一种基于动态卷积多层域自适应的风送速度控制器故障诊断装置及方法与流程

1.本发明涉及一种基于动态卷积多层域自适应的风送速度控制器故障诊断装置及方法，属于技术领域。


背景技术：

2.随着工业生产和制造技术的蓬勃发展，收集、存储、处理数据能力的不断提高，各种传感器数据及仪器仪表数据不断被挖掘，进而为设备维修保障策略提供了新的机遇。各种数据驱动的诊断方法被广泛应用于机械设备健康监测领域，并取得了一些显著成果。烟草行业广泛采用风力输送将烟丝从制丝线通过气流输送的形式送到卷烟生产设备。风力送丝系统是一个复杂的综合性系统，具有较高的自动化和智能化水平，系统中的多个设备之间关系密切，彼此之间相互影响。其中sacu烟丝风送速度控制器控制烟丝风送速度保持15-18m/s，在风力送丝系统中起到非常关键的作用。如果sacu烟丝风送速度控制器出现异常会造成风速控制不稳定：当送丝管内风速过低会造成烟丝供应不足、管道堵塞或风机喘振；风速过高会加剧烟丝与管道内壁摩擦和碰撞，造成烟丝造碎高、整丝率降低等问题。由于sacu风速控制器安装分布区域广、安装高度位置超高、设备数量众多，日常维护难度较大。本发明根据sacu风速控制器在运行过程中电机、阀门、风管等部件振动、温度、转速，以及风管内风速值等物理量的变化来判断和识别设备的工作状态和故障，对故障的危害进行早期预报和辨识，保证卷烟厂烟丝风送系统的设备安全、稳定、长周期、满负荷优质运行，避免“维修过剩”或“维修不足”造成的不经济、不合理现象。


