一种采用卷积神经网络和双向长短时记忆网络的交流电机轴承故障诊断方法与流程

1.本发明涉及交流电机状态监测领域，具体地说是一种采用电流信号分析的交流电机轴承故障诊断方法。


背景技术：

2.与传统采用振动信号分析的轴承故障诊断方法相比，受成本和空间约束，有些工作环境无法安装额外的硬件系统来满足交流电机轴承故障诊断的需求。此外，电机周围存在的较多其他振动噪声干扰源，严重影响振动信号分析诊断轴承故障的效果。通过电机驱动控制系统获取故障信号，实现轴承状态监测是解决这一问题的重要途径。
3.采用驱动控制系统的轴承故障诊断方法以电流、电压、转矩和转速等不同信号作为故障诊断依据。其中，电压和转矩信号通过电机系统采集较为困难，使用这两种信号诊断轴承故障的研究比较少见。采用电机电流信号特征分析诊断轴承故障的研究最多，近些年也受到越来越多的关注。
4.受环境噪声、基频分量和逆变器等因素干扰，电流信号分析诊断轴承故障属于强噪声背景下微弱故障特征提取问题。传统的故障诊断方法主要依靠先进信号处理技术，如去噪技术(维纳滤波器、谱减法、信号时移、线性预测等)、高分辨率谱分析(root-music、espirt、增强双谱、调制双谱等)、解调变换(派克变换、希尔伯特变换、能量算子等)、时频分析(短时傅里叶变换、维格纳分布、小波包变换、集合经验模态分解等)、时频域统计特征(独立主元分析、四元数旋转、拟合优度测试、伽玛分布等)等，从频域或者时频域提取电流信号的轴承故障特征进行识别。然而，这些方法精度低、适应性差且严重依赖人工经验。
5.利用不同信号处理技术，得到电流信号中表征滚动轴承运行状态的特征量后，并与支持向量机、自适应神经模糊系统、蚁群聚类算法等机器学习算法相结合，也可实现轴承故障智能识别。但是，此类方法严重依赖信号处理技术的特征提取能力，另外，浅层机器学习泛化能力差等问题，也限制了其诊断效果。
6.深度学习算法直接将原始电流信号作为输入，通过多层模型逐层学习数据特征，达到故障特征有效表达，为轴承故障智能诊断提供了有益思路。这类方法无需进行额外的去噪、特征提取等操作，自动挖掘代表性信息和敏感特征，有效克服了当前诊断方法的缺陷。近年来，一维/二维卷积神经网络等被应用于采用电流信号分析的轴承故障诊断领域，诊断性能优越。虽然卷积神经网络应用在轴承故障识别方面取得了较好的效果，但对于时间序列数据样本而言，其并不擅长处理。然而，当滚动轴承发生故障时，采集的电流信号是一种具有时间连续性的数据，充分利用电流信号的时空相关性是实现滚动轴承故障识别的关键。


技术实现要素：

7.针对现有技术中存在的上述不足之处，本发明要解决的技术问题是提供一种采用
卷积神经网络和双向长短时记忆网络的交流电机轴承故障诊断方法，在使用卷积神经网络从原始电流数据样本中提取得到相应地空间特征信息基础上，结合双向长短时记忆网络，捕获电流数据空间特征的时序信息，进而实现交流电机轴承故障诊断。
8.本发明为实现上述目的所采用的技术方案是：一种采用卷积神经网络和双向长短时记忆网络的交流电机轴承故障诊断方法，包括以下步骤：
9.步骤1，获取交流电机定子电流信号：设定采样频率fs和采样时间t，以一定时间间隔从交流电机的数据采集系统中获取三相定子电流信号，将其作为待处理的数据；
10.步骤2，定子电流数据样本点划分：以定子电流信号相邻波谷对应的时间为一个时间周期，截取原始定子电流信号中m个时间周期的数据点作为一个样本，将其作为交流电机轴承故障诊断模型的样本数据将其作为交流电机轴承故障诊断模型的样本数据；
11.步骤3，创建数据集：根据步骤2对交流电机轴承故障类型对应的样本数据进行编码，制作标签，作为交流电机轴承故障诊断模型的数据集；
12.步骤4，构建卷积神经网络：将训练数据输入卷积神经网络，其包括两层卷积层和一层池化层，通过卷积池化操作提取定子电流信号中有区分性的空间特征信息；
13.步骤5，构建双向长短时记忆神经网络：将提取的定子电流数据空间信息输入双向长短时记忆网络，捕获定子电流数据空间特征的时序信息；
