CN106295023A - 一种异步电机转子复合故障的诊断方法 - Google Patents

一种异步电机转子复合故障的诊断方法 Download PDF

Info

Publication number
CN106295023A
CN106295023A CN201610670955.7A CN201610670955A CN106295023A CN 106295023 A CN106295023 A CN 106295023A CN 201610670955 A CN201610670955 A CN 201610670955A CN 106295023 A CN106295023 A CN 106295023A
Authority
CN
China
Prior art keywords
asynchronous machine
combined failure
layer
rotor
decomposition
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
Application number
CN201610670955.7A
Other languages
English (en)
Inventor
陈复扬
殷俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201610670955.7A priority Critical patent/CN106295023A/zh
Publication of CN106295023A publication Critical patent/CN106295023A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

本发明公开了一种异步电机转子复合故障的诊断方法，首先模拟出异步电机正常情况和转子断条偏心复合故障下的定子单相电流，利用连续小波变换将电流信号中的各特征频率分量转换到时频分布空间；然后利用奇异值分解的方法将该时频空间中的各特征频率分解到不同的正交子空间中；随后对特征子空间的有选择性重构，滤除基频分量；对重构后的信号进行四层小波分解，并求出各层的能量作为特征向量输入神经网络中作为训练数据，训练完后对测试样本用训练完的神经网络来检测复合故障是否发生。

