[发明专利]一种基于胶囊网络的三相感应电机变工况多故障诊断方法

权利要求书

1.一种基于胶囊网络的三相感应电机变工况多故障诊断方法，其特征在于，包括以下步骤：

(1)、采集三相感应电机在不同工况下的电流数据，及对应电流下的电机健康状态，记为I_j[state_m]；其中，j＝1,2,3,…，j表示电机不同的工况编号；m＝1,2,…,7，m表示电机的健康状态，包括正常工作状态和六种故障状态，故障类型有：匝间短路、缺相、鼠笼条断条、突然丢失负载、转子动态偏心与转子静态偏心；

(2)、数据预处理

(2.1)、将不同健康状态下的电流数据添加标签，其中，正常状态记为Normal，匝间短路记为ISC，缺相记为OP，鼠笼条断条记为BRB，突然丢失负载记为LM，转子动态偏心记为RDE，转子静态偏心记为RSE；添加标签后的电流数据在胶囊网络中所对应索引值为1～7；

(2.2)、将添加标签后的电流数据随机划分成N个等长度的子序列，每个子序列记为一个Batch，共计得到N个Batch；

(3)、搭建并训练基于胶囊网络的故障诊断模型；

(3.1)、设置基于胶囊网络的故障诊断模型的学习率α；设置总的迭代次数T；

(3.2)、随机选取n个Batch输入至卷积神经网络CNN，利用卷积神经网络CNN提取的初始特征，提取公式为：

其中，f_c(t)是t时刻CNN提取的初始数据特征，act()表示激活函数，表示t时刻的权重矩阵，为t时刻的偏置向量，I_t为t时刻输入Batch中的电流数据，t为当前训练次数；

(3.3)、将CNN提取的初始特征输入至胶囊网络模型的卷积层，通过卷积运算后将初始特征映射到初级胶囊层；

其中，g₁(t)是t时刻胶囊网络卷积层的输出；e_i(t)为t时刻初级胶囊层的输出，是一系列的8维向量；为t时刻胶囊网络卷积层的权重矩阵和偏置向量；为t时刻初级胶囊层的权重矩阵和偏置向量；tanh()为双曲正切激活函数；

(3.4)、通过压缩与动态路由算法对初级胶囊层的输出进行处理，得到数字胶囊层的输出，处理的具体公式为：

其中，v_j(t)是t时刻数字胶囊层第j个胶囊的输出，j∈[1,7]它是每一种电机健康状态所对应的索引值；l_j(t)是t时刻从初级胶囊层到数字胶囊层的总输入向量；为t时刻预测向量，通过将初级胶囊层的输出乘以一个权重矩阵W_ij(t)得到，i为初级胶囊层输出8维向量的个数；a_ij(t)为t时刻的耦合系数；b_ij(t)为t时刻动态路由算法的迭代更新参数，初始值为0；r为动态路由算法的迭代次数；

(3.5)、计算向量v_j(t)的长度，并比较当前t时刻所有向量长度的最大值，再将最长向量的索引值对应的电机状态作为当前数据所对应的电机状态，并输出电机状态；

(3.6)、根据数字胶囊层的输出v_j(t)搭建用于优化故障诊断模型的损失函数；

L_loss(t)＝Y_j(t)maxmax(0,m₁-‖v_j(t)‖)²+λ(1-Y_j(t))max(0,‖v_j(t)‖-m₂)²

其中，Y_j(t)是不同健康状态下电机数据标签所对应的索引值，‖v_j‖就是数字胶囊层输出向量v_j的长度，m₁、m₂、λ均是[0,1]之间的常量；

(3.7)、计算t时刻的损失函数值L_loss(t)，再与t-1时刻的损失函数值L_loss(t-1)进行比较，如果L_loss(t)小于L_loss(t-1)，则利用梯度下降法直接优化CNN和胶囊网络的权重及偏置；否则，则利用AdamOptimizer优化器优化CNN和胶囊网络的权重及偏置，AdamOptimizer优化器优化的具体公式为：

其中，g(t)为t时刻的梯度；m_t为指数移动均值；h_t为平方梯度；β₁、β₂为常数，β₁、β₂∈[0,1]；∈为常数，默认为1e-8；θ_t-1表示前一个时刻的模型参数，θ_t表示更新后的模型参数，包括CNN和胶囊网络更新后的权重及偏置；

(3.8)、判断当前迭代次数t是否达到最大迭代次数T，如果满足，则迭代停止，将本次更新后的权重及偏置作为CNN和胶囊网络的参数，然后进入步骤(4)；否则，将当前迭代次数t自加1，再返回步骤(3.2)，继续选取下一组Batch进行训练；

(4)、实时采集三相感应电机的电流数据，然后输入至模型，从而输出三相感应电机的健康状态类型。