本发明涉及机器故障识别,尤其涉及一种异步电机故障识别方法、装置、设备及存储介质。
背景技术:
1、电机是机械运转设备的动力源,其中异步电机占机械运转设备的90%以上。异步电机在运行过程中常处于高负荷和交变负荷工况,在长期的运行过程中难以避免地会出现故障,而一旦在生产关键环节中电机发生故障,轻则设备运行中断、工作效率降低、能源消耗增加,重则整个系统运行崩溃,产生巨大的经济损失,造成人员伤亡。因此,针对异步电机故障识别的研究,具有重要的理论价值和实际意义。
2、近年来,使用深度学习进行故障识别的方法逐渐兴起,通过引入深度学习中的卷积神经网络和循环神经网络,可以实现对异步电机故障识别的效果。然而为了提升识别准确度,现有的深度卷积神经网络在进行特征提取时,需要采用复杂性高的计算方法,并易于产生过拟合的缺陷。进而如何解决更高准确度与更简洁的计算之间的矛盾,是一个亟待解决的问题。
3、上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是相关技术。
技术实现思路
1、本发明的主要目的在于提供了一种异步电机故障识别方法、装置、设备及存储介质,旨在解决现有的进行电机故障识别的方法中,更高准确度与更简洁的计算之间的矛盾的技术问题。
2、为实现上述目的,本发明提供了一种异步电机故障识别方法,所述方法包括以下步骤:
3、获取目标电机的运行数据;
4、通过预设故障识别模型对所述运行数据进行故障识别,获得所述目标电机的故障识别结果,所述预设故障识别模型包括依次连接的inception模块、注意力模块以及ibigru模块,所述inception模块用于对所述运行数据进行多尺度特征提取,获得尺度特征,所述注意力模块用于对所述尺度特征进行权重赋值,所述ibigru模块采用嵌入dropout层的gru结构,所述ibigru模块用于对经过权重赋值的所述尺度特征进行基于时间相关性的特征提取,获得所述运行数据的时序特征信息。
5、可选地,所述预设故障识别模型还包括与所述时序特征提取模块连接的分类器模块,所述通过预设故障识别模型对所述运行数据进行故障识别,获得所述目标电机的故障识别结果,包括:
6、通过所述inception模块对所述运行数据进行基于残差结构的多尺度特征提取,获得尺度特征;
7、通过所述注意力模块对所述尺度特征进行权重赋值,并基于权重值获得目标特征;
8、通过所述ibigru模块对所述目标特征进行基于时间相关性的特征提取,获得包含目标特征间时间依赖关系的时序特征信息;
9、通过所述分类器模块对所述时序特征信息采用softmax激活函数进行识别,获得所述目标电机的故障识别结果。
10、可选地,所述注意力模块包括通道注意力子模块和空间注意力子模块,所述通过所述注意力模块对所述尺度特征进行权重赋值,并基于权重值获得目标特征,包括:
11、通过所述通道注意力子模块对所述尺度特征进行池化,对经过池化的所述尺度特征采用mlp进行处理,获得第一目标特征;
12、通过所述空间注意力子模块对所述第一目标特征进行池化,对经过池化的所述第一目标特征进行通道拼接与卷积,获得空间注意力特征权重;
13、通过所述空间注意力子模块根据所述空间注意力特征权重和所述第一目标特征,获得目标特征。
14、可选地,所述通过所述通道注意力子模块对所述尺度特征进行池化,对经过池化的所述尺度特征采用mlp进行处理,获得第一目标特征,包括:
15、通过所述通道注意力子模块对所述尺度特征进行全局最大池化和全局平均池化;对经过池化的所述尺度特征通过mlp进行映射处理,得到通道映射关系;对所述尺度特征进行求和以及函数激活,得到通道注意力权重;将所述通道注意力权重结合所述通道映射关系获得第一目标特征。
16、可选地,所述获取目标电机的运行数据,包括:
17、获取目标电机的原始振动信号,并将所述原始振动信号基于采样点幅值进行标准化处理;
18、对经过标准化处理的所述原始振动信号基于采样点数值进行子区域划分,获得各子区域及对应的灰度值;
19、根据所述各子区域及对应的灰度值生成灰度图像,获得目标电机的运行数据。
