基于DCCNN-L变换器和故障知识图的电机诊断与维护决策技术研究

《Scientific Reports》：Research on motor diagnosis and maintenance decision-making technology based on DCCNN-L transformer and fault knowledge graph

　　

摘要

传统的深度学习方法在电机故障诊断中主要侧重于基于信号的分类。智能运维涵盖了故障诊断和维护决策两个方面。然而，从振动故障信号诊断转向生成维护决策文本面临着挑战，例如数值信号数据与文本决策数据之间的异构性。仅依赖现有的大型模型不足以实现从智能诊断到维护决策的闭环过程。因此，本文提出了一种基于双通道卷积神经网络（DCCNN）与概率特征融合及轻量级Transformer（DCCNN-LTransformer）的电机故障诊断方法，以及一种利用故障知识图的决策方法。在特征提取阶段，引入了一种新颖的概率特征融合机制来从振动信号中提取特征。采用双通道一维卷积神经网络框架来捕获特征信号并获取位置编码。在Transformer中进行特征分类时，提出了增强型动态窗口混合注意力（EDWHA）机制以提高对故障信号的局部分析能力。最后，在故障诊断算法对故障进行分类后，使用BERT-BiLSTM-CRF算法提取与当前故障诊断和维护决策相关的知识，从而构建了一个结构化的故障知识图数据库。通过将通用大语言模型（LLM）与故障知识图相结合，该系统能够为各种电机故障生成维护决策，最终形成一个闭环的维护决策过程。为了验证该算法在不同条件下的适应性，使用了三个不同的故障数据集。实验结果表明，所提出的算法优于CNN、Transformer和CNN-Transformer模型，证实了其有效性。构建了一个故障知识图，并建立了一个电机故障诊断与维护决策平台，从而验证了本研究的可靠性。