本申請(qǐng)涉及電機(jī)故障診斷，尤其涉及一種構(gòu)建電機(jī)故障診斷模型的方法、裝置和電機(jī)故障診斷方法。

背景技術(shù)：

1、隨著工業(yè)自動(dòng)化的不斷發(fā)展，伺服電機(jī)在軍工、航天、礦山設(shè)備、工業(yè)制造等領(lǐng)域被廣泛應(yīng)用。然而，伺服電機(jī)在運(yùn)行過程中會(huì)出現(xiàn)各種故障，如繞組短路、功率元件失效等，這將嚴(yán)重影響設(shè)備的正常運(yùn)行。因此，對(duì)伺服電機(jī)實(shí)施有效的健康管理與故障診斷至關(guān)重要。在航空領(lǐng)域中，電機(jī)作為液壓泵的動(dòng)力來源，其工作狀態(tài)直接影響整個(gè)機(jī)載液壓系統(tǒng)的性能，當(dāng)電機(jī)出現(xiàn)早期故障時(shí)必須即時(shí)采取故障隔離措施，避免出現(xiàn)嚴(yán)重的飛行事故。

2、目前，針對(duì)電機(jī)故障診斷任務(wù)的主要研究方法為基于模型的故障診斷方法和基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法，該方法通過建立電機(jī)的數(shù)學(xué)模型，模擬電機(jī)在健康和各類故障狀態(tài)下的電流、電壓、振動(dòng)響應(yīng)規(guī)律，再基于信號(hào)分析方法對(duì)所采集的電流、電壓、振動(dòng)信號(hào)進(jìn)行特征提取和篩選，進(jìn)而基于一定的規(guī)則和閾值對(duì)提取的特征進(jìn)行分類和識(shí)別，從而實(shí)現(xiàn)故障診斷任務(wù)，該方法對(duì)電機(jī)的建模精度、監(jiān)測(cè)信號(hào)的質(zhì)量要求極高，極易受到噪聲的干擾?；跀?shù)據(jù)驅(qū)動(dòng)的方法直接依靠帶標(biāo)簽的樣本數(shù)據(jù)訓(xùn)練出一個(gè)故障診斷神經(jīng)網(wǎng)絡(luò)模型，可對(duì)隱藏在原始監(jiān)測(cè)信號(hào)中的故障敏感特征向量進(jìn)行自適應(yīng)提取與故障識(shí)別，可實(shí)現(xiàn)原始監(jiān)測(cè)數(shù)據(jù)到故障模式的端到端診斷。但是，基于數(shù)據(jù)驅(qū)動(dòng)的電機(jī)故障智能診斷方法需要實(shí)際工作狀態(tài)下的帶標(biāo)簽故障數(shù)據(jù)集，而在實(shí)際工業(yè)場(chǎng)景中難于獲取樣本量充足的全故障種類數(shù)據(jù)集，這嚴(yán)重制約了基于神經(jīng)網(wǎng)絡(luò)的智能故障診斷算法的工程化應(yīng)用場(chǎng)景。

3、在實(shí)際工業(yè)場(chǎng)景中，被檢測(cè)對(duì)象在健康工作狀態(tài)下的監(jiān)測(cè)樣本數(shù)據(jù)量充足，如何在零故障樣本條件下僅基于健康數(shù)據(jù)實(shí)現(xiàn)對(duì)電機(jī)異常工作狀態(tài)的監(jiān)測(cè)，是實(shí)際工程化場(chǎng)景中亟待解決的難題。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本申請(qǐng)?zhí)峁┮环N構(gòu)建電機(jī)故障診斷模型的方法、裝置和電機(jī)故障診斷方法，用以在零故障樣本條件下，實(shí)現(xiàn)對(duì)電機(jī)故障的監(jiān)測(cè)。

2、具體地，本申請(qǐng)是通過如下技術(shù)方案實(shí)現(xiàn)的：

3、本申請(qǐng)第一方面提供一種構(gòu)建電機(jī)故障診斷模型的方法，所述方法用于在零故障樣本條件下構(gòu)建電機(jī)故障診斷模型，所述方法包括：

