一种基于多模态特征学习的线圈故障智能诊断方法及装置与流程

1.本发明涉及磁平衡传感器线圈故障智能诊断技术领域，具体涉及一种基于多模态特征学习的线圈故障智能诊断方法及装置。


背景技术：

2.由于磁平衡传感器常被用于复杂多变的工业环境中，受供电情况和负载状况的影响，在长期连续运行期间，线圈不可避免地会发生各种故障。这些故障会严重影响线圈运行的可靠性和安全性。如果无法被及时地诊断和修复，它们会导致传感器损坏，造成严重的用电设备损坏和财产损失。
3.线圈故障现象多样，但归结起来就两类，一类是电气故障，例如电流、电压、频率、功率等；另一类是机械故障，骨架松动，线圈脱落或断裂，匝间短路等。通常人们都只注重线圈故障特征中的一种，例如只考虑电流信号或者振动信号其中之一，但线圈发生故障时其表现将是多方面的，这种方法耗时且存在故障遗漏；现有的线圈故障智能诊断方法性能低、准确性不高。


技术实现要素：

4.本发明所要解决的技术问题是现有线圈故障智能诊断方法的诊断性能低、准确性不高的问题，本发明目的在于提供一种基于多模态特征学习的线圈故障智能诊断方法及装置，可以从上述多种可能因素中提取信息作为故障特征以供诊断(本发明以提取电流信号和振动信号特征进行方法说明)，提出基于多模态特征学习和稀疏表示的故障智能诊断方法。
5.本发明通过下述技术方案实现：
6.第一方面，本发明提供了一种基于多模态特征学习的线圈故障智能诊断方法，该方法包括以下步骤：
7.获取线圈的多种特征数据信息，每种特征数据作为一个模态的数据；
8.根据线圈的多种特征数据信息，构建线圈的多特征数据稀疏约束模型；并根据线圈的多种特征数据信息，对线圈故障(数据错误)进行建模，得到线圈的重构故障模型；
9.根据线圈的重构故障模型，融合各模态处理后的数据，得到基于多模态特征学习的线圈故障诊断模型目标函数；对所述基于多模态特征学习的线圈故障诊断模型目标函数进行求解，得到线圈某个模态信号下，线圈的故障e；根据e的大小判断线圈的故障原因。
10.其中，根据e的大小判断线圈的故障原因，故障判断方法是：e
ij
表示e中第i行第j列个元素，当时，则判断线圈有故障，δ是线圈的品质系数，表示线圈质量，即可抗干扰的能力，本发明中δ取感抗(或容抗)与其等效的电阻的比值；为了进一步判断是何种故障引起的故障，可以进一步计算各模态下的当其大于0则判断为有该类故障。
11.工作原理如下：
12.基于现有线圈故障智能诊断方法的诊断性能低、准确性不高的问题，本发明设计了一种基于电流信号和振动信号等多模态特征学习的磁平衡传感器线圈故障智能诊断方法，本发明考虑到利用信号具有多种模态，利用稀疏约束通过更小的数据量来反映传感器线圈信号的本质特征，并根据发生故障(如匝间短路)后，其电流和振动等信号的幅值都将增大并出现谐波(噪声)，因此可通过对其噪声建模，根据线圈的故障e的大小判断其故障原因。多模态信号处理方法尚未被应用于电流信号、振动信号、电压信号等电信号的分析和处理。对于这些电参数信号而言，单一模态很难提供系统运行过程中有关噪声干扰的完整信息。多模态融合方式能够将来自不同模态特征信息进行整合，汲取不同模态的优点，完成对信息的整合。对电信号而言，对提取的不同模态特征进行融合的难点是特征信号多是微弱信号，特征差异不明显。针对这种情况，在电信号多模态处理时我们对其信号特征放大。本发明的多模态融合方法如图2所示。本发明提出在对故障线圈进行诊断前需进行特征提取具体方法如下，首先将故障线圈放在振动台通电测试，然后从故障线圈中分别提取电流信号和振动信号，最后进行故障模型建模，诊断分析。
13.本发明的基于多模态特征学习的线圈故障智能诊断方法，提高了线圈故障的诊断性能和准确性；该方法不限于传感器线圈故障诊断，可推广应用于电机线圈，发动机线圈以及变压器磁芯等。
14.进一步地，所述线圈的多种特征数据信息包括线圈的电流信号、振动信号。
15.进一步地，根据线圈的多种特征数据信息，构建线圈的多特征数据稀疏约束模型；所述线圈的多特征数据稀疏约束模型表示为：
[0016][0017]
其中，d
(v)
表示线圈的第v个模态的特征，d表示一个m行n列的特征信号组成的矩阵，λ1表示对稀疏约束项的平衡参数；||
·
||1是l1范数，其表示稀疏约束；稀疏表示理论的原理就是将一个非稀疏的原信号通过字典矩阵转换为稀疏的系数，用后者来表示原信号。故而稀疏表示又称为稀疏编码。本步骤设计稀疏表示系数目的是通过更小的数据量来反映传感器线圈信号的本质特征。简言之，稀疏表示系数包含了原信号的信息。
