任翔宇 秦 勇 王 彪 賈利民 程曉卿

基于博弈映射學習的多傳感源信息融合三相電機智能故障診斷方法

任翔宇1,2秦 勇1,2王 彪1,2賈利民1,2程曉卿1,2

（1. 軌道交通控制與安全國家重點實驗室（北京交通大學） 北京 100044 2. 北京交通大學交通運輸學院 北京 100044）

利用多傳感數(shù)據(jù)能夠全面地診斷三相電機的各類機械或電氣故障，然而現(xiàn)有的智能診斷方法缺乏有效的關鍵故障信息挖掘與跨傳感源特征聚合學習機制，導致其診斷效果不佳。針對以上問題，該文提出一種基于博弈映射學習的多傳感源信息融合三相電機智能故障診斷方法。首先，使用多個并行的自學習特征映射網(wǎng)絡從各傳感數(shù)據(jù)中自動地提取故障特征；然后，構(gòu)建傳感源鑒別器并使其與自學習特征映射網(wǎng)絡形成博弈關系，精煉故障特征并引導其跨傳感源分類聚合；之后，將樣本差異度量損失函數(shù)引入到優(yōu)化目標中，以確保各類故障特征之間的空間可分性；最后，利用故障模式識別器進行多傳感故障特征融合診斷。實驗結(jié)果表明，該方法能夠基于振動、電流、聲等多傳感數(shù)據(jù)準確地診斷三相電機軸承故障、轉(zhuǎn)子故障及電氣故障，且診斷性能優(yōu)于現(xiàn)有方法。

三相電機 智能故障診斷 多傳感源信息融合 對抗學習 信息度量

0 引言

作為旋轉(zhuǎn)機械的重要動力源，三相電機廣泛應用于軌道交通、石油化工、汽車制造、煤炭冶金等工業(yè)生產(chǎn)與社會生活的各個領域[1]。三相電機的性能狀態(tài)往往直接影響生產(chǎn)效率與產(chǎn)品質(zhì)量，一旦發(fā)生故障，輕則導致生產(chǎn)工作停頓造成經(jīng)濟損失，重則引發(fā)安全事故導致人員傷亡。因此，利用監(jiān)測傳感器獲取的振動、電流、溫度等信號對三相電機故障進行及時診斷并采取相應的維護措施，對保障其安全、可靠、高效運行具有重要的現(xiàn)實意義。

隨著工業(yè)互聯(lián)網(wǎng)的快速發(fā)展與普及應用，三相電機的監(jiān)測數(shù)據(jù)規(guī)模呈指數(shù)級增長，監(jiān)測傳感器的類型也越來越多。豐富的監(jiān)測數(shù)據(jù)為基于人工智能算法的智能故障診斷提供了應用基礎，涌現(xiàn)出大量研究成果[2-3]?，F(xiàn)有的三相電機智能故障診斷方法主要分為兩類：基于淺層模型的方法和基于深度模型的方法[4]。淺層模型只包含一層隱層節(jié)點或沒有隱層節(jié)點，如支持向量機、梯度提升樹、自組織神經(jīng)網(wǎng)絡等。這些模型的結(jié)構(gòu)相對比較簡單，易于迭代訓練，但其表征學習能力弱。因此，基于淺層模型的方法通常需要先借助信號處理等技術設計故障特征提取算法，然后再以這些故障特征為輸入訓練淺層模型，進而識別三相電機的健康狀態(tài)。例如，文獻[5]設計了廣義精細復合多尺度樣本熵算法從振動信號中提取故障特征，然后利用改進支持向量機診斷三相電機的軸承故障；文獻[6]采用離散小波變換對三相電機振動信號進行去噪，使用馬氏距離作為判斷準則篩選故障特征并輸入至支持向量機中進行故障分類；文獻[7]基于小波包分解算法計算振動信號在各頻帶內(nèi)的能量，并將其作為輸入訓練梯度決策提升樹診斷模型；文獻[8]首先利用自組織映射網(wǎng)絡提取故障特征，然后使用離散隱馬爾可夫模型對三相電機軸承故障進行診斷；文獻[9]提出了基于骨干微粒群算法和支持向量機的電機轉(zhuǎn)子斷條故障診斷方法。深度模型由多個隱層堆疊而成，其結(jié)構(gòu)復雜但具有更強的表征學習能力，能夠從海量監(jiān)測數(shù)據(jù)中挖掘出更多有價值的故障信息與知識。常用的深度模型包括深度自編碼網(wǎng)絡、深度置信網(wǎng)絡、卷積神經(jīng)網(wǎng)絡等。例如，文獻[10]提出了一種基于堆疊自編碼器的遷移診斷方法，實現(xiàn)了不同應用場景下的三相電機軸承故障診斷；文獻[11]將主成分分析、粒子群優(yōu)化和深度置信網(wǎng)絡相結(jié)合，建立了計算耗時更小、診斷精度更高的三相電機智能故障診斷模型；文獻[12]直接以原始的紅外圖像作為輸入，利用改進的卷積神經(jīng)網(wǎng)絡有效地識別了轉(zhuǎn)子-軸承系統(tǒng)故障。相比于淺層模型，具有更強表征學習能力的深度模型更適合處理大數(shù)據(jù)問題[13-15]，因而近年來吸引了學者們越來越多的關注。

