CN108594143A - 一种永磁同步电机退磁故障诊断方法 - Google Patents

Abstract

本发明属于电机故障诊断技术领域，公开了一种永磁同步电机退磁故障诊断方法，包括电流信号采样、计算瞬时值、计算绝对值、自动定位故障相、确定失磁故障特征频率、判断发生失磁故障、判断故障严重程度、建立故障模型分析、完善解决方案几个步骤。本发明提供的一种永磁同步电机的智能故障诊断方法，不需要增加额外的设备，成本少，计算简单；不仅能实时地诊断匝间短路故障，而且能自动地定位故障相；能够克服现有诊断方法的不足，提高诊断的实时性、有效性和可靠性；同时本发明采样时间短、抗干扰能力强、对不同转速、不同负荷情况下的永磁同步电机失磁故障均可以加以判断。

Description

一种永磁同步电机退磁故障诊断方法

技术领域

本发明属于电机故障诊断技术领域，尤其涉及一种永磁同步电机退磁故障诊断方法。

背景技术

电动汽车驱动用永磁同步电机是一种新型电机，其运行环境复杂(如振动、高低温、湿度、粉尘等)、频繁起动、加速、减速、制动等，这些都不利于电机的安全运行，均有可能诱发电机故障。电动汽车用永磁同步电机多以变频器作为驱动电源，以达到节能和提高电机转速变化范围的目的，变频器中电力电子器件的大量应用增加了电机发生短路的几率；永磁同步电机的短路磁动势对永磁体会产生较大的去磁作用；为了获得正弦的气隙磁通密度波形，在电机设计时永磁体要进行削角处理，在削角部位永磁体变薄，当发生故障时，削角部位的永磁体容易失磁。然而，现有对电机故障分析需要增加额外的设备，成本高，计算简复杂，诊断不准确；同时在不同转速、不同负荷情况下诊断困难。

综上所述，现有技术存在的问题是：现有对电机故障分析需要增加额外的设备，成本高，计算简复杂，诊断不准确；同时在不同转速、不同负荷情况下诊断困难。

发明内容

针对现有技术存在的问题，本发明提供了一种永磁同步电机退磁故障诊断方法。

本发明是这样实现的，所述永磁同步电机退磁故障诊断方法包括以下步骤：

步骤一，对待测的永磁同步电机定子三相电流信号进行采样；

步骤二，利用坐标变换理论计算永磁同步电机定子三相相电流基波的瞬时幅值I_a，I_b，I_c；

步骤三，分别计算三个瞬时幅值I_a，I_b，I_c中任意两个瞬时幅值差的绝对值，并将三个绝对值的和作为故障特征量Fe，如果Fe＞thr，thr为阈值，则有匝间短路故障，并且定位故障相，反之，则没有匝间短路故障；

步骤四，在匝间短路故障情况下，利用支持向量机分类器自动地定位故障相；

步骤五，在没有匝间短路故障情况下，根据待测永磁同步电机的极数确定失磁故障特征频率，将失磁故障特征频率作为失磁故障特征量；

步骤六，估计待测定子三相电流信号中各频率分量的频率，根据是否出现失磁故障特征量判断发生失磁故障；

步骤七，预先采集正常状态的永磁同步电机定子三相电流信号；估计待测定子三相电流信号中各频率分量幅值后，与正常状态电机同电流区间内同频率分量幅值比值的倒数作为故障因子；根据故障因子判断失磁故障发生的严重程度；

步骤八，根据初步判断的故障状态建立仿真模型，进行过程故障模拟分析，排除并确认问题；

步骤九，根据故障问题找出解决方案，再次利用仿真模型进行模拟，确认解决方案的有效性。

进一步，所述故障特征量Fe获取方法为：

Y＝[Y′₁(k)，Y′₂(k)，…，Y′_I-1(k)]′

将Y＝[Y′₁(k)，Y′₂(k)，…，Y′_I-1(k)]′作为观察矩阵，对其作基于二阶统计量的盲源分离，估计出混合矩阵W＝[G′_0，1(k)，G′_0，2(k)，…G′_0，J(k)]′和源向量G_j，i(k)，i＝1，…I-1，j＝1，2，…，J，其中G_0，j(k)为第0个传感器至木材内部第j个缺陷点之间的频率响应函数，G_j，i(k)为第j个缺陷点至第i个观测点之间的频率响应函数，详细步骤为：

(7)估计Y的相关矩阵

(8)对作特征值分解(EVD)

其中(I-1)×J维矩阵V_M＝[v₁，v₂，…v_I-1]是与J个按下降顺序排列的的主要特征值Λ_S＝diag{λ₁≥λ₂…≥λ_J}相对应的特征矢量；(I-1)×(I-1-J)维矩阵V_N包含(I-1-J)个噪声特征Λ_N＝{λ_J+1≥…≥λ_I-1}对应的噪声特征矢量，并且λ_J＞λ_J+1；

