CN113311364B - 基于多核svm的永磁同步电机逆变器开路故障诊断方法 - Google Patents
基于多核svm的永磁同步电机逆变器开路故障诊断方法 Download PDFInfo
- Publication number
- CN113311364B CN113311364B CN202110496576.1A CN202110496576A CN113311364B CN 113311364 B CN113311364 B CN 113311364B CN 202110496576 A CN202110496576 A CN 202110496576A CN 113311364 B CN113311364 B CN 113311364B
- Authority
- CN
- China
- Prior art keywords
- kernel function
- weight coefficient
- eta
- combined
- open
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/54—Testing for continuity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种基于多核SVM的永磁同步电机逆变器开路故障诊断方法,该方法包括如下步骤:通过电流传感器采集逆变器开路和正常时三相电流信号;基于变分模态分解,将采集的三相电流信号分解重构,并构建样本数据集;任意选择组合核函数;通过EasyMKL多核学习算法构建样本数据分类间隔最大的数学优化问题并求解权重系数η;设置权重系数阈值p,将权重系数η小于阈值p的核函数裁剪掉,输出裁剪后组合核函数;根据组合核函数及SVM分类器实现对逆变器IGBT管开路故障诊断的目的。本发明在传统SVM分类方法的基础上引入了多核学习算法,比传统SVM方法有更高的故障诊断准确度。
Description
技术领域
本发明属于电机状态检测与故障诊断技术领域,更为具体地讲,涉及一种永磁同步电机逆变器开路故障诊断方法。
背景技术
永磁同步电机具有高效率、低噪声、体积小,重量轻,且过载能力大、转动惯量小、效率高、损耗小等优点。因此永磁同步电机现已被广泛应用于电动汽车、电梯、以及各类自动化设备、自动加工装置、机器人等领域。
然而,由于运行环境复杂,永磁同步电机易发生逆变器开路故障,电机逆变器开路故障会引起较大的电磁转矩脉动和严重的机械振动。检测到故障后如果不采取补救措施,永磁电机的连续运行可能会造成二次损害,甚至对整个系统造成灾难性的故障。近些年,基于机器学习的永磁同步电机故障诊断技术成为了研究热点,通过在故障数据集上训练神经网络模型,完成对永磁同步电机故障的识别检测,提高了故障诊断的智能性和稳定性。
在之前的基于SVM分类器的故障诊断方法研究中,国内应用多核学习框架的诊断方法还比较少,而且大多数基于SVM分类的诊断方法均是只选用高斯核函数,并通过组合优化方法,优化SVM以及高斯核函数的超参数,但这样忽略了核函数的选择带来的影响,且单一核函数SVM模型无法对复杂特征的数据建立分类超平面。事实上,核函数的选择比单一核函数超参数调优更能显著影响SVM分类器的性能。
发明内容
本发明的目的在于提供一种基于多核SVM的永磁同步电机逆变器开路故障诊断方法,克服背景技术中提到的不足。
实现本发明目的的技术方案为:
一种基于多核SVM的永磁同步电机逆变器开路故障诊断方法,包括以下步骤:
步骤1,通过电流传感器采集永磁同步电机逆变器开路和正常时三相电流信号数据;
步骤2,基于变分模态分解,将采集的三相电流信号分解,并对有效信号分量进行重构,并构建样本数据集;
步骤3,任意选择不同类型及参数的核函数,经过排列得到组合核函数K;
步骤4,基于构建的样本数据集及组合核函数K,通过EasyMKL多核学习算法构建样本数据分类间隔最大的数学优化问题;
步骤5,对步骤3中构建的数学优化问题求解,得到组合核函数的权重系数η;
步骤6,求解出的组合核函数权重系数η中,设置权重系数阈值p,将权重系数η小于阈值p的核函数取掉,裁减组合核函数,并修正有效核函数的权重系数η,输出裁剪后组合核函数newK;
步骤7,根据组合核函数newK通过SVM实现对逆变器IGBT管不同开路状态的判别,以达到开路故障诊断的目的。
本发明与现有技术相比,其显著优点:
(1)传统SVM中需要对逆变器三相电流样本数据集进行多次测试,并对比选取最合适的核函数,本发明只需任意选择不同类型及参数的核函数,并将其排列即可。
(2)在传统单核SVM模型中单一核函数无法对复杂特征的三相电流数据建立分类超平面,无法达到准确的故障诊断判断。本发明通过引入多核学习框架,可以在预设组合核函数的基础上,通过EasyMKL算法计算最佳的核函数组合方案,提高了逆变器开路故障诊断的准确度。
(3)本发明通过设计裁剪算法,将任意选取的组合核函数中,对逆变器开路故障诊断贡献度过小或起负作用的核函数裁剪掉,优化了算法模型,提高了开路故障诊断计算速度及准确度。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是本发明的一种基于多核SVM的永磁同步电机逆变器开路故障诊断方法具体实施方法流程图;
