一种基于多模态对比学习的电机故障诊断方法技术

本发明专利技术提供一种基于多模态对比学习的电机故障诊断方法，包括如下步骤：

【技术实现步骤摘要】
一种基于多模态对比学习的电机故障诊断方法


[0001]本专利技术属于旋转电机
，具体涉及一种基于多模态对比学习的电机故障诊断方法
。

技术介绍

[0002]旋转电机故障诊断一直是工业设备故障诊断领域研究的热点，由于旋转电机结构复杂，且在高温
、
高速
、
强噪声等恶劣环境下运行，因而在运行期间极易出现故障
。
传统电机故障诊断往往依靠阈值判断的方法，但是旋转电机通常在复杂的环境中运行，此时故障早期特征往往会淹没在噪声中，以至于故障发现太晚，造成电机故障修复不及时
。
现阶段旋转电机安全管理主要依靠定期维修，通过对电机各个部位的检查修护来判断电机的使用情况，容易产生维护盲目
、
资源浪费等情况
。
[0003]随着泛在电力物联网的提出与推进，通过先进的传感技术可监测旋转电机各个部位实时运行状态，因此基于采集信号，实现电机在线早期故障诊断成为了重要研究方向
。
然而，上述智能诊断算法在旋转电机上应用较少，且大多依靠单一传感器实现诊断目的
。
单一信号反映的故障信息是片面的，且信号采集过程中易受传感器故障及环境噪声等因素的影响，发生误判
、
漏判等问题
。
除此之外，由于智能化程度的不断提高，旋转机械的运行数据采集相对容易，如果能有效利用这些大量的旋转机械运行的多源数据，结合信号处理
、
机器学习等方法，研究旋转机械故障诊断方法，可以大大提高旋转机械故障诊断的性能，给旋转机械故障诊断提供保障
。
[0004]旋转电机具有复杂的内部结构和强耦合性，在实际工业环境中，旋转电机故障会产生多种数据，包括轴承振动信号
、
三相电流信号
、
温度信号等
。
这些数据具有不同的特征，因此仅依靠单一信号源无法全面反映故障信息
。
此外，使用不同的网络结构对单一信号源进行不同模态的特征提取会得到不同的故障特征，不同模态数据之间可以相互补充，以获取更完整的故障信息
。
为了解决上述问题，多模态特征融合技术结合来自不同来源
、
不同模态数据的特征，充分利用多种信息来源，以提高模型的性能和鲁棒性
。
但多模态特征融合仍存在特征冗余的情况，通过对比学习的特征增强，可以提高每个模态数据的特征表达能力，使模型更好地理解和区分不同模态的特征
。