Description

一种异步电机转子复合故障的诊断方法
技术领域
本发明涉及一种异步电机转子复合故障的诊断方法，特别涉及一种基于小波奇异值分解和神经网络的转子复合故障的诊断方法，属于电机故障诊断领域。
背景技术
随着科学技术的进步和生活水平的需求，电力电子技术和电子控制技术不断发展带动着铁路技术的快速发展，电力机车技术不断改进，结构更加复杂，功能也更加健全。在考虑机车的快速性、舒适性、适用经济性等性能指标中，机车的安全可靠性是不容忽视的，它是铁路系统的重要指标。机车的安全可靠运行是铁路系统得以顺利发展的生命基础，关系着铁路事业的发展前景。牵引电机是电力机车的重要部件之一，也是故障发生较多、危及行车安全较大的部件之一，它的安全运行关系到整个机车的运行安全，开展牵引电机的故障诊断研究具有重要的现实意义。此外，牵引电机的运行条件和工作坏境十分恶劣，要使电机在运行过程中保持良好状态，对其进行正确的操作和维护保养也很关键，定期的检修保养牵引电机，可以提高机车运转率及延长电机使用寿命。
小波变换是20世纪80年代中期发展起来的一种时频分析方法，比DCT(DiscreteCosine Transform)这样的傅里叶变换的性能更优越，具有多分辨分析功能。
奇异值分解(Singular Value Decomposition)是线性代数中一种重要的矩阵分解，是矩阵分析中正规矩阵酉对角化的推广。在信号处理、统计学等领域有重要应用。
人工神经网络(Artificial Neural Networks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
发明内容
本发明所要解决的技术问题是提供一种异步电机转子复合故障的诊断方法，。
本发明为解决上述技术问题采用以下技术方案：
本发明提供一种异步电机转子复合故障的诊断方法，具体步骤如下：
步骤1，通过仿真软件分别获得异步电机正常情况和转子断条偏心复合故障下的定子单相电流：
步骤2，采用Morlet小波对步骤1获得的定子单相电流进行分解，得到电流信号的小波系数矩阵；
步骤3，利用奇异值分解的方法对步骤2得到的矩阵进行分解，得到一系列的奇异值和其对应的子矩阵；
步骤4，在步骤3的基础上剔除小波系数值最大的分量，然后分别重构异步电机正常情况和转子断条偏心复合故障下的定子单相电流；
步骤5，对步骤4重构后的电流进行小波分解，计算各层的能量值，构造元素为各层能量值的特征向量；
步骤6，重复步骤1-5，获得若干组异步电机正常情况和转子断条偏心复合故障下的定子单相电流对应的特征向量作为训练样本对神经网络进行训练，其中，神经网络的输入为特征向量，输出为异步电机无故障、转子断条偏心复合故障；
步骤7，实时采集异步电机的定子单相电流，根据步骤2-5的方法得到特征向量，输入步骤6训练完成的神经网络，从而完成故障诊断。
作为本发明的进一步优化方案，步骤5中对步骤4重构后的电流进行四层小波分解。
作为本发明的进一步优化方案，步骤5中特征向量T为：T＝[Ea Ed1Ed2Ed3Ed4]，其中，Ea为第四层分解后的低频段能量，Ed1为第一层分解后高频段的能量值，Ed2为第二层分解后高频段的能量值，Ed3为第三层分解后高频段的能量值，Ed4为第四层分解后高频段的能量值。
作为本发明的进一步优化方案，步骤6中神经网络的输出为[1 1]、[0 0]，[1 1]表征异步电机无故障，[0 0]表征转子断条偏心复合故障。
作为本发明的进一步优化方案，步骤6中重复步骤1-5的次数根据实际精度需求确定。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1)本发明所提出的基于小波奇异值分解和神经网络的异步电机转子复合故障诊断方法，是基于数据的思想，将小波、奇异值分解和神经网络结合在一起来对复合故障的发生做出诊断；
2)本发明只需考虑复合故障发生时的定子单相电流，无需考虑电压、转子电流等因素，方便快捷，减少工作量；
3)本发明采用的神经网络，结合之前的小波和奇异值分解方法，能够有效地识别出复合故障的发生；
4)通过本发明，只需将经过处理后的故障信息输入神经网络，就可以实别出复合故障是否发生。
附图说明
图1是本发明的方法流程图。
图2是无故障下的定子仿真电流。
图3是复合故障下的定子仿真电流。
图4是滤除基波后无故障电流的重构图。
图5是滤除基波后复合故障电流的重构图。
图6是无故障情况下滤除基波后重构电流的四层小波分解图，其中，(a)为第4层高频分解，(b)为第4层低频分解，(c)为第3层高频分解，(d)为第3层低频分解，(e)为第2层高频分解，(f)为第2层低频分解，(g)为第1层高频分解，(h)第1层低频分解。
图7是复合故障情况下滤除基波后重构电流的四层小波分解图，其中，(a)为第4层高频分解，(b)为第4层低频分解，(c)为第3层高频分解，(d)为第3层低频分解，(e)为第2层高频分解，(f)为第2层低频分解，(g)为第1层高频分解，(h)第1层低频分解。
图8是神经网络的训练效果图。
具体实施方式
下面结合附图以及具体实施例对本发明的技术方案做进一步的详细说明：
本发明设计一种基于小波奇异值分解和神经网络的异步电机转子复合故障的诊断方法，如图1所示，具体为：
第一步：通过仿真软件分别获得异步电机正常情况和转子断条偏心复合故障下的定子单相电流，如图2和图3所示。
第二步：采用Morlet小波对第一步中的定子单相电流进行分解，得到的电流信号的小波系数矩阵。该矩阵将不同的分量信息(电源频率、故障频率)分解到不同的尺度下。
第三步：利用奇异值分解的方法对第二步得到的矩阵进行分解，得到一系列的奇异值和其对应的子矩阵。由正交性可知，矩阵中的各分量的时频信息被分解到一系列的正交特征子空间中。
第四部：在第三步的基础上，剔除小波系数值最大的分量，然后分别重构定子无故障和复合故障下的定子单相电流，重构后的电流波形如图4和图5所示。
第五步：对重构后的定子单相电流进行四层小波分解，如图6和图7所示，并计算各层的能量值。由各层的能量值构造特征向量T，T＝[Ea Ed1Ed2Ed3Ed4]，其中，Ea为第四层分解后的低频段能量，Ed1为第一层分解后高频段的能量值，Ed2为第二层分解后高频段的能量值，Ed3为第三层分解后高频段的能量值，Ed4为第四层分解后高频段的能量值。
第六步：重复进行八次第一至五步，获得八组异步电机正常情况和转子断条偏心复合故障下的定子单相电流对应的特征向量，其中，四组作为训练样本，如表1所示；其余四组作为测试样本，如表2所示。采用训练样本对神经网络进行训练，训练效果图如图8所示。其中，神经网络的输入为特征向量，输出为对应的异步电机无故障的[1 1]和复合故障的[00]。
表1 训练样本
样本 Ea Ed1 Ed2 Ed3 Ed4 输出
故障1 3.7041 76.6583 11.4676 5.0684 3.1017 00
故障2 3.0707 77.5217 10.4186 5.7546 3.2345 00
故障3 2.8046 76.6176 11.2347 6.4431 2.9000 00
故障4 3.0627 74.6541 13.2267 6.8206 2.2315 00
无故障1 4.7491 58.9113 19.6306 10.7887 5.9203 11
无故障2 11.2417 54.6336 16.9529 11.6614 5.5104 11
无故障3 8.2305 52.9036 21.0131 12.7956 5.0572 11
无故障4 5.1369 59.5230 18.9068 11.9068 4.5029 11
表2 测试样本
测试样本 样本个数 检测出个数 识别率
复合故障 4 4 100％
无故障 4 4 100％
第七步：通过测试样本对训练完成的神经网络进行测试。经测试，在误差允许的范围内，训练出的神经网络对无故障和复合故障的识别率均为100％。
本发明公开了一种基于小波奇异值分解和神经网络的异步电机转子复合故障的诊断方法，首先模拟出异步电机正常情况和转子断条偏心复合故障下的定子单相电流，利用连续小波变换得到信号的小波系数矩阵，该矩阵包含了信号的时频信息。信号中的各特征频率分量按频率大小变换到不同尺度下；然后利用奇异值分解的方法将系数矩阵中的各特征频率分量分解到正交子空间中来实现各分量的分离；随后对特征子空间有选择地进行重构，即滤除高频分量后重构；对重构后的信号进行四层小波分解，并将各层的能量作为特征向量输入神经网络中作为训练数据，训练完后对测试样本用训练完的神经网络来检测复合故障是否发生。
本发明所提出的基于小波奇异值分解和神经网络的异步电机转子复合故障诊断方法，是基于数据的思想，将小波、奇异值分解和神经网络结合在一起来对复合故障的发生做出诊断；本发明只需考虑复合故障发生时的定子单相电流，无需考虑电压、转子电流等因素，方便快捷，减少工作量；本发明采用的神经网络，结合之前的小波和奇异值分解方法，能够有效地识别出复合故障的发生；通过本发明，只需将经过处理后的故障信息输入神经网络，就可以实别出复合故障是否发生。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (5)

