基于多模态的噪声与工况变化下异步电机故障诊断模型:一种新型混合方法
《Mechanical Systems and Signal Processing》:Multimodal-based model for asynchronous motor fault diagnosis under noisy and variable operating conditions: a novel hybrid approach
【字体:
大
中
小
】
时间:2026年01月21日
来源:Mechanical Systems and Signal Processing 10.2
编辑推荐:
陈乐瑞|康振东|王海泉|唐玉明|马一丹|文胜军|穆罕默德·沃耶索·格达中国郑州450007,郑州市中原路41号,中原工业大学智能感知与仪器学院摘要在现代工业中,电机发挥着至关重要的作用,尤其是在全球对自动化和智能制造的需求不断上升的背景下。准确的故障诊断对于保持系统稳定性至关重要
陈乐瑞|康振东|王海泉|唐玉明|马一丹|文胜军|穆罕默德·沃耶索·格达中国郑州450007,郑州市中原路41号,中原工业大学智能感知与仪器学院摘要在现代工业中,电机发挥着至关重要的作用,尤其是在全球对自动化和智能制造的需求不断上升的背景下。准确的故障诊断对于保持系统稳定性至关重要,但现有的方法在准确性和效率方面存在不足。本研究整合多尺度卷积神经网络(MSCNN)、双向莫格里弗门控循环单元(BiMGRU)以及多头注意力机制(MHAM),提出了一种基于多模态的混合模型MSCNN-BiMGRU+MHAM,用于异步电机的故障诊断。MSCNN模块负责空间特征提取,BiMGRU模块负责时间特征提取,而MHAM则负责高效整合和提取多模态特征。此外,为进一步提升模型性能,本研究还创新性地提出了改进的鲸鱼优化算法(EWOA),并在模型训练过程中加以应用,通过系统优化超参数来提升模型的泛化能力和训练效率。研究利用在各种复杂运行条件下采集的异步电机实际振动数据进行了大量验证。与传统方法以及当前主流的深度学习模型相比,采用EWOA优化后的混合模型取得了出色的预测精度,为解决电机故障诊断问题提供了一种高效且有效的途径。引言由于结构简单、成本较低,异步电机在工业领域得到了广泛应用。然而,在长期高负荷运行及复杂工况下,它们容易发生机械或电气故障。未能及时诊断和处理这些故障不仅会导致电机效率下降、能耗增加,还可能引发设备停机、生产线瘫痪,甚至威胁操作人员的安全。从理论上讲,改进电机设计、通过先进加工技术提升部件的制造质量以及提高电机的整体质量,是确保其正常运行的根本措施。不过,仅依靠上述措施并不足以保证电机运行过程中不会出现故障。因此,提升电机故障诊断能力是确保电机正常运行的重要手段。目前,电机故障诊断的研究主要可分为三类:基于模型的方法、基于信号处理的方法以及基于数据驱动的方法。基于模型的电机故障诊断方法是以控制电机运行的物理定律和数学原理为基础的。通过构建电机正常运行的数学模型,这些方法将实际运行数据与模型输出进行比较分析,以判断是否发生故障并确定故障类型。具体的方法包括状态估计法、参数识别法等。Ray等人[1]为定子匝间故障研究建立了三相感应电机的全面数学模型,该模型具有精确的电感建模功能,能够考虑健康状态和匝间故障条件下的转子槽谐波。Miniach等人[2]引入了扩展卡尔曼滤波器(EKF),用于补偿电机电流传感器,并为基于残差的故障检测器提供参考信号。Garcia-Calva等人[3]提出了自适应扩展卡尔曼滤波器,用于处理电机电压和电流,以检测断条故障。Wang等人[4]提出了一种基于偏置三角波注入和电流差分项的参数识别方法,用于获取永磁同步电机的准确状态参数。Guedes等人[5]则运用差分进化、粒子群优化和模拟退火算法来估算感应电机的电气参数,再通过分析这些参数来实现故障诊断。基于模型的诊断方法能够深入探究电机的内部参数和状态变量,从而精确确定故障的位置和类型。但这些方法依赖于高精度的建模。在实际应用中,电机系统中各组件之间的复杂耦合关系使得建模过程变得十分复杂。此外,电机还容易受到多种电磁噪声干扰,这些干扰会扭曲输入和输出信号的测量值,从而导致故障诊断出现误判。因此,这些方法在实际应用中存在一定的局限性。基于信号处理的电机故障诊断方法则是利用各种信号处理技术来分析电机运行数据,识别能够反映故障类型的特征量,进而实现故障诊断。这类方法无需建立电机故障模型,因而避免了因建模精度问题而对故障诊断性能造成的影响。这一类别中的主要技术包括时域分析、频域分析以及时频域分析。基于时域分析的电机故障诊断方法主要是通过对电流、电压和振动等运行信号中提取的各类数据指标——如最小值、最大值、峰峰值、均值、方差、均方根、峰值指数、边际指数、峰度指数、波形指数和脉冲指数等——进行评估和分析,以此确定电机故障的类型和位置。