[0018]
进一步地，根据线圈的多种特征数据信息，对线圈故障(数据错误)进行建模，得到线圈的重构故障模型；所述线圈的重构故障模型表示为：
[0019][0020]
其中，λ2是的平衡参数；e表示一个m行n列的误差矩阵，e
(v)
表示第v个模态信号时，线圈存在的故障。
[0021]
进一步地，所述基于多模态特征学习的线圈故障诊断模型的目标函数为：
[0022]
[0023]
其中，β
(v)
为每个模态的调节参数；d
(v)
表示线圈的第v个模态的特征，d
*
表示一个m行n列的特征信号组成的矩阵，λ1表示对稀疏约束项的平衡参数，||
·
||1是l1范数，其表示稀疏约束；e表示一个m行n列的误差矩阵，e
(v)
表示第v个模态信号时，线圈存在的故障；λ2是的平衡参数；s.t.表示约束条件，x
(v)
表示采集到第v个模态信号。
[0024]
进一步地，所述基于多模态特征学习的线圈故障诊断模型的目标函数采用拉格朗日乘子法进行最优化求解。
[0025]
第二方面，本发明还提供了一种基于多模态特征学习的线圈故障智能诊断装置，其特征在于，该装置支持所述的一种基于多模态特征学习的线圈故障智能诊断方法，该装置包括：
[0026]
获取单元，用于获取线圈的多种特征数据信息，所述线圈的多种特征数据信息包括线圈的电流信号、振动信号；每种特征数据作为一个模态的数据；
[0027]
多特征数据稀疏约束模型构建单元，用于根据线圈的多种特征数据信息，构建线圈的多特征数据稀疏约束模型；
[0028]
线圈的重构故障模型构建单元，用于根据线圈的多种特征数据信息，对线圈故障(数据错误)进行建模，得到线圈的重构故障模型；
[0029]
线圈故障诊断模型构建及求解单元，用于根据线圈的重构故障模型，融合各模态处理后的数据，得到基于多模态特征学习的线圈故障诊断模型目标函数；对所述基于多模态特征学习的线圈故障诊断模型目标函数进行求解，得到线圈某个模态信号下，线圈的故障e；
[0030]
线圈故障诊断单元，用于根据e的大小判断线圈的故障原因，其中，根据e的大小判断线圈的故障原因，故障判断方法是：e
ij
表示e中第i行第j列个元素，当时，则判断线圈有故障，δ是线圈的品质系数，表示线圈质量，即可抗干扰的能力，本发明中δ取感抗(或容抗)与其等效的电阻的比值；为了进一步判断是何种故障引起的故障，可以进一步计算各模态下的当其大于0则判断为有该类故障。
[0031]
进一步地，所述基于多模态特征学习的线圈故障诊断模型的目标函数为：
[0032][0033]
其中，β
(v)
为每个模态的调节参数；d
(v)
表示线圈的第v个模态的特征，d
*
表示一个m行n列的特征信号组成的矩阵，λ1表示对稀疏约束项的平衡参数，||
·
||1是l1范数，其表示稀疏约束；e表示一个m行n列的误差矩阵，e
(v)
表示第v个模态信号时，线圈存在的故障；λ2是的平衡参数；s.t.表示约束条件，x
(v)
表示采集到第v个模态信号。
[0034]
第三方面，本发明还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述的一种基于多模态特征学习的线圈故障智能诊断方法。
[0035]
第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述的一种基于多模态特征学习的线圈故障智能诊断方法。
[0036]
本发明与现有技术相比，具有如下的优点和有益效果：
[0037]
1、本发明设计了一种基于电流信号和振动信号等多模态特征学习的磁平衡传感器线圈故障智能诊断方法，本发明考虑到利用信号具有多种模态，把多模态信号处理方法应用于电流信号、振动信号、电压信号等电信号的分析和处理；利用稀疏约束通过更小的数据量来反映传感器线圈信号的本质特征，并根据发生故障(如匝间短路)后，其电流和振动等信号的幅值都将增大并出现谐波(噪声)，因此可通过对其噪声建模，根据线圈的故障e的大小判断其故障原因。
[0038]
2、本发明设计了一种基于电流信号和振动信号等多模态特征学习的磁平衡传感器线圈故障智能诊断方法，提高了线圈故障的诊断准确性；且该方法不限于传感器线圈故障诊断，可推广应用于电机线圈，发动机线圈以及变压器磁芯等。
附图说明
[0039]
