基于图像色彩特征的PMSM故障诊断方法及系统

技术领域

本发明属于电机技术领域，涉及一种基于图像色彩特征的PMSM故障诊断方法及系统。

背景技术

永磁同步电动机(PMSM)以其重量轻、运行可靠、噪声低、效率高等性能优势，在新能源汽车中得到了广泛的应用。由于车用PMSM本身存在的制造缺陷以及车辆运行中出现的磨损、形变和腐蚀等现象的影响，车用PMSM的性能会随着零件性能的恶化而逐渐衰退，会触发安全隐患，严重时甚至会发生停机事故，造成重大的经济损失。周期性的间歇运行和频繁起动，容易引发电机绕组过热，导致绝缘失效。车用PMSM常见的故障类型有绕组短路、退磁故障、机械故障等，其中，匝间短路故障、不均匀退磁故障和偏心故障的故障特征较为相近，现有研究很难将这三者区分。由于匝间短路故障、不均匀退磁故障和偏心故障的加速度信号具有一定的相似性和重叠性，使用单一传感器时域信号进行区分有一定难度。因此，准确诊断单一传感器信号差异较小的故障具有一定的研究意义。

近年来，对称点阵图(SDP)作为一种直观的信号表示方法，被广泛应用于故障诊断领域。与传统方法不同的是，SDP可以简单地将原始信号转化为镜像对称的雪花图像，计算量较小。SDP方法通过分析图像的振幅和频率差异，实现了对信号的识别和鉴别。因此，SDP方法被认为是一种有效且可靠的故障诊断方法。然而，这些运用SDP的方法中，所研究的案例均为时域信号差异较大的不同故障类型，在故障时域信号差异较小的情况下，转化的SDP具有较高的相似度，容易造成误诊断。单一时域或者时频域维度的信息，不能完整的体现故障的特有信息，可能需要将两个维度的信息相结合，以弥补单一维度的信息的局限性，提升不同类别电机的图像的区分度。

深度学习方法在故障诊断方面取得了显著进展，具有能够自动学习判别特征，而不依赖于专业知识的优势。然而，目前大多数深度学习方法只能在特定的工作条件下运行，无法满足实际需求。为了解决这个问题，近年来出现了许多非平稳条件下的智能故障诊断方法。尽管这些方法具有一定的优点，但由于传统的时频方法对工作环境存在严格的要求，它们仍然存在以下缺陷：(1)这些算法只适用于速度变化较小的情况。(2)当速度处于瞬态时，算法性能会大幅下降。

发明内容

本发明的目的在于针对上述现有技术中的问题，提供一种基于图像色彩特征的PMSM故障诊断方法及系统，诊断精确度高，具有非侵入、高鲁棒性的特点，可以实现对永磁同步电机匝间短路故障进行快速诊断，而且具有良好的泛化能力和抗干扰能力。

为了实现上述目的，本发明有如下的技术方案：

第一方面，提供一种基于图像色彩特征的PMSM故障诊断方法，包括：

获取待测电机在不同状态及多种工况下的原始振动信号；

将原始振动信号进行经验模态分解，求解不同层级本征模态函数得到不同层级信号分量；

按照不同层级信号分量将原始振动信号转化生成RGB三个通道的对称点阵图；

通过融合scSE模块改进DenseNet学习图像的形状分布及色彩特征，构建分类网络模型；

将RGB三个通道的对称点阵图输入分类网络模型，输出故障诊断结果。

作为一种优选方案，所述获取待测电机在不同状态及多种工况下的原始振动信号包括：

构建故障模拟实验台，预置匝间短路故障、不均匀退磁故障、偏心故障和正常的电机；

采集每一台电机以下工况的加速度信号片段：

稳态9种工况：转速分别为1000r/min、1500r/min、2000r/min，负载分别为空载、半载和额定负载；瞬态6种工况：负载分别为空载、半载和额定负载时的加减速工况；