三相電機的常發(fā)故障包括機械類故障（如軸承故障、轉(zhuǎn)子不平衡、籠條斷裂等）和電氣類故障（如匝間短路、電壓不平衡、缺相等）[16-17]。由于不同類型的故障具有不同的物理表征，僅使用單一類型的監(jiān)測傳感器難以全面有效地捕捉三相電機的各類故障特征，進而影響深度智能模型的診斷能力及識別精度[18]。因此，以多傳感數(shù)據(jù)為輸入的多源信息融合智能診斷方法成為了學者們的研究重點。根據(jù)信息融合的層次不同，現(xiàn)有的多傳感源信息融合三相電機智能故障診斷方法分為數(shù)據(jù)級融合診斷方法、特征級融合診斷方法和決策級融合診斷方法[19]。數(shù)據(jù)級融合直接對原始的多傳感數(shù)據(jù)進行融合，例如文獻[20]提出了三種數(shù)據(jù)級融合方法，對振動、轉(zhuǎn)速和載荷數(shù)據(jù)進行融合并從物理角度解釋了各種融合方法的意義。決策級融合首先利用每個傳感器數(shù)據(jù)進行單獨診斷，然后對所有診斷結(jié)果進行融合決策，是現(xiàn)有研究中使用最為廣泛的融合方式。例如，文獻[21]將電機三相電流信號分別輸入到不同的卷積神經(jīng)網(wǎng)絡中進行自動特征提取與分類，然后在決策層中使用監(jiān)督學習算法進行融合故障診斷；文獻[22]使用卷積神經(jīng)網(wǎng)絡分別從振動和電流信號中提取特征，然后使用Softmax分類器進行預分類，最后利用D-S證據(jù)理論對所有預分類結(jié)果進行綜合決策診斷。特征級融合是在輸入數(shù)據(jù)與決策輸出中間進行信息融合，即首先從各傳感數(shù)據(jù)中提取故障特征，然后將這些特征融合后再輸入分類器中進行故障診斷。例如，文獻[19]使用長短期記憶網(wǎng)絡和卷積神經(jīng)網(wǎng)絡構(gòu)建了多尺度融合網(wǎng)絡，該網(wǎng)絡能夠從振動和電流信號中提取故障特征并進行融合，而后將這些融合特征輸入到Softmax分類器中進行故障分類；文獻[23]首先使用改進稀疏濾波器分別從振動和電流信號中自動提取故障特征，然后通過首尾拼接的方式進行特征融合，最后使用多路極限學習機分類器識別電機-轉(zhuǎn)子系統(tǒng)故障。雖然學者們已經(jīng)對多傳感源信息融合的三相電機智能故障診斷進行了一定探索與研究，但現(xiàn)有方法仍存在以下不足：①來自不同傳感源的數(shù)據(jù)包含不同程度的故障信息，且同一傳感數(shù)據(jù)在不同故障模式下的信息量差異較大，因而難以在數(shù)據(jù)層面對多傳感源信息進行有效融合，同時決策級融合又無法充分利用多傳感數(shù)據(jù)進行信息互補，進而限制了智能模型的診斷精度與泛化性；②現(xiàn)有的特征級融合診斷方法在故障信息挖掘與特征提取融合過程中缺乏明確的學習機制對不同傳感源之間的故障特征進行差異度量與迭代聚合，導致其診斷性能易受不相關或冗余信息的影響。

為了解決以上問題，本文提出了一種基于博弈映射學習的多傳感源信息融合三相電機智能故障診斷方法。該方法首先使用多個并行的自學習特征映射網(wǎng)絡從各個傳感數(shù)據(jù)中自動地提取故障特征并將其映射至公共信息度量空間中；然后，構(gòu)建傳感源鑒別器并使其與自學習特征映射網(wǎng)絡形成博弈關系，引導公共信息度量空間中的故障特征跨傳感源分類聚合；同時，為了增加不同故障特征的類間可分性，在訓練優(yōu)化目標中引入了樣本差異度量損失函數(shù)；最后，將公共信息度量空間中的多傳感故障特征輸入到故障模式識別器中進行融合診斷。本文設計并開展了三相電機故障模擬實驗，利用獲取的振動、電流、聲等多傳感數(shù)據(jù)對提出方法的有效性進行了驗證。提出方法的優(yōu)勢在于：①博弈學習的構(gòu)建能夠使網(wǎng)絡在迭代訓練中不斷地對多傳感源信息進行精煉，進而有效地提取關鍵故障特征而忽略無關測量噪聲，使相同故障類型的不同傳感源特征差異性更小、聚集度更高；②樣本差異度量損失函數(shù)的引入確保了不同故障類型的多傳感故障特征之間的空間可分性，使故障特征不僅在類內(nèi)聚集，而且在類間分散，有利于準確地區(qū)分三相電機的各類機械或電氣故障。

