CN107644231A - 一种发电机转子故障诊断方法及装置 - Google Patents
一种发电机转子故障诊断方法及装置 Download PDFInfo
- Publication number
- CN107644231A CN107644231A CN201710852344.9A CN201710852344A CN107644231A CN 107644231 A CN107644231 A CN 107644231A CN 201710852344 A CN201710852344 A CN 201710852344A CN 107644231 A CN107644231 A CN 107644231A
- Authority
- CN
- China
- Prior art keywords
- training data
- training
- data
- grader
- test data
- 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
Landscapes
- Manufacture Of Motors, Generators (AREA)
Abstract
本发明公开了一种发电机转子故障诊断方法及装置,其中该方法包括:获取多组训练数据及每组所述训练数据对应的转子状态信息;利用多组训练数据及每组训练数据对应的转子状态信息训练分类器;获取实时采集的测试数据,将所述测试数据输入所述分类器,得到与所述测试数据对应的转子状态信息;其中,每组所述训练数据及测试数据均包括对应时刻发电机的定子电流信号、转子震动信号及磁场密度信号,所述转子状态信息为表明对应时刻所述发电机是否发生转子偏心故障的信息。本申请只需利用获取的数据训练分类器,即可将测试数据输入至分类器从而得到输出的测试数据对应转子状态信息,达到了效率高且可行性强的目的。
Description
技术领域
本发明涉及机器分类技术领域,更具体地说,涉及一种发电机转子故障诊断方法及装置。
背景技术
为了避免风力发电机故障带来的伤害,就必须对转子的运行状况时时刻刻进行监视,尽量能够在故障发生之前作出判断,减少损失。
由于制造、安装、运行等原因,发电机定转子之间的气隙将或多或少存在不均匀的状况,此种状况被称之为气隙偏心。然而最常引起故障的原因是,由于风力发电机长时间运行会导致电机轴承变形,从而造成转子与定子之间气隙不匀出现气隙偏心故障,也即转子偏心故障。目前风力发电机转子故障诊断通常有这么两种诊断方法:(1)当发电机发生转子偏心故障时,永磁发电机的气隙径向磁密发生变化且转子会发出异常的震动,通过检测这些信号的变化,进而对这些信号作相应的处理,与转子正常运行时的发电机磁密比较,来判定是否发生了转子偏心故障;(2)通过测量定子电流,然后将电流通过小波包分解与重构,通过对重构后的电流信号作FFT(快速傅里叶变换)得到不同次谐波的电流幅值,通过比较转子正常运行状态与转子偏心状态不同次谐波幅值变化的大小得到永磁同步电机发生转子偏心故障的特征频率。其中,第(1)种方法通常是由工作人员实现的,该方法需要工作人员知道很多机械的专业知识对物理模型进行分析,并且对采集到的数据进行大量 的分析,所以此方法发可行性较差。第(2)种方法由于对故障特征频率的求解需要做大量的计算和对比,因此效率不高。
综上所述,如何提供一种效率高且可行性强的技术方案,是目前本领域技术人员亟待解决的问题。
发明内容
本发明的目的是提供一种发电机转子故障诊断方法及装置,以达到效率高且可行性强的目的。
为了实现上述目的,本发明提供如下技术方案:
一种发电机转子故障诊断方法,包括:
获取多组训练数据及每组所述训练数据对应的转子状态信息;
利用多组训练数据及每组训练数据对应的转子状态信息训练分类器;
获取实时采集的测试数据,将所述测试数据输入所述分类器,得到与所述测试数据对应的转子状态信息;
其中,每组所述训练数据及测试数据均包括对应时刻发电机的定子电流信号、转子震动信号及磁场密度信号,所述转子状态信息为表明对应时刻所述发电机是否发生转子偏心故障的信息。
优选的,利用多组训练数据及每组训练数据对应的转子状态信息训练分类器,包括:
将多组训练数据及每组训练数据对应的转子状态信息输入预先获取的支持向量机模型进行训练,得到对应的分类器。
优选的,将多组训练数据及每组训练数据对应的转子状态信息输入支持向量机模型进行训练之前,还包括:
利用混沌粒子群算法及SMO高效算法优化所述支持向量机模型中包含的对应模型参数。
优选的,获取训练数据及测试数据之后,还包括:
利用小波包分析变换对所述训练数据及测试数据中包含的定子电流信号进行分解重构,并利用分解重构得到的信号对应执行所述训练分类器的步骤或所述将所述测试数据输入所述分类器的步骤。
优选的,获取训练数据及测试数据之后,还包括:
对所述训练数据及测试数据中包含的转子震动信号及磁场密度信号进行归一化处理及放大处理,并利用处理得到的信号对应执行所述训练分类器的步骤或所述将所述测试数据输入所述分类器的步骤。
