一种模型训练方法、电机故障诊断方法和微控制器技术

本发明专利技术公开了一种模型训练方法、电机故障诊断方法和微控制器，其中一种模型训练方法，包括获取电机的历史振动信号及其所对应的故障类型标签，生成样本数据集；历史振动信号为时域连续的三维振动信号；以至少部分样本数据集对搭建的一维卷积神经网络模型进行训练，获取目标一维卷积神经网络模型；一维卷积神经网络各层按顺序依次为输入层、一维卷积层、一维最大池化层、随机失活层、展平层、第一全连接层、第二全连接层；其中，采用随机失活层用于剔除一维卷积神经网络模型中的部分神经元。本发明专利技术提供的模型能处理大规模的复杂数据并有效地预测，降低了计算资源占用，将第一随机失活层设在一维最大池化层和展平层之间，降低了模型的过拟合风险。型的过拟合风险。型的过拟合风险。

【技术实现步骤摘要】
一种模型训练方法、电机故障诊断方法和微控制器


[0001]本专利技术涉及振动信号处理领域，特别涉及一种模型训练方法、电机故障诊断方法和微控制器。

技术介绍

[0002]在工业场景中，对设备进行预测性诊断和维护能够预防硬件故障，减少停机时间和维修成本，同时能够加强工作场所安全，降低人员伤害风险。传统的故障诊断大多采用基于统计分析的方法或者是基于信号处理的方法，上述技术的核心是对历史过程数据进行统计分析，计算出每个样本相应的统计量以估计当前样本的运行状态，以及对提取的信号做检测和处理，诊断的过程要求操作者掌握大量的数据处理方法，十分依赖于经验，难以满足当下工业发展中的需求，因此故障诊断方法应由传统向智能化、高效化的方向改变。
[0003]近年来，基于人工智能的故障诊断模型方兴未艾，这些以大数据为中心的模型和方法，训练和分析过程需要极高的算力，特别是在深度学习领域，由于电机复杂多变的工作状况产生了海量数据，计算资源的过度占用和功耗增加问题也随之而来，这些问题会影响诊断效率，难以实现设备端数据的实时分析和监测。工业的预测性维护需要在物联网的设备端布置大量传感器来收集设备运转产生的数据，监测设备的运行状况，如何在资源受限的设备端微控制器上实现实时高效的故障诊断是相关研究的重点和难点。