(9)白噪声方差估计成(I-1-J)个不重要特征值的均值；

(10)进行稳健的预白化变换：

其中

(11)对于给定的p≠0，估计矢量的协方差阵，并进行协方差阵的奇异值分解：

(12)对于给定的p，检查对角阵所有奇异值是否不同，如果相同，对于不同的时滞p重复步骤(5)，如果奇异值不同的，而且彼此远离，则估计出源向量：

进一步，所述阈值thr确定方法为：

对于阈值thr，首先在永磁同步电机正常工作情况下，记录下故障特征量Fe在不同工作点的值，然后将其设置为阈值thr，最后把这些设定好的阈值保存在表格中，在故障诊断的时候进行调用；

域间故障诊断连同多个域首进行复杂任务的故障诊断，当一个域首无法诊断任务时，它就会联合多个域首形成共同诊断知识空间，以此来协同诊断故障。

域首的选举采用指派的方式，然后根据地域关系将同层节点分为多个域；系统初始化时，首先按照上下级关系划分为多个层，然后再按照隶属关系划分为多个域，并选出域首；域中的每个节点都要自主的向所在域的域首进行信息注册，并保持更新，域中的节点使用其MAC地址作为其唯一标识，并且每个节点都要建立域内节点信息库，用来储存节点和网络的信息；域内的节点都是动态的，如果一个外部节点想要加入域，则需要向域首提出注册申请，域首根据域内的管理规则批准后，该节点即可注册并加入该域。

进一步，所述自动地定位故障相方法为：

步骤一、导入坐标，导入设计桩位坐标；

步骤二、平面选点，选择本次打桩点；

步骤三、平面寻点，根据方向提示信息移动打桩机车并微调桩锤；

步骤四、打桩深控，根据剩余撞击距离提示控制停桩，以免过打或漏打；

步骤五、导出报表，根据实际要求导出时间、坐标、柱高等数据；

f₁(x)＝sgn(ω₁·x+b₁)

式中：f₁(x)为第1个支持向量机分类器的决策函数，ω₁和b₁是第1个支持向量机分类器的优化参数，其中参数ω₁和b₁根据支持向量机的训练进行确定。

进一步，对采集的待测永磁同步电机定子三相电流信号采用3层sym4算法滤除干扰信号；采样频率设定为10kHz，采样时长设定为2s；

电极的形状利用Artchut Pro for cutter软件设计，然后利用罗兰刻字机GX-24刻制在薄膜塑料基板上；

揭下电极形状所覆盖的塑料薄膜，然后利用磁控溅射技术溅射成厚度为150nm的金薄膜；

将薄膜金电极先用大量酒精擦拭，再用大量双蒸水冲洗，最后利用等离子清洗机清洗，密封保存。

进一步，所述步骤六采用功率谱估计算法估计待测定子三相电流信号中各频率分量的频率，薄膜金电极需进行预处理，先后用0.3和0.5μm的氧化铝研磨粉进行反复抛光，用酒精擦拭，用大量双蒸水冲洗，最后放在室温下自然风干或者利用电热恒温鼓风干燥箱进行风干；将杂交后的双链滴加在薄膜金电极的表面，置于室温环境中进行风干，然后，用大量双蒸水冲洗电极，以便将吸附力较弱的双链核酸从薄膜金电极上除掉，保证电极上的双链核酸稳定；最后，用巯基乙醇等小分子将电极封闭，这种固定有核酸适体的薄膜金电极称之为核酸适体传感器，该传感器密闭保存于-4℃温度下。

进一步，步骤七采用直接搜索算法估计待测定子三相电流信号中各频率分量幅值；

步骤一，在原木周围均匀地安装I个通过信号线缆连接至数据采集卡的压电式加速度传感器，用脉冲锤敲击编号为0的传感器，然后通过数据采集卡完成压电式加速度传感器输出信号的采集，保存为x₀(n)，x₁(n)，…，x₁(n)，…，x_I-1(n)；

步骤二，对采集到的信号做K点快速傅立叶变换，得到X₀(k)，X₁(k)，…，X_i(k)，…，X_I-1(k)，k＝0，1，…K-1，然后求出第0个传感器至其他各观测传感器之间的实际频率响应函数：

步骤三，定义相同条件下健康木材中第0个传感器至其他各观测传感器之间的频率响应函数为H_0，i(k)，然后将H_i(k)减去H_0，i(k)，得到：

Y_i(k)＝H_i(k)-H_0，i(k)，i＝1，…I-1；

步骤四：构建Y＝[Y′₁(k)，Y′₂(k)，…，Y′_I-1(k)]′作为观察矩阵，对其作基于二阶统计量的盲源分离，估计出混合矩阵W＝[G′_0，1(k)，G′_0，2(k)，…G′_0，J(k)]′和源向量G_j，i(k)，i＝1，…I-1，j＝1，2…，J，其中G_0，j(k)为第0个传感器至木材内部第j个缺陷点之间的频率响应函数，G_j，i(k)为第j个缺陷点至第i个观测点之间的频率响应函数；

