基于深度網絡的三相異步電動機故障檢測

史玉芳

（徐州機電技師學院，江蘇徐州 221131）

電機及其部件的狀態監測（CM）是防止其損壞和避免資源浪費的必要措施。檢測機器或其部件的異常狀態可以提高安全性，延長機器壽命。檢測這些狀態需要測量轉子和定子電流、氣隙中的磁場或電機不同部分在正?；蛘吖收锨闆r下的熱特性等量，以便進行比較。無創技術通過外部測量而不打開電機或嵌入傳感器內，具有很大優勢。因此，基于機器學習技術測量結果的自動評估對研究人員來說具有很大的用處。由于電動機的故障經常導致局部或全局溫度升高，所以可以通過測量熱模式來檢測故障類別。圖1 顯示了感應電動機等旋轉電機基于熱成像的自動故障檢測系統的總體框架。如圖所示，通過一些預處理操作來檢測故障關注區域（ROI），改進了輸入圖像［1-2］。然后，從該區域提取基于直方圖的判別特征，統計動量，頻域或共現矩陣特征檢查，基于卷積神經網絡（CNN）的特征等。最后，提取的特征或從降維獲得的特征用于訓練合理的分類器，如神經網絡、判別分析、模糊系統、支持向量機、決策樹等。

圖1 自動故障檢測系統框圖

本研究的主要目的是將三相異步電動機電氣故障的熱圖分類作為一種無創、無損的方法進行研究。將一個簡單預先訓練的CNN 取名為AlexNet并用作一個特征提取器，無需其他額外學習。與VGG相比，為了增強這種簡單的特征提取器，提出了一種基于級聯的魯棒關注區域檢測器（使用SIFT）的流水線，使用預先訓練的深度神經網絡從關注區域提取鑒別特征，基于K-means 均值算法對提取的特征向量進行聚類，并運用支持向量機（SVM）分類器的泛化能力，進行故障檢測。

1 擬議方法及理論分析

本文提出了一種基于紅外圖像的異步電動機故障檢測方法。該方法的摘要如下，首先，每個圖像中都檢測到ROI。然后，提取的關注區域基于預先訓練的卷積神經網絡表示，這些代表性的訓練樣本被K-means 聚類成兩個冷熱簇，在每個聚類中應用相應的支持向量機對訓練樣本進行分類。在測試階段，對于輸入的測試圖像，在提取其關注區域（ROI）并對其進行新的表示之后，確定相關的聚類。最后，激活其相應的支持向量機，以確定電機故障的類型。

1.1 ROI 提取

正確提取關注區域并去除背景對于提高測試圖像的匹配精度和訓練圖像有重要作用。為此，在一個通用框架中，首先從一組參考圖像中提取出一組正常狀態的本地特征或關鍵點。對于一個測試圖像，來自它的每個特性都與引用的關鍵點進行了單獨的比較。

關注區域檢測面臨兩個問題：一方面，運動機體圖像的空間／熱對比度在運行初期和運行過程中或發生嚴重故障時是不同的。另一方面，在兩種不同的成像方式下，從相機到電機的距離是不一樣的。

在此研究中，為了同時解決這些問題，應用了廣泛使用的SIFT 來提取ROI，在兩個溫度下的兩幅運動機體圖像被用來對應于冷和熱的范圍作為參考圖像。然后，從這些模板中提取100 個局部特征點并存儲，從每個測試圖像中提取出300 個基于SIFT的局部特征。在實驗中，運用最近的網格為基礎最佳倉優先搜索方法來確定最佳匹配的關鍵字。

通過將圖像中的每個關鍵點與存儲的關鍵點進行比較和匹配，可以在圖像中檢測到電機本體。值得注意的是，電機的剛性三維形狀適合基于SIFT 的關鍵點提取和匹配。因此，提出的ROI 提取策略是穩固狀態下的平移、旋轉及魯棒性的溫度變化。

1.2 訓練CNN 作為特征提取器

從輸入熱圖中提取的關注區域用卷積神經網絡表示。在神經網絡訓練過程中，網絡的不同層次檢測圖像不同區域的空間／熱依賴性，并將其置于最終的特征向量中。在這項工作中，我們使用事先訓練好的AlexNet 作為特征提取器［3-5］。AlexNet 體系結構包括五個卷積層以及最大池層和三個完全連接的層。

完全連接層的輸出連接到一個軟最大層與1000 個條目，使用1000 個標簽。在這個網絡中，相關函數功能被用作完全連接層的激活函數。在這種結構中，第一卷積層濾波器的輸入圖像為227×227×3，大小為11×11×3 的96 個核，步長為4 個像素。第一層的輸出用作第二層的256 個5×5×48 的核進行濾波，在第三層，384 個3×3×56 的核與第二層的輸出相連，第四層和第五層分別有348 和256個核，這些核的大小為3×3×192，每個完全連接的層包括4096 個神經元，這樣，每個熱圖被轉換成一個4096 元組的特征向量。