图2是本发明中的电机逆变器结构示意图;
图3是本发明中基于EasyMKL算法的多核SVM模型分类流程图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别注意的是,在以下描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容,这些描述在这里将被忽略。
参考图1、图2以及图3,基于多核SVM的用永磁同步电机逆变器开路故障诊断算法,具体步骤为:
1)使用电流传感器采集电机数据以及逆变器故障电机数据,其逆变器故障数据按照图2中描述,可分为以下几类,单IGBT管开路,共6种:T1,T2,T3,T4,T5,T6分别出现开路故障。单相桥臂上下IGBT管同时出现开路,共3种:A相桥臂T1&T2,B相桥臂T3&T4,C相桥臂T5&T6。任意两相桥臂不同侧IGBT管同时出现开路,共6种:T1&T4,T1&T6,T2&T3,T2&T5,T3&T6,T4&T5。任意两相桥臂的同侧IGBT管同时出现开路,共6种:T1&T3,T1&T5,T2&T4,T2&T6,T3&T5,T4&T6。共735组作为小样本真实数据训练集,每组数据均为三个周期长度的电流含噪声信号。
2)使用变分模态分解(VMD),对含噪声电流信号分解重构,设置变分模态分解VMD初始参数,分解层数k=3,惩罚因子α=2000,保真系数τ=0,判别精度ε=1e-6,并对信号进行分解得分量信号μk,将分量信号μk中k=2,k=3的分量过滤掉,剩余分量即有效信号,并将有效信号组合为一个样本数据,构建样本数据集。
3)选取组合核函数,选取不同的核函数,包括,线性核函数k(x,y)=xTy,多项式核函数k(x,y)=(xTy+1)d(d为多项式核函数阶数,此处取d为2-5),高斯核函数以及指数核函数其中x,y是核函数输入特征,σ2是高斯核函数与指数核函数尺度参数,取σ=0.5。将这些核函数组合,并输出一个新的为组合核函数K,其矩阵形式排列如下:
4)基于样本数据集及组合核函数K,通过EasyMKL多核学习算法构建样本数据分类间隔最大的数学优化问题,具体如下:
EasyMKL多核学习中要找到最佳的组合核函数权重系数η,该权重系数η与组合核函数K之间有如下关系:
其中,R是组合核函数核的数目,r是对应核函数的下标,ηr是第r个组合核函数的权重系数,是第r个组合核函数矩阵,EasyMKL算法中定义γ为正负分类数据中的一对点,第一个在正分类数据中,第二个在负分类数据中。所有的γ的集合是其定义如下:
其中,γi是样本数据中的第i对数据,使用权重系数η并选择样本数据集中的数据对γ,使得正负样本间的距离最大,即得到下面的优化问题:
5)求解组合核函数的权重系数η,对于构建的优化问题
由于是凸函数优化问题,所以EasyMKL算法为进一步简化问题,选择使用||dr(γ)||1代替||dr(γ)||2,从而将优化问题转换为下问题:
由于使用||d(γ)||1对优化问题做简化,所以权重系数η的最优解应做修正,得到权重系数该最优解就是所求最佳权重矩阵。为求解该式中数据对γ,采用CVXOPT求解器求解,优化问题转成CVXOPT标准形式,并设置迭代次数无穷大,误差1e-6,进行迭代求解,输出最佳组合核函数的权重系数η。
6)在组合核函数权重系数η中,设置阈值p=0.1,将权重系数η小于p的核函数裁剪掉,并在||η||1=1的条件下,按照比例放大剩余权重系数η,重新输出新的组合核函数newK。
由于某项核函数对应的权重系数η越小表示该核函数贡献度越小,权重系数η过小的核函数甚至会起负作用,降低逆变器IGBT管开路状态判断的准确度,设置阈值p=0.1,将权重系数η小于p的核函数裁剪掉,并在||η||1=1的条件下,修正剩余权重系数η,重新输出新的组合核函数newK。
7)根据组合核函数newK通过SVM实现对逆变器IGBT管不同开路状态的判别,以达到开路故障诊断的目的。
多核SVM效果验证:
使用电流传感器采集电机数据以及逆变器故障电机数据,包含前文中的21种故障类型,共735组数据。使用常规SVM分类方法和本发明方法对数据集进行诊断分类,采用K折交叉验证方法,是指将样本数据集随机划分为N份,将N次预测的准确度取平均,逆变器开路故障诊断结果正确率如下:
从上述实验过程和实验结果可以看出,传统SVM分类中单一核函数无法对复杂特征的数据建立分类超平面,以及针对于给定分类问题,无法有效选择恰当核函数的问题,本发明通过给定组合核函数,通过EasyMKL算法计算其权重矩阵,并通过裁剪优化,能够求解出恰当的组合核函数,并使用该核函数得到更加准确的分类结果。在电机及其他机械故障诊断领域具有广泛的应用前景。
Claims (5)
1.一种基于多核SVM的永磁同步电机逆变器开路故障诊断方法,其特征在于,包括以下步骤:
步骤1,通过电流传感器采集永磁同步电机逆变器开路和正常时三相电流信号数据;
步骤2,基于变分模态分解,将采集的三相电流信号分解,并对有效信号分量进行重构,并构建样本数据集;
步骤3,任意选择不同类型及参数的核函数,经过排列得到组合核函数K;
步骤4,基于构建的样本数据集及组合核函数K,通过EasyMKL多核学习算法构建样本数据分类间隔最大的数学优化问题;