1 博弈映射學習智能故障診斷

1.1 博弈映射學習網(wǎng)絡構(gòu)建

本文所構(gòu)建的博弈映射學習網(wǎng)絡如圖1所示，其由自學習特征映射網(wǎng)絡、傳感源鑒別器和故障模式識別器構(gòu)成。自學習特征映射網(wǎng)絡用于從輸入的多傳感數(shù)據(jù)中自動地提取各類三相電機故障特征，并將這些特征映射至公共信息度量空間中；傳感源鑒別器用于度量公共信息度量空間中來自同一輸入樣本的各傳感故障特征之間的差異性，并通過博弈學習促使自學習特征映射網(wǎng)絡從多傳感數(shù)據(jù)中提取與目標故障類型直接相關的關鍵故障特征，進而剔除不相關或冗余的傳感信息；故障模式識別器用于識別三相電機的故障類型，其輸入是公共信息度量空間中的多傳感故障特征。此外，本文提出方法也構(gòu)建了一個額外的損失函數(shù)——樣本差異度量損失函數(shù)，旨在進一步度量公共信息度量空間中來自不同輸入樣本的各類多傳感故障特征之間的差異性，使這些多傳感故障特征不僅在同一故障類型內(nèi)聚集，而且在不同故障類型間分散，提升故障模式識別器的分類準確性。

圖1 博弈映射學習網(wǎng)絡

假設輸入樣本的批量數(shù)為，每個樣本包含個傳感源，則第個（=1, 2,…,）輸入樣本可表示為=[1,2,…,]，其中為樣本的第個傳感源數(shù)據(jù)。具體地，本文提出的博弈映射學習網(wǎng)絡描述如下。

1.1.1 自學習特征映射網(wǎng)絡

基于式（4），將=[1,2,…,]中的各傳感數(shù)據(jù)輸入對應的自學習特征映射網(wǎng)絡中便可得到該輸入樣本在公共信息度量空間中的多傳感故障特征=[1,2,…,]。

1.1.2 傳感源鑒別器

1.1.3 樣本差異度量損失函數(shù)

式中，為公共信息度量空間中單個傳感故障特征的向量長度；X,a為的第個元素。

由式（9）可見，最小化樣本差異度量損失函數(shù)能夠使屬于同一故障類型的多傳感故障特征之間的差異性盡可能小，而屬于不同故障類型的多傳感故障特征之間的差異性盡可能大，保證了多傳感故障特征的空間可分性，進而有利于區(qū)分不同類型的三相電機故障，提升博弈映射學習網(wǎng)絡的診斷精度。

1.1.4 故障模式識別器

1.2 博弈學習過程

根據(jù)式（8）、式（9）和式（13），可得到博弈映射學習網(wǎng)絡的目標函數(shù)定義為

表1 博弈學習訓練過程

Tab.1 Training process of game learning

在上述過程中，通過最小化D訓練自學習特征映射網(wǎng)絡與通過最大化D訓練傳感源鑒別器構(gòu)成了動態(tài)博弈。這一博弈過程將有效地促使自學習特征映射網(wǎng)絡從輸入的多傳感數(shù)據(jù)中自動地提取關鍵故障信息而剔除無關的測量噪聲，使樣本內(nèi)的多傳感故障特征差異最小化并聚集在一起，最終達到納什均衡狀態(tài)，即傳感源鑒別器無法鑒別各故障特征的傳感來源。除了實現(xiàn)關鍵故障特征提取，博弈學習也實現(xiàn)了多傳感源信息的類內(nèi)融合（即同一故障類型的多傳感故障特征在公共信息度量空間中緊密地聚集在一起）。進一步地，樣本差異度量損失函數(shù)M的構(gòu)建也確保了不同故障類型下的多傳感故障特征在公共信息度量空間中分散分布，易于識別各類特征對應的目標故障類型，最終使提出的博弈映射學習網(wǎng)絡具有優(yōu)異的三相電機故障診斷性能。

2 實驗驗證

2.1 實驗數(shù)據(jù)介紹

三相電機故障模擬實驗在如圖2所示的實驗臺上進行，該實驗臺通過變頻器控制三相電機的轉(zhuǎn)速，并通過電渦流制動器對三相電機施加扭矩。在實驗過程中，三相電機的轉(zhuǎn)頻分別設置為15 Hz、25 Hz、35 Hz和45 Hz，且每種轉(zhuǎn)頻下均施加0 N·m和10 N·m兩種扭矩。實驗共模擬了11種不同的三相電機狀態(tài)，包括正常狀態(tài)、4種軸承故障、3種轉(zhuǎn)子故障和3種電氣故障，具體故障設置見表2，各故障部件的照片如圖3所示。為了獲取多傳感數(shù)據(jù)，實驗中采集了電機驅(qū)動端三向振動加速度信號、電機三相電流信號、轉(zhuǎn)速信號和聲信號，采樣頻率均為25.6 kHz。每種三相電機狀態(tài)各采集400個樣本，每個樣本包含8通道的多傳感數(shù)據(jù)，每個通道包含2 560個數(shù)據(jù)點。在后續(xù)實驗驗證中，本文將采集到的數(shù)據(jù)按三相電機轉(zhuǎn)頻分為A/B/C/D四個數(shù)據(jù)集，且每個數(shù)據(jù)集隨機選取25%的樣本用于網(wǎng)絡訓練，75%的樣本用于網(wǎng)絡測試。

