基于全自主动机偏移的电机故障诊断阶梯式学习方法技术

本发明专利技术涉及电机故障诊断技术领域，具体涉及一种基于全自主动机偏移的电机故障诊断阶梯式学习方法，包括多个学习阶段；在训练初始，收集电机的基础故障数据集样本，对特征提取器模型和故障分类器模型进行训练；将初始训练后的样本特征向量分为典型样本和非典型样本，对构造好的新型故障检测器模型进行训练，以识别新型故障；识别出新型故障后，进入高阶学习阶段；在动机偏移损失的指导下，利用带有新型故障的新训练数据集样本对上一学习阶段训练后的特征提取器模型和故障分类器模型进行训练；训练完成后，进入到下一学习阶段

【技术实现步骤摘要】
基于全自主动机偏移的电机故障诊断阶梯式学习方法


[0001]本专利技术涉及电机故障诊断
，更具体的说是涉及一种基于全自主动机偏移的电机故障诊断阶梯式学习方法
。

技术介绍

[0002]电机是现代工业中不可或缺的驱动设备，为了满足不同领域的需求，电机结构设计得越来越复杂，发生故障的概率也在逐渐增大，而电机一旦发生故障将导致系统停运甚至出现人员伤亡
。
近年来，随着深度学习技术的进步，不少研究人员将深度学习技术运用到电机故障诊断领域中，这不仅降低了人工成本，也极大地提升了诊断精度
。
但是传统的深度学习诊断模型只能检测出在训练过程中已出现的故障类型
。
对于新型故障，即对于训练过程中未出现的故障类型，诊断模型则无法给出相应的诊断结果
。
由于电机的部件繁多
、
型号各异，导致电机故障的种类也各不相同，这表明在电机运行过程出现新型故障是一种十分常见的现象
。
[0003]在传统的故障诊断方法中，需要依靠人工来识别是否有新型故障的出现，这依赖于专家的经验，且容易出现错误的判断
。
而针对新型故障的出现，一种传统的方法是使用已知故障类型数据和新型故障数据一起重新训练，从而模型能够识别完整的故障类型，然而这种方法需要耗费大量的资源和时间成本
。
另一种传统方法是在用已知故障数据训练后模型的基础上，使用新型数据再对其进行训练，从而让模型能够学习到新型故障，可是新型故障的加入会严重干扰模型对已知故障类型的识别效果，这大大降低了模型的诊断精度
。