将每一种加速度信号片段划分为数据子集，将数据子集划分为训练集、验证集和测试集。

作为一种优选方案，所述将原始振动信号进行经验模态分解，求解不同层级本征模态函数得到不同层级信号分量包括：

将预处理后的原始振动信号进行经验模态分解，求解不同层级本征模态函数；

对所有分解后前三层经验模态分解的信号进行索引，求解所有采样点绝对值的最大值z。

作为一种优选方案，所述按照不同层级信号分量将原始振动信号转化生成RGB三个通道的对称点阵图包括：

将原始振动信号的时域特征由图像的形状和分布表示，时频域特征由图像的RGB色彩特征表示；对不同层级信号分量转化为RGB色彩特征在图像上显示出来，选用前三层信号分量的大小分别与RGB三个通道对应，从不同的时间尺度对信号特有的故障特征进行表征。

作为一种优选方案，所述按照不同层级信号分量将原始振动信号转化生成RGB三个通道的对称点阵图包括：

对于时间序列信号x，x

式中，x

利用所有采样点绝对值的最大值z，求解RGB三通道特征序列T

其中，IMF1

按照下式经过比例放缩，将RGB三通道特征序列对应至0-255的范围之内：

其中，Round()为舍入函数；k＝R，G，B表示图像颜色通道，R、G和B通道分别对应前三级本征模态分量；T

将对称点阵图上的所有点对应的色彩特征在对称点阵图上显示出来。

作为一种优选方案，所述通过融合scSE模块改进DenseNet学习图像的形状分布及色彩特征，构建分类网络模型的步骤，对输入特征图分别进行通道和空间上重要性程度的提取，并进行相加处理后，将同时具有重要通道和重要空间特征的特征子图进行加强激励，促使网络学习更有意义的特征信息。

作为一种优选方案，所述通过融合scSE模块改进DenseNet学习图像的形状分布及色彩特征，构建分类网络模型包括：

输入特征图P＝[p

通过全局池化层将全局空间特征嵌入到向量v中，其中，

将得到的向量v通过权重分别为ω

通过通道数为C权重为v

将得到的特征图fq经Sigmod归一化，得到特征图中每个空间位置(i,j)的空间信息重要性程度σ(fq(i,j))，增强对重要空间位置特征；

对

第二方面，提供一种基于图像色彩特征的PMSM故障诊断系统，包括：

原始振动信号获取模块，用于获取待测电机在不同状态及多种工况下的原始振动信号；

经验模态分解模块，用于将原始振动信号进行经验模态分解，求解不同层级本征模态函数得到不同层级信号分量；

对称点阵图转化模块，用于按照不同层级信号分量将原始振动信号转化生成RGB三个通道的对称点阵图；

分类网络模型构建模块，用于通过融合scSE模块改进DenseNet学习图像的形状分布及色彩特征，构建分类网络模型；

输出模块，用于将RGB三个通道的对称点阵图输入分类网络模型，输出故障诊断结果。

第三方面，提供一种电子设备，包括：存储器，存储至少一个指令；及处理器，执行所述存储器中存储的指令以实现所述基于图像色彩特征的PMSM故障诊断方法。

第四方面，提供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，所述计算机程序被处理器执行时实现所述基于图像色彩特征的PMSM故障诊断方法。

相较于现有技术，本发明至少具有如下的有益效果：

为了提高相似故障类型区分能力，本发明提出了一种基于经验模态分解-对称点模式(EMD-SDP)的信号-图像转化方法，将EMD的时频域特征以色彩的形式在SDP图像上显示出来，降低了相近故障生成SDP图像的类间相似度。此外，本发明还提出了一种基于融合scSE注意力机制改进DenseNet卷积神经网络的分类网络模型，增强了网络对特征图中重要通道和空间特性的学习能力，优化了故障诊断效果。不同类型的PMSM的在多种工况下的实验结果验证了本发明所提出的方法的性能优于其他基准方法。本发明所提出的方法在恒速恒载工况下具有较高的诊断准确率，在变速恒载工况下具有一定的泛化能力，克服了单一传感器诊断信号差异较小的故障精确度较低的局限性，为降低复杂电机系统维护成本、提高服役质量提供了理论指导与实际借鉴，确保了更快的故障诊断和更全面、更准确的故障特征提取。

附图说明

为了更加清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作以简单地介绍，应当理解，以下附图仅示出了本发明部分实施例，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1是本发明实施例基于图像色彩特征的PMSM故障诊断方法流程图；