1.一种异步电机转子复合故障的诊断方法，其特征在于，具体步骤如下：
步骤1，通过仿真软件分别获得异步电机正常情况和转子断条偏心复合故障下的定子单相电流：
步骤2，采用Morlet小波对步骤1获得的定子单相电流进行分解，得到电流信号的小波系数矩阵；
步骤3，利用奇异值分解的方法对步骤2得到的矩阵进行分解，得到一系列的奇异值和其对应的子矩阵；
步骤4，在步骤3的基础上剔除小波系数值最大的分量，然后分别重构异步电机正常情况和转子断条偏心复合故障下的定子单相电流；
步骤5，对步骤4重构后的电流进行小波分解，计算各层的能量值，构造元素为各层能量值的特征向量；
步骤6，重复步骤1-5，获得若干组异步电机正常情况和转子断条偏心复合故障下的定子单相电流对应的特征向量作为训练样本对神经网络进行训练，其中，神经网络的输入为特征向量，输出为异步电机无故障、转子断条偏心复合故障；
步骤7，实时采集异步电机的定子单相电流，根据步骤2-5的方法得到特征向量，输入步骤6训练完成的神经网络，从而完成故障诊断。
2.根据权利要求1所述的一种异步电机转子复合故障的诊断方法，其特征在于，步骤5中对步骤4重构后的电流进行四层小波分解。
3. 根据权利要求2所述的一种异步电机转子复合故障的诊断方法，其特征在于，步骤5中特征向量T为：T=[Ea Ed1 Ed2 Ed3 Ed4]，其中，Ea为第四层分解后的低频段能量，Ed1为第一层分解后高频段的能量值，Ed2为第二层分解后高频段的能量值，Ed3为第三层分解后高频段的能量值，Ed4为第四层分解后高频段的能量值。
4. 根据权利要求1所述的一种异步电机转子复合故障的诊断方法，其特征在于，步骤6中神经网络的输出为[1 1]、[0 0]，[1 1] 表征异步电机无故障，[0 0]表征转子断条偏心复合故障。
5.根据权利要求1所述的一种异步电机转子复合故障的诊断方法，其特征在于，步骤6中重复步骤1-5的次数根据实际精度需求确定。
CN201610670955.7A 2016-08-15 2016-08-15 一种异步电机转子复合故障的诊断方法 Pending CN106295023A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610670955.7A CN106295023A (zh) 2016-08-15 2016-08-15 一种异步电机转子复合故障的诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610670955.7A CN106295023A (zh) 2016-08-15 2016-08-15 一种异步电机转子复合故障的诊断方法