技术实现思路

[0004]本专利技术提供了一种模型训练方法、电机故障诊断方法和微控制器，降低了一维卷积神经网络模型的深度和复杂度，减轻了计算资源的过度占用，提高了故障诊断效率。
[0005]本专利技术第一方面公开了一种模型训练方法，包括：
[0006]获取电机的历史振动信号及其所对应的故障类型标签，生成样本数据集；历史振动信号为时域连续的三维振动信号；
[0007]以至少部分样本数据集对搭建的一维卷积神经网络模型进行训练，获取目标一维卷积神经网络模型；一维卷积神经网络各层按顺序依次为输入层、一维卷积层、一维最大池化层、随机失活层、展平层、第一全连接层、第二全连接层；
[0008]其中，采用输入层用于接收历史振动信号，采用一维卷积层用于从历史振动信号数据中提取特征并输出特征图，采用一维最大池化层用于对特征图进行采样，采用随机失活层用于剔除一维卷积神经网络模型中的部分神经元，采用展平层用于将特征图降为一维，采用第一全连接层用于对降为一维的特征图进行线性变换，采用第二全连接层用于对经线性变换的特征图进行分类并输出故障类型标签。
[0009]优选地，获取电机的历史振动信号及其所对应的故障类型标签之后，包括如下预处理：
[0010]采用滑动窗口法对时域连续的历史振动信号进行切分生成样本数据集；
[0011]切分的滑动窗口长度为a，滑动步长为b，历史振动信号数据的总采样点数为M，则
最后得到的样本数据集中的总样本数量N1的计算公式(1)为：
[0012][0013]优选地，滑动窗口长度a等于样本长度，样本长度为2
n
个采样点；
[0014]或，
[0015]样本长度为2n个采样点；
[0016]其中，n为正整数。
[0017]优选地，获取电机的历史振动信号及其所对应的故障类型标签之后，还包括如下预处理：
[0018]对时域连续的三维振动信号按照公式(2)进行归一化处理；
[0019][0020]其中，D
raw
为三维振动信号，D
′
为经归一化后的三维振动信号，max D
raw
表示三维振动信号的最大值，min D
raw
表示三维振动信号的最小值；
[0021]对归一化后的三维振动信号数据按照公式(3)进行傅里叶变换，变换为三维频域信号；
[0022][0023]其中，D
′
(t)表示三维振动信号在时间轴上的变化，表示对在时间轴上的变化的三维振动信号进行傅里叶变换，D(ω)表示三维频域信号，ω表示三维频域信号的频率；
[0024]对三维频域信号数据取半并对其在竖直方向做拼接得到融合振动信号作为样本数据集。
[0025]进一步地，以至少部分样本数据集对搭建的一维卷积神经网络模型进行训练，获取目标一维卷积神经网络模型，包括：
[0026]利用交叉熵损失函数计算实际输出的故障类型标签概率与预测的故障类型标签概率的损失值并基于损失值对一维卷积神经网络模型的参数进行优化；
[0027]在判断达到模型训练收敛条件时停止训练，得到目标一维卷积神经网络模型；
[0028]交叉熵损失函数定义公式(4)为：
[0029][0030]其中，N2为参与模型训练例子的数量，每个例子有C个可能的故障类型；y
i
＝[y
i1
,y
i2
,
…
,y
iC
]表示第i个例子在每个故障类型的真实概率分布；当第j类是第i个例子的真实故障类型时，y
ij
＝1，当第j类不是第i个例子的真实故障类型时，y
ij
＝0；p
i
＝[p
i1
,p
i2
,
…
,P
iC
]表示第i个例子在每个故障类型的预测概率分布，其中p
ij
是第i个例子的第j类的故障类型预测概率。
[0031]优选地，利用交叉熵损失函数计算实际输出的故障类型标签概率与预测的故障类型标签概率的损失值并基于损失值对一维卷积神经网络模型的参数进行优化包括：
[0032]利用交叉熵损失函数计算实际输出的故障类型标签概率与预测的故障类型标签概率的损失值；
[0033]利用Adam函数确定损失值对应的梯度值，并基于梯度值更新一维卷积神经网络模型的参数；
[0034]迭代上述过程直至交叉熵损失函数的损失值最小化。
[0035]优选地，一种模型训练方法，还包括：对目标一维卷积神经网络的参数进行压缩；
[0036]和/或，
[0037]将目标一维卷积神经网络的一维卷积层和一维最大池化层合并为一层一维汇合层；
[0038]其中，对目标一维卷积神经网络的参数进行压缩包括：
[0039]对目标一维卷积神经网络模型的参数进行提取并展平，获得一维参数向量；
[0040]利用K
‑
means聚类算法将所有一维参数向量聚类为K个簇并确定每个簇的质心；
[0041]将每个一维参数向量中的参数替换为对应簇的质心。
[0042]本专利技术第二方面公开了一种电机故障诊断方法，应用于第一方面的目标一维卷积神经网络模型中，包括：
[0043]采集电机的实时振动信号，输入至目标一维卷积神经网络模型，输出预测的故障类型标签；
[0044]目标一维卷积神经网络各层按顺序依次为输入层、一维汇合层、随机失活层、展平层、第一全连接层、第二全连接层；
[0045]其中，采用输入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取电机的历史振动信号及其所对应的故障类型标签，生成样本数据集；所述历史振动信号为时域连续的三维振动信号；以至少部分所述样本数据集对搭建的一维卷积神经网络模型进行训练，获取目标一维卷积神经网络模型；所述一维卷积神经网络各层按顺序依次为输入层、一维卷积层、一维最大池化层、随机失活层、展平层、第一全连接层、第二全连接层；其中，采用所述输入层用于接收所述历史振动信号，采用所述一维卷积层用于从所述历史振动信号数据中提取特征并输出特征图，采用所述一维最大池化层用于对所述特征图进行采样，采用所述随机失活层用于剔除所述一维卷积神经网络模型中的部分神经元，采用所述展平层用于将所述特征图降为一维，采用所述第一全连接层用于对降为一维的所述特征图进行线性变换，采用所述第二全连接层用于对经所述线性变换的所述特征图进行分类并输出所述故障类型标签。2.根据权利要求1所述的模型训练方法，其特征在于，所述获取电机的历史振动信号及其所对应的故障类型标签之后，包括如下预处理：采用滑动窗口法对所述时域连续的历史振动信号进行切分生成所述样本数据集；所述切分的滑动窗口长度为a，滑动步长为b，所述历史振动信号数据的总采样点数为M，则最后得到的所述样本数据集中的总样本数量N1的计算公式(1)为：3.根据权利要求2所述的模型训练方法，其特征在于，所述滑动窗口长度a等于样本长度，所述样本长度为2
n
个采样点；或，所述样本长度为2n个采样点；其中，n为正整数。4.根据权利要求1所述的模型训练方法，其特征在于，所述获取电机的历史振动信号及其所对应的故障类型标签之后，还包括如下预处理：对所述时域连续的三维振动信号按照公式(2)进行归一化处理；其中，D
raw
为所述三维振动信号，D
′
为经所述归一化后的所述三维振动信号，maxD
raw
表示所述三维振动信号的最大值，minD
raw
表示所述三维振动信号的最小值；对所述归一化后的所述三维振动信号数据按照公式(3)进行傅里叶变换，变换为三维频域信号；其中，D
′
(t)表示所述三维振动信号在时间轴上的变化，表示对在时间轴上的变化的所述三维振动信号进行所述傅里叶变换，D(ω)表示所述三维频域信号，ω表示三维频域信号的频率；
对所述三维频域信号数据取半并对其在竖直方向做拼接得到融合振动信号作为所述样本数据集。5.根据权利要求1所述的模型训练方法，其特征在于，所述以至少部分所述样本数据集对搭建的一维卷积神经网络模型进行训练，获取目标一维卷积神经网络模型，包括：利用交叉熵损失函数计算实际输出的故障类型标签概率与预测的故障类型标签概率的损失值并基于所述损失值对所述一维卷积神经网络模型的参数进行优化；在判断达到模型训练收敛条件时停止训练，得到所述目标一维卷积神经网络模型；所述交叉熵损失函数定义公式(4)为：其中，N2为参与模型训练例子的数量，每个所述例子有C个可能的故障类型；y
i
＝[y
i1
,y
i2
,
…
,y
iC
]表示第i个例子在每个故障类型的真实概率分布；当第j类是第i个例子的真实故障类型时，y
ij
＝1，当第j类不是第i个例子的真实故障类型时，y
ij
＝0；p
i
＝[p
i1
,p
i2
,
…
,P
iC
]表示第...

【专利技术属性】
技术研发人员：柳雅倩，王建国，蔡浩原，申亚琪，
申请(专利权)人：苏州捷杰传感技术有限公司，
类型：发明
国别省市：