步骤S2：振动信号预处理：将采集到的试验信号、实况信号和应用验证信号规范化处理，进行去噪、归一化处理、特征提取；预处理后的试验信号将作为源领域数据，预处理后
的实况信号将作为目标领域的数据，预处理后的应用验证信号将作为故障预测的输入；
[0009]步骤S3：源网络构建及训练：搭建故障预测模型LSTM
‑
DaNN网络，使用步骤S2预处理后的试验信号作为源领域数据训练LSTM
‑
DaNN网络，得到适用于试验的源网络，并保存源网络结构参数；
[0010]步骤S4：目标网络构建及训练：根据步骤S3中保存的源网络结构及其参数，输入源领域和目标领域的特征及源领域的RUL值，对源网络结构进行重新训练，得到目标网络；
[0011]步骤S5：故障预测应用：将步骤S2预处理后的应用验证信号输入步骤S4训练好的目标网络中，输出得到的剩余使用寿命RUL预测值，可以供对电机整体故障预测使用。
[0012]上述方案中，所述步骤S1中分别采集电机一振动的试验信号、电机二振动的实况信号和电机三的应用验证信号。
[0013]上述方案中，所述步骤S2的规范化处理，是将振动信号映射到[0,1]的范围，计算公式如下：
[0014][0015]式中，x指传感器采集到的全部振动信号值，min(x)指全部振动信号值中的最小值，max(x)指全部振动信号值中的最大值，是振动信号在t时刻的振动信号采集值。
[0016]上述方案中，所述步骤S2的特征提取，是将归一化处理后信号中的均方根值、裕度因子与偏斜度因子进行提取，计算公式分别如下：
[0017][0018][0019][0020]式中，X
rms
表示信号的均方根值，n表示采集振动信号的总数，x
i
表示第i个振动信号采集值，表示第i个振动信号采集值的平方值，C
e
表示振动信号的裕度因子，S
k
表示振动信号的偏斜度因子，表示振动信号的平均值。
[0021]上述方案中，所述步骤S3中的LSTM
‑
DaNN网络包括四层网络结构，四层网络结构分别是：输入层、LSTM层、DaNN层和输出层；所述输入层用于数据的输入；所述LSTM层包括多个LSTM单元，用于对信号特征初步处理，整合提取深度特征；所述DaNN层用于对LSTM整合提取的深度特征进行迁移学习，并进行试验故障的预测，得到RUL预测值；所述输出层用于结果的输出。
[0022]上述方案中，所述LSTM层包括单元状态、输入门、遗忘门和输出门。LSTM输入是具有窗口长度T的序列数据x＝{x1,x2,...,x
T
}，设x
t
表示时间t时的输入，f
t
表示遗忘门在t时
刻的单元状态，i
t
表示输入门在t时刻的单元状态，o
t
表示输出门在t时刻的单元状态，h
t
‑1表示LSTM在t
‑
1时学习的隐态，h
t
表示LSTM在t时学习的隐态，a
t
表示上一次h
t
‑1时从输入x
t
处的单元输入激活和隐藏状态，C
t
‑1表示LSTM在t
‑
1时的单元状态，C
t
表示LSTM在t时的单元状态，σ表示sigmoid函数，tanh表示双曲正切函数，表示元素向乘法，W
f
为遗忘门的权重系数，W
i
为输入门的权重系数，W
o
为输出门的权重系数，W
C
为LSTM的权重系数，U
f
为遗忘门的周期权重系数，U
i
为输入门的周期权重系数，U
o
为输出门的周期权重系数，U
C
为LSTM的周期权重系数，而b
f
为遗忘门的偏差系数，b
i
为输入门的偏差系数，b
o
为输出门的偏差系数，b
C
为LSTM的偏差系数，遗忘门、输入门、输出门和LSTM单元状态计算公式分别如下：
[0023]f
t
＝σ(W
f
x
t
+U
f
h
t
