CN104062541A - 一种针对容错永磁电机定子匝间短路的故障诊断方法 - Google Patents
一种针对容错永磁电机定子匝间短路的故障诊断方法 Download PDFInfo
- Publication number
- CN104062541A CN104062541A CN201410254479.1A CN201410254479A CN104062541A CN 104062541 A CN104062541 A CN 104062541A CN 201410254479 A CN201410254479 A CN 201410254479A CN 104062541 A CN104062541 A CN 104062541A
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- turn
- pca
- fault diagnosis
- 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.)
- Pending
Links
Abstract
本发明公开了一种针对容错永磁电机定子匝间短路的故障诊断方法。该方法的步骤为:利用PCA对原始数据做降维处理,通过调整PCA中的贡献率值参数,得到包涵了原数据特征的少量训练数据;BP神经网络训练,设置合适的隐含层层数、各层的节点数以及学习率、训练精度等参数,训练神经网络,生成基于PCA-NN的容错永磁电机的故障诊断结果。本发明在确定了BP神经网络输入层、隐含层和输出层的神经元个数的基础下,通过调节BP神经网络的学习率等参数,使得BP神经网络的训练效果达到理想效果、故障诊断结果达到最高精度;运算效率高,BP神经网络结构简单,应用到容错电机的匝间短路故障诊断领域时,运行时间短,故障诊断精度高。
Description
技术领域
本发明涉及PCA与BP神经网络相结合的故障诊断方法,可用于容错永磁电机匝间短路故障诊断领域。
背景技术
随着电机控制理论、电力电子技术的和微电子技术的发展,电机驱动领域已经突破了标准三相供电系统的束缚,多相电机驱动系统凭借其与三相电机驱动系统相比具有低压大功率和系统可靠性高等优势,在舰船推进、航空航天和电力机车等设备等大功率电气驱动装置中获得广泛应用。在电机所有故障中,定子匝间短路故障是最常见的故障之一。多相电机的一个显著优势是高容错性能和可靠性,对于容错永磁电机来说,失去两相也不会妨碍电机的连续运行。但是容错永磁电机不能在匝间短路故障下正常运行,电机的工作状态直接影响了生产运行的正常与否,其故障不仅会损坏电机本身,而且会影响整个生产系统,甚至会危及人身安全,造成巨大的经济损失和恶劣的社会影响,因此,对电机进行故障诊断及分析是十分必要的。
随着故障诊断技术的不断发展,人们致力于开发各类专用的电机故障诊断系统,并已成为近年来研究的重点。智能化控制在许多的应用领域都获得应用,并取得了良好的控制效果。例如:模糊控制、神经网络控制、学习控制和居于专家系统的控制等。这些智能方法最大的优点是:无需被控对象进行精确的数学建模,而且具有很强的鲁棒性,非常适合电机这种非线性、变参数对象。比较成熟的有神经网络,它具有初步的自适应与自组织能力。在学习或训练过程中改变突触权重值,以适应周围环境的要求。同一网络因学习方式及内容不同可具有不同的功能。人工神经网络是一个具有学习能力的系统,可以发展知识,以致超过设计者原有的知识水平。通常,它的学习训练方式可分为两种,一种是有监督或称有导师的学习,这时利用给定的样本标准进行分类或模仿;另一种是无监督学习或称无导师学习,这时,只规定学习方式或某些规则,则具体的学习内容随系统所处环境 (即输入信号情况)而异,系统可以自动发现环境特征和规律性,具有更近似人脑的功能。
虽然神经网络有多种优点,但是当训练数据较多时,训练出的神经网络的结构可能会更加复杂,预测故障时不能及时、准确。
发明内容
本发明的目的是,针对神经网络在容错永磁电机匝间短路故障诊断应用方面凸显的缺点,基于PCA降维处理方法,提出一种降维方法与人工智能神经网络相结合的方法,该方法对神经网络的输入数据进行适当的降维处理,从而简化神经网络结构,提高故障诊断的效率。主元分析方法(PCA)是降维处理方法中用的比较多的一种方法,PCA可以在保证原始数据特征的情况下进行有效的降维处理。
本发明的技术方案是:
一种针对容错永磁电机定子匝间短路的故障诊断方法,包括如下步骤:
(1)利用PCA对原始数据做降维处理,通过调整PCA中的贡献率值参数,得到包涵了原数据特征的少量训练数据;
(2)BP神经网络训练,设置合适的隐含层层数、各层的节点数以及学习率、训练精度等参数,训练神经网络,生成基于PCA-NN的容错永磁电机的故障诊断结果。
进一步,在所述对原始数据做降维处理步骤之前,还包括对原始数据的预处理步骤,在做PCA算法之前,将数据做归一化处理。
进一步,采用引入动量因子的改进型BP神经网络。
本发明的有益效果是:
1、本发明整体的故障诊断系统简单,应用于容错永磁电机的定子匝间短路故障时方便实施,易于操作,因为过于繁琐的故障诊断系统不能及时发现故障,会导致不必要的损失。
2、数据经过PCA处理后保持原有的故障特征,但维数降低,大大减少了神经网络测量模型计算和训练的工作量。
3、训练后的神经网络由于结构简化,提高了特征提取速度,改善了故障诊断性能。
附图说明