Publications (1)

Publication Number Publication Date
CN106295023A true CN106295023A (zh) 2017-01-04

Family

ID=57671321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610670955.7A Pending CN106295023A (zh) 2016-08-15 2016-08-15 一种异步电机转子复合故障的诊断方法

Country Status (1)

Country Link
CN (1) CN106295023A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106895970A (zh) * 2017-03-31 2017-06-27 山东中实易通集团有限公司 浮动式油档引起的转子异常振动的故障诊断方法
CN108646149A (zh) * 2018-04-28 2018-10-12 国网江苏省电力有限公司苏州供电分公司 基于电流特征提取的故障电弧识别方法
WO2019184066A1 (zh) * 2018-03-29 2019-10-03 南京航空航天大学 一种机械设备故障信号特征提取方法
CN110988680A (zh) * 2019-11-28 2020-04-10 西安航天动力试验技术研究所 基于时频处理的电动机转子故障显化方法
CN111680665A (zh) * 2020-06-28 2020-09-18 湖南大学 基于数据驱动的采用电流信号的电机机械故障诊断方法
CN115248377A (zh) * 2022-09-21 2022-10-28 北京科锐特科技有限公司 异步电动机转子断条故障检测方法、计算机设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6643799B1 (en) * 1998-03-30 2003-11-04 General Electric Company System and method for diagnosing and validating a machine using waveform data
CN101819253A (zh) * 2010-04-20 2010-09-01 湖南大学 一种基于概率神经网络的容差电路故障诊断方法
CN103439647A (zh) * 2013-08-28 2013-12-11 深圳华越天芯电子有限公司 一种动态电源电流监测的模拟电路故障诊断方法
CN103837334A (zh) * 2012-11-20 2014-06-04 中国石油大学(北京) 一种机械故障的检测方法
CN104133143A (zh) * 2014-07-31 2014-11-05 东北大学 一种基于Hadoop云计算平台的电网线路故障诊断系统及方法
CN104502795A (zh) * 2014-11-26 2015-04-08 国家电网公司 一种适用于微电网的智能故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6643799B1 (en) * 1998-03-30 2003-11-04 General Electric Company System and method for diagnosing and validating a machine using waveform data
CN101819253A (zh) * 2010-04-20 2010-09-01 湖南大学 一种基于概率神经网络的容差电路故障诊断方法
CN103837334A (zh) * 2012-11-20 2014-06-04 中国石油大学(北京) 一种机械故障的检测方法
CN103439647A (zh) * 2013-08-28 2013-12-11 深圳华越天芯电子有限公司 一种动态电源电流监测的模拟电路故障诊断方法
CN104133143A (zh) * 2014-07-31 2014-11-05 东北大学 一种基于Hadoop云计算平台的电网线路故障诊断系统及方法
CN104502795A (zh) * 2014-11-26 2015-04-08 国家电网公司 一种适用于微电网的智能故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王惠中 等: "电机振动信号特征提取新方法的研究", 《自动化与仪器仪表》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106895970A (zh) * 2017-03-31 2017-06-27 山东中实易通集团有限公司 浮动式油档引起的转子异常振动的故障诊断方法
WO2019184066A1 (zh) * 2018-03-29 2019-10-03 南京航空航天大学 一种机械设备故障信号特征提取方法
CN108646149A (zh) * 2018-04-28 2018-10-12 国网江苏省电力有限公司苏州供电分公司 基于电流特征提取的故障电弧识别方法
CN110988680A (zh) * 2019-11-28 2020-04-10 西安航天动力试验技术研究所 基于时频处理的电动机转子故障显化方法
CN111680665A (zh) * 2020-06-28 2020-09-18 湖南大学 基于数据驱动的采用电流信号的电机机械故障诊断方法
CN115248377A (zh) * 2022-09-21 2022-10-28 北京科锐特科技有限公司 异步电动机转子断条故障检测方法、计算机设备及介质
CN115248377B (zh) * 2022-09-21 2022-12-13 北京科锐特科技有限公司 异步电动机转子断条故障检测方法、计算机设备及介质