圖2 三相電機故障模擬實驗臺及傳感器布置

表2 三相電機故障數(shù)據(jù)集

Tab.2 Fault dataset of three-phase motors

2.2 實驗結(jié)果及對比分析

2.2.1 樣本批量數(shù)的選取

樣本批量數(shù)是博弈映射學習網(wǎng)絡訓練過程中的一個重要參數(shù)，式（9）中的樣本差異度量損失函數(shù)的計算與樣本批量數(shù)直接相關。因此，本節(jié)首先研究了不同樣本批量數(shù)對三相電機故障診斷結(jié)果的影響。同時，為了測試提出方法的魯棒性，本節(jié)對測試集中的每個傳感數(shù)據(jù)施加了高斯噪聲，使其信噪比為0 dB。取不同值時，本文提出方法在未加噪測試集和加噪測試集上的診斷準確率如圖4所示。

從圖4中可以看出：①取不同值時，未加噪測試集的診斷準確率幾乎沒有變化，這表明在無噪聲干擾下的取值對本文提出方法的診斷性能影響很小。②在加噪測試集中，隨著樣本批量數(shù)的增加，本文提出方法在加噪測試集上的診斷準確率呈現(xiàn)先上升后下降的趨勢。這是因為當取值較小時，每次輸入網(wǎng)絡的訓練樣本代表性不足，導致樣本差異度量損失函數(shù)的度量效果較差，不同故障類型的多傳感故障特征混疊在一起，進而影響了診斷準確率；而當取值較大時，網(wǎng)絡在迭代訓練中容易陷入局部最優(yōu)解，使本文提出方法的魯棒性變差，診斷結(jié)果易受噪聲影響。因此，為了使本文提出方法在不同噪聲環(huán)境中均具有較好的故障診斷性能，將樣本批量數(shù)設置為30。

2.2.2 多傳感故障特征融合方式的選擇

在1.1.4節(jié)中，本文采用逐元素相加的方式對多傳感故障特征進行融合，但現(xiàn)有文獻通常使用首尾拼接的融合方式。為了探究不同多傳感故障特征融合方式對網(wǎng)絡診斷性能的影響，本節(jié)利用上述兩種融合方式開展了對比實驗。其中，本文所使用的逐元素相加方式記為融合方式1，現(xiàn)有文獻中常用的首尾拼接方式記為融合方式2。實驗中所使用的硬件平臺為英特爾酷睿i7-9750H處理器、8 GB運行內(nèi)存。為了減少隨機因素的影響，兩種融合方式分別在數(shù)據(jù)集A、B、C、D上進行20次實驗，結(jié)果見表3。

表3 不同融合方式的診斷準確率與計算耗時

Tab.3 Fault diagnosis accuracy and computing time of different fusion methods

由表3可見，兩種多傳感故障特征融合方式在不同數(shù)據(jù)集上的測試準確率均超過了99%，說明博弈映射學習網(wǎng)絡在使用這兩種融合方式時均能準確地診斷三相電機的故障類型。然而，由于融合方式2所形成的融合特征維度更大，在網(wǎng)絡中需要添加更多的神經(jīng)元，導致其在訓練和測試過程中的計算量更大且耗時也更多。因此，考慮到融合方式1具有更高的運算效率且其診斷準確率與融合方式2相當，本文選擇融合方式1進行多傳感故障特征融合。需要注意的是，本文提出方法在測試過程中的單個樣本推理運算時間約為1.92 ms，這意味著在實際部署應用中，本文提出方法能在很短時間內(nèi)輸出三相電機的故障診斷結(jié)果，具有較好的實時性。

2.2.3 消融實驗

為了詳細地說明博弈學習和樣本差異度量損失函數(shù)在三相電機故障診斷中的重要作用，本節(jié)開展了消融實驗，即先根據(jù)本文提出方法構(gòu)建三種相似的診斷方法，再對比分析這些方法的三相電機故障診斷性能。在消融實驗中，三種對比方法與本文提出方法具有相同的網(wǎng)絡結(jié)構(gòu)，它們的不同之處在于：方法1既不使用博弈學習，也不使用樣本差異度量損失函數(shù)；方法2只使用博弈學習，而不使用樣本差異度量損失函數(shù)；方法3只使用樣本差異度量損失函數(shù)，而不使用博弈學習。同時，為了測試各方法的魯棒性，本節(jié)也對測試集中的每個傳感數(shù)據(jù)施加了高斯噪聲，且各方法均進行20次重復實驗。圖5給出了四種診斷方法在加噪測試集上的診斷準確率，而每種方法在診斷三相電機各類故障時的1score值如圖6所示。

圖5 消融實驗診斷準確率

圖6 各故障類型分類的F1 score值

從圖5和圖6中可以看出：①方法1的診斷準確率和1score值均低于其他診斷方法，且方法1的診斷準確率變化范圍也最大，這說明對多傳感數(shù)據(jù)進行特征級融合時，在特征提取過程中抑制無關的傳感信息并引導故障特征按類聚集非常必要，而傳統(tǒng)的特征級融合診斷方法缺乏這一明確的引導學習機制，導致其誤診率高且魯棒性差；②方法2和方法3在診斷不同類型的三相電機故障時各有優(yōu)劣，整體上兩者的診斷準確性和魯棒性相當，這表明通過使用博弈學習和樣本差異度量損失函數(shù)分別度量樣本內(nèi)和樣本間多傳感故障特征的差異性，均能不同程度地提高三相電機故障診斷的準確率；③博弈學習和樣本差異度量損失函數(shù)的聯(lián)合作用使本文提出方法獲得了比方法2和方法3更高的診斷準確率和1score值，且診斷準確率的變化范圍更小。