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本技术的一部分，并不构成对本发明实施例的限定。在附图中：
[0040]
图1为本发明一种基于多模态特征学习的线圈故障智能诊断方法流程图。
[0041]
图2为本发明多模态融合方法的流程示意图。
具体实施方式
[0042]
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
[0043]
本发明设计了一种基于电流信号和振动信号等多模态特征学习的磁平衡传感器线圈故障智能诊断方法，本发明考虑到利用信号具有多种模态，利用稀疏约束通过更小的数据量来反映传感器线圈信号的本质特征，并根据发生故障(如匝间短路)后，其电流和振动等信号的幅值都将增大并出现谐波(噪声)，因此可通过对其噪声建模，根据线圈的故障e的大小判断其故障原因。多模态信号处理方法尚未被应用于电流信号、振动信号、电压信号等电信号的分析和处理。对于这些电参数信号而言，单一模态很难提供系统运行过程中有关噪声干扰的完整信息。多模态融合方式能够将来自不同模态特征信息进行整合，汲取不同模态的优点，完成对信息的整合。对电信号而言，对提取的不同模态特征进行融合的难点是特征信号多是微弱信号，特征差异不明显。针对这种情况，在电信号多模态处理时我们对其信号特征放大。本发明的多模态融合方法如图2所示。
[0044]
实施例1
[0045]
如图1所示，本发明一种基于多模态特征学习的线圈故障智能诊断方法，本发明提
出在对故障线圈进行诊断前需进行特征提取具体方法如下，首先将故障线圈放在振动台通电测试，然后从故障线圈中分别提取电流信号和振动信号，最后进行故障模型建模，诊断分析。该方法包括以下步骤：
[0046]
步骤1：获取线圈的多种特征数据信息，主要包括线圈的电流信号、振动信号，当然还可以包括电压信号、频率信号、功率信号，匝间短路信号等；每种特征数据作为一个模态的数据，表示为d
(v)
，其中d
(v)
表示第v个模态的特征。
[0047]
步骤2：根据线圈的多种特征数据信息，构建线圈的多特征数据稀疏约束模型，实现用最少元素表示各模态原始信号；所述线圈的多特征数据稀疏约束模型表示为：
[0048][0049]
其中，d
(v)
表示线圈的第v个模态的特征，d表示一个m行n列的特征信号组成的矩阵，λ1表示对稀疏约束项的平衡参数，||
·
||1是l1范数，其表示稀疏约束；稀疏表示理论的原理就是将一个非稀疏的原信号通过字典矩阵转换为稀疏的系数，用后者来表示原信号。故而稀疏表示又称为稀疏编码。本步骤设计稀疏表示系数目的是通过更小的数据量来反映传感器线圈信号的本质特征。简言之，稀疏表示系数包含了原信号的信息。
[0050]
步骤3：根据线圈的多种特征数据信息，对线圈故障(数据错误)进行建模，得到线圈的重构故障模型；所述线圈的重构故障模型表示为：
[0051][0052]
其中，λ2是的平衡参数；e表示一个m行n列的误差矩阵，e
(v)
表示第v个模态信号时，线圈存在的故障。
[0053]
步骤4：根据线圈的重构故障模型，融合各模态处理后的数据，得到基于多模态特征学习的线圈故障诊断模型目标函数；对所述基于多模态特征学习的线圈故障诊断模型目标函数进行求解，得到线圈某个模态信号下，线圈的故障e；根据e的大小判断线圈的故障原因。此步骤4设计理论是由于发生故障(如匝间短路)后，根据理论研究，其电流和振动的幅值都将增大并出现谐波(噪声)，因此可通过对其噪声建模，根据e的大小判断其故障原因。
[0054]
其中，根据e的大小判断线圈的故障原因，故障判断方法是：e
ij
表示e中第i行第j列个元素，当时，则判断线圈有故障，δ是线圈的品质系数，表示线圈质量，即可抗干扰的能力，本发明中δ取感抗(或容抗)与其等效的电阻的比值；为了进一步判断是何种故障引起的故障，可以进一步计算各模态下的当其大于0则判断为有该类故障。
[0055]
具体地，所述基于多模态特征学习的线圈故障诊断模型的目标函数为：
[0056][0057]
其中，β
(v)
为每个模态的调节参数；d
(v)
表示线圈的第v个模态的特征，d表示一个m
行n列的特征信号组成的矩阵，λ1表示对稀疏约束项的平衡参数，||
·
||1是l1范数，其表示稀疏约束；e表示一个m行n列的误差矩阵，e
(v)
表示第v个模态信号时，线圈存在的故障；λ2是的平衡参数。
[0058]
