一种基于多模态融合的电机智能诊断系统

摘要: 本发明涉及电机智能诊断,具体为一种基于多模态融合的电机智能诊断系统。背景技术:1、电机是工业制造、轨道交通、风力发电等装备的核心动力部件,其稳定运行直接影响生产...
一种基于多模态融合的电机智能诊断系统

本发明涉及电机智能诊断,具体为一种基于多模态融合的电机智能诊断系统。

背景技术:

1、电机是工业制造、轨道交通、风力发电等装备的核心动力部件,其稳定运行直接影响生产效率与系统安全。行业数据显示,电机突发故障造成的非计划停机约占设备总停机时间的40%以上,而轴承早期磨损、绕组绝缘劣化等隐性故障,是引发严重事故的主要原因。因此,实现电机早期故障精准识别与现场低延迟实时诊断,已成为预测性维护的关键需求。

2、当前电机故障诊断主要分为两类技术路线。一类是基于振动、电流等单一信号的传统方法,依靠频谱分析、谐波检测等手段提取特征。这类方法信息维度有限,难以全面刻画复杂工况下的故障机理,对微弱早期故障不敏感,且在变转速、变负载条件下诊断精度显著下降。另一类是基于深度学习的智能诊断方法,虽能提升识别准确率,但模型体积大、计算成本高,高度依赖云端算力,数据往返传输导致延迟通常超过1秒,难以满足工业现场实时保护与快速报警的要求。

3、为兼顾精度与实时性,现有技术尝试将模型轻量化后部署在边缘端,但常用的剪枝、量化等方法会削弱故障特征表达能力,提高早期故障漏检率。同时,多数方案采用静态模型,缺乏工况自适应能力与闭环校验机制,当诊断置信度不足或多源数据不一致时,难以主动触发复检与参数调整,易造成误判、漏判。

4、综上,现有技术存在精度与实时性难以平衡的核心矛盾:大模型精度高但延迟大,轻量化模型响应快但早期故障识别能力弱。如何在变负载、变转速的复杂工业场景中,同时实现高准确率早期故障诊断、低延迟边缘推理与自适应闭环调控,是本领域亟待解决的关键技术问题。

技术实现思路

1、本发明的目的在于克服现有技术中的不足,提供一种基于多模态融合的电机智能诊断系统,解决“大模型云端推理延迟高、轻量化模型牺牲早期故障识别能力,难以满足工业现场低延迟实时诊断”的技术问题。

2、为达到上述目的,本发明是采用下述技术方案实现的:

3、本发明提供了一种基于多模态融合的电机智能诊断系统,包括:多模态数据采集模块,通过多个传感器同步采集电机在声学、振动、电气、温度的原始数据;

4、自适应预处理模块,对所述多模态数据采集模块输出的原始数据依次执行自适应卡尔曼滤波、改进3σ异常值处理及小波包变换,生成标准化特征向量;所述自适应卡尔曼滤波对原始信号执行时域滤波,其输出的去噪信号作为所述改进3σ异常值处理的输入;所述改进3σ异常值处理采用固定窗口长度进行滑动判异,对判异点仅利用其时序前后各若干邻域点进行三次样条局部重构;

5、跨域特征融合模块,先以卷积注意力网络对所述标准化特征向量进行通道维与空间维的注意力增强,再以门控循环单元对增强后的特征序列进行时序建模,最后对声学、振动、电气、温度四模态的时序特征进行自适应加权融合,输出融合后的故障特征;

6、轻量化推理部署模块,通过知识蒸馏、通道稀疏化与参数量化对模型进行压缩,并输出故障类型、严重程度及剩余寿命预测值;

7、诊断结果输出模块,用于以可视化终端展示诊断结果并根据三级报警机制发出预警;

8、闭环调控模块,用于对所述跨域特征融合模块输出的诊断结果进行置信度评估与多模态数据一致性校验,在校验不通过或置信度不满足预设条件时触发二次检测,并用于根据实时监测的工况变化自适应调整采样策略。