為了更詳細地說明上述消融實驗中各方法對關鍵故障特征提取和聚類的效果，使用-分布式隨機鄰域嵌入算法（-distributed Stochastic Neighbor Embedding,-SNE）分別對四種診斷方法的融合特征進行降維并予以可視化，結(jié)果如圖7所示。

圖7 不同診斷方法提取的故障特征散點圖

由圖7可見：①方法1的融合特征在不同故障類型間出現(xiàn)了混疊，且同一故障類型的特征也無法有效地聚集在一起。②在方法2的故障特征散點圖中，相同故障類型的特征聚合效果較好，但在不同故障類型間特征仍然有部分混疊；在方法3的故障特征散點圖中，不同故障類型的特征區(qū)分度較好，相同故障類型的特征雖然已經(jīng)聚集在一起，但某些特征分布不集中。③本文提出方法的融合特征在相同故障類型內(nèi)有效聚集且分布集中，在不同故障類型間有效分離且界限清晰。綜上所述，得益于博弈學習和樣本差異度量損失函數(shù)，本文提出方法能夠從多傳感源輸入數(shù)據(jù)中提取關鍵故障特征而忽略無關測量噪聲，并使提取的多傳感故障特征在相同故障類型內(nèi)聚集，在不同故障類型間分散，更有利于準確地診斷三相電機的各類機械或電氣故障。

2.2.4 與現(xiàn)有方法的診斷效果對比

為了進一步驗證本文提出方法在多傳感源信息融合三相電機智能故障診斷中的優(yōu)勢，本節(jié)將其與表4中的四種現(xiàn)有特征級融合診斷方法進行了對比。提出方法及四種現(xiàn)有方法在A、B、C、D四個數(shù)據(jù)集上的三相電機故障診斷準確率如圖8所示。

表4 用于對比的現(xiàn)有診斷方法

Tab.4 Existing diagnosis methods for comparison

圖8 不同方法的三相電機故障診斷準確率

觀察圖8可以發(fā)現(xiàn)：①方法4和方法5在四個數(shù)據(jù)集上的診斷效果均差于其余三種方法，這是因為這兩種方法僅使用簡單的首尾拼接特征融合方式，而在網(wǎng)絡訓練過程中缺乏有效的學習機制挖掘關鍵傳感信息并引導故障特征分類聚合，導致其診斷準確率不佳。②盡管方法6也僅使用首尾拼接的特征融合方式，但是其預先對多傳感數(shù)據(jù)進行了異常點剔除和傅里葉變換處理，減少了測量噪聲的干擾，因而方法6獲得了比方法4和方法5更優(yōu)的診斷性能。然而，數(shù)據(jù)預處理技術的使用只能抑制部分測量噪聲，無法從本質(zhì)上提升網(wǎng)絡的多傳感故障特征提取與融合聚類能力。③方法7通過構(gòu)造相似度矩陣以半監(jiān)督的訓練方式使來自不同樣本的多傳感故障特征在相同故障類型內(nèi)差異性縮小，而在不同故障類型間差異性增大。該相似度矩陣的作用類似于本文提出方法中的樣本差異度量損失函數(shù)，其只能有限地提升網(wǎng)絡診斷性能，因而方法7的診斷準確率低于提出方法。④在五種特征級融合診斷方法中，本文提出方法在所有數(shù)據(jù)集上的三相電機故障診斷準確率均為最高，且均超過了99%。因此，本文提出方法的診斷性能優(yōu)于其他四種現(xiàn)有方法，這種性能上的優(yōu)勢也再次證明了博弈學習和樣本差異度量損失函數(shù)的有效性和重要性。

2.2.5 多傳感故障特征迭代聚合過程可視化

在博弈映射學習網(wǎng)絡迭代訓練中，博弈學習和樣本差異度量損失函數(shù)的共同作用使公共信息度量空間中的故障特征在類內(nèi)聚集、類間分散，進而實現(xiàn)多傳感源信息的有效融合。為了直觀地展示這一多傳感故障特征迭代聚合過程，本節(jié)分別獲取不同訓練輪數(shù)時公共信息度量空間中的多傳感故障特征，并使用主成分分析對這些故障特征進行降維，繪制成如圖9所示的三維散點圖。圖9中，不同形狀代表不同的傳感源，不同顏色代表不同的故障類型。特別地，為了便于觀察，圖9中僅顯示了3個傳感源（水平振動信號、垂直振動信號和U相電流信號）的故障特征散點。同時，為了定量展示多傳感故障特征之間的差異性變化過程，繪制了網(wǎng)絡迭代訓練過程中傳感源鑒別損失函數(shù)和訓練準確率的變化曲線如圖10所示。