以下结合附图和具体实施方式对本发明作进一步详细说明。
图1是本发明的PCA-NN故障诊断方法流程示意图。
图2是在不同定子匝间短路故障程度下五相容错永磁电机定子电流信号。
图3是本发明的神经网络与简单的NN训练精度曲线对比图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明一种针对容错永磁电机定子匝间短路故障的诊断方法,主要包括两个部分:第一部分是利用PCA对原始数据做降维处理,通过调整PCA中的贡献率值参数,得到包涵了原数据特征的少量训练数据;第二部分是BP神经网络,设置合适的隐含层层数、各层的节点数以及学习率、训练精度等参数,训练神经网络,生成基于PCA-NN的容错永磁电机的故障诊断系统。
在用PCA对原始数据做降维处理之前,还可以包括对原始数据的预处理过程,为达到更好的降维效果,做PCA算法之前,首先将数据做归一化处理。
简单的BP神经网络存在一些问题,例如易陷入局部最小值等问题,因此本发明提出的PCA-NN方法中采用引入动量因子的改进型神经网络,该神经网络收敛快,精度也相对较高。
PCA-NN可以应用于故障不同严重程度的识别。
本发明的实施例如图1所示,包括故障特征数据采集、数据预处理、数据降维、神经网络训练和故障诊断五个步骤,其中数据处理包括数据的FFT变换和数据的归一化处理,神经网络的训练要注重参数的选择。
图2给出了五相容错永磁电机在不同定子匝间短路故障程度下的定子电流信号,可以看出定子的短路匝数不同,检测到的定子电流幅值也有所变化,为更好的探究电机匝间短路的故障特性,对定子电流进行必要的FFT变换,得到最能体现该故障的特征值 ,其中为定子电流第i次谐波幅值。故障特征值经过归一化后输入PCA模型,得到的新故障特征值作为神经网络的输入,神经网络的隐含层数为1,隐含层神经元个数为6,训练神经网络的学习率为0.01,训练精度为0.01。
图3给出了本发明与简单的NN故障诊断精度曲线对比,可以看出,在相同的训练精度下,本发明能够更快的达到预期精度,神经网络结构得到简化。训练好神经网络后整个故障诊断系统便可用于电机定子匝间故障诊断。
表1列出了本发明与简单的NN故障诊断结果对比,可以看出,对不同的电机定子匝间短路故障而言,本发明均能够更精确地做出故障诊断。
表1
目标输出 | 单个NN实际输出 | PCA-NN实际输出 |
0.10 | 0.0738 | 0.0774 |
0.35 | 0.3484 | 0.3494 |
0.70 | 0.7032 | 0.7019 |
0.90 | 0.9297 | 0.9230 |
本发明没有涉及PCA和神经网络上具体算法的改变,而是将两种算法有力地结合起来,通过对数据的一系列有效处理,正确诊断出容错永磁电机发生的故障。本发明的突出优点就是对数据进行了有效的降维,神经网络结构的简化使得本发明具有更好的诊断和分类效果的能力。本发明的使用范围不仅仅局限于五相电机定子匝间短路这几种故障情况,只要有足够的训练数据,本发明能够精确诊断出故障类型以及故障的严重程度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种针对容错永磁电机定子匝间短路的故障诊断方法,包括如下步骤:
(1)利用PCA对原始数据做降维处理,通过调整PCA中的贡献率值参数,得到包涵了原数据特征的少量训练数据;
(2)BP神经网络训练,设置合适的隐含层层数、各层的节点数以及学习率、训练精度等参数,训练神经网络,生成基于PCA-NN的容错永磁电机的故障诊断结果。
2.根据权利要求1所述的针对容错永磁电机定子匝间短路的故障诊断方法,其特征在于:在所述对原始数据做降维处理步骤之前,还包括对原始数据的预处理步骤,在做PCA算法之前,将数据做归一化处理。
3.根据权利要求1或2所述的针对容错永磁电机定子匝间短路的故障诊断方法,其特征在于:采用引入动量因子的改进型BP神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410254479.1A CN104062541A (zh) | 2014-06-10 | 2014-06-10 | 一种针对容错永磁电机定子匝间短路的故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410254479.1A CN104062541A (zh) | 2014-06-10 | 2014-06-10 | 一种针对容错永磁电机定子匝间短路的故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104062541A true CN104062541A (zh) | 2014-09-24 |
Family
ID=51550344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410254479.1A Pending CN104062541A (zh) | 2014-06-10 | 2014-06-10 | 一种针对容错永磁电机定子匝间短路的故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104062541A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105021403A (zh) * | 2015-07-17 | 2015-11-04 | 中国科学院自动化研究所 | 航空发动机启动系统故障诊断方法及故障模拟系统 |