Similar Documents

Publication Publication Date Title
CN106295023A (zh) 一种异步电机转子复合故障的诊断方法
CN103064008B (zh) 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法
CN110146812B (zh) 一种基于特征节点增量式宽度学习的电机故障诊断方法
CN103901882B (zh) 一种列车动力系统在线监控故障诊断的系统及其方法
CN108229544A (zh) 一种npc三电平光伏逆变器开路故障诊断方法
CN104809722B (zh) 一种基于红外热像的电气设备故障诊断方法
CN108802525A (zh) 基于小样本的设备故障智能预测方法
CN109977920A (zh) 基于时频谱图及卷积神经网络的水轮机组故障诊断方法
CN109770923A (zh) 一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法
CN105595961A (zh) 基于脑电信号的阿尔兹海默症检测系统及检测方法
CN101900789B (zh) 基于小波变换与分形维数的容差模拟电路故障诊断方法
CN102824172B (zh) 一种脑电特征提取方法
CN106330095B (zh) 一种大型光伏电站汇集系统故障定位方法
CN110161343A (zh) 一种智能列车外部受电装置的非侵入式实时动态监测方法
CN112633195B (zh) 一种基于频域特征与深度学习的心肌梗塞识别分类方法
CN103995237A (zh) 一种卫星电源系统在线故障诊断方法
CN106096562A (zh) 基于振动信号盲源分离和稀疏成分分析的风电机组齿轮箱故障诊断方法
CN109472288A (zh) 一种抽水蓄能机组振动混合特征提取与分类方法
CN104564542B (zh) 一种基于大数据技术的故障诊断系统及其诊断方法
CN102609764A (zh) 一种基于cpn神经网络的汽轮发电机组故障诊断方法
CN103006211A (zh) 一种基于脑电网络分析的地形图描绘装置
CN111914705A (zh) 提升电抗器健康状态评估准确率的信号生成方法及装置
CN106502850B (zh) 一种稀疏紧框架字典学习模型的多故障辨识方法与装置
CN111812507A (zh) 一种基于图卷积的电机故障诊断方法
CN111308260A (zh) 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20170104