14.步骤6，实现滚动轴承故障类型识别：将提取的定子电流数据时空信息输入到全连接层和输出层，选择合适的损失函数、学习率和训练迭代次数，对模型进行训练，得到训练好的具有交流电机轴承故障状态识别能力的诊断模型。
15.进一步，所述步骤1中，在满足奈奎斯特采样定理的条件下，为了包含更多的故障信息，采样频率fs设置为：
16.fs》10f
17.其中，f为定子电流信号频率。
18.进一步，所述步骤2中，以定子电流信号相邻波谷对应的时间为一个时间周期，截取原始定子电流信号中连续m个时间周期的数据点作为一个样本取原始定子电流信号中连续m个时间周期的数据点作为一个样本其中表示连续m个时间周期内a相、b相、c相电流数据，表示连续m个时间周期内a相、b相、c相电流数据，n
sub
为m个时间周期内单相电流数据的长度，将三相电流视为三个通道作为网络的输入，交流电机轴承故障诊断模型的输入数据样本可表示为障诊断模型的输入数据样本可表示为p＝1,2,
…nseg
，n
seg
为输入数据样本长度。
19.进一步，所述步骤3的具体过程为：
20.步骤3-1，确定标签的编码方式：采用one-hot编码；
21.步骤3-2，将无故障交流电机对应的定子电流数据和轴承故障交流电机对应的定子电流数据按照故障类型制作标签，同时以6:2:2的数据比例将定子电流数据分为训练集、验证集和测试集，作为交流电机轴承故障诊断模型的数据集；
22.进一步，所述步骤4中，卷积神经网络包括两层卷积层和一层池化层，具体计算过程为：
23.步骤4-1，第一层：卷积层，输入数据样本i
p
∈i，卷积核的数量为fn，长度为f
l
，步长
为1，则卷积层对输入i
p
在第j个卷积核处的值可通过以下公式进行计算：
[0024][0025][0026]
其中，h
jc
为第j个卷积核第c通道，*
t
为矩阵*的转置，为第j个卷积核第q个卷积区域值，为第j个卷积核在通道c的偏移向量，f
jc
为第j个卷积核第c通道的激活函数，q:q f
l-1为第j个卷积核第c通道第q个卷积区域，为第j个卷积核第c通道第q个卷积区域中的元素。
[0027]
输入i
p
在第一层卷积层的输出特征向量数学表达式为：
[0028][0029]
步骤4-2，第二层，卷积层：输入第一层输出的特征向量卷积核与第一层卷积层具有相同的数量fn和长度f
l
，步长为2，则第二层卷积层的输出特征向量可以简述为：
[0030][0031]
步骤4-3，第三层，池化层：输入为第二层输出的特征向量采用最大池化操作，池化区域宽度为k，则池化操作产生过程如下所示：
[0032][0033][0034]
其中，为输入的池化层输出，具有n
p
维度。
[0035]
对于输入整个池化层的输出可以简化表述为：
[0036][0037]
进一步，所述步骤5中，通过双向长短时记忆神经网络，捕捉三相定子电流空间特征向量的时序信息，对于输入在t∈[1,2,
…
,n
p
]时刻，长短时记忆神经网络内部输入门、遗忘门、输出门计算方法可以简化描述为:
[0038][0039]
其中，i
t
、f
t
、o
t
分别为t时刻输入门、遗忘门和输出门向量，为t时刻的输入向
量，h
t
为t时刻隐藏层的输出向量，h
t-1
为t-1时刻隐藏层状态的输出向量，c
t
为t时刻记忆细胞状态，σ表示logistic sigmoid函数，w
zi
、w
hi
和w
ci
为输入门的权重矩阵，w
zf
、w
hf
、w
cf
为遗忘门的权重矩阵，w
zc
和w
hc
为记忆细胞的权重矩阵，w
zo
、w
ho
和w
co
为输出门的权重矩阵，bi、bf、bc和bo分别为输入门、遗忘门、记忆细胞和输出门的偏置向量，
[0040]
进一步，所述步骤5中，所述长短时记忆神经网络输出的特征向量为进一步，所述步骤5中，所述长短时记忆神经网络输出的特征向量为l/2为长短时记忆神经网络的隐藏层神经元数量，为t时刻前向长短时记忆神经网络隐藏层的输出特征向量，为t时刻后向长短时记忆神经网络隐藏层的输出特征向量，双向长短时记忆神经网络在t时刻根据和进行矩阵拼接并输出，双向长短时记忆神经网络在t时刻叠加后的隐藏层输出可以表述为：