一种发电机转子故障诊断装置,包括:
获取模块,用于:获取多组训练数据及每组所述训练数据对应的转子状态信息;
训练模块,用于:利用多组训练数据及每组训练数据对应的转子状态信息训练分类器;
测试模块,用于:获取实时采集的测试数据,将所述测试数据输入所述分类器,得到与所述测试数据对应的转子状态信息;其中,每组所述训练数据及测试数据均包括对应时刻发电机的定子电流信号、转子震动信号及磁场密度信号,所述转子状态信息为表明对应时刻所述发电机是否发生转子偏心故障的信息。
优选的,所述训练模块包括:
训练单元,用于:将多组训练数据及每组训练数据对应的转子状态信息输入预先获取的支持向量机模型进行训练,得到对应的分类器。
优选的,还包括:
优化模块,用于:将多组训练数据及每组训练数据对应的转子状态信息输入支持向量机模型进行训练之前,利用混沌粒子群算法及SMO高效算法优化所述支持向量机模型中包含的对应模型参数。
优选的,还包括:
分解重构模块,用于获取训练数据及测试数据之后,利用小波包分析变换对所述训练数据及测试数据中包含的定子电流信号进行分解重构,并指示所述训练模块及所述测试模块利用分解重构得到的信号对应执行所述训练分类器的步骤或所述将所述测试数据输入所述分类器的步骤。
优选的,还包括:
预处理模块,用于:获取训练数据及测试数据之后,对所述训练数据及测试数据中包含的转子震动信号及磁场密度信号进行归一化处理及放大处 理,并指示所述训练模块及所述测试模块利用处理得到的信号对应执行所述训练分类器的步骤或所述将所述测试数据输入所述分类器的步骤。
本发明提供了一种发电机转子故障诊断方法及装置,其中该方法包括:获取多组训练数据及每组所述训练数据对应的转子状态信息;利用多组训练数据及每组训练数据对应的转子状态信息训练分类器;获取实时采集的测试数据,将所述测试数据输入所述分类器,得到与所述测试数据对应的转子状态信息;其中,每组所述训练数据及测试数据均包括对应时刻发电机的定子电流信号、转子震动信号及磁场密度信号,所述转子状态信息为表明对应时刻所述发电机是否发生转子偏心故障的信息。本申请公开的技术方案中,采用包括训练数据及对应表明发电机是否存在故障的转子状态信息训练分类器,进而利用分类器确定实时采集的测试数据的转子状态信息,从而利用分类器实现发电机的工作状态的准确测试;不同于现有技术中提到的两种技术方案,本申请只需利用获取的数据训练分类器,即可将测试数据输入至分类器从而得到输出的测试数据对应转子状态信息,无需工作人员知道大量知识并进行大量分析,也不需在测试过程中实现大量计算和对比,达到了效率高且可行性强的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种发电机转子故障诊断方法的流程图;
图2为本发明实施例提供的一种发电机转子故障诊断装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做 出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明实施例提供的一种发电机转子故障诊断方法的流程图,可以包括:
S11:获取多组训练数据及每组训练数据对应的转子状态信息。
需要说明的是,本申请中将用于实现分类器训练的数据称为训练数据、实时采集的用于确定是否发生转子偏心故障的数据称为测试数据。本申请中训练数据及测试数据可以包括采集数据的时刻发电机的定子电流信号、转子震动信号及磁场密度信号,这几项数据与现有技术中对应数据的定义相同,在此不再赘述;当然根据实际需要还可以包括其他指标的数据,均在本发明的保护范围之内。转子状态信息为表明采集数据的时刻发电机是否发生转子偏心故障的信息,也即由转子状态信息即可获知发电机的工作状态。本申请获取的训练数据的数量可以根据实际需要进行设定,数量越多则得到的分类器精确性越高;而转子状态信息可为由人工进行标注的,以正确表明发电机的工作状况。
S12:利用多组训练数据及每组训练数据对应的转子状态信息训练分类器。
利用训练数据及对应的转子状态信息训练分类器,该分类器可以用于对测试数据进行分类,也即获知到采集测试数据的时刻发电机是否发生转子偏心故障的转子状态信息。
S13:获取实时采集的测试数据,将测试数据输入分类器,得到与测试数据对应的转子状态信息;其中,每组训练数据及测试数据均包括对应时刻发电机的定子电流信号、转子震动信号及磁场密度信号,转子状态信息为表明对应时刻发电机是否发生转子偏心故障的信息。
通过实时采集测试数据,利用分类器确定该采集时刻发电机的工作状态,有助于工作人员能够及时获知发电机是否发生转子偏心故障,进而实现对应的操作。
本申请公开的技术方案中,采用包括训练数据及对应表明发电机是否存在故障的转子状态信息训练分类器,进而利用分类器确定实时采集的测试数据的转子状态信息,从而利用分类器实现发电机的工作状态的准确测试;不同于现有技术中提到的两种技术方案,本申请只需利用获取的数据训练分类 器,即可将测试数据输入至分类器从而得到输出的测试数据对应转子状态信息,无需工作人员知道大量知识并进行大量分析,也不需在测试过程中实现大量计算和对比,达到了效率高且可行性强的目的。
