基于元学习与孪生网络新能源汽车电机早期故障诊断方法和相关设备
本技术涉及新能源汽车故障诊断,尤其涉及基于元学习与孪生网络新能源汽车电机早期故障诊断方法和相关设备。
背景技术:
1、相关技术中,电机故障诊断方法主要分为:1)基于信号处理的方法依赖人工特征工程,对早期微弱故障敏感度有限。2)基于传统机器学习的方法受限于特征质量,泛化能力较弱。3)基于深度学习的方法虽能自动提取深层特征,但严重依赖大量标注数据。
2、综上,相关技术中存在的技术问题有待得到改善。
技术实现思路
1、本技术实施例的主要目的在于提出基于元学习与孪生网络新能源汽车电机早期故障诊断方法和相关设备,能够实现新能源汽车电机早期微弱故障在小样本、变工况下的高精度诊断,并能识别未知新型故障和持续增量学习。
2、为实现上述目的,本技术实施例的一方面提出了基于元学习与孪生网络新能源汽车电机早期故障诊断方法,所述方法包括以下步骤:
3、采集新能源汽车电机运行中的多源信号,对所述多源信号进行预处理,得到对齐后的标准化多源信号矩阵;
4、利用所述标准化多源信号矩阵进行滑动窗口切片构建样本集,划分为基类集和新类集,从所述基类集中随机选取若干个故障类别,每类若干个样本构成支持集,每类若干个样本构成查询集,形成元任务;
5、将所述支持集和所述查询集输入共享权重的多尺度卷积神经网络,映射为支持集样本嵌入向量和查询集样本嵌入向量,经关系网络得相似度分数,计算欧氏距离,将所述相似度分数与所述欧氏距离加权融合得综合相似度;
6、利用所述综合相似度计算查询样本预测概率,结合真实标签得元任务损失,利用所述欧氏距离得对比损失,将所述元任务损失与所述对比损失加权求和得总损失,反向更新多尺度卷积神经网络和关系网络参数;
7、将待测样本输入更新后的所述多尺度卷积神经网络得待测样本嵌入向量,计算所述待测样本嵌入向量与各类别所述支持集样本嵌入向量的平均综合相似度,取最大者判为预测故障类别,当待测样本来自所述新类集或最大平均综合相似度低于预设阈值时,判为未知新型故障并触发预警;
8、将所述新类集中经复核确认后的所述未知新型故障的样本加入所述基类集,构建含新旧类别的元任务,以附加正则化约束的增量损失对所述多尺度卷积神经网络和所述关系网络进行调整更新,得到电机当前早期故障诊断结果。
9、在一些实施例中,所述采集新能源汽车电机运行中的多源信号,对所述多源信号进行预处理,得到对齐后的标准化多源信号矩阵,包括:
10、通过电机控制器内置的霍尔电流传感器采集三相定子电流信号;
11、通过加装在电机壳体上的加速度传感器采集振动信号;
12、通过电机内部预埋的温度传感器监测定子绕组端部和壳体温度信号;
13、通过电机自带的旋转变压器获取电机转速信号;
14、对所述三相定子电流信号采用自适应陷波滤波器滤除工频基波,计算帕克矢量模以增强故障特征,得到增强后的电流特征;
15、对所述振动信号计算包络谱,采用莫莱特小波变换提取轴承故障冲击成分,并去除低频工况扰动,得到增强后的振动特征;
16、对所述壳体温度信号采用滑动平均滤波,提取符合预设条件的缓慢变化趋势作为温度特征;
17、将所述增强后的电流特征、所述增强后的振动特征和所述温度特征,按所述电机转速信号进行等角度重采样,并按转速脉冲进行时间同步,得到时间对齐的多源特征序列;
18、对所述时间对齐的多源特征序列采用z-score归一化进行处理,将所述时间对齐的多源特征序列中的每一个原始信号值减去所述原始信号值在时间窗口内的均值后除以所述原始信号值的标准差,得到归一化后的值,归一化后的值均值为零、标准差为一,用于消除不同传感器之间的量化差异,得到所述标准化多源信号矩阵。
19、在一些实施例中,所述利用所述标准化多源信号矩阵进行滑动窗口切片构建样本集,划分为基类集和新类集,从所述基类集中随机选取若干个故障类别,每类若干个样本构成支持集,每类若干个样本构成查询集,形成元任务,包括:
20、对所述标准化多源信号矩阵采用滑动窗口进行切片,每个窗口截取一段连续时间步长的多源信号片段作为一个样本,所有样本构成样本集;
21、将所述样本集划分为基类集和新类集;所述基类集包括轴承内圈故障、外圈故障、轻微退磁、轻度匝间短路,用于元训练;所述新类集包括转子偏心、混合故障、严重退磁,用于元测试;
22、从所述基类集中随机选取若干个故障类别,从选取出的每一个故障类别中随机选取若干个样本构成支持集;