[0041][0042][0043][0044]
其中，和为输入层-隐藏层的权重矩阵，和表示隐藏层-隐藏层的权重矩阵，和表示隐藏层-输出层的权重矩阵，和表示隐藏层偏置向量，by为输出层偏置向量，h为隐藏层激活函数。
[0045]
对于输入双向长短时记忆网络的输出可以简述为：
[0046][0047]
进一步，所述步骤6的具体过程为：
[0048]
步骤6-1，展平层：将提取的定子电流数据时空特征向量进一步输入至全连接层实现“展平”操作，将所有的时空特征向量首尾连接，整合为一维向量nz＝l
×fn
，同时采用随机失活(dropout)技巧操作进行处理，降低神经元减的相互依赖性，假设神经元失活概率为p，则实现过程可以简述为：
[0049]
r5～bernoulli(p)
ꢀꢀꢀ
(13)
[0050][0051]
其中，r5是采用bernoulli函数以概率p，随机生成的0、1向量，为随机失活后的一维特征向量。
[0052]
步骤6-2，全连接层：输入为展平后随机失活后的一维特征向量使用relu激活函数进行处理，神经元个数为nd，则输出可以描述为：
[0053]
[0054]
其中，和为全连接层的权重矩阵和偏置向量。
[0055]
步骤6-3，输出层：输入为上一层的输出神经元数量与轴承故障类别数目保持一致，通过softmax函数，直接完成轴承故障类型识别
[0056][0057]
其中，和为输出层的权重矩阵和偏置向量。
[0058]
步骤6-4，设置学习率lr，迭代次数变量为num，损失函数为交叉熵损失函数，对网络模型进行训练，当损失函数小于0.01或者等于迭代次数时，保存此时的模型参数，得到训练好的具有交流电机轴承故障状态识别能力的诊断模型。
[0059]
本发明提出的一种采用卷积神经网络和双向长短时记忆网络的交流电机轴承故障诊断方法，利用交流电机定子电流信号作为故障信号，结合卷积神经网络和双向长短时记忆神经网络特性，在特征提取的深度和复杂程度上都具有良好的性能，达到滚动轴承故障特征的精准有效提取，实现了交流电机滚动轴承运行状态的非侵入式监测。具体表现在：
[0060]
1.本发明采用交流电机定子电流信号替代传统的振动信号作为故障信号，不仅可以降低监控系统建设成本，而且有利于构建故障诊断与驱动控制为一体的电驱动系统，促进电驱动系统向智能执行机构转变。
[0061]
2.本发明充分利用卷积神经网路和双向长短时记忆神经网络特性，提取定子电流信号中有关滚动轴承故障的空间和时序信息，实现故障特征的精准有效提取，显著提高故障识别精度。
[0062]
3.本发明所提供的交流电机轴承故障诊断方法，仅需采集电气故障信号，并将特征提取和故障识别融合在一起，实现了端到端的滚动轴承运行状态监测。
附图说明
[0063]
图1为本发明所述采用卷积神经网络和双向长短时记忆网络的交流电机轴承故障诊断方法流程图。
[0064]
图2为图1中卷积神经网络和双向长短时记忆网络模型结构示意图。
[0065]
图3为图2中长短时记忆网络的单元结构框图。
[0066]
图4为不同高斯噪音背景下卷积神经网络和双向长短时记忆网络训练准确率和损失曲线。(a)无白噪声(b)加入-5db白噪声。
[0067]
图5为不同高斯噪音背景下卷积神经网络训练准确率和损失曲线。(a)无白噪声(b)加入-5db白噪声。
[0068]
图6为t-sne特征可视化分布。(a)原始电流信号输入(b)最大池化层输出(c)双向长短时记忆网络层输出(d)分类层输出。
具体实施方式
[0069]
本发明公开了一种采用卷积神经网络和双向长短时记忆网络的交流电机轴承故障诊断方法，包括如下步骤：给定交流电机供电频率和负载转矩，设置采样频率fs和采样时间t，以一定时间间隔从交流电机的数据采集系统中获取三相定子电流信号(ia,ib,ic)；以