图2是本发明实施例EMD-RGB特征改进SDP转换过程示意图；

图3是本发明实施例融合scSE模块的DenseNet网络结构示意图；

图4是本发明实施例转速为1000r/min不同负载EMD-SDP图像；

图5是本发明实施例额定负载时不同速度下的EMD-SDP图像；

图6是本发明实施例正常电机的空载加减速时EMD-SDP图像；

图7是本发明实施例匝间短路电机半载加减速时EMD-SDP图像；

图8是本发明实施例偏心电机的额定负载加减速时EMD-SDP图像；

图9是本发明实施例通过深度学习方法得到稳态数据集的混淆矩阵图；

图10是本发明实施例不同方法在恒载加减速的诊断准确率柱状图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员还可以在没有做出创造性劳动的前提下获得其他实施例。

本发明实施例提出一种基于图像色彩特征的PMSM故障诊断方法，该方法确保了更快的故障诊断和更全面、更准确的故障特征提取，在稳态和变速瞬态工况下均具有较好的性能，所提出的方法的总体性能优于其他方法，能有效地用于速度变化时的故障诊断。

首先，需要说明的是，采样点数的增加，可能会出现冗余干扰信息，进而影响图像的识别，在故障诊断领域，为了获得尽可能多的信息，通常采用较高的采样率，因此，本发明以下实施例的故障数据均是在10kHz下测量得到的。

实施例一

请参阅图1，一种基于图像色彩特征的PMSM故障诊断方法包括以下步骤：

S1：实验获取不同状态电机在多种工况下振动信号，包括健康状态、匝间短路故障、局部退磁故障和偏心故障四种电机状态和多种转速和负载工况，以及恒载变速工况各不同电机的振动加速度信号；

S2：将预处理的振动信号进行EMD，求解不同层级本征模态函数，可以从不同的时间尺度对信号特有的故障特征进行表征，适合于分析非线性、非平稳信号序列，具有很高的信噪比；

S3：将原始振动信号转化生成RGB-SDP图像，原始信号的时域特征由图像的形状和分布表示，时频域特征由图像的RGB色彩特征表示。对不同层级IMF转化为RGB色彩特征在图像上显示出来，选用前三层IMF的大小分别与RGB三个通道对应，可以从不同的时间尺度对信号特有的故障特征进行表征，如图2所示。

S4：通过融合scSE模块改进DenseNet学习图像的形状分布及色彩特征，构建分类网络模型，改进方法增强网络的特征提取能力，通过加权策略提升网络对图像重要特征的关注度，增强骨干网络对重要的空间和通道特征的表征能力，能够更好地适应各种复杂场景；

S5：将待测电机的振动信号执行步骤S2和S3，利用步骤S4将图像输入所构建的分类模型，对电机故障进行诊断；

在一种可能的实施方式中，步骤S1具体包括：

S11：构建了PMSM故障模拟实验台，提前预置匝间短路故障、不均匀退磁故障、偏心故障和正常的电机；

S12：采集每一台电机共有种工况，稳态9种工况(转速分别为1000r/min、1500r/min、2000r/min，负载分别为空载、半载和额定负载)，瞬态6种工况(负载分别为空载、半载和额定负载时的加减速工况)下的加速度信号片段，如图4至图8所示；

S13：把每一种加速度信号片段划分为400个数据子集，将所有的数据子集分为三个部分训练集、验证集和测试集；

在一种可能的实施方式中，步骤S2具体包括：

S21：将预处理的振动信号进行EMD，求解不同层级本征模态函数；

S22：对所有分解后前三层EMD的信号进行索引，求解所有采样点绝对值的最大值z。

在一种可能的实施方式中，步骤S3具体包括：

S31：对于时间序列信号x，x

式中，x

S32：由于SDP图像的转化过程中用到x

其中，IMF1

S33：经过一定比例的放缩，将RGB三通道特征序列对应至0-255的范围之内。具体处理方式如下式：

其中，Round()为舍入函数；k＝R，G，B表示图像颜色通道，R、G和B通道分别对应前三级本征模态分量；T

S34：将SDP图像上面的所有点对应的色彩特征在SDP图像上显示出来。

在一种可能的实施方式中，步骤S4中的scSE模块，通过对输入特征图分别做通道和空间上重要性程度的提取，并进行相加处理后，将得到的具有高重要性(即同时具有重要通道和重要空间特征)的特征子图进行更强的激励，促使网络学习更有意义的特征信息。如图3所示，该模块提取并优化特征具体步骤如下：