技术实现思路

[0004]有鉴于此，本专利技术提供了一种基于全自主动机偏移的电机故障诊断阶梯式学习方法，可自主地判别数据中是否出现新型故障，还在出现新故障时，对原有模型进行阶梯式学习，提高模型的诊断精度
。
[0005]为了实现上述目的，本专利技术采用如下技术方案：
[0006]一种基于全自主动机偏移的电机故障诊断阶梯式学习方法，包括多个学习阶段；
[0007]在训练初始，进入低阶学习阶段，收集电机的基础故障数据集样本，对构造好的特征提取器模型和故障分类器模型进行初始训练；
[0008]将初始训练后的特征提取器模型所提取的样本特征向量分为典型样本和非典型样本，对构造好的新型故障检测器模型进行训练；训练过程中，计算某一非典型样本的特征向量和所有典型样本的特征向量间的相似度，若该非典型样本与所有典型样本间的相似度均低于阈值，则说明出现了新型故障，进入高阶学习阶段；
[0009]在高阶学习阶段，获取新一批的电机故障数据集，与当前检测的新型故障和典型样本结合，组成新的训练数据集样本；
[0010]构造动机偏移损失，在动机偏移损失的指导下，利用新的训练数据集样本对上一学习阶段训练后的特征提取器模型和故障分类器模型进行训练；
[0011]将当前高阶学习阶段训练后的特征提取器模型所提取的样本特征向量分为典型样本和非典型样本，对新型故障检测器模型进行再次训练，若检测到新型故障，则进入到下一高阶学习阶段
。
[0012]进一步的，新型故障检测器模型由全连接层和二元指示器组成，对新型故障检测器模型进行训练的过程包括：
[0013]从初始训练后的特征提取器模型所提取的样本特征向量中选取少量已知健康状态类别的样本，作为典型样本，将剩余样本作为非典型样本；
[0014]将典型样本的特征向量保存到新型故障检测器模型中，输入非典型样本的特征向量，在每个健康状态类别下，计算某一非典型样本与所有典型样本间的余弦距离，构造距离矩阵；
[0015]将所得距离矩阵输入到全连接层中，得到概率值，概率值越大，表示两个样本越相似，属于同一健康状态类别的概率越大；
[0016]将得到的概率值输入二元指示器，并设定一个相似度阈值，若两个样本之间的概率值超过了该相似度阈值，则说明没有出现新故障，否则，说明出现了新故障
。
[0017]进一步的，典型样本记为，非典型样本记为；其中，表示所选取典型样本的数量，表示非典型样本的数量，表示典型样本中的原始电机故障数据，表示非典型样本中的原始电机故障数据，表示典型样本经过特征提取后的特征向量，表示非典型样本经过特征提取后的特征向量
。
[0018]进一步的，某一非典型样本与典型样本间的距离公式为：
[0019]；
[0020]其中，表示第
o
个非典型样本与第
f
类健康状态典型样本间的余弦距离
。
[0021]进一步的，特征提取器模型包括：输入层
、
批量归一化层
、
多链卷积层
、
全连接层
、
压平层和输出层；故障分类器模型包括：全连接层和归一化指数函数
。
[0022]进一步的，特征提取器模型包括：输入层
、
批量归一化层
、
多链卷积层
、
全连接层
、
压平层和输出层；故障分类器模型包括：全连接层和归一化指数函数
。
[0023]进一步的，高阶学习阶段包括：
[0024]将新的训练数据集样本输入到上一学习阶段训练后的特征提取器模型中，得到样本的输出特征向量；
[0025]根据输出特征向量，得到上一学习阶段故障分类器模型预测该样本的属于每一类健康状态的概率值，将该概率值称为故障特征的动机，对应的是对第
c
类故障特征动机；
[0026]根据故障特征的动机，求得样本故障特征对于动机偏向的排名；
[0027]构造动机偏移损失，惩罚样本之间动机偏向的排名差异，以此来将已知故障的特征动机延续到高阶学习阶段中；
[0028]基于动机偏移损失构造损失函数，并确定进行训练的优化目标，对上一学习阶段
训练后的特征提取器模型和故障分类器模型的训练参数进行优化
。
[0029]进一步的，动机偏向的排名的计算公式为：
[0030][0031]其中，表示一个无穷大的实数，表示第0阶段所含故障类别的数量，表示第1阶段所含故障类别的数量；
n
表示求和变量，取值范围从1到；
dj
lb
表示第
lb
类的故障特征动机，
dj
n
表示第
n
类的故障特征动机
。
[0032]进一步的，动机偏移损失的表达式为：
[0033][0034]其中，表示该样本在第0阶段中对于第
i
类故障的动机偏向排名，表示该样本在第1阶段中对于第
i
类故障的动机偏向排名
。
[0035]进一步的，训练的优化目标为：
[0036][0037]其中，为损失函数，由动机偏移损失和交叉熵损失两部分组成，具体表达本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于全自主动机偏移的电机故障诊断阶梯式学习方法，其特征在于，包括多个学习阶段；在训练初始，进入低阶学习阶段，收集电机的基础故障数据集样本，对构造好的特征提取器模型和故障分类器模型进行初始训练；将初始训练后的特征提取器模型所提取的样本特征向量分为典型样本和非典型样本，对构造好的新型故障检测器模型进行训练；训练过程中，计算某一非典型样本的特征向量和所有典型样本的特征向量间的相似度，若该非典型样本与所有典型样本间的相似度均低于阈值，则说明出现了新型故障，进入高阶学习阶段；在高阶学习阶段，获取新一批的电机故障数据集，与当前检测的新型故障和典型样本结合，组成新的训练数据集样本；构造动机偏移损失，在动机偏移损失的指导下，利用新的训练数据集样本对上一学习阶段训练后的特征提取器模型和故障分类器模型进行训练；将当前高阶学习阶段训练后的特征提取器模型所提取的样本特征向量分为典型样本和非典型样本，对新型故障检测器模型进行再次训练，若检测到新型故障，则进入到下一高阶学习阶段
。2.
根据权利要求1所述的基于全自主动机偏移的电机故障诊断阶梯式学习方法，其特征在于，新型故障检测器模型由全连接层和二元指示器组成，对新型故障检测器模型进行训练的过程包括：从初始训练后的特征提取器模型所提取的样本特征向量中选取少量已知健康状态类别的样本，作为典型样本，将剩余样本作为非典型样本；将典型样本的特征向量保存到新型故障检测器模型中，输入非典型样本的特征向量，在每个健康状态类别下，计算某一非典型样本与所有典型样本间的余弦距离，构造距离矩阵；将所得距离矩阵输入到全连接层中，得到概率值，概率值越大，表示两个样本越相似，属于同一健康状态类别的概率越大；将得到的概率值输入二元指示器，并设定一个相似度阈值，若两个样本之间的概率值超过了该相似度阈值，则说明没有出现新故障，否则，说明出现了新故障
。3.
根据权利要求2所述的基于全自主动机偏移的电机故障诊断阶梯式学习方法，其特征在于，典型样本记为，非典型样本记为；其中，表示所选取典型样本的数量，表示非典型样本的数量，表示典型样本中的原始电机故障数据，表示非典型样本中的原始电机故障数据，表示典型样本经过特征提取后的特征向量，表示非典型样本经过特征提取后的特征向量
。4.
根据权利要求3所述的基于全自主动机偏移的电机故障诊断阶梯式学习方法，其特征在于，某一非典型样本与典型样本间的距离公式为：；其中，表示第
o
个非典型样本与第
f
类健康状态典型样本间的余弦距离
。
5.
根据权利要求1所述的基于全自主动机偏移的电机故障诊断阶梯式学习方法，其特征在于，特征提取器模型包括：输入层
、
批量归一化层
、
多链卷积层...

【专利技术属性】
技术研发人员：王彪，邱海权，秦勇，丁奥，伊枭剑，郭亮，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：