步骤5,对步骤4中构建的数学优化问题求解,得到组合核函数的权重系数η;
步骤6,求解出的组合核函数权重系数η中,设置权重系数阈值p,将权重系数η小于阈值p的核函数去掉,裁减组合核函数,并修正有效核函数的权重系数η,输出裁剪后组合核函数newK;
步骤7,根据组合核函数newK通过SVM实现对逆变器IGBT管不同开路状态的判别,以达到开路故障诊断的目的。
3.根据权利要求1所述基于多核SVM的永磁同步电机逆变器开路故障诊断方法,其特征在于:步骤4构建样本数据分类间隔最大的数学优化问题,具体如下:
找到最佳的组合核函数权重系数η,该权重系数η与组合核函数K之间有如下关系:
其中,R是组合核函数核的数目,ηr是第r个组合核函数的权重系数,是第r个组合核函数矩阵,EasyMKL算法中定义γ为正负分类数据中的一对点,第一个在正分类数据中,第二个在负分类数据中;表示数据对γ的集合,其定义如下:
其中,γi是样本数据中的第i对数据,使用权重系数η以及γ来最大化正负样本间的距离,即得到下面的优化问题:
5.根据权利要求1所述基于多核SVM的永磁同步电机逆变器开路故障诊断方法,其特征在于:设置阈值p,将权重系数η小于阈值p的核函数裁剪掉,并在||η||1=1的条件下,修正剩余权重系数η,重新输出新的组合核函数newK。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110496576.1A CN113311364B (zh) | 2021-05-07 | 2021-05-07 | 基于多核svm的永磁同步电机逆变器开路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110496576.1A CN113311364B (zh) | 2021-05-07 | 2021-05-07 | 基于多核svm的永磁同步电机逆变器开路故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113311364A CN113311364A (zh) | 2021-08-27 |
CN113311364B true CN113311364B (zh) | 2022-11-01 |
Family
ID=77371574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110496576.1A Active CN113311364B (zh) | 2021-05-07 | 2021-05-07 | 基于多核svm的永磁同步电机逆变器开路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113311364B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114034931A (zh) * | 2021-11-02 | 2022-02-11 | 南京理工大学 | 基于变分模态分解的永磁电机绕组不对称故障诊断方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105548862A (zh) * | 2016-01-25 | 2016-05-04 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
CN106503746A (zh) * | 2016-11-03 | 2017-03-15 | 哈尔滨工业大学 | 一种基于性能偏移量的航空发动机故障诊断方法 |
CN108009324A (zh) * | 2017-11-22 | 2018-05-08 | 南京理工大学 | 一种复杂机械系统关键参数误差综合评估方法 |
CN112434739A (zh) * | 2020-11-25 | 2021-03-02 | 西安交通大学 | 一种基于多核学习的支持向量机的化工过程故障诊断方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8838508B2 (en) * | 2011-10-13 | 2014-09-16 | Nec Laboratories America, Inc. | Two-stage multiple kernel learning method |
US10546246B2 (en) * | 2015-09-18 | 2020-01-28 | International Business Machines Corporation | Enhanced kernel representation for processing multimodal data |
-
2021
- 2021-05-07 CN CN202110496576.1A patent/CN113311364B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105548862A (zh) * | 2016-01-25 | 2016-05-04 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