定子电流信号相邻波谷对应的时间为一个时间周期，截取原始定子电流信号中连续m个时间周期的数据点作为一个样本数据间周期的数据点作为一个样本数据采用one-hot编码，将无故障交流电机对应的定子电流数据和轴承故障交流电机对应的定子电流数据按照故障类型制作标签，同时以6:2:2的数据比例将定子电流数据分为训练集、验证集和测试集，作为交流电机轴承故障诊断模型的数据集；构建卷积神经网络，包括两层卷积层和一层池化层，通过卷积池化操作提取定子电流信号中有区分性的空间特征信息；构建双向长短时记忆神经网络：将提取的定子电流数据空间信息输入双向长短时记忆网络，捕获定子电流数据空间特征的时序信息；将提取的定子电流数据时空信息输入到全连接层和输出层，选择合适的损失函数、学习率和训练迭代次数，对模型进行训练，得到训练好的具有交流电机轴承故障状态识别能力的诊断模型。
[0070]
下面结合附图，对本发明实施实例中的技术方案做进一步的详细说明。
[0071]
具体实施步骤1：
[0072]
步骤1-1，给定交流电机供电频率和负载转矩，设置采样频率fs和采样时间t，以一定时间间隔从交流电机的数据采集系统中获取三相定子电流信号(ia,ib,ic)；
[0073]
步骤1-2，以定子电流相邻波谷对应时间为一个时间周期，截取原始定子电流中连续m个时间周期的数据点作为一个样本数据续m个时间周期的数据点作为一个样本数据n
sub
为m个时间周期内单相电流数据的长度，将三相电流视为三个通道作为网络的输入，交流电机轴承故障诊断模型的输入数据样本可表示为轴承故障诊断模型的输入数据样本可表示为p＝1,2,
…nseg
，n
seg
为输入数据样本长度；
[0074]
步骤1-3，采用one-hot编码，将无故障交流电机对应的定子电流数据和轴承故障交流电机对应的定子电流数据按照故障类型制作标签，同时以6:2:2的数据比例将定子电流数据分为训练集、验证集和测试集，作为交流电机轴承故障诊断模型的数据集；
[0075]
具体实施步骤2：
[0076]
步骤2-1，第一层卷积层，输入数据样本i
p
，卷积核的数量为fn，长度为f
l
，步长为1，则卷积层对输入i
p
在第j个卷积核处的值可通过以下公式得到：
[0077][0078][0079]
其中，h
jc
为第j个卷积核第c通道，*
t
为矩阵*的转置，为第j个卷积核第q个卷积区域值，为第j个卷积核在通道c的偏移向量，f
jc
为第j个卷积核第c通道的激活函数，q:q f
l-1为第j个卷积核第c通道第q个卷积区域，为第j个卷积核第c通道第q个卷积区域中的元素。
[0080]
输入i
p
在第一层卷积层的输出特征向量数学表达式为：
[0081]
[0082]
步骤2-2，第二层卷积层：输入第一层输出的特征向量卷积核与第一层卷积层具有相同的参数配置，则第二层卷积层的输出特征向量可以简述为：
[0083][0084]
步骤2-3，第三层池化层：输入为第二层输出的特征向量采用最大池化操作，池化区域宽度为k，则池化操作产生过程如下所示：
[0085][0086]
v∈[1,2,
…
,n
p
]
[0087]
其中，为输入的池化层输出，具有np维度。
[0088]
对于输入整个池化层的输出可以简化表述为：
[0089][0090]
步骤2-4，第四层双向长短时记忆神经网络层，将提取的定子电流数据空间信息输入双向长短时记忆网络，捕获定子电流数据空间特征的时序信息输入双向长短时记忆网络，捕获定子电流数据空间特征的时序信息得到双向长短时记忆网络输出得到双向长短时记忆网络输出
[0091]
步骤2-5：第五层展平层，将提取的定子电流数据时空特征向量进一步输入至全连接层实现“展平”操作，将所有的时空特征向量首尾连接，整合为一维向量nz＝l
×fn
，同时采用随机失活(dropout)技巧操作进行处理，降低神经元减的相互依赖性，假设神经元失活概率为p，则实现过程可以简述为：
[0092]
r5～bernoulli(p)
[0093][0094]
其中，r5是采用bernoulli函数以概率p，随机生成的0、1向量，为随机失活后的一维特征向量；
[0095]