9、具体的,所述自适应卡尔曼滤波为根据状态方程和观测方程去除变工况下的噪声干扰得到电机振动、声学、电流等信号的真实幅值估计值。

10、具体的,所述改进3σ异常值处理采用固定时间窗对连续采集的时序数据进行动态判异,仅当数据点偏离窗口统计中心的程度超过三倍统计离散度时,方将其识别为瞬态异常点,并调用以该异常点前后邻近观测值为约束的三次样条基函数进行局部平滑重构,重构后的数据直接作为时频变换的输入。

11、具体的,所述小波包变换基于预设的正交小波基函数对预处理后的信号进行多分辨率频带划分,将各子带内小波系数的平方幅值累计量作为该频带的能量表征值,并按频率由低至高的顺序截取固定数量的子带能量值,与从原始信号中提取的时域波形特征参量共同组合为标准化的多源特征张量。

12、具体的,所述自适应加权融合为:设声学、振动、电气、温度特征向量分别为,融合权重为(满足),通过强化学习算法更新权重,融合特征为。

13、具体的,所述卷积注意力网络的通道注意力分支对输入特征张量依次进行全局池化、多层感知机映射和sigmoid激活,生成通道权重;其空间注意力分支对输入特征张量依次进行通道维度的池化、卷积和sigmoid激活,生成空间权重;再将通道权重、空间权重与原始特征进行融合,输出增强特征。

14、具体的,所述门控循环单元包括重置门和更新门,重置门用于调节上一时刻隐藏状态对候选隐藏状态的影响程度,更新门用于平衡上一时刻隐藏状态与当前候选状态在输出隐藏状态中的权重,以此对输入的增强特征序列进行时序建模,输出包含故障时序信息的隐藏状态向量。

15、具体的,所述轻量化推理部署模块对模型进行多级压缩,包括:

16、知识蒸馏:以预训练的resnet-101与门控循环单元融合架构为教师模型,以轻量化的resnet-18变体为学生模型,通过蒸馏损失函数引导学生模型模仿教师模型的输出;

17、通道筛选:对知识蒸馏后的学生模型的卷积通道施加l1正则化稀疏约束,训练后移除权重值低于预设门限的冗余通道;

18、参数量化:采用非对称量化方案,利用量化公式为和反量化公式将32位浮点参数映射至0~255整数范围,缩减参数体积。

19、具体的,所述闭环调控模块实时监测跨域特征融合模块输出的故障诊断置信度,当系统对当前诊断结果的置信度低于预设阈值时,或当多模态数据之间的一致性校验失败时,系统判定当前诊断结果可信度不足,自动触发二次检测流程,系统重新获取该电机在当前时刻前后各一个采样周期内的多模态原始数据,经预处理与特征融合后再次执行推理,并将两次诊断结果进行交叉验证,取高置信度者作为最终输出;若二次检测后置信度仍低于阈值,则通过诊断结果输出模块发出“诊断不确定”预警,提示人工复核。

20、与现有技术相比,本发明所达到的有益效果是:

21、(1)本发明通过声学、振动、电气、温度多模态传感器同步采集与跨域特征融合,结合卷积注意力网络和门控循环单元的混合架构,显著提升了对轴承早期磨损、绕组绝缘老化等隐性故障的识别能力,提高了故障分类准确率,并提前了对早期故障识别的预警时间。

22、(2)本发明在自适应预处理模块中采用改进的3σ异常值处理方法,利用三次样条插值替换异常值而非直接剔除,保持了时序数据的连续性与完整性,无需额外填充缺失点,避免了因数据缺失导致的重复采样与二次处理,从而缩短了预处理环节的整体耗时,为后续小波包变换与特征融合提供了连续、完整的数据基础,进一步保障了诊断结果的准确性。

23、(3)本发明通过知识蒸馏、通道稀疏化与int8量化技术对深度学习模型进行轻量化压缩,部署于工业级边缘计算单元,推理延迟不超过0.2秒,在保持高诊断精度的同时实现了工业现场低延迟实时诊断,克服了现有大模型依赖云端算力、推理延迟超过1秒的缺陷,缩短了电机突发故障导致的停机时间,诊断流程全自动化,无需专业人员现场值守,可视化界面与分级报警机制降低操作门槛,适配不同层级用户需求。