CN105259507A (zh) * | 2015-10-14 | 2016-01-20 | 哈尔滨工业大学 | 一种基于多变量关联关系的卫星蓄电池组故障检测方法 |
CN108896312A (zh) * | 2018-08-08 | 2018-11-27 | 国电联合动力技术有限公司 | 一种风电主轴承故障预测和寿命评估系统及方法 |
CN109376794A (zh) * | 2018-11-12 | 2019-02-22 | 武汉科技大学 | 一种铁水脱硫搅拌器的智能故障诊断方法及系统 |
CN114019298A (zh) * | 2021-09-28 | 2022-02-08 | 中电华创(苏州)电力技术研究有限公司 | 一种基于pcc-svm的发电机转子匝间短路在线监测方法 |
CN114994547A (zh) * | 2022-08-05 | 2022-09-02 | 中汽研新能源汽车检验中心(天津)有限公司 | 基于深度学习和一致性检测的电池包安全状态评估方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175282A (zh) * | 2011-01-24 | 2011-09-07 | 长春工业大学 | 一种基于信息融合的离心式空气压缩机故障诊断方法 |
CN102203327A (zh) * | 2008-10-22 | 2011-09-28 | 罗姆股份有限公司 | 含硼薄膜形成方法和叠层结构体 |
CN102735442A (zh) * | 2012-07-17 | 2012-10-17 | 华东理工大学 | 一种转子在线监测与故障诊断方法 |
-
2014
- 2014-06-10 CN CN201410254479.1A patent/CN104062541A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102203327A (zh) * | 2008-10-22 | 2011-09-28 | 罗姆股份有限公司 | 含硼薄膜形成方法和叠层结构体 |
CN102175282A (zh) * | 2011-01-24 | 2011-09-07 | 长春工业大学 | 一种基于信息融合的离心式空气压缩机故障诊断方法 |
CN102735442A (zh) * | 2012-07-17 | 2012-10-17 | 华东理工大学 | 一种转子在线监测与故障诊断方法 |
Non-Patent Citations (6)
Title |
---|
WEIXIANG ZHAO ET AL: "Autoregressive model based feature extraction method for time shifted chromatography data", 《CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS》, 31 December 2009 (2009-12-31) * |
姚宁: "基于差分进化算法优化的RBF神经网络的异步电机故障诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 08, 15 August 2011 (2011-08-15) * |
李娟等: "微小故障诊断方法综述", 《控制理论与应用》, vol. 29, no. 12, 31 December 2012 (2012-12-31) * |
王亮等: "基于小波变换和神经网络的同步电机参数辨识新方法", 《中国电机工程学报》, vol. 27, no. 3, 31 January 2007 (2007-01-31) * |
王良等: "基于 PCA-BP神经网络的齿轮故障诊断分析", 《拖拉机与农用运输车》, no. 2, 30 April 2005 (2005-04-30) * |
苏晓丹等: "感应电机定子匝间短路故障建模与仿真研究", 《大电机技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105021403A (zh) * | 2015-07-17 | 2015-11-04 | 中国科学院自动化研究所 | 航空发动机启动系统故障诊断方法及故障模拟系统 |
CN105259507A (zh) * | 2015-10-14 | 2016-01-20 | 哈尔滨工业大学 | 一种基于多变量关联关系的卫星蓄电池组故障检测方法 |
CN108896312A (zh) * | 2018-08-08 | 2018-11-27 | 国电联合动力技术有限公司 | 一种风电主轴承故障预测和寿命评估系统及方法 |
CN109376794A (zh) * | 2018-11-12 | 2019-02-22 | 武汉科技大学 | 一种铁水脱硫搅拌器的智能故障诊断方法及系统 |
CN114019298A (zh) * | 2021-09-28 | 2022-02-08 | 中电华创(苏州)电力技术研究有限公司 | 一种基于pcc-svm的发电机转子匝间短路在线监测方法 |