步骤2-6，第六层全连接层，输入为展平后随机失活后的一维特征向量使用relu激活函数进行处理，神经元个数为nd，则输出由以下公式得到：
[0096][0097]
其中，和为全连接层的权重矩阵和偏置向量。
[0098]
步骤2-7，第七层输出层，输入为上一层的输出神经元数量与轴承故障类别数目保持一致，通过softmax函数，直接完成轴承故障类型识别
[0099][0100]
其中，和为输出层的权重矩阵和偏置向量。
[0101]
具体实施步骤3：
[0102]
步骤3-1，设置学习率lr、迭代次数变量num，损失函数等，以训练集为数据源，对所提轴承故障诊断网络模型进行逐层训练，当损失函数小于0.01或者等于迭代次数是，保存此时的模型参数；
[0103]
步骤3-2，将验证集数据输入到训练后的轴承故障诊断网络模型中，将输出的结果与验证集数据标签对比计算得到识别准确率，若准确率≥95％，则得到训练好的网络模型，若准确率《95％，则调整网络模型的超参数，再次训练网络模型并进行验证，直到得到训练好的轴承故障诊断网络模型；
[0104]
步骤3-3，将测试集输入到训练后的轴承故障诊断网络模型进行故障诊断，并统计测试结果；
[0105]
结合案例分析
[0106]
实验电机为永磁电机ms-180st-m19015b-43p0，其所用轴承型号为6209z，轴承外圈故障通过丝锥钻孔而获得。数据采集系统主要有电流传感器、ni数据采集卡以及存储终端组成。采用的电流传感器型号为jlb-21霍尔电流传感器，采集卡为ni usb-6366型数据采集卡，通过在联想笔记本电脑上安装signalexpress软件完成数据采集。网络训练和测试是在windows10操作系统、英特尔酷睿i9-10900kcpu、英伟达rtx-4000gpu上进行。其中，电机供电频率为20hz，负载扭矩为0nm，三相定子电流信号采样频率为20khz。表1显示了不同轴承状态的分类编号。
[0107]
表1
[0108]
轴承状态故障尺寸(mm)标签无故障轴承0c0外圈故障轴承14c1外圈故障轴承27c2
[0109]
在创建数据样本阶段，使用256个连续的三相定子电流数据点组成一个样本，一共生成了120个样本，训练集72个，验证集24个，测试集24个；在搭建网络模型中，第一层和第二次卷积核的数量fn都为16，卷积核的大小f
l
都为3，卷积步长分别为1和2，第三层最大池化层的池化区域宽度k为2，第四层长短记忆网络的隐含层单元数量为16，第五层随机失活概率p为0.5，第六层全连接层的输出为64，第七层输出层的输出为3，分别代表三种轴承状态。所提网络框架的其他主要参数如表2所示。
[0110]
表2
[0111]
操作卷积核步长通道数激活函数输出尺寸输入层
‑‑‑‑‑‑‑‑
256
×
3卷积层13*1116relu254
×
16卷积层23*1216relu126
×
16最大池化层2*14
‑‑‑‑
32
×
16双向长短记忆网络
‑‑‑‑
16
×2‑‑
32
×
32
展平层
‑‑‑‑‑‑‑‑
1024随机失活
‑‑‑‑‑‑‑‑
512全连接层
‑‑‑‑
64relu64输出层
‑‑‑‑
3softmax3
[0112]
实验结果
[0113]
通过添加不同的高斯白噪声，比较了所提网络框架和只使用卷积神经网络，表3显示了不同高斯白噪声情况下的实验结果对比，图4和图5为所提网络框架和只使用卷积神经网络的准确率和损失曲线。这两种方法都是采用三相电流信号进行电机轴承故障诊断。对比实验结果表明，本专利提出的网络框架在不同的高斯白噪声背景下的预测准确率均为100％。
[0114]
表3
[0115]
白噪音(snr)卷积神经网络-双向长短时记忆网络卷积神经网络-5db100％95.83％无白噪音100％100％
[0116]
图6显示了所提网络框架在不用网络层的t-sne特征可视化分布，对比可以看出，随着网络层数的增加，原始电流信号从杂乱无序分布到不同故障郑磊之间的距离更加明显，有效实现了不同轴承故障状态的分类。