4、構(gòu)建初始模型；其中，所述初始模型包括生成器和判別器；所述生成器包括第一編碼器、解碼器和第二編碼器；所述第一編碼器用于對(duì)輸入的原始狀態(tài)數(shù)據(jù)進(jìn)行特征提取，得到第一特征向量，所述解碼器，用于基于所述第一特征向量進(jìn)行數(shù)據(jù)重建，得到重建狀態(tài)數(shù)據(jù)，所述第二編碼器用于對(duì)所述重建狀態(tài)數(shù)據(jù)進(jìn)行特征提取，得到第二特征向量；所述判別器用于根據(jù)所述原始狀態(tài)數(shù)據(jù)和所述重建狀態(tài)數(shù)據(jù)輸出分類結(jié)果；其中，所述判別器根據(jù)輸入數(shù)據(jù)的真實(shí)性輸出分類損失，用于區(qū)分真實(shí)數(shù)據(jù)和重建數(shù)據(jù)；所述生成器以數(shù)據(jù)重建損失、編碼損失和所述分類損失的加權(quán)損失作為損失；所述數(shù)據(jù)重建損失用所述重建狀態(tài)數(shù)據(jù)和所述原始狀態(tài)數(shù)據(jù)的差異表征；所述編碼損失用所述第二特征向量和所述第一特征向量的差異表征；

5、獲取電機(jī)在健康狀態(tài)下的多組健康狀態(tài)數(shù)據(jù)，并將所述多組健康狀態(tài)數(shù)據(jù)作為訓(xùn)練樣本集；

6、基于對(duì)抗訓(xùn)練技術(shù)，利用所述訓(xùn)練樣本集訓(xùn)練所述初始模型，得到電機(jī)故障診斷模型；所述電機(jī)故障診斷模型用于基于輸入的狀態(tài)數(shù)據(jù)，輸出該狀態(tài)數(shù)據(jù)對(duì)應(yīng)的編碼損失和該狀態(tài)數(shù)據(jù)對(duì)應(yīng)的分類結(jié)果，以基于該編碼損失和該分類結(jié)果聯(lián)合進(jìn)行故障診斷。

7、本申請(qǐng)第二方面提供一種電機(jī)故障診斷方法，所述電機(jī)故障診斷方法基于所述電機(jī)故障診斷模型實(shí)現(xiàn)，所述電機(jī)故障診斷模型基于本申請(qǐng)第一方面所述的構(gòu)建電機(jī)故障診斷模型的方法構(gòu)建得到；所述方法包括：

8、獲取電機(jī)的實(shí)時(shí)狀態(tài)數(shù)據(jù)；

9、將所述實(shí)時(shí)狀態(tài)數(shù)據(jù)輸入到所述電機(jī)故障診斷模型中，以由所述電機(jī)故障診斷模型輸出所述實(shí)時(shí)狀態(tài)數(shù)據(jù)對(duì)應(yīng)的實(shí)時(shí)編碼損失和實(shí)時(shí)分類結(jié)果；

10、在所述實(shí)時(shí)分類結(jié)果為假，且所述實(shí)時(shí)編碼損失大于預(yù)設(shè)閾值時(shí)，確定所述實(shí)時(shí)狀態(tài)數(shù)據(jù)為異常數(shù)據(jù)，所述電機(jī)故障；其中，所述預(yù)設(shè)閾值為所述電機(jī)故障模型的基準(zhǔn)編碼損失和預(yù)設(shè)裕度的和值；所述基準(zhǔn)編碼損失為所述電機(jī)故障模型對(duì)預(yù)設(shè)數(shù)量組健康狀態(tài)數(shù)據(jù)進(jìn)行處理時(shí)得到的預(yù)設(shè)數(shù)量個(gè)編碼損失的平均值。