23、从相同的每一个故障类别中再随机选取若干个样本构成查询集;
24、使用所述支持集和所述查询集共同构成一个元任务;所述支持集用于在所述元任务中提供各类故障的参考样本,所述查询集用于在所述元任务中计算模型预测与真实标签之间的损失;所述新类集不参与所述元任务的训练,用于验证模型对未知故障的识别能力。
25、在一些实施例中,所述将所述支持集和所述查询集输入共享权重的多尺度卷积神经网络,映射为支持集样本嵌入向量和查询集样本嵌入向量,经关系网络得相似度分数,计算欧氏距离,将所述相似度分数与所述欧氏距离加权融合得综合相似度,包括:
26、设置多尺度卷积神经网络;所述多尺度卷积神经网络的输入为支持集样本和查询集样本各自对应的多源信号拼接后的二维矩阵;所述二维矩阵的通道数对应电流、振动和温度信号源;所述多尺度卷积神经网络包含三个并行卷积分支,三个并行卷积分支的卷积核大小分别为三乘三、五乘五和七乘七,用于捕捉不同时间尺度的故障特征;
27、将所述支持集中的每一个样本输入所述多尺度卷积神经网络,映射为样本对应的支持集样本嵌入向量;
28、将所述查询集中的每一个样本输入所述多尺度卷积神经网络,映射为样本对应的查询集样本嵌入向量;
29、将每一个所述支持集样本嵌入向量与每一个所述查询集样本嵌入向量按顺序拼接为一个组合向量,将所述组合向量输入关系网络,经所述关系网络输出所述支持集样本与所述查询集样本之间的相似度分数;所述相似度分数的取值范围为零到一;
30、计算每一个所述支持集样本嵌入向量与每一个所述查询集样本嵌入向量之间的欧氏距离,并计算所有样本对之间的最大欧氏距离;
31、利用所述最大欧氏距离对所述欧氏距离进行归一化,得到归一化后的欧氏距离;
32、将所述相似度分数与所述归一化后的欧氏距离进行加权融合,得到所述支持集样本与所述查询集样本之间的综合相似度。
33、在一些实施例中,所述利用所述综合相似度计算查询样本预测概率,结合真实标签得元任务损失,利用所述欧氏距离得对比损失,将所述元任务损失与所述对比损失加权求和得总损失,反向更新多尺度卷积神经网络和关系网络参数,包括:
34、利用所述综合相似度,采用归一化指数函数计算每一个查询样本被预测为每一个故障类别的预测概率;所述预测概率的计算方式为:以自然常数为底数、以所述综合相似度为指数的指数函数值,除以所述查询样本与所有故障类别的综合相似度的指数函数值之和;
35、采用交叉熵损失函数,利用每一个所述查询样本的所述预测概率与所述查询样本的真实标签计算元任务损失;
36、利用所述支持集样本嵌入向量与所述查询集样本嵌入向量之间的所述欧氏距离计算对比损失;所述对比损失为:对于属于同一故障类别的样本对,计算所述欧氏距离的平方和;对于属于不同故障类别的样本对,计算预设距离阈值减去所述欧氏距离的差值与零相比的最大值,再对所述最大值进行平方;将同一故障类别部分与不同故障类别部分相加后乘以二分之一,得到所述对比损失;
37、将所述元任务损失与所述对比损失按照预设的权重系数进行加权求和,得到总损失;
38、利用所述总损失,采用反向传播算法对所述多尺度卷积神经网络的参数和所述关系网络的参数进行同步更新,得到更新后的多尺度卷积神经网络参数和更新后的关系网络参数。
39、在一些实施例中,所述将待测样本输入更新后的所述多尺度卷积神经网络得待测样本嵌入向量,计算所述待测样本嵌入向量与各类别所述支持集样本嵌入向量的平均综合相似度,取最大者判为预测故障类别,当待测样本来自所述新类集或最大平均综合相似度低于预设阈值时,判为未知新型故障并触发预警,包括:
40、将待测样本输入更新后的所述多尺度卷积神经网络,映射为待测样本嵌入向量;
41、对于每一个故障类别,计算所述待测样本嵌入向量与该故障类别下所有支持集样本嵌入向量的综合相似度,再对该故障类别下所有支持集样本的综合相似度取平均值,得到所述待测样本与该故障类别的平均综合相似度;
42、将所有故障类别的所述平均综合相似度进行比较,取所述平均综合相似度最大的故障类别作为所述待测样本的预测故障类别;
43、将最大的所述平均综合相似度与预设阈值进行比较,同时判断所述待测样本是否属于所述新类集,当最大的所述平均综合相似度低于所述预设阈值或所述待测样本来自所述新类集时,判定所述待测样本为未知新型故障,触发预警并建议复核。