從圖9和圖10中可以看出：①在訓練初期，所有傳感特征按照散點形狀聚集為三簇，且相互之間距離較遠，而每簇中不同顏色的特征散點混疊在一起。這表明此時多傳感源信息并未融合，且網(wǎng)絡提取的故障特征中包含大量無關或冗余的信息，難以區(qū)分不同故障類型。對應地，此時的訓練精度較低，但傳感源鑒別器可以很好地區(qū)分故障特征的來源，故傳感源鑒別損失函數(shù)的值較大。②在訓練輪數(shù)為20時，相同顏色的特征散點開始聚集在一起，但同顏色不同形狀的特征散點仍然明顯地分為三簇，這說明盡管此時故障特征已突破傳感源邊界并根據(jù)其對應故障類型開始聚合，但是同一故障類型下的不同傳感源特征仍差異明顯，需要進一步精煉多傳感源信息去提取類內(nèi)差異更小的關鍵故障特征。對應地，此時的訓練準確率已提升至85%左右，而傳感源鑒別損失函數(shù)的值也有所降低。③當訓練輪數(shù)為100時，所有特征散點按照顏色分為多簇，且每簇內(nèi)不同形狀的特征散點也聚集在一起，這表明經(jīng)過多次迭代訓練后，公共信息度量空間中的故障特征已完成跨傳感源分類聚合。此時，提取的特征不僅在相同故障類型內(nèi)聚集，而且在不同故障類型間分散，使得三相電機的各類故障更易區(qū)分，診斷結(jié)果也更加準確。對應地，訓練準確率已接近100%，而傳感源鑒別器已難以區(qū)分各傳感故障特征來源，其損失函數(shù)值降低至較小值。

圖10 傳感源鑒別損失函數(shù)及訓練準確率變化曲線

3 結(jié)論

為利用多傳感數(shù)據(jù)準確地診斷三相電機的各類機械或電氣故障，本文提出了一種基于博弈映射學習的多傳感源信息融合三相電機智能故障診斷方法。該方法通過構(gòu)建博弈學習訓練策略并在優(yōu)化目標中引入樣本差異度量損失函數(shù)，形成了明確的跨傳感源關鍵故障信息挖掘及特征迭代聚合機制。本文設計并開展了三相電機故障模擬實驗，利用獲取的振動、電流、聲等多傳感數(shù)據(jù)對提出方法進行了驗證，得到以下結(jié)論：

1）博弈學習能夠有效地引導自學習特征映射網(wǎng)絡從多傳感數(shù)據(jù)中自動地提取關鍵故障特征并使其在類內(nèi)聚集，從而避免了無關測量噪聲或冗余傳感信息的影響，提高了三相電機故障診斷結(jié)果的準確性與魯棒性。

2）樣本差異度量損失函數(shù)使不同類型的多傳感故障特征在公共信息度量空間中呈簇狀分散分布且界限清晰，有利于準確地區(qū)分三相電機的各類機械或電氣故障。

3）相比于現(xiàn)有的特征級融合診斷方法，本文提出方法在故障信息挖掘與特征提取融合過程中具有更加全面而明確的學習機制，因而其診斷性能更優(yōu)，且對三相電機軸承故障、轉(zhuǎn)子故障和電氣故障的診斷準確率超過了99%。

[1] Akay A, Lefley P. Research on torque ripple under healthy and open-circuit fault-tolerant conditions in a PM multiphase machine[J]. CES Transactions on Electrical Machines and Systems, 2020, 4(4): 349-359.

[2] 盧錦玲, 張祥國, 張偉, 等. 基于改進輔助分類生成對抗網(wǎng)絡的風機主軸承故障診斷[J]. 電力系統(tǒng)自動化, 2021, 45(7): 148-154.

Lu Jinling, Zhang Xiangguo, Zhang Wei, et al. Fault diagnosis of main bearing of wind turbine based on improved auxiliary classifier generative adversarial network[J]. Automation of Electric Power Systems, 2021, 45(7): 148-154.

[3] He Jiangbiao, Yang Qichen, Wang Zheng. On-line fault diagnosis and fault-tolerant operation of modular multilevel converters-a comprehensive review[J]. CES Transactions on Electrical Machines and Systems, 2020, 4(4): 360-372.

[4] 雷亞國, 賈峰, 孔德同, 等. 大數(shù)據(jù)下機械智能故障診斷的機遇與挑戰(zhàn)[J]. 機械工程學報, 2018, 54(5): 94-104.

Lei Yaguo, Jia Feng, Kong Detong, et al. Opportunities and challenges of machinery intelligent fault diagnosis in big data era[J]. Journal of Mechanical Engineering, 2018, 54(5): 94-104.

[5] Wang Zhenya, Yao Ligang, Cai Yongwu. Rolling bearing fault diagnosis using generalized refined composite multiscale sample entropy and optimized support vector machine[J]. Measurement, 2020, 156: 107574.

[6] Goyal D, Choudhary A, Pabla B S, et al. Support vector machines based non-contact fault diagnosis system for bearings[J]. Journal of Intelligent Manufacturing, 2020, 31(5): 1275-1289.

[7] 夏田, 詹瑤, 郭建斌. 基于小波包和梯度提升決策樹的軸承故障診斷[J]. 陜西科技大學學報, 2020, 38(5): 144-149.

