CN107831438A - 一种电机故障的预测方法及预测系统 - Google Patents
一种电机故障的预测方法及预测系统 Download PDFInfo
- Publication number
- CN107831438A CN107831438A CN201711009328.XA CN201711009328A CN107831438A CN 107831438 A CN107831438 A CN 107831438A CN 201711009328 A CN201711009328 A CN 201711009328A CN 107831438 A CN107831438 A CN 107831438A
- Authority
- CN
- China
- Prior art keywords
- neural network
- variable signal
- sample data
- prediction model
- motor
- 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
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
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开一种电机故障的预测方法及预测系统,预测方法包括:获取电机运行的参数变量信号,参数变量信号包括:电流、电磁转矩和转速中至少一者;对参数变量信号进行小波包分解,获得参数变量信号的特征值;建立小波神经网络预测模型;将特征值输入小波神经网络预测模型,得到电机故障预测结果。本发明提供的预测方法及预测系统,当小波神经网络预测模型的输出结果标记电机处于临界故障运行状态时,可提前主动采取相应措施,如切断逆变器或电机切换到容错运行机制,从而避免电机出现故障导致的系统崩溃。而且,本发明将传统的被动处理故障变为主动避免故障,能够在提高整个系统可靠性的同时最大限度地减少系统因故障处理而带来的资源浪费。
Description
技术领域
本发明涉及故障诊断领域,特别是涉及一种电机故障的预测方法及预测系统。
背景技术
永磁同步电机具有转矩密度高、转矩脉动小、效率高、控制自由度高等优点,被广泛应用在海上风力发电、电动汽车驱动和船舶动力推进等领域。在以上应用环境中,都希望在电机发生故障前能够进行故障预测,在故障发生后能及时确定故障类型,避免因故障进一步扩散而引发系统崩溃。但是,现有技术只能在故障发生后确定故障类型,无法在发生故障前进行故障预测。因此,如何在电机发生故障前进行故障预测,成为本领域技术人员亟需解决的技术问题。
发明内容
本发明的目的是提供一种电机故障的预测方法及预测系统,能够在电机发生故障前进行故障预测。
为实现上述目的,本发明提供了如下方案:
一种电机故障的预测方法,所述预测方法包括:
获取电机运行的参数变量信号,所述参数变量信号包括:电流、电磁转矩和转速中至少一者;
对所述参数变量信号进行小波包分解,获得所述参数变量信号的特征值;
建立小波神经网络预测模型;
将所述特征值输入所述小波神经网络预测模型,得到电机故障预测结果。
可选的,建立所述小波神经网络预测模型的方法具体包括:
获取第一训练样本数据集;所述第一训练样本数据集包括:第一组电机正常状态的参数变量信号集和标定的正常状态;第一组电机故障状态的参数变量信号集和标定的故障状态;第一组电机临界故障状态的参数变量信号集和标定的临界故障状态,其中,所述临界故障状态为电机将要发生故障的状态;
将所述第一训练样本数据集输入神经网络结构进行训练,获得神经网络预测模型。
可选的,所述将所述第一训练样本数据集输入神经网络结构进行训练,获得神经网络预测模型之后,还包括:
获取第一校验样本数据集;所述第一校验样本数据集包括:第二组电机正常状态的参数变量信号集和标定的正常状态;第二组电机故障状态的参数变量信号集和标定的故障状态;第二组电机临界故障状态的参数变量信号集和标定的临界故障状态,其中,所述临界故障状态为电机将要发生故障的状态;
利用所述第一校验样本数据集对所述神经网络预测模型进行校验,如果所述神经网络预测模型输出的预测结果的正判率大于或等于设定的第一正判率阈值,将所述神经网络预测模型作为最终的神经网络预测模型;
如果所述神经网络预测模型输出的预测结果的正判率小于设定的第一正判率阈值,则根据校验结果的收敛程度调整所述神经网络结构的权重系数及收敛阈值,获得修正的神经网络预测模型,并利用所述第一校验样本数据集重新对所述修正的神经网络预测模型进行校验。
可选的,所述将所述特征值输入小波神经网络预测模型后,当电机故障预测结果表示电机已经存在故障时,还包括:
建立小波机器学习分类模型;
将所述特征值输入所述小波机器学习分类模型,得到电机故障位置。
可选的,所述建立小波机器学习系统,具体包括:
获取第二训练样本数据集;所述第二训练样本数据集包括:第三组电机故障状态的参数变量信号集和标定的故障位置;
将所述第二训练样本数据集输入机器学习分类器进行训练,获得小波机器学习分类模型。
一种电机故障的预测系统,所述预测系统包括:
信号获取模块,用于获取电机运行的参数变量信号,所述参数变量信号包括:电流、电磁转矩和转速中至少一者;
小波包分解模块,用于对所述参数变量信号进行小波包分解,获得所述参数变量信号的特征值;
第一模型建立模块,用于建立小波神经网络预测模型;
预测模块,用于将所述特征值输入所述小波神经网络预测模型,得到电机故障预测结果。
可选的,所述第一模型建立模块具体包括:
第一训练样本获取单元,用于获取第一训练样本数据集;所述第一训练样本数据集包括:第一组电机正常状态的参数变量信号集和标定的正常状态;第一组电机故障状态的参数变量信号集和标定的故障状态;第一组电机临界故障状态的参数变量信号集和标定的临界故障状态,其中,所述临界故障状态为电机将要发生故障的状态;
第一训练单元,用于将所述第一训练样本数据集输入神经网络结构进行训练,获得神经网络预测模型。
可选的,所述第一模型建立模块还包括:
第一校验样本获取单元,用于获取第一校验样本数据集;所述第一校验样本数据集包括:第二组电机正常状态的参数变量信号集和标定的正常状态;第二组电机故障状态的参数变量信号集和标定的故障状态;第二组电机临界故障状态的参数变量信号集和标定的临界故障状态,其中,所述临界故障状态为电机将要发生故障的状态;
第一校验单元,用于利用所述第一校验样本数据集对所述神经网络预测模型进行校验,如果所述神经网络预测模型输出的预测结果的正判率大于或等于设定的第一正判率阈值,将所述神经网络预测模型作为最终的神经网络预测模型;
如果所述神经网络预测模型输出的预测结果的正判率小于设定的第一正判率阈值,则根据校验结果的收敛程度调整所述神经网络结构的权重系数及收敛阈值,获得修正的神经网络预测模型,并将所述修正的神经网络预测模型发送给所述第一校验单元,所述第一校验单元利用所述第一校验样本数据集重新对所述修正的神经网络预测模型进行校验。
可选的,所述预测系统还包括:
第二模型建立模块,用于建立小波机器学习分类模型;
故障定位模块,用于将所述特征值输入所述小波机器学习分类模型,得到电机故障位置。
可选的,所述第二模型建立模块具体包括:
第二训练样本获取单元,用于获取第二训练样本数据集;所述第二训练样本数据集包括:第三组电机故障状态的参数变量信号集和标定的故障位置;
第二训练单元,用于将所述第二训练样本数据集输入机器学习分类器进行训练,获得小波机器学习分类模型。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的预测方法及预测系统,
将电机运行的参数变量信号进行小波包分解后,获得参数变量信号的特征值,然后将特征值输入小波神经网络预测模型进行故障预测,小波神经网络预测模型的输出结果标记电机的不同运行状态,电机的不同运行状态包括:正常运行状态、将要发生故障的临界故障运行状态和故障运行状态。当小波神经网络预测模型的输出结果标记电机处于临界故障运行状态时,可提前主动采取相应措施,如切断逆变器或电机切换到容错运行机制,从而避免因电机故障而导致的系统崩溃。本发明提供的预测方法及预测系统,将传统的被动处理故障转变为主动避免故障,从而能够在提高整个系统可靠性的同时最大限度地减少因处理系统因故障而带来的资源浪费。
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一些实施例,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,还可以根据这些附图获得其它的附图。
图1为本发明实施例1提供的预测方法的流程图;
图2为本发明实施例1中建立小波神经网络预测模型的流程图;
图3为本发明实施例2提供的预测系统的结构框图;
图4为本发明实施例2中第一模型建立模块的结构框图;
图5为本发明实施例3提供的预测系统的结构框图;
图6为本发明实施例3中预测系统的工作流程图;
图7为本发明实施例3中正常工况和故障工况下转矩曲线的对比图;
图8为本发明实施例3中正常工况和故障工况下转矩曲线小波包第四层能量距的直方图。
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。
本发明的目的是提供一种电机故障的预测方法及预测系统,能够在电机发生故障前进行故障预测。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
如图1所示,一种电机故障的预测方法,所述预测方法包括:
步骤11:获取电机运行的参数变量信号,所述参数变量信号包括:电流、电磁转矩和转速中至少一者;
步骤12:对所述参数变量信号进行小波包分解,获得所述参数变量信号的特征值。
小波包分解变量信号得到特征值,利用小波包分解,对电机各参数变量信号,所述参数变量信号包括:电流、电磁转矩和转速中至少一者,对小波包分解最后一层进行重构得到与原始信号相同长度信号,计算全部节点的平方和并加入时间杠杆得到重构信号能量距,作为变量信号的特征值。
步骤13:建立小波神经网络预测模型;
步骤14:将所述特征值输入所述小波神经网络预测模型,得到电机故障预测结果。
如图2所示,步骤13:建立所述小波神经网络预测模型具体包括:
步骤131:获取第一训练样本数据集;所述第一训练样本数据集包括:第一组电机正常状态的参数变量信号集和标定的正常状态;第一组电机故障状态的参数变量信号集和标定的故障状态;第一组电机临界故障状态的参数变量信号集和标定的临界故障状态,其中,所述临界故障状态为电机将要发生故障的状态;
步骤132:将所述第一训练样本数据集输入神经网络结构进行训练,获得神经网络预测模型,其中,神经网络结构可以选择:BP神经网络、Hopfield神经网络、Boltzmann机或自组织神经网络。
步骤133:获取第一校验样本数据集;所述第一校验样本数据集包括:第二组电机正常状态的参数变量信号集和标定的正常状态;第二组电机故障状态的参数变量信号集和标定的故障状态;第二组电机临界故障状态的参数变量信号集和标定的临界故障状态,其中,所述临界故障状态为电机将要发生故障的状态;
步骤134:利用所述第一校验样本数据集对所述神经网络预测模型进行校验;
步骤135:判断所述神经网络预测模型输出的预测结果的正判率是否大于或等于设定的第一正判率阈值;
如果所述神经网络预测模型输出的预测结果的正判率大于或等于设定的第一正判率阈值,执行步骤136;否则,执行步骤137;
步骤136:将所述神经网络预测模型作为最终的神经网络预测模型;
步骤137:根据校验结果的收敛程度调整所述神经网络结构的权重系数及收敛阈值,获得修正的神经网络预测模型,返回步骤134:利用所述第一校验样本数据集重新对所述修正的神经网络预测模型进行校验。
进一步地,当步骤14的预测结果表示电机已经存在故障时,在步骤14之后还执行以下步骤:
步骤15:建立小波机器学习分类模型;
步骤16:将所述特征值输入所述小波机器学习分类模型,得到电机故障位置。
具体地,步骤15:建立小波机器学习系统,具体包括:
步骤151:获取第二训练样本数据集;所述第二训练样本数据集包括:第三组电机故障状态的参数变量信号集和标定的故障位置;
步骤152:将所述第二训练样本数据集输入机器学习分类器进行训练,获得小波机器学习分类模型,其中,机器学习分类器可以为:决策树、K最邻近(k-NearestNeighbor,KNN)、逻辑回归或支持向量机分类器(SupportVector Machine,SVM)。
步骤153:获取第二校验样本数据集;所述第二校验样本数据集包括:第四组电机故障状态的参数变量信号集和标定的故障位置;
步骤154:利用所述第二校验样本数据集对所述小波机器学习分类模型进行校验;
步骤155:判断所述小波机器学习分类模型输出的诊断结果的正判率是否大于或等于设定的第二正判率阈值;
如果所述小波机器学习分类模型输出的诊断结果的正判率大于或等于设定的第二正判率阈值,执行步骤156;如果所述神小波机器学习分类模型输出的诊断结果的正判率小于设定的第二正判率阈值,则执行步骤157;
步骤156:将所述小波机器学习分类模型作为最终的小波机器学习分类模型;
步骤157:调整所述机器学习分类器的权重系数及收敛阈值,获得修正的机器学习分类器,返回步骤154:利用所述第二校验样本数据集对所述修正的小波机器学习分类模型进行校验。
实际应用中,可通过实验或仿真等手段采集电机正常工况、故障工况和系统波动引起系统将要发生故障工况下的电机变量信号作为本实施例中的训练样本数据和校验样本数据集。
本发明提供的预测方法及预测系统,不仅可提前主动采取相应措施,如切断逆变器或电机切换到容错运行机制,从而避免电机出现故障导致的系统崩溃。而且将传统的被动处理故障转变为主动避免故障,从而能够在提高整个系统可靠性的同时最大限度地减少系统因故障处理而带来的资源浪费。
实施例2:
如图3所示,一种电机故障的预测系统,所述预测系统包括:
信号获取模块21,用于获取电机运行的参数变量信号,所述参数变量信号包括:电流、电磁转矩和转速中至少一者。
小波包分解模块22,用于对所述参数变量信号进行小波包分解,获得所述参数变量信号的特征值;
第一模型建立模块23,用于建立小波神经网络预测模型;
预测模块24,用于将所述特征值输入所述小波神经网络预测模型,得到电机故障预测结果。
如图4所示,第一模型建立模块23具体包括:
第一训练样本获取单元231,用于获取第一训练样本数据集;所述第一训练样本数据集包括:第一组电机正常状态的参数变量信号集和标定的正常状态;第一组电机故障状态的参数变量信号集和标定的故障状态;第一组电机临界故障状态的参数变量信号集和标定的临界故障状态,其中,所述临界故障状态为电机将要发生故障的状态;
第一训练单元232,用于将所述第一训练样本数据集输入神经网络结构进行训练,获得神经网络预测模型;
第一校验样本获取单元233,用于获取第一校验样本数据集;所述第一校验样本数据集包括:第二组电机正常状态的参数变量信号集和标定的正常状态;第二组电机故障状态的参数变量信号集和标定的故障状态;第二组电机临界故障状态的参数变量信号集和标定的临界故障状态,其中,所述临界故障状态为电机将要发生故障的状态;
第一校验单元234,用于利用所述第一校验样本数据集对所述神经网络预测模型进行校验;
第一判断单元235,用于判断所述神经网络预测模型输出的预测结果的正判率是否大于或等于设定的第一正判率阈值;
如果所述神经网络预测模型输出的预测结果的正判率大于或等于设定的第一正判率阈值,将所述神经网络预测模型作为最终的神经网络预测模型;
如果所述神经网络预测模型输出的预测结果的正判率小于设定的第一正判率阈值,则根据校验结果的收敛程度调整所述神经网络结构的权重系数及收敛阈值,获得修正的神经网络结构,并将所述修正的神经网络预测模型发送给所述第一校验单元234,所述第一校验单元234利用所述第一校验样本数据集对所述修正的神经网络预测模型进行校验。
优选地,所述预测系统还包括:
第二模型建立模块25,用于建立小波机器学习分类模型;
故障定位模块26,用于将所述特征值输入所述小波机器学习分类模型,得到电机故障位置。
具体地,所述第二模型建立模块25具体包括:
第二训练样本获取单元251,用于获取第二训练样本数据集;所述第二训练样本数据集包括:第三组电机故障状态的参数变量信号集和标定的故障位置;
第二训练单元252,用于将所述第二训练样本数据集输入机器学习分类器进行训练,获得小波机器学习分类模型。
第二校验样本获取单元253:获取第二校验样本数据集;所述第二校验样本数据集包括:第四组电机故障状态的参数变量信号集和标定的故障位置;
第二校验单元254:利用所述第二校验样本数据集对所述小波机器学习分类模型进行校验;
第二判断单元255:判断所述小波机器学习分类模型输出的诊断结果的正判率是否大于或等于设定的第二正判率阈值;
如果所述小波机器学习分类模型输出的诊断结果的正判率大于或等于设定的第二正判率阈值,将所述小波机器学习分类模型作为最终的小波机器学习分类模型;如果所述神小波机器学习分类模型输出的诊断结果的正判率小于设定的第二正判率阈值,则调整所述机器学习分类器的权重系数及收敛阈值,获得修正的机器学习分类器,并将所述修正的机器学习分类器发送给所述第二校验单元254,所述第二校验单元254利用所述第二校验样本数据集对所述修正的机器学习分类器进行校验。
本发明利用小波神经网络对奇异信号点检测能力强、故障诊断率高的特点对电机工况进行预测判断,利用机器学习算法分类能力强、计算速度快的特点,对故障位置进行定位。本发明利用小波神经网络预测模型对故障进行预测,防止系统误操作,利用小波机器学习分类器对已经发生的故障进行定位,具有定位速度快,识别精度高等优点,实现了永磁同步电机故障态势感知的目的。
实施例3:
本实施例以六相永磁同步电机为例,介绍本发明提供的基于小波神经网络和机器学习算法的故障态势感知系统。
如图5和图6所示,首先建立六相永磁同步电机模型,利用仿真实验模拟电机在正常工况、临界故障工况和故障工况下的运行情况。在离线学习时,利用故障切换模型采集电机在不同工况下,六相电流ia、ib、ic、id、ie、if,电磁转矩Te和转速ωe作为电机的参数变量信号。信号获取模块获取上述参数变量信号,并将其输入至小波包分解模块。
小波包分解模块对所述参数变量信号进行小波包分解,获得所述参数变量信号的特征值。
在小波分析中,本实施例采用四层小波包分解上述参数变量信号,对转矩进行小波包分解,正常工况下低频分量曲线如图7的(a)部分所示,故障工况下低频分量曲线如图7的(b)部分所示,正常工况下高频分量曲线如图7的(c)部分所示,故障工况下高频分量曲线如图7的(d)部分所示。
小波包分解中,由上一层信号递推下一层信号:
其中,Xij k表示第i层的第j个节点的小波包分解系数,k表示该节点信号的位置,g0k表示小波包分解的低通滤波器系数,g1k表示小波包分解的高通滤波器系数。
利用第i层的第j个节点的小波包分解系数Xij k对信号进行分解,再利用得到的下一层分解系数Xk i+1,2j和Xk i+1,2j+1单支重构得到节点系数Sij:
其中,Sij表示节点系数,h0k表示小波包重构低通滤波系数,h1k表示小波包重构高通滤波系数。
重构后的信号,同一层的各节点信号均具有相同的长度,由下一层经滤波后的信号重建上一层的信号。被分析信号S为该层所有节点的重构信号Sij求和得到,具体公式为:其中,i表示小波包分解的层数。
对每个节点的信号做平方和处理,可得到该节点的能量大小,再对能量值加入时间杠杆来观测能量随时间的变化,以此能量距作为不同被分析信号的特征值表征,其中,xij k表示第i层第j个节点中各离散信号幅值,Eij表示能量距:
本实施例对正常工况和故障工况转矩信号第四层重构后的信号求取能量距,构成能量距的特征向量,其中,第一组低频分量能量距较大,后15组能量距的大小如图8所示。
在经过多组采样之后,将得到的正常工况、临界故障工况和故障工况下的特征值作为学习集样本各10000组输入BP神经网络系统进行训练。将单相开路故障和两相开路故障下相差30°,90°,120°,150°情况进行仿真构造样本各10201组,分别利用机器学习的决策树、K最邻近(k-NearestNeighbor,KNN)、逻辑回归和支持向量机分类器(Support VectorMachine,SVM)进行训练。
在线诊断中,实施例构建5组测试集进行对照分析,每组中正常工况、临界故障工况和故障工况样本各400组,根据测试输出的方差发现正常工况、临界故障工况和故障工况均只存在极小的误差,正判率均符合要求。在故障类定位样本中,取80%作为训练集,20%作为校验集,经训练和测试后,发现KNN分类器的用时较短且精确率高达98.6%,对故障类具有极佳的识别能力。在得到故障位置判据之后,控制单元可根据该判据发送信号至多相模块化多电平模块(Modular Multilevel Converter,MMC),控制相应桥臂的关断和电机的容错运行。因此可证明本发明提供的预测方法及预测系统对于永磁同步电机故障态势感知具有高精确度、快速响应的特点,可行有效。
与现有技术相比,本发明具有以下优点:
1)本发明利用奇异点信号在小波分析下表现出来的频谱特性来区别正常工况、故障工况和临界故障工况,既适用于传统三相永磁同步电机还适用于多相永磁同步电机,因此具有适用范围广的优点。
2)相比其他故障诊断方法,利用神经网络和机器学习算法,系统的识别分类精度高,可靠性高。
3)本发明不但能够预测和判断故障的发生,避免因系统波动而引发的误操作,并且对于不同故障类型的分类定位,可以为逆变器的切断和电机的容错运行提供可靠判据。
4)该方法在工程上易于实现。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种电机故障的预测方法,其特征在于,所述预测方法包括:
获取电机运行的参数变量信号,所述参数变量信号包括:电流、电磁转矩和转速中至少一者;
对所述参数变量信号进行小波包分解,获得所述参数变量信号的特征值;
建立小波神经网络预测模型;
将所述特征值输入所述小波神经网络预测模型,得到电机故障预测结果。
2.根据权利要求1所述的预测方法,其特征在于,建立所述小波神经网络预测模型的方法具体包括:
获取第一训练样本数据集;所述第一训练样本数据集包括:第一组电机正常状态的参数变量信号集和标定的正常状态;第一组电机故障状态的参数变量信号集和标定的故障状态;第一组电机临界故障状态的参数变量信号集和标定的临界故障状态,其中,所述临界故障状态为电机将要发生故障的状态;
将所述第一训练样本数据集输入神经网络结构进行训练,获得神经网络预测模型。
3.根据权利要求2所述的预测方法,其特征在于,所述将所述第一训练样本数据集输入神经网络结构进行训练,获得神经网络预测模型之后,还包括:
获取第一校验样本数据集;所述第一校验样本数据集包括:第二组电机正常状态的参数变量信号集和标定的正常状态;第二组电机故障状态的参数变量信号集和标定的故障状态;第二组电机临界故障状态的参数变量信号集和标定的临界故障状态,其中,所述临界故障状态为电机将要发生故障的状态;
利用所述第一校验样本数据集对所述神经网络预测模型进行校验,如果所述神经网络预测模型输出的预测结果的正判率大于或等于设定的第一正判率阈值,将所述神经网络预测模型作为最终的神经网络预测模型;
如果所述神经网络预测模型输出的预测结果的正判率小于设定的第一正判率阈值,则根据校验结果的收敛程度调整所述神经网络结构的权重系数及收敛阈值,获得修正的神经网络预测模型,并利用所述第一校验样本数据集重新对所述修正的神经网络预测模型进行校验。
4.根据权利要求1所述的预测方法,其特征在于,所述将所述特征值输入小波神经网络预测模型后,当电机故障预测结果表示电机已经存在故障时,还包括:
建立小波机器学习分类模型;
将所述特征值输入所述小波机器学习分类模型,得到电机故障位置。
5.根据权利要求4所述的预测方法,其特征在于,所述建立小波机器学习系统,具体包括:
获取第二训练样本数据集;所述第二训练样本数据集包括:第三组电机故障状态的参数变量信号集和标定的故障位置;
将所述第二训练样本数据集输入机器学习分类器进行训练,获得小波机器学习分类模型。
6.一种电机故障的预测系统,其特征在于,所述预测系统包括:
信号获取模块,用于获取电机运行的参数变量信号,所述参数变量信号包括:电流、电磁转矩和转速中至少一者;
小波包分解模块,用于对所述参数变量信号进行小波包分解,获得所述参数变量信号的特征值;
第一模型建立模块,用于建立小波神经网络预测模型;
预测模块,用于将所述特征值输入所述小波神经网络预测模型,得到电机故障预测结果。
7.根据权利要求6所述的预测系统,其特征在于,所述第一模型建立模块具体包括:
第一训练样本获取单元,用于获取第一训练样本数据集;所述第一训练样本数据集包括:第一组电机正常状态的参数变量信号集和标定的正常状态;第一组电机故障状态的参数变量信号集和标定的故障状态;第一组电机临界故障状态的参数变量信号集和标定的临界故障状态,其中,所述临界故障状态为电机将要发生故障的状态;
第一训练单元,用于将所述第一训练样本数据集输入神经网络结构进行训练,获得神经网络预测模型。
8.根据权利要求7所述的预测系统,其特征在于,所述第一模型建立模块还包括:
第一校验样本获取单元,用于获取第一校验样本数据集;所述第一校验样本数据集包括:第二组电机正常状态的参数变量信号集和标定的正常状态;第二组电机故障状态的参数变量信号集和标定的故障状态;第二组电机临界故障状态的参数变量信号集和标定的临界故障状态,其中,所述临界故障状态为电机将要发生故障的状态;
第一校验单元,用于利用所述第一校验样本数据集对所述神经网络预测模型进行校验,如果所述神经网络预测模型输出的预测结果的正判率大于或等于设定的第一正判率阈值,将所述神经网络预测模型作为最终的神经网络预测模型;
如果所述神经网络预测模型输出的预测结果的正判率小于设定的第一正判率阈值,则根据校验结果的收敛程度调整所述神经网络结构的权重系数及收敛阈值,获得修正的神经网络预测模型,并将所述修正的神经网络预测模型发送给所述第一校验单元,所述第一校验单元利用所述第一校验样本数据集重新对所述修正的神经网络预测模型进行校验。
9.根据权利要求6所述的预测系统,其特征在于,所述预测系统还包括:
第二模型建立模块,用于建立小波机器学习分类模型;
故障定位模块,用于将所述特征值输入所述小波机器学习分类模型,得到电机故障位置。
10.根据权利要求9所述的预测系统,其特征在于,所述第二模型建立模块具体包括:
第二训练样本获取单元,用于获取第二训练样本数据集;所述第二训练样本数据集包括:第三组电机故障状态的参数变量信号集和标定的故障位置;
第二训练单元,用于将所述第二训练样本数据集输入机器学习分类器进行训练,获得小波机器学习分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711009328.XA CN107831438A (zh) | 2017-10-25 | 2017-10-25 | 一种电机故障的预测方法及预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711009328.XA CN107831438A (zh) | 2017-10-25 | 2017-10-25 | 一种电机故障的预测方法及预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107831438A true CN107831438A (zh) | 2018-03-23 |
Family
ID=61649268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711009328.XA Pending CN107831438A (zh) | 2017-10-25 | 2017-10-25 | 一种电机故障的预测方法及预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107831438A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898223A (zh) * | 2018-07-11 | 2018-11-27 | 国家海洋技术中心 | 一种海洋定点观测设备运行状态异常检测方法及装置 |
CN109188269A (zh) * | 2018-07-17 | 2019-01-11 | 北京新水源景科技股份有限公司 | 判断电机故障的方法 |
CN109190220A (zh) * | 2018-08-22 | 2019-01-11 | 宁波洁程汽车科技有限公司 | 一种基于小波分析的发动机气密性诊断方法以及系统 |
CN109633335A (zh) * | 2018-12-30 | 2019-04-16 | 国网北京市电力公司 | 故障识别方法和装置 |
CN110610226A (zh) * | 2018-06-14 | 2019-12-24 | 北京德知航创科技有限责任公司 | 一种发电机故障预测方法及装置 |
CN110728289A (zh) * | 2018-07-16 | 2020-01-24 | 中移信息技术有限公司 | 一种家庭宽带用户的挖掘方法及设备 |
JP6765585B1 (ja) * | 2020-01-09 | 2020-10-07 | 三菱電機株式会社 | 機械学習装置および機械学習方法 |
CN111819452A (zh) * | 2019-02-02 | 2020-10-23 | 深圳市大疆创新科技有限公司 | 电机运行状态的获取方法和装置 |
CN112287775A (zh) * | 2020-10-14 | 2021-01-29 | 中车株洲电力机车研究所有限公司 | 一种电机故障诊断方法、装置及相关组件 |
CN112529104A (zh) * | 2020-12-23 | 2021-03-19 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车辆故障预测模型生成方法、故障预测方法及装置 |
CN112747011A (zh) * | 2020-12-29 | 2021-05-04 | 广东精铟海洋工程股份有限公司 | 基于抱桩器液压系统的故障预测方法及抱桩器液压系统 |
CN113030726A (zh) * | 2021-03-24 | 2021-06-25 | 河南中烟工业有限责任公司 | 基于数据驱动的电机状态监测方法及系统 |
CN113433925A (zh) * | 2021-06-17 | 2021-09-24 | 三一重型装备有限公司 | 掘进机电机设备的预测性控制方法及装置 |
CN113469256A (zh) * | 2021-07-06 | 2021-10-01 | 吉林大学重庆研究院 | 一种齿轮类零件机械损伤节点预测方法 |
CN114060228A (zh) * | 2020-08-03 | 2022-02-18 | 北京金风科创风电设备有限公司 | 风力发电机组扭矩异常跳变的检测方法、装置及控制器 |
CN114925735A (zh) * | 2022-07-21 | 2022-08-19 | 深圳市世坤科技实业有限公司 | 新能源汽车电机的运行状态评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102121967A (zh) * | 2010-11-20 | 2011-07-13 | 太原理工大学 | 一种三相旋转机电设备运行状态实时预测诊断器 |
CN103761569A (zh) * | 2013-12-20 | 2014-04-30 | 上海电机学院 | 一种风力发电机故障诊断方法及装置 |
WO2015047121A1 (en) * | 2013-09-25 | 2015-04-02 | Siemens Aktiengesellschaft | Method and apparatus for embedded current signature analysis and remote condition monitoring for industrial machinery |
CN104700148A (zh) * | 2015-04-02 | 2015-06-10 | 刘岩 | 一种基于行为的电机故障诊断方法 |
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 |
-
2017
- 2017-10-25 CN CN201711009328.XA patent/CN107831438A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102121967A (zh) * | 2010-11-20 | 2011-07-13 | 太原理工大学 | 一种三相旋转机电设备运行状态实时预测诊断器 |
WO2015047121A1 (en) * | 2013-09-25 | 2015-04-02 | Siemens Aktiengesellschaft | Method and apparatus for embedded current signature analysis and remote condition monitoring for industrial machinery |
CN103761569A (zh) * | 2013-12-20 | 2014-04-30 | 上海电机学院 | 一种风力发电机故障诊断方法及装置 |
CN104700148A (zh) * | 2015-04-02 | 2015-06-10 | 刘岩 | 一种基于行为的电机故障诊断方法 |
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 |
Non-Patent Citations (2)
Title |
---|
吴建萍: "基于小波包信息熵和小波神经网络的异步电机故障诊断", 《山东大学学报》 * |
朱启兵: "《基于小波理论的非平稳信号特征提取与智能诊断方法研究》", 《中国优秀博硕士学位论文全文数据库 (博士)工程科技Ⅱ辑》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610226A (zh) * | 2018-06-14 | 2019-12-24 | 北京德知航创科技有限责任公司 | 一种发电机故障预测方法及装置 |
CN108898223A (zh) * | 2018-07-11 | 2018-11-27 | 国家海洋技术中心 | 一种海洋定点观测设备运行状态异常检测方法及装置 |
CN110728289A (zh) * | 2018-07-16 | 2020-01-24 | 中移信息技术有限公司 | 一种家庭宽带用户的挖掘方法及设备 |
CN110728289B (zh) * | 2018-07-16 | 2022-06-03 | 中移动信息技术有限公司 | 一种家庭宽带用户的挖掘方法及设备 |
CN109188269A (zh) * | 2018-07-17 | 2019-01-11 | 北京新水源景科技股份有限公司 | 判断电机故障的方法 |
CN109190220A (zh) * | 2018-08-22 | 2019-01-11 | 宁波洁程汽车科技有限公司 | 一种基于小波分析的发动机气密性诊断方法以及系统 |
CN109190220B (zh) * | 2018-08-22 | 2023-04-07 | 宁波洁程汽车科技有限公司 | 一种基于小波分析的发动机气密性诊断方法以及系统 |
CN109633335A (zh) * | 2018-12-30 | 2019-04-16 | 国网北京市电力公司 | 故障识别方法和装置 |
CN111819452A (zh) * | 2019-02-02 | 2020-10-23 | 深圳市大疆创新科技有限公司 | 电机运行状态的获取方法和装置 |
WO2021140605A1 (ja) * | 2020-01-09 | 2021-07-15 | 三菱電機株式会社 | 機械学習装置および機械学習方法 |
JP6765585B1 (ja) * | 2020-01-09 | 2020-10-07 | 三菱電機株式会社 | 機械学習装置および機械学習方法 |
CN114060228A (zh) * | 2020-08-03 | 2022-02-18 | 北京金风科创风电设备有限公司 | 风力发电机组扭矩异常跳变的检测方法、装置及控制器 |
CN114060228B (zh) * | 2020-08-03 | 2023-07-25 | 北京金风科创风电设备有限公司 | 风力发电机组扭矩异常跳变的检测方法、装置及控制器 |
CN112287775A (zh) * | 2020-10-14 | 2021-01-29 | 中车株洲电力机车研究所有限公司 | 一种电机故障诊断方法、装置及相关组件 |
CN112529104A (zh) * | 2020-12-23 | 2021-03-19 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车辆故障预测模型生成方法、故障预测方法及装置 |
CN112747011A (zh) * | 2020-12-29 | 2021-05-04 | 广东精铟海洋工程股份有限公司 | 基于抱桩器液压系统的故障预测方法及抱桩器液压系统 |
CN113030726A (zh) * | 2021-03-24 | 2021-06-25 | 河南中烟工业有限责任公司 | 基于数据驱动的电机状态监测方法及系统 |
CN113433925A (zh) * | 2021-06-17 | 2021-09-24 | 三一重型装备有限公司 | 掘进机电机设备的预测性控制方法及装置 |
CN113433925B (zh) * | 2021-06-17 | 2022-10-25 | 三一重型装备有限公司 | 掘进机电机设备的预测性控制方法及装置 |
CN113469256A (zh) * | 2021-07-06 | 2021-10-01 | 吉林大学重庆研究院 | 一种齿轮类零件机械损伤节点预测方法 |
CN114925735A (zh) * | 2022-07-21 | 2022-08-19 | 深圳市世坤科技实业有限公司 | 新能源汽车电机的运行状态评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107831438A (zh) | 一种电机故障的预测方法及预测系统 | |
Nyanteh et al. | Application of artificial intelligence to stator winding fault diagnosis in Permanent Magnet Synchronous Machines | |
CN108181562A (zh) | 基于模糊小脑模型神经网络的绝缘子故障诊断装置及方法 | |
Haque et al. | Deep learning based micro-grid fault detection and classification in future smart vehicle | |
CN112051481A (zh) | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 | |
CN103544542A (zh) | 一种电力系统暂态稳定裕度预测方法 | |
Uysal et al. | Real-time condition monitoring and fault diagnosis in switched reluctance motors with Kohonen neural network | |
CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
CN110221167A (zh) | 一种基于确定学习的电力系统输电线短路故障诊断方法 | |
CN109061391B (zh) | 一种基于计算机视觉潮流图的电网故障诊断方法及系统 | |
CN114021671B (zh) | 一种有源配电网在线故障处理方法和系统 | |
Bessam et al. | A novel method for induction motors stator inter-turn short circuit fault diagnosis based on wavelet energy and neural network | |
CN107490758A (zh) | 基于故障传播的模块化bp神经网络电路故障诊断方法 | |
CN110488149A (zh) | 基于小波求和极限学习机sw-elm的输电线路短路故障分类与定位方法 | |
CN106093626A (zh) | 一种用于诊断crh5型高铁逆变器的微小故障的方法 | |
Pokorádi | Methodolody of Advanced Graph Model-based Vehicle Systems' Analysis | |
Radhi et al. | Classification and direction discrimination of faults in transmission lines using 1d convolutional neural networks | |
CN112327208A (zh) | 一种调相机转子绕组匝间短路的故障诊断方法及装置 | |
Lee et al. | On-line switch-open fault detection of PMSM using artificial neural network | |
CN108548669A (zh) | 一种工程装备传动系统故障诊断方法及系统 | |
Abed et al. | Fault diagnosis of brushless DC motor for an aircraft actuator using a neural wavelet network | |
Alashter et al. | Design and evaluation a distance relay model based on artificial neural networks (ANN) | |
CN106124989A (zh) | 基于诊断模型的透平发电机转子绕组故障诊断方法及装置 | |
CN116305683A (zh) | 基于样本均衡化的电力系统暂态稳定评估方法及系统 | |
Elbaset et al. | Fault detection and classification in transmission lines using ANFIS |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180323 |