技术实现要素：

3.本发明的目的在于提供一种基于动态卷积多层域自适应的风送速度控制器故障诊断装置及方法，以解决现有技术无法准确判定故障点、无法进行故障趋势预测的缺陷。
4.一种基于动态卷积多层域自适应的风送速度控制器故障诊断装置，所述装置包括测量装置、sacu风速控制器和故障诊断预警模块；所述测量装置和sacu风速控制器通过信号接口模块与故障诊断预警模块通信连接；所述测量装置用于监测电机工作数据、烟丝管工作数据以及阀门数据；所述sacu风速控制器用于采集电机工作状态及烟丝管工作状态数据；所述信号接口模块，用于sacu风速控制器采集到的数据送至故障诊断预警模块；所述故障诊断预警模块用于识别sacu风速控制器是否存在故障信息或异常隐患，若有故障或者异常隐患通过预警模块发出警告。
5.进一步地，所述故障诊断预警模块为动态卷积多层域自适应网络，所述动态卷积多层域自适应网络包括故障模式分类模块与域自适应模块，其中，故障模式分类模块用于自动学习故障特征，并能够准确的对故障类别进行分类；域自适应模块用于减小源域与目标域之间振动数据的差异，使特征提取器提取到其共有的故障特征。
6.进一步地，所述烟丝管内设有负压传感器及风速传感器，用于检测管道内负压和
风速。
7.进一步地，所述电机和阀门上设有温度传感器和震动传感器，用于检测电机与阀门的温度与震动。
8.进一步地，所述sacu风速控制器设有电源监测模块，用于sacu风速控制供电电源是否存在异常波动的情况。
9.进一步地，所述电机工作数据包括电机的温度、转速、电流、扭矩及电机震动数据，所述烟丝管工作数据包括烟丝管的负压、风速数据及烟丝风送管道阀门震动数据。
10.一种基于动态卷积多层域自适应的风送速度控制器故障诊断方法，所述方法包括：
11.采集多个sacu风速控制器的风速调节工况数据；
12.将采集的多个风速调节工况数据输入预先训练的网络模型，输出识别多个工况下设备的健康状态，判断设备是否发生故障以及确定故障发生的位置和起因。
13.进一步地，所述网络模型在训练时，利用动态卷积多层域自适应网络提取多层特征，在动态卷积内部，输入数据x经过注意力模块得到具有数据依赖性的动态卷积核权重参数，输入数据x经过注意力模块后，得到k个不同权重的注意力参数，k个注意力参数分别与k个初始化的卷积核参数进行乘积，得到k个卷积核，k个卷积核通过加权组合得到一个具有数据依赖的动态卷积核，最后进行归一化与激活操作，得到网络模型；
14.所述动态卷积多层域自适应网络具有k个卷积核，通过注意力权重{πk(x)}进行聚合，计算公式为：
[0015][0016][0017][0018]
其中对应第k个卷积核的权重向量，对应第k个卷积核的偏置向量，πk(x)是通过注意力模块学习到的注意力权重。
[0019]
进一步地，所述态卷积多层域自适应网络包括故障模式分类模块与域自适应模块；其中，故障分类模块由一个数据输入层、4个动态卷积层、4个池化层、3个全连接层和1个softmax输出分类层组成，其中最后一层利用softmax激活函数作为sacu控制器健康状态分类器；域自适应模块利用相关对齐(coral)度量多层特征的二阶统计量(协方差)来最小化分布差异，使网络结构能够学习到域不变特征；
[0020]
源域和目标域的特征协方差矩阵为：
[0021][0022]
[0023]
其中1是所有元素等于1的列向量，需要学习的特征分别是和其其ds和d
t
分别对应源域和目标域的对应层特征。
[0024]
进一步地，网络模型在训练时还包括，使动态卷积多层域自适应网络正确的识别机器的健康状态类别并提取域不变特征，故需要计算源域数据在训练过程中的分类损失，对于具有k种故障类别的数据集，其损失可以定义为标准的softmax分类损失，如下式所示：
[0025][0026]
其中m是训练样本量，k是故障类别，p(y|xs)为输出概率；
[0027]
最小化源域和目标域多层特征的二阶统计量差异为：总损失为：采用网络权重参数用随机梯度下降优化算法进行梯度更新：
[0028][0029][0030]
与现有技术相比，本发明所达到的有益效果：利用动态卷积有效的提取多层特征，训练过程中动态调整每层损失的权重超参数，对多层特征进行对齐，提高了网络的诊断性能。解决了目标领域内无故障标签，模型诊断性能因数据分布不同而下降的实际问题，提高故障诊断准确率。可在sacu烟丝风送速度控制器正常运行中情况下，监控设备的运行状况，有效判断设备是否发生故障以及确定故障发生的位置和起因，并对设备后续状态趋势进行预测，可以有效防止事故的发生以及及时合理地对设备进行维修。
附图说明
[0031]
图1是本发明故障诊断装置结构图；
[0032]
图2是本发明域自适应方法示意图；
[0033]
图3是本发明动态卷积结构图。
具体实施方式
[0034]
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
[0035]
如图1所示，公开了一种基于动态卷积多层域自适应的风送速度控制器故障诊断装置，所述装置包括测量装置、sacu风速控制器和故障诊断预警模块；所述测量装置和sacu风速控制器通过信号接口模块与故障诊断预警模块通信连接；所述测量装置用于监测电机工作数据、烟丝管工作数据以及阀门数据；其中，所述电机工作数据包括电机的温度、转速、电流、扭矩及电机震动数据，所述烟丝管工作数据包括烟丝管的负压、风速数据及烟丝风送管道阀门震动数据；
[0036]
所述sacu风速控制器用于采集电机工作状态及烟丝管工作状态数据；所述信号接口模块，用于sacu风速控制器采集到的数据送至故障诊断预警模块；所述故障诊断预警模块用于识别sacu风速控制器是否存在故障信息或异常隐患，若有故障或者异常隐患通过预警模块发出警告。
[0037]
在本实施例中，动态卷积多层域自适应网络(dcmda)，可以同时监控和诊断生产区域内多台sacu烟丝风送速度控制器是否存在故障信息或异常隐患。充分利用其强有力的特征提取能力提取更多有效的故障特征，同时采用相关对齐(coral)执行一个非线性变换，对齐多层故障特征分布的二阶统计量以最小化源域与目标域之间的差异，促进源域的诊断知识向目标域的迁移，提高模型在目标域无故障标签条件下的故障识别准确率。所述故障诊断预警模块为动态卷积多层域自适应网络，所述动态卷积多层域自适应网络包括故障模式分类模块与域自适应模块，其中，故障模式分类模块用于自动学习故障特征，并能够准确的对故障类别进行分类；域自适应模块用于减小源域与目标域之间振动数据的差异，使特征提取器提取到其共有的故障特征。
[0038]
在本实施例中，负压及风速传感器设置在烟丝风送管道内，用于检测管道内负压和风速；电源监测模块用于检测sacu控制供电电源是否存在异常波动的情况；温度和震动传感器安装在sacu控制器的伺服电机及阀门上。
[0039]
实施例2
[0040]
如图2所示，一种基于动态卷积多层域自适应的风送速度控制器故障诊断方法，所述方法包括：
[0041]
采集多个sacu风速控制器的风速调节工况数据；
[0042]
将采集的多个风速调节工况数据输入预先训练的网络模型，输出识别多个工况下设备的健康状态，判断设备是否发生故障以及确定故障发生的位置和起因。
[0043]
所述网络模型在训练时，利用动态卷积多层域自适应网络提取多层特征，在动态卷积内部，输入数据x经过注意力模块得到具有数据依赖性的动态卷积核权重参数，输入数据x经过注意力模块后，得到k个不同权重的注意力参数，k个注意力参数分别与k个初始化的卷积核参数进行乘积，得到k个卷积核，k个卷积核通过加权组合得到一个具有数据依赖的动态卷积核，最后进行归一化与激活操作，得到网络模型；
[0044]
所述动态卷积多层域自适应网络具有k个卷积核，通过注意力权重{πk(x)}进行聚合，计算公式为：
[0045][0046][0047][0048]
在聚合卷积后使用批归一化和激活函数(如relu)来构建动态卷积层。
[0049]
所述态卷积多层域自适应网络包括故障模式分类模块与域自适应模块；其中，故障分类模块由一个数据输入层、4个动态卷积层、4个池化层、3个全连接层和1个softmax输出分类层组成，其中最后一层利用softmax激活函数作为sacu控制器健康状态分类器；域自
适应模块利用相关对齐(coral)度量多层特征的二阶统计量(协方差)来最小化分布差异，使网络结构能够学习到域不变特征。源域和目标域的特征协方差矩阵为：
[0050][0051][0052]
其中1是所有元素等于1的列向量，需要学习的特征分别是和其中θe是对应网络层的可学习参数，提出的多层域适应是去度量每一层的协方差，则其ds和d
t
分别对应源域和目标域的对应层特征。
[0053]
网络模型在训练时还包括，使动态卷积多层域自适应网络正确的识别机器的健康状态类别并提取域不变特征，故需要计算源域数据在训练过程中的分类损失，对于具有k种故障类别的数据集，其损失可以定义为标准的softmax分类损失，如下式所示。
[0054][0055]
其中m是训练样本量，k是故障类别，p(y|xs)为输出概率。
[0056]
最小化源域和目标域多层特征的二阶统计量差异为：总损失为：采用网络权重参数用随机梯度下降优化算法进行梯度更新：
[0057][0058][0059]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。