技术实现思路

[0005]本专利技术要解决的技术问题是提供一种基于多模态对比学习的电机故障诊断方法，通过不同结构的卷积自编码器提取每个信号源不同模态特征，实现特征的自融合；采用对比学习算法，实现了故障信号的特征增强；引入多头注意力机制网络框架实现多模态数据特征融合，提高重要故障特征的权重，从而从多源数据中提取互补的故障特征，提高故障诊断效果
。
[0006]为解决上述技术问题，本专利技术的实施例提供一种基于多模态对比学习的电机故障诊断方法，包括如下步骤：
[0007]S1、
采用卡尔曼滤波算法可以通过对观测数据和状态估计之间的协方差进行权衡，抑制和去除振动信号
、
三相电流信号
、
温度信号中存在的噪声；
[0008]S2、
采用
GAF
算法将振动信号
、
三相电流信号
、
温度信号三种信号的时间序列数据转化为图像表示，然后分别提取一维卷积自编码和二维卷积自编码训练后隐藏层中的一维数据和二维数据，并将振动信号
、
三相电流信号
、
温度信号三种信号的中的二维图像数据拉伸展开，与其一维数据相拼接，形成样本特征集；
[0009]S3、
利用
SimCLR
对比学习增强样本特征集中每个信号源不同模态特征的表征能力和质量；
[0010]S4、
结合多头注意力机制网络框架，将不同来源的特征融合在一起，每个注意力头关注不同的特征子集，并产生相应的权重，然后将加权特征进行线性组合生成最终的融合特征表示，完成电机故障诊断
。
[0011]其中，步骤
S2
中，采用
GAF
算法将时间序列数据转化为图像表示的计算流程如下：
[0012]给定一个时间序列
X
＝
{x1，
x2，
…
，
x
n
}
，其中
x
i
是
n
个实数观测值，对
X
进行重新缩放，使所有值都落在区间
[
‑1，
1]内：
[0013][0014]将重新缩放的时间序列表示为极坐标形式，其中，将值编码为角余弦，时间戳编码为半径，得到以下方程式：
[0015][0016]其中，
1≤i≤n
，
t
i
表示时间戳，
N
是一个常数因子，规范极坐标系的范围；通过上式的反余弦函数计算，将标准化后的数据转换为极坐标系中的角度值，即将时间序列数据映射到极坐标系中的点；最后，通过格拉姆叠加角度场和格拉姆差异角度场两种时间序列转换图像方法在极坐标系下计算每个点的坐标值，构建二维图像表示；
[0017]优选的，步骤
S2
中的样本特征集包含振动信号
、
三相电流信号
、
温度信号三种信号的不同模态的信息
。
[0018]其中，步骤
S3
中的
SimCLR
对比学习框架包括：
[0019]S3.1、
随机数据增强模块：对于包括振动信号
、
三相电流信号以及温度信号的时序数据，通过包括平移
、
缩放
、
旋转的数据增强方法对同一信号源时序数据生成两个不同实例，表示为
l
i
和
l
j
，并将其视为正样本对；
[0020]S3.2、
基于神经网络的编码器
f(
·
)
模块：从增强后的数据集中提取表征向量；
[0021]S3.3、
小型神经网络投影头
g(
·
)
：将步骤
S3.2
中编码后的特征映射到应用对比损失的潜在空间中；
[0022]S3.4、
损失函数模块：对比损失函数基于
l2正则化，即
NT
‑
Xent
，该损失函数
loss
定义了一个
sim
函数表示正则化：
[0023]sim(u
，
v)
＝
u
T
v/本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多模态对比学习的电机故障诊断方法，其特征在于，包括如下步骤：
S1、
采用卡尔曼滤波算法可以通过对观测数据和状态估计之间的协方差进行权衡，抑制和去除振动信号
、
三相电流信号
、
温度信号中存在的噪声；
S2、
采用
GAF
算法将振动信号
、
三相电流信号
、
温度信号三种信号的时间序列数据转化为图像表示，然后分别提取一维卷积自编码和二维卷积自编码训练后隐藏层中的一维数据和二维数据，并将振动信号
、
三相电流信号
、
温度信号三种信号中的二维图像数据拉伸展开，与其一维数据相拼接，形成样本特征集；
S3、
利用
SimCLR
对比学习增强样本特征集中每个信号源不同模态特征的表征能力和质量；
S4、
结合多头注意力机制网络框架，将不同来源的特征融合在一起，每个注意力头关注不同的特征子集，并产生相应的权重，然后将加权特征进行线性组合生成最终的融合特征表示，完成电机故障诊断
。2.
根据权利要求1所述的基于多模态对比学习的电机故障诊断方法，其特征在于，步骤
S2
中，采用
GAF
算法将时间序列数据转化为图像表示的计算流程如下：给定一个时间序列
X
＝
{x1,x2,
…
,x
n
}
，其中
x
i
是
n
个实数观测值，对
X
进行重新缩放，使所有值都落在区间
[
‑
1,1]
内：将重新缩放的时间序列表示为极坐标形式，其中，将值编码为角余弦，时间戳编码为半径，得到以下方程式：其中，
1≤i≤n
，
t
i
表示时间戳，
N
是一个常数因子，规范极坐标系的范围；通过上式的反余弦函数计算，将标准化后的数据转换为极坐标系中的角度值，即将时间序列数据映射到极坐标系中的点；最后，通过格拉姆叠加角度场和格拉姆差异角度场两种时间序列转换图像方法在极坐标系下计算每个点的坐标值，构建二维图像表示
。3.
根据权利要求1所述的基于多模态对比学习的电机故障诊断方法，其特征在于，步骤
S2
中的样本特征集包含振动信号
、
三相电流信号
、
温度信号三种信号不同模态的信息
。4.
根据权利要求1所述的基于多模态对比学习的电机故障诊断方法，其特征在于，步骤
S3
中的
SimCLR
对比学习框架包括：
S3.1、
随机数据增强模块：对于包括振动信号
、
三相电流信号以及温度信号的时序数据，通过包括平移
、
缩放
、
旋转的数据增强方法对同一信号源时序数据生成两个不同实例，表示为
l
i
和
l
j
，并将其视为正样本对；
S3.2、
基于神经网络的编码器
f(
·
)
模块：从增强后的数据集中提取表征向量；
S3.3、
小型神经网络投影头
g(
·
)
：将步骤
S3.2
中编码后的特征映射到应用对比损失的潜在空间中；
S3.4、
损失函数模块：对比损失函数基于
l2正则化，即
NT
‑
Xent
，该损失函数
loss
定义了一个
sim
函数表示正则化：
sim(u,v)
＝
u

【专利技术属性】
技术研发人员：袁烨，张永，刘浩，金骏阳，胡俊伟，
申请(专利权)人：元始智能科技南通有限公司，
类型：发明
国别省市：