Xia Tian, Zhan Yao, Guo Jianbin. Bearing fault diagnosis based on Wavelet Packet and Gradient Boosting Decision Tree[J]. Journal of Shaanxi University of Science & Technology, 2020, 38(5): 144-149.

[8] Li Zefang, Fang Huajing, Huang Ming, et al. Data-driven bearing fault identification using improved hidden Markov model and self-organizing map[J]. Computers & Industrial Engineering, 2018, 116: 37-46.

[9] 史麗萍, 王攀攀, 胡泳軍, 等. 基于骨干微粒群算法和支持向量機的電機轉(zhuǎn)子斷條故障診斷[J]. 電工技術學報, 2014, 29(1): 147-155.

Shi Liping, Wang Panpan, Hu Yongjun, et al. Broken rotor bar fault diagnosis of induction motors based on bare-bone particle swarm optimization and support vector machine[J]. Transactions of China Electrotechnical Society, 2014, 29(1): 147-155.

[10] Sun Meidi, Wang Hui, Liu Ping, et al. Stack autoencoder transfer learning algorithm for bearing fault diagnosis based on class separation and domain fusion[J]. IEEE Transactions on Industrial Electronics, 2022, 69(3): 3047-3058.

[11] Niu Guangxing, Wang Xuan, Golda M, et al. An optimized adaptive PReLU-DBN for rolling element bearing fault diagnosis[J]. Neurocomputing, 2021, 445: 26-34.

[12] Shao Haidong, Xia Min, Han Guangjie, et al. Intelligent fault diagnosis of rotor-bearing system under varying working conditions with modified transfer convolutional neural network and thermal images[J]. IEEE Transactions on Industrial Informatics, 2021, 17(5): 3488-3496.

[13] 田代宗, 孫宇光, 王善銘, 等. 多相整流永磁同步發(fā)電機繞組內(nèi)部相間短路的故障分析[J]. 電工技術學報, 2020, 35(6): 1262-1271.

Tian Daizong, Sun Yuguang, Wang Shanming, et al. Analysis of stator internal phase-to-phase short-circuit in the multiphase permanent magnet synchronous generator with rectifier load system[J]. Transactions of China Electrotechnical Society, 2020, 35(6): 1262-1271.

[14] 許愛德, 任萍, 陳加貴, 等. 基于電感特殊位置點的開關磁阻電機轉(zhuǎn)子位置檢測及誤差補償[J]. 電工技術學報, 2020, 35(8): 1613-1623.

Xu Aide, Ren Ping, Chen Jiagui, et al. Rotor position detection and error compensation of switched reluctance motor based on special inductance position[J]. Transactions of China Electrotechnical Society, 2020, 35(8): 1613-1623.

[15] 孫曙光, 李勤, 杜太行, 等. 基于一維卷積神經(jīng)網(wǎng)絡的低壓萬能式斷路器附件故障診斷[J]. 電工技術學報, 2020, 35(12): 2562-2573.

Sun Shuguang, Li Qin, Du Taihang, et al. Fault diagnosis of accessories for the low voltage conventional circuit breaker based on one-dimensional convolutional neural network[J]. Transactions of China Electrotechnical Society, 2020, 35(12): 2562-2573.

[16] 李睿彧, 劉飛, 梁霖, 等. 基于參數(shù)優(yōu)化變分模態(tài)分解的交流變頻電機轉(zhuǎn)子斷條故障識別方法[J]. 電工技術學報, 2021, 36(18): 3922-3933.

Li Ruiyu, Liu Fei, Liang Lin, et al. Fault identification of broken rotor bars for the variable frequency AC motor based on parameter optimized variational mode decomposition[J]. Transactions of China Electrotechnical Society, 2021, 36(18): 3922-3933.

[17] 楊明, 黃旭, 任博陽, 等. 基于轉(zhuǎn)速信號的電機首次安裝角度不對中故障檢測[J]. 電工技術學報, 2021, 36(15): 3191-3199.

Yang Ming, Huang Xu, Ren Boyang, et al. Angle misalignment fault detection method of motor’s first installation based on speed signal[J]. Transactions of China Electrotechnical Society, 2021, 36(15): 3191-3199.

[18] 王棟悅, 谷懷廣, 魏書榮, 等. 基于機電信號融合的DFIG定子繞組匝間短路故障診斷[J]. 電力系統(tǒng)自動化, 2020, 44(9): 171-178.

Wang Dongyue, Gu Huaiguang, Wei Shurong, et al. Diagnosis of inter-turn short-circuit fault in stator windings of DFIG based on mechanical and electrical signal fusion[J]. Automation of Electric Power Systems, 2020, 44(9): 171-178.

[19] Wang Jinjiang, Fu Peilun, Zhang Laibin, et al. Multilevel information fusion for induction motor fault diagnosis[J]. IEEE/ASME Transactions on Mechatronics, 2019, 24(5): 2139-2150.

[20] Zhang Tianfan, Li Zhe, Deng Zhenghong, et al. Hybrid data fusion DBN for intelligent fault diagnosis of vehicle reducers[J]. Sensors, 2019, 19(11): 2504.

