一种基于一维多尺度卷积的多传感器曳引机失磁监测方法与流程

技术特征：
1.一种基于一维多尺度卷积的多传感器曳引机失磁监测方法，其特征在于，具体步骤为：s1：从已有资料中收集永磁同步曳引机失磁表现形式并筛选出失磁表现下的失磁敏感特征参数，结合电梯控制系统，确定所需多路传感器类型及传感器布置形式；s2：将确定的多路传感器按布置形式设置在永磁同步曳引机上，通过多路传感器采集永磁同步曳引机典型工况下的失磁特征信号数据，构建代表性的失磁特征数据库；s3：依据各失磁敏感特征物理属性及敏感表现形式，对失磁特征信号数据库中的特征信号数据进行预处理，更新失磁特征数据库；s4：搭建轻量化的网络模型，引入深度可分离方法建立多传感器信息融合框架，各传感器通道搭建多尺度特征提取模块，采用堆叠整合多尺度提取特征，引入通道注意力机制以指导网络关注对失磁分类的特征信息；s5：依据失磁程度区间划分，确定网络的输出类型；进行网络配置及网络训练。2.根据权利要求1所述的一种基于一维多尺度卷积的多传感器曳引机失磁监测方法，其特征在于：所述失磁敏感特征参数包括永磁同步曳引机的失磁故障特征相电流、负载端温升变化率、曳引轮输出转速脉动、正常运行时曳引轮的动态输出扭矩和机身振动参数；所述所需多路传感器类型及传感器布置形式，具体为：对于采用id＝0控制的永磁同步曳引机控制系统，在永磁同步曳引机控制系统中设置转速监测传感器、设置转子位置监测传感器、在三相电源逆变器上设置电流传感器、在机壳上设置机壳温度传感器、在转轴上设置扭矩传感器和在机身上设置机身振动加速度传感器。3.根据权利要求1所述的一种基于一维多尺度卷积的多传感器曳引机失磁监测方法，其特征在于：所取典型工况为：满载启动上升、满载匀速上升、空载启动上升、空载匀速上升、满载上升制动、空载上升制动、满载启动下降、满载匀速下降、空载启动下降、空载匀速下降、满载下降制动和空载下降制动。4.根据权利要求1所述的一种基于一维多尺度卷积的多传感器曳引机失磁监测方法，其特征在于：所述失磁特征信号数据为电流传感器采样的永磁同步曳引机各典型运行工况下的相电流、机壳温度传感器采样的永磁同步曳引机各典型运行工况下的负载端温升变化、转子位置监测传感器预采样的永磁同步曳引机各典型运行工况下的曳引轮输出转速脉动、扭矩传感器预采样的永磁同步曳引机各典型运行工况下曳引轮的动态输出扭矩和惯性测振仪预采样的永磁同步曳引机各典型运行工况下的机身振动信号数据。5.根据权利要求1所述的一种基于一维多尺度卷积的多传感器曳引机失磁监测方法，其特征在于：所述对失磁特征数据库中的特征信号数据进行预处理是指按照数据物理特性和敏感表现形式分别处理，具体为：对于机身振动信号数据，采用加窗函数进行处理，即将长度为l的窗口以滑动步长s在长度为n的特征信号数据上重叠采样，并进行归一化；对于动态输出扭矩和转速脉动特征信号数据，将其分为启停过程信号与稳定运行脉动信号，对于启停过程信号数据，采用同除不失磁稳定运行最大转矩的处理方式；对于稳定运行脉动特征信号数据，采用同机身振动一样的处理方式，即将长度为l的窗口以滑动步长s在长度为n的特征信号数据上重叠采样，并进行归一化；
