一种电机故障诊断方法及系统

本发明涉及电机旋转设备，尤其是指一种电机故障诊断方法及系统。

背景技术：

1、电机的故障诊断一直是工业设备领域的一个热门的研究课题。由于其结构复杂且在恶劣环境下运行，它们容易出现各种故障，如不平衡、不对称、轴承磨损和机械损坏。这可能导致生产中断、经济损失、甚至安全风险。因此，可靠的故障诊断是至关重要的。并且在实际旋转机械运转中，多个传感器同时收集数据是很常见的，因此多元时间序列(mts)在实际工业场景中变得更加普遍，多元时间序列分类(mtsc)涉及捕捉每个时间序列的特征，同时考虑不同变量之间的复杂依赖关系，具有广泛的实际应用。

2、目前大多数基于电机旋转机械的故障诊断方法可分为基于信号处理的方法和基于人工智能的方法。特别是基于人工智能的故障诊断前提条件是训练数据的数量和质量足以在测量信号和设备健康状态之间建立有效的映射关系。然而，在实际工业场景中，设备安全稳定运行的要求使得故障条件下的采集特别有限采集大量故障数据是相当困难的。因此，用于模型训练的数据不足可能会阻碍基于人工智能的方法在现实世界中的广泛和成功应用。

技术实现思路

1、为此，本发明提供一种电机故障诊断方法及系统，通过数字孪生技术可以从虚拟空间中提取故障信息，通过结合深度学习和特征提取技术，可以实现准确的故障诊断，显著提升了在有限或无故障数据情况下的诊断性能。