CN106503746A (zh) * | 2016-11-03 | 2017-03-15 | 哈尔滨工业大学 | 一种基于性能偏移量的航空发动机故障诊断方法 |
CN108009324A (zh) * | 2017-11-22 | 2018-05-08 | 南京理工大学 | 一种复杂机械系统关键参数误差综合评估方法 |
CN112434739A (zh) * | 2020-11-25 | 2021-03-02 | 西安交通大学 | 一种基于多核学习的支持向量机的化工过程故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
Application of Artificial Intelligence to Real-Time Fault Detection in Permanent-Magnet Synchronous Machines;Yaw Nyanteh 等;《Application of Artificial Intelligence to Real-Time Fault Detection in Permanent-Magnet Synchronous Machines》;20130630;第49卷(第3期);第1205-1214页 * |
多核学习 SVM 在发动机故障诊断上的应用;曹惠玲 等;《机械设计与制造》;20190531;第1-4、9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113311364A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110006645B (zh) | 一种多源融合的高压断路器机械故障诊断方法 | |
US11265081B2 (en) | Method, apparatus and device for predicting fault of optical module | |
KR101964412B1 (ko) | 이동통신데이터 처리시스템의 이상로그 발생을 진단하는 방법 및 그 시스템 | |
CN112858919A (zh) | 一种基于聚类分析的电池系统在线故障诊断方法和系统 | |
CN109782091B (zh) | 基于深度小波极限学习机的多电平逆变器故障诊断方法 | |
CN112611982B (zh) | 模块化多电平换流器的深度小波孪生网络故障诊断方法 | |
CN113505655A (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
CN113743528A (zh) | 一种基于卷积神经网络的电压源逆变器故障诊断方法及系统 | |
CN112926728B (zh) | 一种永磁同步电机小样本匝间短路故障诊断方法 | |
CN113311364B (zh) | 基于多核svm的永磁同步电机逆变器开路故障诊断方法 | |
WO2023226355A1 (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
CN115828466A (zh) | 一种基于宽核卷积的风机主轴部件故障预测方法 | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
CN111274540A (zh) | 一种基于信息熵和动态规划的故障诊断树生成方法 | |
CN116484299A (zh) | 基于梯度提升树与多层感知机融合的充电桩故障诊断方法 | |
CN113092044B (zh) | 一种基于加权水平可见图的旋转机械故障诊断方法 | |
CN114048787A (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
CN117171544B (zh) | 基于多通道融合卷积神经网络的电机振动故障诊断方法 | |
CN111766513B (zh) | 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 | |
CN111898446A (zh) | 基于多算法归一化分析的单相接地故障研判方法 | |
CN116702060A (zh) | 一种多电平逆变器功率器件故障诊断方法 | |
Zhang et al. | Sensor fault diagnosis based on correntropy filter and probabilistic neural network | |
CN113884903B (zh) | 一种基于多层感知器神经网络的电池故障诊断方法 | |
CN115456013A (zh) | 基于运行数据的风电机组变流器功率模块故障诊断方法 | |
CN112800917B (zh) | 一种断路器不平衡监测数据集过采样方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |