【技术实现步骤摘要】
一种基于多尺度SE
‑
Resnet的电机振动数据处理与状态识别方法
[0001]本专利技术涉及故障诊断领域,尤其涉及一种基于多尺度SE
‑
Resnet的电机振动数据处理与状态识别方法。
技术介绍
[0002]电机是提升机变频控制系统中关键部件,由于长期处于复杂工作环境中,不断受到载荷多变、散热条件差、零部件老化等影响,故障频繁发生,进而降低驱动装置的工作效率和稳定性。除此之外,电机故障种类繁多,传统电机故障诊断方法存在不确定性、诊断准确率低、诊断流程复杂问题,而深度学习的故障诊断方法在故障提取方面具有较强的特征学习能力、诊断流程简单以及分类能力强优势,已成为故障诊断领域的研究热点,常见的深度学习模型有循环神经网络(Recursive Neural Netword,RNN)、Convolutional Neural Netword,CNN)、深度置信网络(Deep Belief Netword,DBN)、变分自编码器以及他们之间的组合网络。其中,对比传统提取特征的方法,自编码器方法采用无监督学习方法从数据中提取深度特征,且深度特征替代传统时频域特征、时域特征以频域特征,这避免了专业知识的依赖和人为因素影响。因此,自编码器在特征故障提取方面广泛应用。
[0003]自动编码器(Automatic Encoder AE)是无监督学习范畴中的一种生成模型。它通常使用深度神经网络对其组件进行建模,网络不需要标签数据,如编码器和解码器。它也属于深度学习的范畴,它被定义为一种使用多个处理层
【技术保护点】
【技术特征摘要】
1.一种基于多尺度SE
‑
Resnet的电机振动数据处理与状态识别方法,其特征在于,具体包含如下步骤:步骤1,利用电机机械故障实验台采集电机振动原始数据并将所述的原始数据集划分为测试集和训练集;步骤2,将步骤1采集的电机振动原始数据作为变分自动编码器输入,利用变分自编码器自动提取深度特征,获得每种故障状态下的深度特征;步骤3,将步骤2获得的每种故障状态下的深度特征输入多尺度SE
‑
Resnet网络,提取多尺度特征;步骤4,将步骤3提取的多尺度特征作为随机森林分类的输入,用于训练故障诊断识别模型;步骤5,构建基于变分自动编码器和多尺度注意力残差网络的电机故障诊断模型,用于电机故障诊断与状态识别;使用训练数据集对模型进行训练,利用测试集对模型性能进行测试。2.根据权利要求1所述的一种基于多尺度SE
‑
Resnet的电机振动数据处理与状态识别方法,其特征在于:所述步骤1具体步骤如下:将电机振动原始数据信号样本分为训练阶段样本集和测试阶段样本集;训练阶段样本集代表诊断问题的已知空间,样本的状态标签是已知的;测试阶段样本集,代表未知空间,需要使用训练阶段样本对诊断模型进行训练,利用训练后的模型判断测试阶段振动信号样本的状态标签。3.根据权利要求1所述的一种基于多尺度SE
‑
Resnet的电机振动数据处理与状态识别方法,其特征在于:所述步骤2具体步骤如下:通过编码器隐含层对输入原始振动信号的特征概率分布进行学习,学习高斯分布的对数方差向量和均值向量;通过采样重构隐含变量,实现深度特征提取。4.根据权利要求1所述的一种基于多尺度SE
‑
Resnet的电机振动数据处理与状态识别方法,其特征在于:在步骤2中,所述变分自编码器具体计算步骤如下:步骤2.1,设是振动信号训练集样本集合,第k个训练样本表示为其中j为信号的维度;则自编码器的编码过程表示公式如下:Z
k
=σ1(W1·
X
k
+b1)式中,Z
k
是隐含层的输出矢量,σ1是输入层到隐含层的激活函数,b1是输入层到隐含层的偏置参数,W1是输入层到隐含层的权重向量;步骤2.2,解码器的解码过程表示如下:式中,是输出层的输出矢量,σ2是隐含层到输出层的激活函数,b2是隐含层到输出层的偏置参数,W2是隐含层到输出层的权重向量;AE自编码器训练目标可用如下表达式表示:
式中,X
k
是输出层的输出矢量;步骤23,更新模型参数,使其损失函数最小化,对于一个输入样本,损失函数可表示为:式中,J(
·
)是损失函数,W为权重向量,b为偏执参数;步骤2.5,对于整个训练样本集,其损失函数可用以下表达式表示:式中,λ是权重衰减系数,是权重衰减的正则化项,是神经元节点之间的连接权重m样本总数量;步骤2.6,设有两个未知分布p(x)和q(x),则通过以下方程可得到KL散度,其中,KL为Kullback
–
Leiblerdivergence:D
KL
((p(x))||(...
【专利技术属性】
技术研发人员:俞啸,夏冰,杨书新,丁恩杰,任晓红,
申请(专利权)人:中国矿业大学,
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。