[21] Hoang D T, Kang H J. A motor current signal-based bearing fault diagnosis using deep learning and information fusion[J]. IEEE Transactions on Instrumentation and Measurement, 2020, 69(6): 3325-3333.

[22] Jian Xianzhong, Li Wenlong, Guo Xuguang, et al. Fault diagnosis of motor bearings based on a one-dimensional fusion neural network[J]. Sensors, 2019, 19(1): 122.

[23] Zhao Xiaoli, Jia Minping, Ding Peng, et al. Intelligent fault diagnosis of multichannel motor–rotor system based on multimanifold deep extreme learning machine[J]. IEEE/ASME Transactions on Mechatronics, 2020, 25(5): 2177-2187.

[24] Xu Xingwei, Tao Zhengrui, Ming Weiwei, et al. Intelligent monitoring and diagnostics using a novel integrated model based on deep learning and multi-sensor feature fusion[J]. Measurement, 2020, 165: 108086.

[25] Azamfar M, Singh J, Bravo-Imaz I, et al. Multisensor data fusion for gearbox fault diagnosis using 2-D convolutional neural network and motor current signature analysis[J]. Mechanical Systems and Signal Processing, 2020, 144: 106861.

An Intelligent Multi-Sensor Information Fusion Fault Diagnosis Method of Three-Phase Motors Based on Game Mapping Learning

Ren Xiangyu1,2Qin Yong1,2Wang Biao1,2Jia Limin1,2Cheng Xiaoqing1,2

（1. State Key Laboratory of Rail Traffic Control and Safety Beijing Jiaotong University Beijing 100044 China 2. School of Traffic and Transportation Beijing Jiaotong University Beijing 100044 China）

Mechanical and electrical faults of three-phase motors can be comprehensively recognized by using multi-sensor data. Existing intelligent fault diagnosis methods, however, are short of an explicit learning mechanism to effectively mine key fault information and fuse multi-sensor features, thereby limiting their diagnosis performance. To overcome these problems, this paper proposes an intelligent multi-sensor information fusion fault diagnosis method based on game mapping learning for three-phase motors. By automatically extracting fault features from different sensor data and adaptively fusing them, the proposed method can accurately recognize various faults of three-phase motors.

First, multiple parallel self-learning feature mapping networks are used to automatically extract fault features from different input data from multi-sensor sources. Then, a sensor source discriminator is constructed to form a game-playing relationship between it and self-learning feature mapping networks, aiming to refine fault features and make them aggregate by fault categories. Meanwhile, for ensuring the spatial separability of different types of fault features, a sample difference metric loss function is introduced to the optimization objective. Finally, a fault pattern recognizer is employed to fuse multi-sensor features and classify motor faults.

Three-phase motor fault simulation experiments are designed and carried out in this paper. The multi-sensor data, including vibration, current and sound signals, are obtained to verify the proposed method. First, the selection of some hyper-parameters is discussed, and some implementation details of the network are determined. Then, the ablation experiments are performed and the experimental results are as follows. (1) The additions of game-playing learning strategy and sample difference metric loss function improve the diagnostic accuracy of the network. (2) The combined effect of game-playing learning strategy and sample difference metric loss function makes the average accuracy of the proposed method over 99%. Next, the comparison between the proposed method and the state-of-the-art methods shows that, the proposed method has the highest accuracy and the best stability in mechanical and electrical fault diagnosis of three-phase motors. Meanwhile, the above results also explain that the lack of an explicit learning mechanism in fusing multi-sensor features will lead to poor diagnosis accuracy. Finally, the aggregation process of the fault features from different sensor data is visualized. The results show that, the game-playing learning strategy and the sample difference metric loss function make the fault features aggregate by fault categories, thus realizing the effective fusion of multi-sensor source information.

The following conclusions can be drawn from the experimental analyses: (1) Game-playing learning can guide the network to automatically extract fault features from multi-sensor data and make them aggregate within the class, thus avoiding the influence of irrelevant measurement noise or redundant sensor information, and improving the accuracy and robustness of three-phase motor fault diagnosis results. (2) The sample difference metric loss function makes different types of multi-sensor fault features distributed in clusters and clear boundaries, which is conducive to accurately distinguish various mechanical or electrical faults of three-phase motors. (3) Compared with the existing feature-level fusion diagnosis methods, the proposed method has an explicit learning mechanism in the process of feature extraction and fusion, and accordingly its diagnosis performance is better.

Three-phase motor, intelligent fault diagnosis, multi-source sensor information fusion, adversarial learning, information metric

TM307.1

10.19595/j.cnki.1000-6753.tces.220936

北京交通大學人才基金（2022RC030）、軌道交通控制與安全國家重點實驗室自主研究課題（RCS2022ZQ002）和國家自然科學基金（61833002）資助項目。

2022-05-3

2022-07-02

任翔宇 男，1998年生，博士研究生，研究方向為軌道交通電氣設備智能故障診斷。E-mail：renxybjtu@outlook.com

王 彪 男，1992年生，講師，碩士生導師，研究方向為軌道交通電氣設備故障預測與健康管理。E-mail：wbiao@bjtu.edu.cn（通信作者）

（編輯 李冰）