S41：输入特征图P＝[p

S42：通过全局池化层将全局空间特征嵌入到向量v中(其中

S43：将得到的向量v通过权重分别为ω

S44：通过通道数为C权重为ω

S45：将得到的特征图fq经Sigmod归一化(σ(·))，得到特征图中每个空间位置(i,j)的空间信息重要性程度(σ(fq(i,j)))，以增强对重要空间位置特征。

S46：对

在一种可能的实施方式中，步骤S5具体包括：

S51：将待测的振动信号进行EMD，求解不同层级本征模态函数；

S52：将待测的振动信号转化生成SDP图像，对不同层级IMF转化为色彩特征在SDP图像上显示出来；

S53：输入待测的振动信号转化的EMD-RGB特征改进的SDP图像，输入融合scSE注意力机制改进DenseNet分类网络模型，输出待测信号的诊断结果。

本发明通过实验获取不同状态电机在多种工况下振动信号；将预处理的振动信号进行EMD，求解不同层级本征模态函数；将原始振动信号转化生成RGB-SDP图像，原始信号的时域特征由图像的形状和分布表示，时频域特征由图像的RGB色彩特征表示。对不同层级IMF转化为RGB色彩特征在图像上显示出来，选用前三层IMF的大小分别与RGB三个通道对应，可以从不同的时间尺度对信号特有的故障特征进行表征。将时域和时频域特征相结合可以更全面的表征故障信号的特有特征，便于进一步特征提取和模型构建；通过融合scSE模块改进DenseNet学习图像的形状分布及色彩特征，构建分类网络模型，改进方法增强网络的特征提取能力，通过加权策略提升网络对图像重要特征的关注度，增强骨干网络对重要的空间和通道特征的表征能力，能够更好地适应各种复杂场景；将待测电机的振动信号执行步骤S2和S3，利用步骤S4所构建的分类模型，即可对电机故障进行诊断。本发明基于图像色彩特征的PMSM故障诊断方法确保了更快的故障诊断和更全面、更准确的故障特征提取，在稳态和变速瞬态工况下均具有较好的性能，所提出的方法的总体性能优于其他方法，能有效地用于速度变化时的故障诊断。该方法克服了单一传感器诊断信号差异较小的故障精确度较低的局限性，为降低复杂电机系统维护成本、提高服役质量提供了理论指导与实际借鉴。

实施例二

基于与前述实施例一中基于图像色彩特征的PMSM故障诊断方法同样的发明构思，本发明还提供了一种基于图像色彩特征的PMSM故障诊断系统，所述系统包括：

原始振动信号获取模块，用于获取待测电机在不同状态及多种工况下的原始振动信号；

经验模态分解模块，用于将原始振动信号进行经验模态分解，求解不同层级本征模态函数得到不同层级信号分量；

对称点阵图转化模块，用于按照不同层级信号分量将原始振动信号转化生成RGB三个通道的对称点阵图；

分类网络模型构建模块，用于通过融合scSE模块改进DenseNet学习图像的形状分布及色彩特征，构建分类网络模型；

输出模块，用于将RGB三个通道的对称点阵图输入分类网络模型，输出故障诊断结果。

实施例三

基于与前述实施例一中基于图像色彩特征的PMSM故障诊断方法同样的发明构思，本发明还提供一种电子设备，包括：存储器，存储至少一个指令；及处理器，执行所述存储器中存储的指令以实现实施例一所述基于图像色彩特征的PMSM故障诊断方法，具体如下：

该装置包括存储器、处理器及存储在存储器上并可在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程序时实现以下步骤：