公式(3)可用拉格朗日乘子法表示为：
[0059][0060]
其中，λ1,λ2是拉格朗日乘子，μ是拉格朗日项的惩罚因子。
[0061]
公司(4)的求解过程如下：
[0062]
i.更新d
(v)
，关于d
(v)
的子问题如下：
[0063][0064]
其中，
[0065][0066]
可得出d
(v)
＝uσv
t
，其中ε是h
(v)
的奇异值，u和v是由h
(v)
奇异值分解后的奇异值向量组成。
[0067]
ii.更新e
(v)
，关于e
(v)
的子问题如下：
[0068][0069]
可得出，
[0070][0071]
iii.更新s
(v)
，关于s
(v)
的子问题如下：
[0072]
[0073]
可得出，
[0074][0075]
iv.更新d
*
，关于d
*
的子问题如下：
[0076][0077]
可得出，
[0078][0079]
综上，得出e。
[0080]
本发明的基于多模态特征学习的线圈故障智能诊断方法，提高了线圈故障的诊断性能和准确性；该方法不限于传感器线圈故障诊断，可推广应用于电机线圈，发动机线圈以及变压器磁芯等。
[0081]
实施例2
[0082]
如图1至图2所示，本实施例与实施例1的区别在于，本实施例提供了一种基于多模态特征学习的线圈故障智能诊断装置，该装置支持实施例1所述的一种基于多模态特征学习的线圈故障智能诊断方法，该装置包括：
[0083]
获取单元，用于获取线圈的多种特征数据信息，所述线圈的多种特征数据信息包括线圈的电流信号、振动信号；每种特征数据作为一个模态的数据；
[0084]
多特征数据稀疏约束模型构建单元，用于根据线圈的多种特征数据信息，构建线圈的多特征数据稀疏约束模型；
[0085]
线圈的重构故障模型构建单元，用于根据线圈的多种特征数据信息，对线圈故障(数据错误)进行建模，得到线圈的重构故障模型；
[0086]
线圈故障诊断模型构建及求解单元，用于根据线圈的重构故障模型，融合各模态处理后的数据，得到基于多模态特征学习的线圈故障诊断模型目标函数；对所述基于多模态特征学习的线圈故障诊断模型目标函数进行求解，得到线圈某个模态信号下，线圈的故障e；
[0087]
线圈故障诊断单元，用于根据e的大小判断线圈的故障原因，其中，根据e的大小判断线圈的故障原因，故障判断方法是：e
ij
表示e中第i行第j列个元素，当时，则判断线圈有故障，δ是线圈的品质系数，表示线圈质量，即可抗干扰的能力，本发明中δ取感抗(或容抗)与其等效的电阻的比值；为了进一步判断是何种故障引起的故障，可以进一步计算各模态下的当其大于0则判断为有该类故障。
[0088]
为了进一步的对本实施例进行说明，所述线圈的多特征数据稀疏约束模型表示为：
[0089][0090]
其中，d
(v)
表示线圈的第v个模态的特征，d表示一个m行n列的特征信号组成的矩阵，λ1表示对稀疏约束项的平衡参数；||
·
||1是l1范数，其表示稀疏约束。
[0091]
为了进一步的对本实施例进行说明，所述线圈的重构故障模型表示为：
[0092][0093]
其中，λ2是的平衡参数；e表示一个m行n列的误差矩阵，e
(v)
表示第v个模态信号时，线圈存在的故障。
[0094]
为了进一步的对本实施例进行说明，所述基于多模态特征学习的线圈故障诊断模型的目标函数为：
[0095][0096]
其中，β
(v)
为每个模态的调节参数；d
(v)
表示线圈的第v个模态的特征，d表示一个m行n列的特征信号组成的矩阵，λ1表示对稀疏约束项的平衡参数，||
·
||1是l1范数，其表示稀疏约束；e
(v)
表示第v个模态信号时，线圈存在的故障；λ2是的平衡参数。
[0097]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0098]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0099]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0100]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一
个方框或多个方框中指定的功能的步骤。
[0101]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。