技术新讯 > 乐器声学设备的制造及制作,分析技术 > 一种基于音频信号和视觉Transformer的电机转子故障诊断方法  >  正文

一种基于音频信号和视觉Transformer的电机转子故障诊断方法

  • 国知局
  • 2024-06-21 11:36:56

本发明涉及电机故障诊断,是一种基于音频信号和视觉transformer的电机转子故障诊断方法。

背景技术:

1、永磁同步电动机由于其超高的效率、功率密度和转矩密度,已成为许多工业领域的动力核心。然而,机器经常在复杂的环境中运行,转子经常受到电、磁、热、机械等独特的应力耦合效应,因此其可靠性受到了严峻的挑战。永磁体退磁故障和转子偏心故障是永磁同步电机转子最常见的两种故障,因此准确诊断永磁退磁故障和转子偏心故障对确保安全、提高系统效率和减少损耗具有重要意义。

2、传统的电机转子故障诊断方法主要有三类方法。第一种方法是基于电机模型的方法,它需要建立电机在不同故障下的数学方程,然后推导出隐藏在电压电流与振动噪音等信号中的故障特征。另一种方法称为电机电流/电压特征分析,它是基于电机电流或电压信号的谐波成分对电机状态进行识别,但往往受到电机极槽配合的影响,且难以准确区分退磁故障与转子偏心故障。第三种是基于振动信号人工智能分类的方法,即通过机器学习等模型对振动信号中隐藏的故障信息进行提取,此类方法往往需要通常需要专门的仪器和设备来采集和分析信号,这增加了设备的成本和使用门槛,侵入性传感器同时会对被测电机产生额外的影响,这些方法也不便于实时监测早期发现故障。

3、在视觉神经网络领域,卷积神经网络(cnn)因其自身固有的一系列优良特性已得到了广泛应用。然而cnn也存在一些缺陷:1、cnn中的卷积操作(convolution operation)只能捕获局部信息(local information),而不能建立全局图像的长距离连接(long-distance connections)。2、平移不变性。3、池化层的存在会导致许多非常有价值的信息的丢失,同时也会忽略掉整体与部分之间的关联。而视觉transformer模型的发展已经撼动了cnn的统治地位。通过借鉴cnn中一些优秀的架构设计(金字塔结构、归纳偏置和残差连接等)和训练策略(知识蒸馏),视觉transformer模型已经在图像分类、目标检测、语义分割等下游任务(downstream tasks)中取得了卓越的性能。

4、此研究通常先使用麦克风对电机发出的音频信号进行采集,将采集的音频信号传给单片机或笔记本电脑等设备,通过这些平台计算主要的音频特征指标,然后进一步判断故障是否发生。据调查,电机发生故障的电磁噪声和机械噪声特征频率通常不会超过5000hz,人耳的听觉范围在20-20000hz,所以使用采集语音信号的麦克风便可满足条件。数字信号分析系统的选择要求具备集成度高,计算能力较强,功耗低,实时性高,抗干扰能力强,系统稳定等特点,通常为计算机和fpga等平台。

技术实现思路

1、本发明通过对故障特征音频进行特征提取实现可视化,通过视觉transformer的自注意力机制,可以捕捉到物体之间的相对位置信息,能产生对图像理解有利的可解释性结果,通过使用vision transformer架构并结合蒸馏技术在保持较高性能的同时减少了模型的参数数量。最终实现转子永磁体退磁和转子偏心故障的智能故障诊断。因此,本发明提供一种基于音频信号和视觉transformer的电机转子故障诊断方法。

2、需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。

3、本发明提供了一种基于音频信号和视觉transformer的电机转子故障诊断方法,本发明提供了以下技术方案:

4、一种基于音频信号和视觉transformer的电机转子故障诊断方法,所述方法包括:

5、步骤1:采集电机、永磁体退磁电机和转子动态偏心电机的不同转速和负载工况运行过程中的音频信号;

6、步骤2:对采集到的音频信号进行预处理,得到电机当前状态的音频特征;

7、步骤3:建立转子故障诊断模型训练;

8、步骤4:根据步骤2的音频特征,输入至转子故障诊断模型,对电机转子故障进行诊断。

9、优选地,所述步骤1具体为:

10、通过inmp441麦克风,对音频信号进行双声道采集后经模数转换、滤波器输入到fpga中,得到电机、永磁体退磁电机和转子动态偏心电机的不同转速和负载工况运行过程中的音频信号。

11、优选地,所述步骤2预处理过程包括:

12、步骤2.1:使用小波阈值去噪对音频信号进行去噪,分解层数为5时去噪后信号的信噪比最高;

13、选择sym6作为电机音频信号的小波基函数;

14、阈值通过下式表示:

15、

16、其中,ti、σi分别为第i层小波系数的阈值、标准方差,n为样本数;

17、采用音频信号处理中的硬阈值函数。

18、优选地,所述步骤2预处理过程还包括:

19、步骤2.2:计算去噪后的音频信号的梅尔频率倒谱系数mfcc,包括分帧、预处理、离散傅立叶变换dft、mel带通滤波、离散余弦变换dct;物理频率与mel频率之间关系下式:

20、mel(f)=2595×lg(1+f/700)

21、对噪声信号进行分帧,预处理:加窗、预加重,加窗时使用hamming窗;

22、对预处理后的每帧信号作离散傅立叶变换,设预处理后的时域信号为s(n),dft变换后的频域信号s(k)可表示为下式:

23、

24、求s(k)的平方,得到能量谱,再使用m个mel带通滤波器进行滤波,第m个滤波器的传递函数为:

25、

26、其中,f(m)为三角滤波器中心频率,且:

27、

28、计算每个滤波器组的对数能量,第m个滤波器组的对数能量为:

29、

30、经离散余弦变换即可得到mel倒谱系数:

31、

32、其中,m为mel滤波器的个数,也是mfcc特征的维数。

33、优选地,所述步骤2预处理过程还包括:

34、步骤2.3:原始音频信号经去噪、计算mfcc后,对于每一段音频数据,不同维度的mfcc可以组成一个向量,以不同帧音频数据提取的mfcc为y坐标,x坐标为mfcc维度,z坐标为mfcc的计算数值,以颜色深浅表示,形成一张mfcc图,用于型训练。

35、优选地,所述步骤3具体为:

36、步骤3.1:对图像切分为patch;第二步做线性投影,将正方形的patch转化成固定维度的嵌入层embedding,并映射到transformer规定的embedding size的维度

37、步骤3.2:生成用于分类的类令牌embedding,然后生成序列的位置编码,在位置编码时,使用学习令牌tokens之间成对关系并且可以与自注意力机制交互的相对位置编码方式;同时在这一步通过引入知识蒸馏机制中的蒸馏令牌distillation token,其与教师模型相连,指导模型训练;

38、步骤3.3:将所有的embedding输入到transformer编码器模块,由注意力机制提取全局特征,通过最后的分类头输出分类任务。

39、优选地,基于不同分辨率导出mfcc特征图,得到特征图10800张数据图,包括健康、退磁、偏心分别3600张,按照70%、20%和10%将数据集划分为训练集、验证集和测试集,输入到vision transformer模型中进行训练。

40、一种基于音频信号和视觉transformer的电机转子故障诊断系统,所述系统包括:

41、数据采集模块,所述数据采集模块采集电机、永磁体退磁电机和转子动态偏心电机的不同转速和负载工况运行过程中的音频信号;

42、预处理模块,所述预处理模块对采集到的音频信号进行预处理,得到电机当前状态的音频特征;

43、模型建立模块,所述模型建立模块建立转子故障诊断模型训练;

44、诊断模块,所述诊断模块根据音频特征,输入至转子故障诊断模型,对电机转子故障进行诊断。

45、一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以用于实现如一种基于音频信号和视觉transformer的电机转子故障诊断方法。

46、一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现一种基于音频信号和视觉transformer的电机转子故障诊断方法。

47、本发明具有以下有益效果:

48、本发明与现有技术相比:

49、本发明在永磁同步电机发生永磁体退磁故障和偏心故障时,转子磁场的对称性被破坏,会引入极对数p相关的分数次谐波,影响气隙磁通密度,进而影响径向电磁力的分布,从而导致电机产生带有故障特征的振动噪声,基于此特征可以将电机转子异常情况进行识别。

50、对故障特征音频进行特征提取实现可视化,通过视觉transformer的自注意力机制,可以捕捉到物体之间的相对位置信息,能产生对图像理解有利的可解释性结果,通过使用vision transformer架构并结合蒸馏技术在保持较高性能的同时减少了模型的参数数量。最终实现转子永磁体退磁和转子偏心故障的智能故障诊断。

51、本发明基于音频信号进行特征提取,可以获得电机丰富的时域和频域信息,mel滤波器组符合人耳听觉特性,避免了诊断的盲目性。

52、相对基于振动信号,音频信号可以通过非侵入式的方式获取,无需对电机进行拆解或修改,这意味着可以在电机正常运行时进行实时的故障诊断,减少停机时间,提高诊断效率。

53、通过训练vision transformer模型,可以实现对电机故障的自动检测和分类。这种智能化的诊断方法可以提高诊断的速度和准确性,并且能够发现一些难以通过传统方法检测到的故障模式。

54、data-efficient image transformers(deit)训练的小型网络模型相对较为轻量,可以在计算资源有限的设备上部署和运行。这对于嵌入式设备和移动设备等资源受限环境下的应用非常有益。

55、本发明提出了一种基于音频信号和视觉transformer的电机转子故障诊断方法及系统。该方法和系统通过采集音频信号来提取电机转子故障内部磁场畸变的特征,再通过vision transformer模型实现电机转子故障的实时诊断,最终实现了永磁同步电机转子故障诊断,对电机的可靠性以及高精度电机控制有重要意义。

本文地址:https://www.jishuxx.com/zhuanli/20240618/22438.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。