1.3 損失函數

在對網絡進行訓練時，給出一組熱像作為訓練樣本，圖像中的每個設備部分都注釋有一個定向包圍網格和一個類標簽作為實際環境真實值，該網絡既能預測定位結果，又能預測分類結果，是一個多任務學習問題。因此，我們設計了一個多任務損失函數Λ，其中包括一個本地化損失Λloc，分類損失Λcls，以及一個損失Λort，限制部件之間的方向角度是一致的，如下式：

用t＝（tx，ty，tw，th，tθ）表示預測邊界框的位置，雖然多邊界框是預測，但是我們期望只有一個最高的與地面實際情況的交叉點組合來預測部分設備。因此，我們使用指示符來表示第i 個單元格中的第j 個預測邊界框是可信任的部分，如果不是，則使用指示符來表示。在本地化學習中，只有那些可信任的網格才是重要的。與此同時，一個所得分數sij也提供了衡量這個預測的可信度。如果網格是準確的，那么分數應該是很高的，否則就是無可信度。為此，本地化損失的設計如下：

其中p^是表示分類基本邏輯的K 維二元向量。它是所有0 項中的一個，除了對應于標記類的一個，該類被設置為1。

2 實驗及評估

為了評估提出方法的性能，實驗裝置和三相感應電動機數據為1.1kW 發動機，2800n，工作頻率50Hz，工作電壓220／380V。在此基礎上，研究了該三相異步電動機的不同工況，如正常運行、轉子堵塞、冷卻風扇堵塞、定子繞組短路等。

由于從不同的視角進行成像，檢測到的ROI具有不同的大小?；赟IFT 檢測到的關注區域被重新調整到180×127 像素，然后通過卷積神經網絡轉換成一個4096 元組的特征向量。在每個數據集中，70%的數據被隨機分配給訓練數據，30%被隨機分配給測試數據。將數據集分區重復10 次，并報告多次運行的平均準確性。

利用K-means 算法將訓練特征向量分為兩類。通過觀察每個簇類的原型，可以解釋為根據相應圖像的溫度范圍對樣本進行聚類。因此，這些簇團被命名為熱簇團和冷簇團。在多次運行的Kmeans 算法中，數據集的一個特定類的原型I 改變了它的聚類。研究決定這個原型存在于兩個簇團中。因此，冷團簇和熱團簇分別包括來自七個和五個不同類別的例子。

在這個步驟中，每個檢測到的ROI 樣本被分配給一個集群，其原型更接近該樣本。在訓練階段，其特征向量有的在冷團簇中聚類，有的在熱團簇中聚類。訓練一個基于支持向量機的二值高斯核分類器對每個聚類的訓練樣本進行分類。

在這項工作中，平均檢測率（跨越多個運行的數據集劃分）和混淆矩陣說明是用來評估建議流程的性能。分類的準確性，即平均檢測率，按下式衡量：

其中，TCs、FCs分別是分類樣本的真假數目。

根據公式可以得出結論，支持向量機不足以實現良好的故障狀態檢測。因此，運用一種使用多層次決策的方式。第一個聚類單元確定測試圖像的類別，然后將這些類別輸入到相應的分類器中，預測其出現的故障類別。

針對KNN 分類器和隨機分類器對提出的流程進行了評估。實驗結果如表1 所示?；赟VM 的分類器性能優于KNN 和RF。因此，基于支持向量機的分類提高了流程的泛化能力。實驗結果表明，所提出的故障檢測流程能夠對電機運行故障進行準確的預測。

表1 用于不同分類器的平均準確率（%）

3 結論

本文提出了一種基于深度網絡特征的熱像圖處理三相異步電動機故障無創自動檢測方法。為此，研究了基于SIFT 的關注區域檢測，運用了CNN 的特征提取，K-means 算法和基于SVM 的分類器。由于電機的三維形狀是剛性的，所以在該算法中采用了SIFT 算法進行關注區域檢測。由于不同的圖像采集條件和視點，檢測到的關注區域大小不同。因此，基于SIFT 的檢測關注區域被重新調整到180×127 像素。與其他方法相比，歸一化ROI 直接提取到基于CNN的特征提取器中，不需要任何預處理或額外的學習。本文運用AlexNet 進行此實驗的研究?；贑NN 的特征提取后，將訓練后的4096 元組向量提交給兩階段決策單元。在決策單元的第一階段，采用K-means算法將特征向量聚類為兩組冷樣本和熱樣本。

在測試階段，將歸一化檢測到的關注區域提供給預先訓練好的CNN，并將其4096 元組特征向量提供給相應的基于支持向量機的分類器。從感應電動機中收集了包括來自不同視角的真實熱圖像的數據集。通過實驗對這種簡單算法的性能進行了評價。提出的檢測方式在多次運行中的100%準確性，表明其性能優于其他方式。對于未來的工作，我們正在擴展數據集多視圖成像的電機。之后，將努力建立其三維熱圖在多種運行狀態的故障檢測。