44、在一些实施例中,所述将所述新类集中经复核确认后的所述未知新型故障的样本加入所述基类集,构建含新旧类别的元任务,以附加正则化约束的增量损失对所述多尺度卷积神经网络和所述关系网络进行调整更新,得到电机当前早期故障诊断结果,包括:
45、将触发预警并经复核确认后的所述未知新型故障的样本,连同所述未知新型故障的样本对应的故障类型标签,加入所述基类集,形成扩充后的训练集;
46、从所述扩充后的训练集中重新采样,从新旧类别中分别选取若干个故障类别、每类若干个样本构成支持集和查询集,构建包含新旧类别的增量元任务;
47、利用所述增量元任务计算增量损失;所述增量损失为所述增量元任务的总损失与正则化约束项之和;所述正则化约束项为所述多尺度卷积神经网络更新后的参数减去更新前的参数的平方和,加上所述关系网络更新后的参数减去更新前的参数的平方和,用于约束参数更新幅度;
48、利用所述增量损失,采用反向传播算法对所述多尺度卷积神经网络的参数和所述关系网络的参数进行调整更新,得到调整更新后的多尺度卷积神经网络参数和调整更新后的关系网络参数;
49、将待测样本输入调整更新后的所述多尺度卷积神经网络和所述关系网络,输出电机当前早期故障诊断结果;所述电机当前早期故障诊断结果包括已知故障类别判定或未知新型故障预警信息。
50、为实现上述目的,本技术实施例的另一方面提出了基于元学习与孪生网络新能源汽车电机早期故障诊断系统,用于实现如前面所述的方法,所述系统包括:
51、多源信号采集和预处理模块,用于采集新能源汽车电机运行中的多源信号,对所述多源信号进行预处理,得到对齐后的标准化多源信号矩阵;
52、样本构建模块,用于利用所述标准化多源信号矩阵进行滑动窗口切片构建样本集,划分为基类集和新类集,从所述基类集中随机选取若干个故障类别,每类若干个样本构成支持集,每类若干个样本构成查询集,形成元任务;
53、孪生度量网络模块,用于将所述支持集和所述查询集输入共享权重的多尺度卷积神经网络,映射为支持集样本嵌入向量和查询集样本嵌入向量,经关系网络得相似度分数,计算欧氏距离,将所述相似度分数与所述欧氏距离加权融合得综合相似度;
54、元学习训练模块,用于利用所述综合相似度计算查询样本预测概率,结合真实标签得元任务损失,利用所述欧氏距离得对比损失,将所述元任务损失与所述对比损失加权求和得总损失,反向更新多尺度卷积神经网络和关系网络参数;
55、故障识别与预警模块,用于将待测样本输入更新后的所述多尺度卷积神经网络得待测样本嵌入向量,计算所述待测样本嵌入向量与各类别所述支持集样本嵌入向量的平均综合相似度,取最大者判为预测故障类别,当待测样本来自所述新类集或最大平均综合相似度低于预设阈值时,判为未知新型故障并触发预警;
56、增量学习更新模块,用于将所述新类集中经复核确认后的所述未知新型故障的样本加入所述基类集,构建含新旧类别的元任务,以附加正则化约束的增量损失对所述多尺度卷积神经网络和所述关系网络进行调整更新,得到电机当前早期故障诊断结果。
57、为实现上述目的,本技术实施例的另一方面提出了一种电子设备,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现前面所述的方法。
58、为实现上述目的,本技术实施例的另一方面提出了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现前面所述的方法。
59、为实现上述目的,本技术实施例的另一方面提出了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现前面所述的方法。
60、本技术实施例至少包括以下有益效果:本技术提供基于元学习与孪生网络新能源汽车电机早期故障诊断方法、系统、电子设备、存储介质及程序产品,该方案包括:得到对齐后的标准化多源信号矩阵;形成元任务;将支持集和查询集输入共享权重的多尺度卷积神经网络,将相似度分数与欧氏距离加权融合得综合相似度;将元任务损失与对比损失加权求和得总损失,反向更新多尺度卷积神经网络和关系网络参数;将待测样本输入更新后的多尺度卷积神经网络得待测样本嵌入向量,当待测样本来自新类集或最大平均综合相似度低于预设阈值时,判为未知新型故障并触发预警;构建含新旧类别的元任务,得到电机当前早期故障诊断结果。本技术能够识别未知新型故障和持续增量学习。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com