对于相电流特征信号数据，对稳定运行信号进行归一化处理；对于负载端温升变化特征信号数据，采取同除不失磁稳定运行状态温升的处理方式。6.根据权利要求1所述的一种基于一维多尺度卷积的多传感器曳引机失磁监测方法，其特征在于：所述多尺度特征提取模块为采用涵盖大中小三个特征尺度的卷积核，对各个阶段频率的信息敏感；所述采用堆叠整合多尺度提取特征，指采用堆叠方式处理提取特征，而不采用相加的方式，以大限度的保存各个多尺度模块提取的特征信息；所述引入深度可分离方法建立多传感器信息融合框架，具体为：特征融合采用逐点卷积的方式，逐点卷积后采用全局池化的方式，以削减网络参数；特别的，在softmax分类前取消flatten接全连接层方式，而改用全局平局池化，来进一步减少参数量；所述通道注意力机制，具体为：经多尺度模块提取特征参数后，堆叠特征分别经过一维全局平均池化和一维全局最大池化，整合全局特征信息；经调整维度后，将两池化结果分别进行无偏置项的一维卷积，捕获各通道特征间的相互关系，然后将两路卷积结果相加后经过激活函数，为各通道生成自适应权重，所得自适应权重并与堆叠层特征进行相乘，进入特征融合环节。7.根据权利要求1所述的一种基于一维多尺度卷积的多传感器曳引机失磁监测方法，其特征在于：依据失磁程度区间划分，确定网络的输出类型，具体为：将失磁程度区间划分为三个阶段，即轻度失磁、中度失磁和重度失磁阶段；依据此确定网络的输出类型为4种诊断标签：不失磁情况、轻度失磁、中度失磁和重度失磁，将处理后的特征信号数据，赋予上述4种诊断标签，并对诊断标签采用one-hot编码形式。8.根据权利要求1所述的一种基于一维多尺度卷积的多传感器曳引机失磁监测方法，其特征在于：所述网络配置，具体为优化器选用自适应矩估计adma方法，可自适应调整每个参数学习率，配合以交叉熵作为损失函数，在模型效果较差时可加快收敛速度，使得训练数据分布贴近于真实数据分布；所述网络训练，指将处理好的特征信号数据按比例划分给训练集和测试集，并分别将训练数据和测试数据进行随机排序，喂入网络，并在训练期间通过噪声注入，提高网络抗噪声能力；为保证训练参数维度特征一致性，各通道采用同样长度的数据进行训练，且均采用全零填充；特征信号数据长度n取值，取到与采样初始相位无关的特性，至少包括一个信号周期，在相同采样频率之下，以故障空间信号中特征最低频率为基准。9.根据权利要求1～8任一项所述的一种基于一维多尺度卷积的多传感器曳引机失磁监测方法，其特征在于：考虑电梯为载人特种设备，为保证系统运行安全可靠性，采用系统外围的诊断方法，在不干扰曳引系统运行的情况下，进行信号的特征提取和曳引机失磁诊断。

技术总结
本发明涉及一种基于一维多尺度卷积的多传感器曳引机失磁监测方法。主要解决传统的卷积网络存在的难以准确拟刻画出其中蕴含的多变量、非线性的关系的技术问题。本发明采用的技术方案是：该失磁监测方法的具体步骤为：S1：从已有资料中收集失磁敏感特征参数，确定所需多路传感器类型及传感器布置形式；S2：通过多路传感器采集永磁同步曳引机典型工况下的失磁特征信号数据，构建代表性的失磁特征数据库；S3：依据各失磁敏感特征物理属性及敏感表现形式，对失磁特征信号数据库中的特征信号数据进行预处理，更新失磁特征数据库；S4：搭建轻量化的网络模型；S5：依据失磁程度区间划分，确定网络的输出类型；进行网络配置及网络训练。进行网络配置及网络训练。进行网络配置及网络训练。


技术研发人员：杨恒 王震 邱勇军 张鹏 王超 张波
受保护的技术使用者：重庆市特种设备检测研究院 陕西省特种设备检验检测研究院
技术研发日：2022.11.02
技术公布日：2023/2/3