获取发生健康状态、匝间短路故障、局部退磁故障和偏心故障的PMSM在多种转速和负载工况下的振动信号；

将预处理的振动信号进行EMD，求解不同层级本征模态函数；

将原始振动信号转化生成SDP图像，对不同层级IMF转化为色彩特征在SDP图像上显示出来；

通过融合scSE注意力机制改进DenseNet学习图像数据集构建分类网络模型；

将待测电机的振动信号执行步骤S2和步骤S3，利用步骤S4将图片输入所构建的分类模型，对电机故障进行诊断。

实施例四

基于与前述实施例一中基于图像色彩特征的PMSM故障诊断方法同样的发明构思，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，所述计算机程序被处理器执行时实现实施例一所述基于图像色彩特征的PMSM故障诊断方法：

实验获取不同状态电机在多种工况下振动信号，包括健康状态、匝间短路故障、局部退磁故障和偏心故障四种电机状态和多种转速和负载工况；

将预处理的振动信号进行EMD，求解不同层级本征模态函数；

将原始振动信号转化生成SDP图像，对不同层级IMF转化为色彩特征在SDP图像上显示出来；

通过融合scSE注意力机制改进DenseNet学习图像数据集构建分类网络模型；

将待测电机的振动信号执行步骤S2和步骤S3，利用步骤S4将图片输入所构建的分类模型，对电机故障进行诊断。

本发明实施例中利用PMSM故障实验平台采集振动数据，完成对上述相关理论的实验验证。其中，电机故障实验台主要由待测电机、振动传感器、定位平台、数字信号采集装置、编码器、直流电源和计算机组成，电机参数如表1所示。

表1为电机参数

故障电机主要包括匝间短路故障电机、不均匀退磁故障电机、偏心故障电机。

如图9与图10所示，综上所述，本发明针对PMSM的工作条件发生变化时传统诊断方法无法满足实际需求的问题，提出了一种基于图像色彩特征的PMSM故障诊断方法。该故障诊断方法在匀速恒载工况下具有较高的精度，在变速恒载工况下具有较好的泛化能力，同时，本发明所提出的诊断方法是非侵入式的，可推广应用于工业电机的状态监测和诊断。该方法克服了单一传感器诊断信号差异较小的故障精确度较低的局限性，为降低复杂电机系统维护成本、提高服役质量提供了理论指导与实际借鉴。

本发明提出了基于EMD-RGB特征改进SDP时序信号图像转化方法，分别将前三层IMF的大小对应于彩色图像的R、G和B通道强度。原始信号的时域特征由图像的形状和分布表示，时频域特征由图像的RGB色彩特征表示。相比于灰度图像而言，保留了完整的原始时域信号信息同时，也体现了时频域的信号特征，增加了类间图像的差异性，能实现时域信号差异较小的故障类型的区分。将时域和时频域特征相结合，可以更全面的表征故障信号的特有特征，便于进一步特征提取和模型构建。

本发明将scSE注意力模块嵌入DenseNet网络中，提升网络的特征提取效果。通过加权策略提升网络对图像重要特征的关注度，增强骨干网络对重要的空间和通道特征的表征能力，并有效缓解网络对复杂高层特征提取效果差的问题。通过计算特征图中通道和空间特征的重要性，增强了网络对特征图中重要通道和空间特性的学习能力，优化了故障诊断效果，提升了诊断模型对图像的分布和色彩特征的提取能力。

本发明构建了PMSM故障模拟试验台，在匀速恒载工况和变速恒载工况下对不同类型的PMSM进行测试，对所提出的方法进行验证。该方法使用匀速恒载工况下多种转速和负载实验数据进行训练，构建分类模型。故障诊断结果表明，所提出的方法具有最高的诊断准确性。该方法也适用于电机恒载加速和恒载减速工况，能有效地用于速度变化时的故障诊断，具有一定的泛化性能。

本发明提出的诊断思路适用于其他时序成像方法，通用性好，具有良好的应用效果。使用信号单一维度进行故障诊断效果并不理想，使用信号的多种不同维度的特征可大大提高诊断精度。卷积神经网络通过局部感受野、权重共享和降采样3种策略，降低了网络模型的复杂度，同时对于平移、旋转、尺度缩放等形式具有不变性的特点。

本领域技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、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。

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。

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。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。