11、本申請(qǐng)第三方面提供一種構(gòu)建電機(jī)故障診斷模型的裝置，所述裝置包括構(gòu)建模塊、獲取模塊和訓(xùn)練模塊；其中：

12、所述構(gòu)建模塊，用于構(gòu)建初始模型；其中，所述初始模型包括生成器和判別器；所述生成器包括第一編碼器、解碼器和第二編碼器；所述第一編碼器用于對(duì)輸入的原始狀態(tài)數(shù)據(jù)進(jìn)行特征提取，得到第一特征向量，所述解碼器，用于基于所述第一特征向量進(jìn)行數(shù)據(jù)重建，得到重建狀態(tài)數(shù)據(jù)，所述第二編碼器用于對(duì)所述重建狀態(tài)數(shù)據(jù)進(jìn)行特征提取，得到第二特征向量；所述判別器用于根據(jù)所述原始狀態(tài)數(shù)據(jù)和所述重建狀態(tài)數(shù)據(jù)輸出分類結(jié)果；其中，所述判別器根據(jù)輸入數(shù)據(jù)的真實(shí)性輸出分類損失，用于區(qū)分真實(shí)數(shù)據(jù)和重建數(shù)據(jù)；所述生成器以數(shù)據(jù)重建損失、編碼損失和所述分類損失的加權(quán)損失作為損失；所述數(shù)據(jù)重建損失用所述重建狀態(tài)數(shù)據(jù)和所述原始狀態(tài)數(shù)據(jù)的差異表征；所述編碼損失用所述第二特征向量和所述第一特征向量的差異表征；

13、所述獲取模塊，用于獲取電機(jī)在健康狀態(tài)下的多組健康狀態(tài)數(shù)據(jù)，并將所述多組健康狀態(tài)數(shù)據(jù)作為訓(xùn)練樣本集；

14、所述訓(xùn)練模塊，用于基于對(duì)抗訓(xùn)練技術(shù)，利用所述訓(xùn)練樣本集訓(xùn)練所述初始模型，得到電機(jī)故障診斷模型；所述電機(jī)故障診斷模型用于基于輸入的狀態(tài)數(shù)據(jù)，輸出該狀態(tài)數(shù)據(jù)對(duì)應(yīng)的編碼損失和該狀態(tài)數(shù)據(jù)對(duì)應(yīng)的分類結(jié)果，以基于該編碼損失和該分類結(jié)果聯(lián)合進(jìn)行故障診斷。

15、本申請(qǐng)?zhí)峁┑臉?gòu)建電機(jī)故障診斷模型的方法、裝置和電機(jī)故障診斷方法，通過構(gòu)建初始模型，并獲取電機(jī)在健康狀態(tài)下的多組健康狀態(tài)數(shù)據(jù)，進(jìn)而將這多組健康狀態(tài)數(shù)據(jù)作為訓(xùn)練樣本集，基于對(duì)抗訓(xùn)練技術(shù)，利用訓(xùn)練樣本集訓(xùn)練初始模型，得到電機(jī)故障診斷模型，這樣，第一方面，通過生成器和判別器的對(duì)抗訓(xùn)練機(jī)制，模型能夠通過對(duì)健康狀態(tài)數(shù)據(jù)的學(xué)習(xí)，識(shí)別潛在的異常狀態(tài)，給出了一種零故障樣本條件下構(gòu)建電機(jī)故障診斷模型的方法，其能夠僅依靠實(shí)際工業(yè)場(chǎng)景中豐富且方便獲取的健康狀態(tài)數(shù)據(jù)作為訓(xùn)練樣本，即可訓(xùn)練出具備電機(jī)異常狀態(tài)識(shí)別能力的電機(jī)故障診斷模型，實(shí)現(xiàn)故障監(jiān)測(cè)任務(wù)，此外，該電機(jī)故障診斷模型僅依靠健康狀態(tài)數(shù)據(jù)進(jìn)行訓(xùn)練，克服了基于深度學(xué)習(xí)技術(shù)的智能故障診斷算法對(duì)先驗(yàn)數(shù)據(jù)集完備性的要求，大幅降低了算法的開發(fā)成本，提升了應(yīng)用性和實(shí)用性；第二方面，該電機(jī)故障診斷模型只依賴健康狀態(tài)數(shù)據(jù)進(jìn)行訓(xùn)練，且生成器通過多重?fù)p失函數(shù)的優(yōu)化，使得模型對(duì)健康狀態(tài)數(shù)據(jù)的建模更加準(zhǔn)確，從而能夠?qū)撛诘墓收线M(jìn)行精確的檢測(cè)和診斷；第三方面，該模型輸出狀態(tài)數(shù)據(jù)對(duì)應(yīng)的編碼損失和分類結(jié)果，通過聯(lián)合編碼損失和分類結(jié)果，能夠更好地識(shí)別故障。