2、为解决上述技术问题，本发明提供一种电机故障诊断方法，包括：

3、建立电机旋转机械装置的动力学模型；

4、将所述动力学模型在虚拟空间内进行故障仿真，得到与所述电机旋转机械装置故障类型对应的第一虚拟故障数据；

5、采集所述电机旋转机械装置与所述第一虚拟故障数据对应的真实故障数据；

6、基于生成对抗网络，减小所述第一虚拟故障数据和所述真实故障数据之间的差异，得到质量提高后的第二虚拟故障数据；

7、基于余弦相似度，计算所述第二虚拟故障数据对应的虚拟振动响应与所述真实故障数据对应的物理振动响应之间的相似度，以验证所述第二虚拟故障数据的有效性；

8、基于时空图卷积神经网络，将所述第二虚拟故障数据建模为图结构，所述图结构中每个变量表示为节点，节点集中的每个节点会随机初始化为一个由可训练参数组成的嵌入向量；

9、计算所述节点集中嵌入向量之间的余弦相似度，基于所述嵌入向量之间的余弦相似度，构造邻接矩阵；

10、基于所述邻接矩阵，得到故障诊断结果。

11、在本发明的一种实施方式中，所述故障类型包括转子不平衡、轴中不对称、轴承内圈故障和/或轴承外圈故障。

12、在本发明的一种实施方式中，基于生成对抗网络，减小所述第一虚拟故障数据和所述真实故障数据之间的差异，得到质量提高后的第二虚拟故障数据，包括：

13、将所述第一虚拟故障数据作为生成器的输入，生成新的虚拟数据；

14、将所述新的虚拟数据和所述真实故障数据输入判别器，通过判别器判断输入的数据是真实故障数据和新的虚拟数据；

15、生成器和判别器通过对抗性训练，使得生成器生成的新的虚拟数据逐渐逼近真实故障数据。

16、在本发明的一种实施方式中，所述余弦相似度计算如下：

17、

18、其中prν和vrν分别表示相同操作条件下和正常状态时域中的物理振动响应和虚拟振动响应。

19、在本发明的一种实施方式中，利用下式计算所述节点集中嵌入向量之间的余弦相似度：

20、

21、其中，嵌入向量第i个节点的嵌入向量表示为和分别表示两个不同的时间序列。

22、在本发明的一种实施方式中，所述邻接矩阵表示如下：

23、

24、其中，n代表节点数量，邻接矩阵中的元素eij表示节点i和节点j之间的余弦相似度。

25、在本发明的一种实施方式中，基于所述邻接矩阵，得到故障诊断结果，包括：

26、将所述邻接矩阵输入到时空图卷积神经网络中的gcn层，通过时空图卷积神经网络中的softmax层得到故障诊断结果。

27、本发明还提供一种电机故障诊断系统，包括：

28、建模单元，用于建立电机旋转机械装置的动力学模型；

29、第一虚拟故障数据生成单元，用于将所述动力学模型在虚拟空间内进行故障仿真，得到与所述电机旋转机械装置故障类型对应的第一虚拟故障数据；

30、真实故障数据采集单元，用于采集所述电机旋转机械装置与所述第一虚拟故障数据对应的真实故障数据；

31、第二虚拟故障数据生成单元，用于基于生成对抗网络，减小所述第一虚拟故障数据和所述真实故障数据之间的差异，得到质量提高后的第二虚拟故障数据；

32、验证单元，用于基于余弦相似度，计算所述第二虚拟故障数据对应的虚拟振动响应与所述真实故障数据对应的物理振动响应之间的相似度，以验证所述第二虚拟故障数据的有效性；

33、嵌入向量获取单元，用于基于时空图卷积神经网络，将所述第二虚拟故障数据建模为图结构，所述图结构中每个变量表示为节点，节点集中的每个节点会随机初始化为一个由可训练参数组成的嵌入向量；

34、邻接矩阵构造单元，用于计算所述节点集中嵌入向量之间的余弦相似度，基于所述嵌入向量之间的余弦相似度，构造邻接矩阵；

35、故障诊断结果获取模块，用于基于所述邻接矩阵，得到故障诊断结果。

36、本发明的上述技术方案相比现有技术具有以下优点：

37、本发明所述的一种电机故障诊断方法及系统，通过构建数字孪生模型，生成不同故障类型的虚拟故障数据，进一步提高虚拟数据的质量，再采用时空图卷积网络解决多元时间序列中的时空依赖性的问题，最后，通过softmax进行分类，得到最终的电机故障诊断结果，通过结合生成对抗网络(wgan)与时空图卷积神经网络(st-gcn)，能够高效、精准地解决电机故障诊断中常见的虚拟数据质量问题以及多元时间序列(mts)中的时空依赖性问题，从而大幅度提升故障诊断的准确性。

技术特征：

1.一种电机故障诊断方法，其特征在于，包括：

2.根据权利要求1所述的一种电机故障诊断方法，其特征在于，所述故障类型包括转子不平衡、轴中不对称、轴承内圈故障和/或轴承外圈故障。

3.根据权利要求1所述的一种电机故障诊断方法，其特征在于，基于生成对抗网络，减小所述第一虚拟故障数据和所述真实故障数据之间的差异，得到质量提高后的第二虚拟故障数据，包括：

4.根据权利要求1所述的一种电机故障诊断方法，其特征在于，所述余弦相似度计算如下：

5.根据权利要求1所述的一种电机故障诊断方法，其特征在于，利用下式计算所述节点集中嵌入向量之间的余弦相似度：

6.根据权利要求1所述的一种电机故障诊断方法，其特征在于，所述邻接矩阵表示如下：

7.根据权利要求1所述的一种电机故障诊断方法，其特征在于，基于所述邻接矩阵，得到故障诊断结果，包括：

8.一种电机故障诊断系统，其特征在于，包括：

技术总结
本发明涉及一种电机故障诊断方法及系统。本发明包括建立电机旋转机械装置的动力学模型；将动力学模型在虚拟空间内进行故障仿真，得到第一虚拟故障数据；采集电机旋转机械装置与第一虚拟故障数据对应的真实故障数据；基于生成对抗网络，得到质量提高后的第二虚拟故障数据；基于余弦相似度，计算第二虚拟故障数据对应的虚拟振动响应与真实故障数据对应的物理振动响应之间的相似度；计算节点集中嵌入向量之间的余弦相似度，基于嵌入向量之间的余弦相似度，构造邻接矩阵；基于邻接矩阵，得到故障诊断结果。显著提升了电机在有限或无故障数据情况下的诊断性能。

技术研发人员：张永,袁烨,黄新月,周炜,程骋
受保护的技术使用者：华中科技大学无锡研究院
技术研发日：
技术公布日：2025/1/6