另外,本申请公开的技术方案中训练数据及测试数据包括定子电流信号、转子震动信号及磁场密度信号,不同于现有技术中单一指标的测试,提高了测试的准确性。
本发明实施例提供的一种发电机转子故障诊断方法,利用多组训练数据及每组训练数据对应的转子状态信息训练分类器,可以包括:
将多组训练数据及每组训练数据对应的转子状态信息输入预先获取的支持向量机模型进行训练,得到对应的分类器。
需要说明的是,本申请中实现分类器的训练具体可以是基于支持向量机算法实现的,也即将训练数据及对应转子状态信息输入预先根据实际需要获取的支持向量机模型进行训练,即可得到对应的支持向量机分类器。支持向量机这种模型减少了传统故障诊断方法对信号变换处理的复杂度,大大减少了工作量的投入,且提高了效率。具体来说,支持向量机是一种基于统计学习理论的新型机器学习方法,在较好地解决小样本、非线性和高维度模式识别等实际问题中有独特的优势,已成为智能技术领域研究的热点,目前已广泛应用于状态评估、故障诊断、模式识别、化工建模等诸多领,支持向量机基本模型定义是在特征空间上最大间隔分离数据。对于线性可分的分类问题,在训练样本数据中找出用于构造最优分类超平面的支持向量,即支持向量机的学习策略便是间隔最大化,最终可转化为一个凸二次规划问题的求解。对于非线性分类情况下的分类问题,支持向量机首先利用一个非线性变换把输入空间数据映射到一个高维的特征向量空间,然后在该特征空间中构造出最优分类超平面,进行线性分类,最后映射回到原空间后就成了输入空间中的非线性分类。
具体来说,训练数据也可称为训练样本,对于线性可分的训练样本组成的训练样本集D可以表示如下:
D={(x1,y1),(x2,y2),...,(xm,ym)}
其中,(xi,yi)表示一组训练样本,i的取值在1到m之间(包含1和m),m为训练样本的总数量。
分类学习最基本的想法就是基于训练样本集D在样本空间中找到一个划分超平面,将不同类别的训练样本分开。在样本空间中划分超平面的线性方程描述为:
wTx+b=0 (1)
其中,w为法向量、决定了超平面的方向,b为位移项、决定了超平面与预先设定的原点之间的距离,x为任一组训练样本中x的向量表示。显然划分超平面可以被法向量w和位移b确定。
样本空间中任一x到超平面(w,b)的距离为:
假设超平面(w,b)能将训练样本正确分类,即对于(xi,yi)∈D,若yi=+1,则有wTxi+b>0,若yi=-1,则有wTxi+b<0。令:
欲求最大间隔r,等价于求:
这就是支持向量机的基本模型。对于上述公式描述了线性可分的支持向量机模型,即存在一个划分超平面能将训练样本正确分类。
本发明实施例提供的一种发电机转子故障诊断方法,将多组训练数据及每组训练数据对应的转子状态信息输入支持向量机模型进行训练之前,还可以包括:
利用混沌粒子群算法及SMO(Sequential Minimal Optimization,高效优化算法)高效算法优化所述支持向量机模型中包含的对应模型参数。
通过对支持向量机模型中包含的参数模型的优化处理,进而利用优化处理后的支持向量机模型得到对应分类器,能够使得分类器具有效率高、实时性强、准确率高等特点。
具体来说,对式(4)使用拉格朗日乘子法可得到其对偶问题,对每条约束条件添加拉格朗日乘子αi≥0,则拉格朗日函数可写为:
令L(w,b,α)对w和b的偏导为零可得:
将L(w,b,α)中的w和b消去,在考虑到约束条件得到对偶问题:
解出α后,求出w和b即可得到模型:
然而,现实任务中原始样本空间内也许并不是线性可分的。对于这种非线性可分问题,可将原始样本空间映射到一个更高维度的特征空间中,使得样本空间在这个特征空间内线性可分。
令φ(x)表示将x映射后的特征向量,于是在特征空间中划分超平面所对应的模型可表示为:
f(x)=wTφ(x)+b (10)
设想这样一个“核函数”(kernel function):
k(xi,xj)=φ(xi)Tφ(xj)(11)
有了这样的函数,就不必直接计算高维度甚至无穷维特征空间中的内积,于是有:
需要样本在特征空间内线性可分,因此特征空间的好坏对支持向量机的可能性至关重要。于是,核函数的选择成为支持向量机最大的变数。若核函数选择不合适,则意味着将样本映射到了一个不合适的特征空间,这样可能导致分类性能不佳。这里选择高斯核函数:
其中,σ表示高斯核函数的参数,如可以为高斯核函数对应的方差;前面讲到的分类都是对原来训练样本的严格分类,然而现实任务中往往很难做到这样严格的划分,即便做到了严格分类也容易出现overfiting(过拟合)对测试样本往往不好。
缓解这个问题的一个办法是允许支持向量机在一些样本上出现错误,引入“松弛变量”(slack variables)ξi≥0,可将式(4)重写为:
其中,C表示支持向量机所允许的误差容忍度;显然,对于式(14)中的每个样本都对应一个松弛变量,用以表征该样本不满足约束的程度。同样通过拉格朗日算子得到对偶问题
根据KKT(Karush-Kuhn-Tucker)条件,那些αi不为0的点对应:
yi(wTxi+b)=1-ξ
即那些落在两类样本点的边界上的点为支持向量机中要求解的支持向量。
对于式(15),不难发现对拉格朗日乘子α的求解是一个二次规划问题,可以使用二次规划算法来求解。但是,该问题的规模正比于训练样本数,这样在实际应用中带来很大的计算开销。为了更好的解决对α的求解,SMO优化求解α。
SMO的基本思路是先固定αi之外的所有参数,然后求αi上的极值。由于存在约束若固定αi之外的其他参数,则αi可由其他变量导出。于是,SMO每次选择两个变量αi和αj,并固定其他参数。这样,在参数初始化后,SMO不断执行如下两个步骤直至收敛:
选取一对须更新的变量αi和αj;
固定αi和αj以外的参数,求解式(15)获得更新后的αi和αj。
SMO算法之所以高效,恰由于固定其他参数后,仅仅优化两个参数的过程做的非常高效。具体讲SMO算法选择同时优化两个参数,固定其他m-2个参数,假设选取初始值{α1,α2,...,αm}满足了问题中的约束条件。选择的变量为αi和αj,固定其他参数{αk,k≠i,j},可以简化目标函数为只关于αi和αj的二元函数,C表示常数项(不包含变量αi和αj的项)。
仅考虑αi和αj时,式(15)中的约束可以重写为
αiyi+αjyj=C,αi≥0,αj≥0 (16)
其中是使成立的常数。
用式(16)消去式(14)中的变量αj,则得到关于αi的单变量二次规划问题,仅有αi≥0约束条件,这种二次归化有闭式解,不用调用数值优化算法就可以计算出αi和αj。
支持向量机参数的大小对于其学习能力和泛化能力有着相当大的影响,因此如何选择最优的支持向量机参数取值一个关键的问题。对于RBF核函数的SVM来说,参数包括调整参数C和核宽度σ。参数C是在结构风险和样本误差之间做出折衷,参数C的取值与可容忍的误差相关,较大的C值允许较小的误差,较小的C值则允许较大的误差。核宽度σ与学习样本的输人 空间范围或宽度相关,样本输人空间范围越大,取值越大,反之,样本输人空间范围小,取值越小。
粒子群优化算法通过迭代搜寻最优值,系统初始化为一组随机解,而粒子(潜在的解)在解空间追随最优的粒子进行搜索。假设在一个n维的目标搜索空间中,有N个粒子组成一个群体,其中第i个粒子表示一个n维的向量xi=(xi1,xi2,...,xin),i=1,2,...,n,每个粒子的位置就是一个潜在的解,把xi带入目标函数就可以计算出适应值根据适应值的大小衡量xi的优劣。第i个粒子的速度也是一个n维的向量,记为:vi=(vi1,vi2,...,vin),i=1,2,...,n。
记第i个粒子迄今为止搜索到的最优为止为:
pi=(pi1,pi2,...,pin),i=1,2,...,n
整个粒子群迄今为止搜索到的最优位置为:
pg=(pg1,pg2,...,pgn),g=1,2,...,n
粒子群优化算法采用下列公式迭代:
vi=wvi+c1r1(pi-xi)+c2r2(pg-xi) (17)
xi=xi+αvi (18)
其中,i=1,2,…,n,学习因子c1和c2是非负常数;r1和r2是介于[0,1]之间的随机数;w为权重;α为确定出的系数。迭代中止条件根据具体问题一般选为最大迭代次数或粒子群迄今为止搜索到的最优位置满足预定最小适应阈值。另外混沌粒子群算法及SMO高效算法均为现有技术中已经具有的算法,本申请中将上述算法用于参数优化的原理与现有技术中对应技术方案实现原理一致,且在介绍混沌粒子群算法时应用到了和其他部分的公式中相同的字母,但在介绍混沌粒子群算法的这部分内容中以此部分的介绍为准,而其他部分的字母含义也以其他部分对应的介绍为准。
本发明实施例提供的一种发电机转子故障诊断方法,获取训练数据及测试数据之后,还可以包括:
利用小波包分析变换对所述训练数据及测试数据中包含的定子电流信号进行分解重构,并利用分解重构得到的信号对应执行所述训练分类器的步骤或所述将所述测试数据输入所述分类器的步骤。
需要说明的是,小波包分解算法公式为:
其中,f(t)为时间信号,表示第i层上的第j个小波包,称为小波包系数。G、H为小波分解滤波器,G与母小波函数ω1(t)有关,H与尺度函数ω0(t)有关。
小波重构算法公式为:
其中,j=J-1,J-2,...,1,0;i=2j,2j-1,...,2,1;h,g是小波包重构滤波器,h与尺度函数有关,g与小波母函数有关。对应本申请,f(t)即为在时域下采集到的定子电流信号,从而通过上述公式实现定子电流信号的分解重构,能够保证采集的定子电流信号的有效性。具体来说,小波包是包括尺度函数和小波母函数在内的具有一定联系的函数集合,设函数Ψ(t)分别为尺度函数和小波母函数,在二尺度方差定义下,当Ψ(t)中包含的参数n为0时,ω1(t)=Ψ(t),则ω0(t)为尺度函数,ω1(t)为母小波函数,此处利用小波包分析变换实现分解重构与现有技术中对应技术方案实现原理一致。另外在介绍小波重构算法和小波包分解算法时应用到了和其他部分的公式中相同的字母,但在介绍小波重构算法和小波包分解算法的这部分内容中以此部分的介绍为准,而其他部分的字母含义也以其他部分对应的介绍为准。
本发明实施例提供的一种发电机转子故障诊断方法,获取训练数据及测试数据之后,还可以包括:
对所述训练数据及测试数据中包含的转子震动信号及磁场密度信号进行归一化处理及放大处理,并利用处理得到的信号对应执行所述训练分类器的步骤或所述将所述测试数据输入所述分类器的步骤。
需要说明的是,对转子震动信号及磁场密度信号进行归一化处理及放大处理,能够保证转子震动信号及磁场密度信号的有效性,进而保证训练得到的分类器的准确性。其中对信号进行归一化处理及放大处理的实现原理与现有技术中对应技术方案的实现原理一致,在此不再赘述。
本发明实施例还提供了一种发电机转子故障诊断装置,如图2所示,可以包括:
获取模块11,用于:获取多组训练数据及每组所述训练数据对应的转子状态信息;
训练模块12,用于:利用多组训练数据及每组训练数据对应的转子状态信息训练分类器;
测试模块13,用于:获取实时采集的测试数据,将所述测试数据输入所述分类器,得到与所述测试数据对应的转子状态信息;其中,每组所述训练数据及测试数据均包括对应时刻发电机的定子电流信号、转子震动信号及磁场密度信号,所述转子状态信息为表明对应时刻所述发电机是否发生转子偏心故障的信息。
本发明实施例提供的一种发电机转子故障诊断装置,所述训练模块可以包括:
训练单元,用于:将多组训练数据及每组训练数据对应的转子状态信息输入预先获取的支持向量机模型进行训练,得到对应的分类器。
本发明实施例提供的一种发电机转子故障诊断装置,还可以包括:
优化模块,用于:将多组训练数据及每组训练数据对应的转子状态信息输入支持向量机模型进行训练之前,利用混沌粒子群算法及SMO高效算法优化所述支持向量机模型中包含的对应模型参数。
本发明实施例提供的一种发电机转子故障诊断装置,还可以包括:
分解重构模块,用于获取训练数据及测试数据之后,利用小波包分析变换对所述训练数据及测试数据中包含的定子电流信号进行分解重构,并指示所述训练模块及所述测试模块利用分解重构得到的信号对应执行所述训练分类器的步骤或所述将所述测试数据输入所述分类器的步骤。
本发明实施例提供的一种发电机转子故障诊断装置,还可以包括:
预处理模块,用于:获取训练数据及测试数据之后,对所述训练数据及测试数据中包含的转子震动信号及磁场密度信号进行归一化处理及放大处理,并指示所述训练模块及所述测试模块利用处理得到的信号对应执行所述训练分类器的步骤或所述将所述测试数据输入所述分类器的步骤。
本发明实施例提供的一种发电机转子故障诊断装置中相关部分的说明请参见本发明实施例提供的一种发电机转子故障诊断方法中对应部分的详细说明,在此不再赘述。另外本发明实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明,以免过多赘述。
对所公开的实施例的上述说明,使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种发电机转子故障诊断方法,其特征在于,包括:
获取多组训练数据及每组所述训练数据对应的转子状态信息;
利用多组训练数据及每组训练数据对应的转子状态信息训练分类器;
获取实时采集的测试数据,将所述测试数据输入所述分类器,得到与所述测试数据对应的转子状态信息;
其中,每组所述训练数据及测试数据均包括对应时刻发电机的定子电流信号、转子震动信号及磁场密度信号,所述转子状态信息为表明对应时刻所述发电机是否发生转子偏心故障的信息。
2.根据权利要求1所述的方法,其特征在于,利用多组训练数据及每组训练数据对应的转子状态信息训练分类器,包括:
将多组训练数据及每组训练数据对应的转子状态信息输入预先获取的支持向量机模型进行训练,得到对应的分类器。
3.根据权利要求2所述的方法,其特征在于,将多组训练数据及每组训练数据对应的转子状态信息输入支持向量机模型进行训练之前,还包括:
利用混沌粒子群算法及SMO高效算法优化所述支持向量机模型中包含的对应模型参数。
4.根据权利要求1所述的方法,其特征在于,获取训练数据及测试数据之后,还包括:
利用小波包分析变换对所述训练数据及测试数据中包含的定子电流信号进行分解重构,并利用分解重构得到的信号对应执行所述训练分类器的步骤或所述将所述测试数据输入所述分类器的步骤。
5.根据权利要求4所述的方法,其特征在于,获取训练数据及测试数据之后,还包括:
对所述训练数据及测试数据中包含的转子震动信号及磁场密度信号进行归一化处理及放大处理,并利用处理得到的信号对应执行所述训练分类器的步骤或所述将所述测试数据输入所述分类器的步骤。
6.一种发电机转子故障诊断装置,其特征在于,包括:
获取模块,用于:获取多组训练数据及每组所述训练数据对应的转子状态信息;
训练模块,用于:利用多组训练数据及每组训练数据对应的转子状态信息训练分类器;
测试模块,用于:获取实时采集的测试数据,将所述测试数据输入所述分类器,得到与所述测试数据对应的转子状态信息;其中,每组所述训练数据及测试数据均包括对应时刻发电机的定子电流信号、转子震动信号及磁场密度信号,所述转子状态信息为表明对应时刻所述发电机是否发生转子偏心故障的信息。
7.根据权利要求6所述的装置,其特征在于,所述训练模块包括:
训练单元,用于:将多组训练数据及每组训练数据对应的转子状态信息输入预先获取的支持向量机模型进行训练,得到对应的分类器。
8.根据权利要求7所述的装置,其特征在于,还包括:
优化模块,用于:将多组训练数据及每组训练数据对应的转子状态信息输入支持向量机模型进行训练之前,利用混沌粒子群算法及SMO高效算法优化所述支持向量机模型中包含的对应模型参数。
9.根据权利要求6所述的装置,其特征在于,还包括:
分解重构模块,用于获取训练数据及测试数据之后,利用小波包分析变换对所述训练数据及测试数据中包含的定子电流信号进行分解重构,并指示所述训练模块及所述测试模块利用分解重构得到的信号对应执行所述训练分类器的步骤或所述将所述测试数据输入所述分类器的步骤。
10.根据权利要求9所述的装置,其特征在于,还包括:
预处理模块,用于:获取训练数据及测试数据之后,对所述训练数据及测试数据中包含的转子震动信号及磁场密度信号进行归一化处理及放大处理,并指示所述训练模块及所述测试模块利用处理得到的信号对应执行所述训练分类器的步骤或所述将所述测试数据输入所述分类器的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710852344.9A CN107644231A (zh) | 2017-09-19 | 2017-09-19 | 一种发电机转子故障诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710852344.9A CN107644231A (zh) | 2017-09-19 | 2017-09-19 | 一种发电机转子故障诊断方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107644231A true CN107644231A (zh) | 2018-01-30 |
Family
ID=61113818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710852344.9A Pending CN107644231A (zh) | 2017-09-19 | 2017-09-19 | 一种发电机转子故障诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107644231A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110146812A (zh) * | 2019-05-15 | 2019-08-20 | 吉林大学珠海学院 | 一种基于特征节点增量式宽度学习的电机故障诊断方法 |
CN111697896A (zh) * | 2019-03-12 | 2020-09-22 | Abb瑞士股份有限公司 | 控制多相电机的方法 |
CN112288147A (zh) * | 2020-10-19 | 2021-01-29 | 西安交通大学 | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 |
CN112351868A (zh) * | 2018-06-27 | 2021-02-09 | 库卡德国有限公司 | 用于诊断机器过程的方法和系统 |
CN114246507A (zh) * | 2020-09-23 | 2022-03-29 | 江苏美的清洁电器股份有限公司 | 一种类型确定方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103904971A (zh) * | 2014-04-15 | 2014-07-02 | 上海电机学院 | 基于双馈异步电机的故障控制装置及其方法 |
CN105352726A (zh) * | 2015-10-20 | 2016-02-24 | 宁波大学 | 一种齿轮的故障诊断方法 |
CN107016404A (zh) * | 2017-02-24 | 2017-08-04 | 沈阳工业大学 | 基于d‑s证据融合的风力发电机组故障预测方法 |
CN107091737A (zh) * | 2017-06-06 | 2017-08-25 | 太原理工大学 | 一种基于电流信号的转子系统典型故障诊断方法 |
-
2017
- 2017-09-19 CN CN201710852344.9A patent/CN107644231A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103904971A (zh) * | 2014-04-15 | 2014-07-02 | 上海电机学院 | 基于双馈异步电机的故障控制装置及其方法 |
CN105352726A (zh) * | 2015-10-20 | 2016-02-24 | 宁波大学 | 一种齿轮的故障诊断方法 |
CN107016404A (zh) * | 2017-02-24 | 2017-08-04 | 沈阳工业大学 | 基于d‑s证据融合的风力发电机组故障预测方法 |
CN107091737A (zh) * | 2017-06-06 | 2017-08-25 | 太原理工大学 | 一种基于电流信号的转子系统典型故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
孙向风: "基于进化计算和支持向量机的人脸识别算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
朱凤明等: "混沌粒子群算法对支持向量机模型参数的优化", 《计算机仿真》 * |
李清川: "基于小波包和最小二乘支持向量机的异步电机故障诊断", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
陈卫文: "三相鼠笼异步电机转子故障智能诊断方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112351868A (zh) * | 2018-06-27 | 2021-02-09 | 库卡德国有限公司 | 用于诊断机器过程的方法和系统 |
CN111697896A (zh) * | 2019-03-12 | 2020-09-22 | Abb瑞士股份有限公司 | 控制多相电机的方法 |
CN110146812A (zh) * | 2019-05-15 | 2019-08-20 | 吉林大学珠海学院 | 一种基于特征节点增量式宽度学习的电机故障诊断方法 |
CN110146812B (zh) * | 2019-05-15 | 2021-07-13 | 吉林大学珠海学院 | 一种基于特征节点增量式宽度学习的电机故障诊断方法 |
CN114246507A (zh) * | 2020-09-23 | 2022-03-29 | 江苏美的清洁电器股份有限公司 | 一种类型确定方法、装置、电子设备及存储介质 |
CN114246507B (zh) * | 2020-09-23 | 2022-11-25 | 江苏美的清洁电器股份有限公司 | 一种类型确定方法、装置、电子设备及存储介质 |
CN112288147A (zh) * | 2020-10-19 | 2021-01-29 | 西安交通大学 | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 |
CN112288147B (zh) * | 2020-10-19 | 2023-06-30 | 西安交通大学 | 一种BP-Adaboost强预测器预测发电机定子绝缘状态的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107644231A (zh) | 一种发电机转子故障诊断方法及装置 | |
Sun et al. | Convolutional discriminative feature learning for induction motor fault diagnosis | |
Aydin et al. | A multi-objective artificial immune algorithm for parameter optimization in support vector machine | |
Churchill et al. | Deep convolutional neural networks for multi-scale time-series classification and application to tokamak disruption prediction using raw, high temporal resolution diagnostic data | |
CN108182452A (zh) | 基于分组卷积自编码器的航空发动机故障检测方法及系统 | |
Biswal et al. | Power quality event characterization using support vector machine and optimization using advanced immune algorithm | |
Lv et al. | A deep convolution generative adversarial networks based fuzzing framework for industry control protocols | |
Cheng et al. | Online power system event detection via bidirectional generative adversarial networks | |
Xiao et al. | Distributed nonlinear polynomial graph filter and its output graph spectrum: Filter analysis and design | |
Khan et al. | Machine learning approaches in cybersecurity | |
CN115409052A (zh) | 一种数据失衡下风力发电机组轴承的故障诊断方法及系统 | |
Ren et al. | A $ T^{2} $-Tensor-Aided Multiscale Transformer for Remaining Useful Life Prediction in IIoT | |
Liu et al. | Feature extraction and classification algorithm, which one is more essential? An experimental study on a specific task of vibration signal diagnosis | |
Harish et al. | Fault detection and classification for wide area backup protection of power transmission lines using weighted extreme learning machine | |
Angelis et al. | Energformer: A new transformer model for energy disaggregation | |
Long et al. | Multidomain variance-learnable prototypical network for few-shot diagnosis of novel faults | |
Stetco et al. | Wind Turbine operational state prediction: Towards featureless, end-to-end predictive maintenance | |
Wan et al. | Rolling bearing fault diagnosis method based on parallel QPSO-BPNN under spark-GPU platform | |
Aarthi et al. | Double compression of test data using Huffman code | |
Hou et al. | A vehicle alarm network for high-temperature fault diagnosis of electric vehicles | |
Carbone et al. | Deepnautilus: A deep learning based system for nautical engines’ live vibration processing | |
Jiang et al. | Haasd: A dataset of household appliances abnormal sound detection | |
Dlamini et al. | A lightweight deep autoencoder-based approach for unsupervised anomaly detection | |
Gandhi et al. | System independent fault diagnosis for synchronous generator | |
Yuan et al. | LGHAE: Local and Global Hyper-relation Aggregation Embedding for Link Prediction |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180130 |
|
RJ01 | Rejection of invention patent application after publication |