Wang等人[6]提出了一种基于时域数据的双归一化故障诊断(DNFD)方法,用于检测永磁同步电机驱动系统的开路故障。Geetha等人[7]选取并整合了具有故障辨识能力的最佳时域特征,这些特征来自永磁同步电机产生的电流信号。Huang等人[8]开发了Bi-TAM-Net框架,该框架以时域振动信号作为输入,以实现精准诊断。这类方法具有计算复杂度低、特征提取简单直观的优点。然而,它们的计算效率相对较低,且无法捕捉故障数据中固有的周期性特征。此外,电机的实际运行条件往往处于变化之中,恶劣的工作环境也会在采集的数据中引入噪声,这使得时域分析方法的有效性极易受到运行条件和噪声的影响。与无法从故障数据中提取周期性信息的时域分析方法不同,频域分析方法能够充分利用故障信号的周期性特征,因此广泛应用于那些具有周期性故障频率特征的故障诊断场景。作为频域分析的基础,傅里叶变换是各类常见故障诊断方法的核心,这些方法通常涉及对功率谱、幅度谱、包络谱、倒谱、缩放谱、全息谱以及谱峰度等进行分析处理。Halder等人[9]通过定子电流包络信号模型,识别出了与故障相关的双滑频分量以及电流包络中的谐波。Wang等人[10]提出了一种新型的自适应窗口短时Esprit(AWSTE)方法,用于在转子断条故障诊断中跟踪基频并提取其谐波包络,该方法可在连续模式切换的情况下使用。Guo等人[11]提出了一种新的多变量频率传递双谱估计器(MFTBE),该方法通过处理电流信号形成多变量频率传递双谱(MFTB),再通过积分运算提取故障特征。Wang等人[12]则通过谱相干性和增强型包络谱,展示了循环频域中的电机故障特征。Guo等人[13]提出了一种新型的鲁棒调制谱相关性(RMSC)分析方法,该方法将信号解调为包含基频和调制频率的双谱图,再利用基频有限脉冲响应滤波器获取RMSC子带。然而,在实际的工业环境中,所采集的数据(如振动数据)往往具有非平稳特性,其频率成分会随时间发生变化。依赖信号平稳性假设的频域分析方法在处理非平稳数据时会出现谱线模糊和能量泄漏等问题,从而导致故障特征提取不准确。此外,频域变换缺乏时间信息,难以确定故障发生的具体时间。与仅从单一维度提取信息的时域分析、频域分析等方法相比,时频域分析方法能够同时从时间和频率两个维度捕捉故障特征,因此在故障诊断领域得到了更广泛的应用。目前常用的时频域分析方法包括连续小波变换(CWT)[14,15]、经验模态分解(EMD)[16,17]以及短时傅里叶变换(STFT)[18,19]。Chen等人[20]将一维振动信号转换为二维CWT时频表示形式,随后将其输入到相应的分类器中,用于电机故障诊断。Kwon等人[21]利用EMD将电机相电流数据分解为一组固有模态函数(IMFs),然后对每个IMF应用希尔伯特变换,计算瞬时频率和能量,从而获得偏心故障和退磁故障下的希尔伯特谱特征。Wang等人[22]则利用STFT将原始振动信号转换为时频信息,从而丰富电机的故障信息。尽管时频域分析方法在电机故障诊断中效果显著,能够在一定程度上提升诊断精度,但在实际应用中,选择合适的算法(如分类器或分类网络)仍需根据具体场景进行定制。随着大数据时代的到来,反映设备状态的数据往往具有数据量大、格式多样等特点,这推动了设备故障诊断进入“大数据时代”。传统的故障诊断方法在处理海量、多源且异构的数据时逐渐暴露出局限性。例如,基于模型的方法依赖于精确的数学建模,难以适应复杂运行条件下的数据动态变化。基于信号处理的方法则依赖于人工特征提取,这一过程既耗时又费力。而数据驱动的方法则借助数据挖掘技术从海量数据中提取有用信息,其基本思路是利用学习模型从大量的历史运行数据中挖掘出潜在的抽象特征,从而使模型能够近似描述数据与设备状态之间的内在映射关系。整个过程几乎不需要人工干预,且具备较高的准确性。自2006年深度学习理论提出以来[23],由于其强大的特征提取和非线性表达能力,该理论迅速引起了学术界和工业界的极大关注与研究热情。在电机故障诊断领域,研究人员也在积极探索深度学习技术的应用。目前,用于电机故障诊断的深度学习模型主要包括卷积神经网络(CNN)、深度信念网络(DBN)、堆叠自编码器(SAE)网络、循环神经网络(RNN)以及长短期记忆网络(LSTM)。Shu等人[24]提出了一种具有双分支的特征融合残差CNN模型,用于检测电机中的转子断条故障。Zhao等人[25]构建了一种基于高斯分布的新型DBN模型,用于学习电机轴承故障的分类特征。Jian等人[26]提出了一个堆叠自编码器(SAE)网络,用于精准提取电机的故障特征,同时还引入了稀疏性约束,以压缩和简化输入数据。Mohajerani等人[27]则利用RNN模型来模拟电机故障,从而减轻分类器的计算负担。Xu等人[28]提出了一种基于最优深度双向LSTM的故障诊断方法,该方法能够高效且准确地诊断电机故障。