20、可选地,所述inception模块包括预设级数个相连的残差结构组,所述残差结构组包括顺次相连的卷积层、归一化层和relu层;
21、所述卷积层用于对输入数据进行尺度特征提取,获得当前级尺度特征;所述归一化层和所述relu层用于对所述当前级尺度特征进行输出处理,并将经过输出处理的当前级尺度特征发送至下一级残差结构组中的卷积层,作为所述下一级残差结构组的输入数据。
22、可选地,所述通过预设故障识别模型对所述运行数据进行故障识别,获得所述目标电机的故障识别结果之前,包括:
23、获取异步电机公共数据集,并基于预设比例将所述异步电机公共数据集划分为训练集和测试集;
24、通过所述训练集和所述测试集对待训练的初始故障识别模型进行迭代训练,获得预设故障识别模型。
25、此外,为实现上述目的,本发明还提出一种异步电机故障识别设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的异步电机故障识别程序,所述异步电机故障识别程序配置为实现如上文所述的异步电机故障识别方法的步骤。
26、此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储异步电机故障识别程序,所述异步电机故障识别程序被处理器执行时实现如上文所述的异步电机故障识别方法的步骤。
27、本发明中,公开了获取目标电机的运行数据;通过预设故障识别模型对所述运行数据进行故障识别,获得所述目标电机的故障识别结果,所述预设故障识别模型包括依次连接的inception模块、注意力模块以及ibigru模块,所述inception模块用于对所述运行数据进行多尺度特征提取,获得尺度特征,所述注意力模块用于对尺度特征进行权重赋值,所述ibigru模块采用嵌入dropout层的gru结构,所述ibigru模块用于对经过权重赋值的所述尺度特征进行基于时间相关性的特征提取,获得所述运行数据的时序特征信息。由于本发明预设故障识别模型添加了inception模块、注意力模块以及包含有dropout层的ibigru模块,能够在降低计算复杂度的同时充分挖掘出数据的特征信息,实现异步电机的故障识别。
1.一种异步电机故障识别方法,其特征在于,所述方法包括:
2.如权利要求1所述的异步电机故障识别方法,其特征在于,所述预设故障识别模型还包括与所述时序特征提取模块连接的分类器模块,所述通过预设故障识别模型对所述运行数据进行故障识别,获得所述目标电机的故障识别结果,包括:
3.如权利要求2所述的异步电机故障识别方法,其特征在于,所述注意力模块包括通道注意力子模块和空间注意力子模块,所述通过所述注意力模块对所述尺度特征进行权重赋值,并基于权重值获得目标特征,包括:
4.如权利要求3所述的异步电机故障识别方法,其特征在于,所述通过所述通道注意力子模块对所述尺度特征进行池化,对经过池化的所述尺度特征采用mlp进行处理,获得第一目标特征,包括:
5.如权利要求1所述的异步电机故障识别方法,其特征在于,所述获取目标电机的运行数据,包括:
6.如权利要求2所述的异步电机故障识别方法,其特征在于,所述inception模块包括预设级数个相连的残差结构组,所述残差结构组包括顺次相连的卷积层、归一化层和relu层;
7.如权利要求1所述的异步电机故障识别方法,其特征在于,所述通过预设故障识别模型对所述运行数据进行故障识别,获得所述目标电机的故障识别结果之前,包括:
8.一种异步电机故障识别装置,其特征在于,所述装置包括:
9.一种异步电机故障识别设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的异步电机故障识别程序,所述异步电机故障识别程序配置为实现如权利要求1至7中任一项所述的异步电机故障识别方法的步骤。
10.一种存储介质,其特征在于,所述存储介质上存储有异步电机故障识别程序,所述异步电机故障识别程序被处理器执行时实现如权利要求1至7任一项所述的异步电机故障识别方法的步骤。