CN114019298B (zh) * | 2021-09-28 | 2023-12-05 | 中电华创(苏州)电力技术研究有限公司 | 一种基于pcc-svm的发电机转子匝间短路在线监测方法 |
CN114994547A (zh) * | 2022-08-05 | 2022-09-02 | 中汽研新能源汽车检验中心(天津)有限公司 | 基于深度学习和一致性检测的电池包安全状态评估方法 |
US11774505B1 (en) | 2022-08-05 | 2023-10-03 | China Automotive Technology And Research Center Co., Ltd | Estimation method for safety state of battery pack based on deep learning and consistency detection |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104062541A (zh) | 一种针对容错永磁电机定子匝间短路的故障诊断方法 | |
Rahimilarki et al. | Convolutional neural network fault classification based on time-series analysis for benchmark wind turbine machine | |
CN110879917A (zh) | 一种基于迁移学习的电力系统暂态稳定自适应评估方法 | |
CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
CN103926526A (zh) | 一种基于改进的rbf神经网络的模拟电路故障诊断方法 | |
CN104809722A (zh) | 一种基于红外热像的电气设备故障诊断方法 | |
CN110118928B (zh) | 一种基于误差逆传播算法的断路器故障诊断方法 | |
CN110619321B (zh) | 一种基于深度神经网络的充电桩技术状况诊断方法及系统 | |
CN108549962B (zh) | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 | |
CN112069727B (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
CN107392304A (zh) | 一种风电机组异常数据识别方法及装置 | |
CN103761569A (zh) | 一种风力发电机故障诊断方法及装置 | |
CN116169675B (zh) | 考虑运行方式变化的电力系统动态稳定性在线评估方法 | |
Yin et al. | Deep learning based feature reduction for power system transient stability assessment | |
Wang et al. | Dynamic equivalent method of PMSG‐based wind farm for power system stability analysis | |
CN105279575B (zh) | 基于发电预测的多能源主体分布式博弈优化方法 | |
CN112257335A (zh) | 一种结合pnn和svm的油浸式变压器的故障诊断方法 | |
CN104502754A (zh) | 一种纯电动车辆动力系统的故障诊断方法 | |
Wang et al. | Cluster division in wind farm through ensemble modelling | |
CN112016684B (zh) | 一种深度并行柔性发射网络的电力终端指纹识别方法 | |
Xiaosheng et al. | A deep learning approach for wind power prediction based on stacked denoising auto encoders optimized by bat algorithm | |
CN111179110B (zh) | 虚拟电厂可变阶聚合等效鲁棒动态模型建模方法及装置 | |
He et al. | Partial discharge pattern recognition algorithm based on sparse self-coding and extreme learning machine | |
Cunxiang et al. | The fault diagnosis of transformer Based on the SOM neural network current | |
Shi et al. | Analysis of online quick judgment of transient stability based on Siamese network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140924 |
|
RJ01 | Rejection of invention patent application after publication |