尽管取得了上述进展,但目前基于深度学习的电机故障诊断方法仍存在一些关键缺陷。首先,大多数模型都是在固定的运行条件下(如恒定的速度和负载)进行训练的,当这些模型被应用于噪声环境或新的运行场景时,由于数据分布的变化,其性能会出现显著下降。其次,现有模型中超参数(如网络深度、学习率)的调整大多依赖于试错法,缺乏理论依据。这种人工调整过程既耗时又效率低下,而且容易出错,因为它无法充分考虑超参数与模型性能之间的复杂非线性关联——尤其是在动态的工业环境中。为了解决这些局限性,本研究整合了多尺度卷积神经网络(MSCNN)、双向莫格里弗门控循环单元(BiMGRU)以及多头注意力机制(MHAM),提出了一种基于多模态的混合模型MSCNN-BiMGRU+MHAM,用于异步电机的故障诊断。与此同时,本研究还创新性地提出了改进的鲸鱼优化算法(EWOA),并在模型训练过程中加以应用,通过系统优化超参数来提升模型在不同条件下的泛化能力以及训练效率。具体的贡献如下。(1)为提升深度学习模型在噪声环境及多种运行条件下的性能,提出了一种基于多模态的混合模型MSCNN-BiMGRU+MHAM,该模型可并行提取空间特征和时间特征,从而提高模型的去噪能力和泛化能力。(2)提出了一种具有强大全局优化能力的新型EWOA算法,用于自动优化模型中的关键超参数,进而提升训练效率与准确性。(3)针对异步电机开展了系列对比实验,以验证所提方法的有效性。本文的其余结构如下:第2节介绍与Gramian Angular Field(GAF)、EWOA、MSCNN、BiMGRU和MHAM相关的研究工作;第3节详细阐述所提出的方法及其在电机故障诊断中的应用;第4节介绍实验验证的实现过程及结果;第5节对实验结果进行讨论与分析;最后,第6节总结本研究并提出未来研究的潜在方向。
Gramian Angular Field(GAF)
Gramian Angular Field(GAF)作为一种编码技术,可将一维时间序列信号转换为二维时间序列矩阵。它不仅能有效保留时间信息,还能提高特征提取效率并简化数据处理流程,因此在多个领域都具有广泛的适用性。对于给定的时间序列信号X={x1,x2,?,xn},其标准化后的结果如方程(1)所示,可被编码到极坐标中。
电机故障诊断的流程
电机故障诊断的整个流程包括数据采集、数据转换、模型训练与优化,以及结果输出与可视化,如图5所示。具体步骤如下:
(1)数据采集。搭建物理电机测试台,设置不同类型的故障以采集振动数据。
(2)数据转换。以n为间隔对振动数据进行截取,得到n个样本。每个样本经过GASF变换后可获得GASF图像。
实验与结果
在本节中,将所提出的模型应用于电机故障诊断,并通过对比实验验证其有效性。实验数据来自物理电机测试装置,硬件配置包括12代Intel(R) Core(TM) i9-12900H处理器,32GB内存,以及四块GTX 1060显卡。操作系统为64位Windows 11,模型训练则采用TensorFlow 2.14作为深度学习框架。
分析与讨论
在故障特征识别方面,图11显示,与CWT、STFT和GADF相比,该模型采用GASF时性能更优。这一优势源于GASF能够整合多个特征维度的信息,同时对局部噪声起到轻微的平滑作用,因此在噪声环境中具有更强的稳定性。由此可见,GASF非常适合作为电机故障诊断中的故障特征识别方法。
关于混沌映射方法
结论
在本研究中,我们提出了一种基于多模态的混合模型MSCNN-BiMGRU+MHAM,用于在噪声环境及复杂运行条件下进行异步电机故障诊断。此外,为提升模型训练的效率与准确性,还提出了一种结合混沌策略、收敛因子非线性策略以及权重自适应策略的EWOA算法,用于优化模型的超参数。应用该方法后得到了以下具体结论:
(1)与其他方法相比……
CRediT作者贡献声明
Lerui Chen:撰写——初稿,指导,软件,方法论,资金获取,正式分析,概念设计。Zhendong Kang:撰写——审阅与编辑,软件,数据整理。Haiquan Wang:指导,数据整理。YukMing Tang:概念设计。Yidan Ma:撰写——审阅与编辑。Shengjun Wen:指导。Mohammed Woyeso Geda:数据整理。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
致谢
本研究部分得到了中原工学院自然科学基金项目K2023MS020、河南省自然科学基金项目242300421417、山东省自然科学基金项目ZR2023MF024、河南省重点研发计划项目231111221600和251111211600,以及河南省高等学校科技创新团队支持计划项目的资助。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号