‑1+本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习和时间序列的电机故障预测方法，其特征在于，包括以下步骤：步骤S1：振动信号的采集：分别采集多台电机振动的试验信号、实况信号和应用验证信号；步骤S2：振动信号预处理：将采集到的试验信号、实况信号和应用验证信号规范化处理，进行去噪、归一化处理、特征提取；预处理后的试验信号将作为源领域数据，预处理后的实况信号将作为目标领域的数据，预处理后的应用验证信号将作为故障预测的输入；步骤S3：源网络构建及训练：搭建故障预测模型LSTM
‑
DaNN网络，使用步骤S2预处理后的试验信号作为源领域数据训练LSTM
‑
DaNN网络，得到适用于试验的源网络，并保存源网络结构参数；步骤S4：目标网络构建及训练：根据步骤S3中保存的源网络结构及其参数，输入源领域和目标领域的特征及源领域的RUL值，对源网络结构进行重新训练，得到目标网络；步骤S5：故障预测应用：将步骤S2预处理后的应用验证信号输入步骤S4训练好的目标网络中，输出得到的剩余使用寿命RUL预测值。2.根据权利要求1所述的基于迁移学习和时间序列的电机故障预测方法，其特征在于，所述步骤S1中分别采集电机一振动的试验信号、电机二振动的实况信号和电机三的应用验证信号。3.根据权利要求1所述的基于迁移学习和时间序列的电机故障预测方法，其特征在于，所述步骤S2的规范化处理，是将振动信号映射到[0,1]的范围，计算公式如下：式中，x指传感器采集到的全部振动信号值，min(x)指全部振动信号值中的最小值，max(x)指全部振动信号值中的最大值，是振动信号在t时刻的振动信号采集值。4.根据权利要求1所述的基于迁移学习和时间序列的电机故障预测方法，其特征在于，所述步骤S2的特征提取，是将归一化处理后信号中的均方根值、裕度因子与偏斜度因子进行提取，计算公式分别如下：行提取，计算公式分别如下：行提取，计算公式分别如下：式中，X
rms
表示信号的均方根值，n表示采集振动信号的总数，x
i
表示第i个振动信号采集值，表示第i个振动信号采集值的平方值，C
e
表示振动信号的裕度因子，S
k
表示振动信号的偏斜度因子，表示振动信号的平均值。
5.根据权利要求1所述的基于迁移学习和时间序列的电机故障预测方法，其特征在于，所述步骤S3中的LSTM
‑
DaNN网络包括四层网络结构，四层网络结构分别是：输入层、LSTM层、DaNN层和输出层；所述输入层用于数据的输入；所述LSTM层包括多个LSTM单元，用于对信号特征初步处理，整合提取深度特征；所述DaNN层用于对LSTM整合提取的深度特征进行迁移学习，并进行试验故障的预测，得到RUL预测值；所述输出层用于结果的输出。6.根据权利要求5所述的基于迁移学习和时间序列的电机故障预测方法，其特征在于，所述LSTM层包括单元状态、输入门、遗忘门和输出门；LSTM输入是具有窗口长度T的序列数据x＝{x1,x2,...,x
T
}，设x
t
表示时间t时的输入，f
t
表示遗忘门在t时刻的单元状态，i
t
表示输入门在t时刻的单元状态，o
t
表示输出门在t时刻的单元状态，h
t
‑1表示LSTM在t
‑
1时学习的隐态，h
t
表示LSTM在t时学习的隐态，a
t
表示上一次h
t
‑1时从输入x
t
处的单元输入激活和隐藏状态，C
t
‑1表示LSTM在t
‑
1时的单元状态，C
t
表示LSTM在t时的单元状态，σ表示sigmoid函数，tanh表示双曲正切函数，表示元素向乘法，W
f
为遗忘门的权重系数，W
i
为输入门的权重系数，W
o
为输出门的权重系数，W
C
为LSTM的权重系数，U
f
为遗忘门的周期权重系数，U
i
为输入门的周期权重系数，U
o
为输出门的周期权重系数，U
C
为LSTM的周期权重系数，而b
f
为遗忘门的偏差系...

【专利技术属性】
技术研发人员：梁佳雪，张西良，尹经天，简红英，吕渊，张秋昕，
申请(专利权)人：江苏大学，
类型：发明
国别省市：