技術(shù)特征：

1.一種構(gòu)建電機(jī)故障診斷模型的方法，其特征在于，所述方法用于在零故障樣本條件下構(gòu)建電機(jī)故障診斷模型，所述方法包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，在基于編碼損失和分類結(jié)果聯(lián)合進(jìn)行故障診斷時(shí)，所述電機(jī)故障診斷模型基于過擬合的特性，在輸入的狀態(tài)數(shù)據(jù)為未學(xué)習(xí)過的故障狀態(tài)數(shù)據(jù)時(shí)，輸出的編碼損失大于所述電機(jī)故障診斷模型的基準(zhǔn)編碼損失；所述基準(zhǔn)編碼損失為所述電機(jī)故障診斷模型對(duì)預(yù)設(shè)數(shù)量組的健康狀態(tài)數(shù)據(jù)進(jìn)行處理時(shí)的多個(gè)編碼損失的平均值。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述第一編碼器、所述解碼器和所述第二編碼器采用全連接神經(jīng)網(wǎng)絡(luò)作為基本網(wǎng)絡(luò)結(jié)構(gòu)。

4.根據(jù)權(quán)利要求1或3所述的方法，其特征在于，在狀態(tài)數(shù)據(jù)為圖片形式的數(shù)據(jù)時(shí)，所述第一編碼器和所述第二編碼器采用卷積神經(jīng)網(wǎng)絡(luò)；所述解碼器采用反卷積神經(jīng)網(wǎng)絡(luò)。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述電機(jī)的一組狀態(tài)數(shù)據(jù)包括電機(jī)的所有狀態(tài)參數(shù)中的特定狀態(tài)參數(shù)，所述特定狀態(tài)參數(shù)為與電機(jī)的健康狀態(tài)強(qiáng)相關(guān)的狀態(tài)參數(shù)。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述特定狀態(tài)參數(shù)的確定方法，包括：

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述重建狀態(tài)數(shù)據(jù)和所述原始狀態(tài)數(shù)據(jù)的差異和/或所述第二特征向量和所述第一特征向量的差異為曼哈頓距離或歐幾里德距離。

8.一種電機(jī)故障診斷方法，其特征在于，所述電機(jī)故障診斷方法基于電機(jī)故障診斷模型實(shí)現(xiàn)，所述電機(jī)故障診斷模型基于權(quán)利要求1-7任一項(xiàng)所述的構(gòu)建電機(jī)故障診斷模型的方法構(gòu)建得到；所述方法包括：

9.根據(jù)權(quán)利要求8所述的方法，其特征在于，所述基準(zhǔn)編碼損失的確定過程，包括：

10.一種構(gòu)建電機(jī)故障診斷模型的裝置，其特征在于，所述裝置包括構(gòu)建模塊、獲取模塊和訓(xùn)練模塊；其中：

技術(shù)總結(jié)
本申請(qǐng)?zhí)峁┮环N構(gòu)建電機(jī)故障診斷模型的方法、裝置和電機(jī)故障診斷方法。本申請(qǐng)?zhí)峁┑姆椒?，包括：?gòu)建初始模型；獲取電機(jī)在健康狀態(tài)下的多組健康狀態(tài)數(shù)據(jù)，并將多組健康狀態(tài)數(shù)據(jù)作為訓(xùn)練樣本集；基于對(duì)抗訓(xùn)練技術(shù)，利用訓(xùn)練樣本集訓(xùn)練初始模型，得到電機(jī)故障診斷模型；電機(jī)故障診斷模型用于基于輸入的狀態(tài)數(shù)據(jù)，輸出該狀態(tài)數(shù)據(jù)對(duì)應(yīng)的編碼損失和該狀態(tài)數(shù)據(jù)對(duì)應(yīng)的分類結(jié)果，以基于該編碼損失和該分類結(jié)果聯(lián)合進(jìn)行故障診斷。本申請(qǐng)?zhí)峁┑臉?gòu)建電機(jī)故障診斷模型的方法、裝置和電機(jī)故障診斷方法，只依賴健康狀態(tài)數(shù)據(jù)進(jìn)行訓(xùn)練，且生成器通過多重?fù)p失函數(shù)的優(yōu)化，使得模型對(duì)健康狀態(tài)數(shù)據(jù)的建模更加準(zhǔn)確，從而能夠?qū)撛诘墓收线M(jìn)行精確的檢測(cè)和診斷。

技術(shù)研發(fā)人員：姚葉明,吉孟宇,常誠(chéng),郭文軍,朱銀鋒,王小平,馬健
受保護(hù)的技術(shù)使用者：中國(guó)航空工業(yè)集團(tuán)公司金城南京機(jī)電液壓工程研究中心
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19