步骤五，对估计出的J个进行k均值聚类分析；

步骤六，根据聚类的结果判别木材内部有无缺陷，类别数量决定缺陷区域的多少，每类中数据对象的数量表示该缺陷区域的大小。

本发明的优点及积极效果为：本发明提供的一种永磁同步电机的智能故障诊断方法，不需要增加额外的设备，成本少，计算简单；不仅能实时地诊断匝间短路故障，而且能自动地定位故障相；能够克服现有诊断方法的不足，提高诊断的实时性、有效性和可靠性；同时本发明采样时间短、抗干扰能力强、对不同转速、不同负荷情况下的永磁同步电机失磁故障均可以加以判断；同时能够利用模拟软件进行故障的二次判断及解决方法的判定，缩短了诊断时间，提高了解决方案的时间效率。

附图说明

图1是本发明实施例提供的永磁同步电机退磁故障诊断方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图及具体实施例对本发明的应用原理作进一步描述。

永磁同步电机退磁故障诊断方法包括以下步骤：

S101：对待测的永磁同步电机定子三相电流信号进行采样；

S102：利用坐标变换理论计算永磁同步电机定子三相相电流基波的瞬时幅值I_a，I_b，I_c；

S103：分别计算三个瞬时幅值I_a，I_b，I_c中任意两个瞬时幅值差的绝对值，并将三个绝对值的和作为故障特征量Fe，如果Fe＞thr，thr为阈值，则有匝间短路故障，并且定位故障相，反之，则没有匝间短路故障；

S104：在匝间短路故障情况下，利用支持向量机分类器自动地定位故障相；

S105：在没有匝间短路故障情况下，根据待测永磁同步电机的极数确定失磁故障特征频率，将失磁故障特征频率作为失磁故障特征量；

S106：估计待测定子三相电流信号中各频率分量的频率，根据是否出现失磁故障特征量判断发生失磁故障；

S107：预先采集正常状态的永磁同步电机定子三相电流信号；估计待测定子三相电流信号中各频率分量幅值后，与正常状态电机同电流区间内同频率分量幅值比值的倒数作为故障因子；根据故障因子判断失磁故障发生的严重程度；

S108：根据初步判断的故障状态建立仿真模型，进行过程故障模拟分析，排除并确认问题；

S109：根据故障问题找出解决方案，再次利用仿真模型进行模拟，确认解决方案的有效性。

作为本发明的优选实施例，所述故障特征量Fe获取方法为：

Y＝[Y′₁(k)，Y′₂(k)，…，Y′_I-1(k)]′

将Y＝[Y′₁(k)，Y′₂(k)，…，Y′_I-1(k)]′作为观察矩阵，对其作基于二阶统计量的盲源分离，估计出混合矩阵W＝[G′_0，1(k)，G′_0，2(k)，…G′_0，J(k)]′和源向量G_j，i(k)，i＝1，…I-1，j＝1，2，…，J，其中G_0，j(k)为第0个传感器至木材内部第j个缺陷点之间的频率响应函数，G_j，i(k)为第j个缺陷点至第i个观测点之间的频率响应函数，详细步骤为：(13)估计Y的相关矩阵

(14)对作特征值分解(EVD)

其中(I-1)×J维矩阵V_M＝[v₁，v₂，…v_I-1]是与J个按下降顺序排列的的主要特征值Λ_S＝diag{λ₁≥λ₂…≥λ_J}相对应的特征矢量；(I-1)×(I-1-J)维矩阵V_N包含(I-1-J)个噪声特征Λ_N＝{λ_J+1≥…≥λ_I-1}对应的噪声特征矢量，并且λ_J＞λ_J+1；

(15)白噪声方差估计成(I-1-J)个不重要特征值的均值；

(16)进行稳健的预白化变换：

其中

(17)对于给定的p≠0，估计矢量的协方差阵，并进行协方差阵的奇异值分解：

(18)对于给定的p，检查对角阵所有奇异值是否不同，如果相同，对于不同的时滞p重复步骤(5)，如果奇异值不同的，而且彼此远离，则估计出源向量：

作为本发明的优选实施例，所述阈值thr确定方法为：

对于阈值thr，首先在永磁同步电机正常工作情况下，记录下故障特征量Fe在不同工作点的值，然后将其设置为阈值thr，最后把这些设定好的阈值保存在表格中，在故障诊断的时候进行调用；

域间故障诊断连同多个域首进行复杂任务的故障诊断，当一个域首无法诊断任务时，它就会联合多个域首形成共同诊断知识空间，以此来协同诊断故障。

域首的选举采用指派的方式，然后根据地域关系将同层节点分为多个域；系统初始化时，首先按照上下级关系划分为多个层，然后再按照隶属关系划分为多个域，并选出域首；域中的每个节点都要自主的向所在域的域首进行信息注册，并保持更新，域中的节点使用其MAC地址作为其唯一标识，并且每个节点都要建立域内节点信息库，用来储存节点和网络的信息；域内的节点都是动态的，如果一个外部节点想要加入域，则需要向域首提出注册申请，域首根据域内的管理规则批准后，该节点即可注册并加入该域。

作为本发明的优选实施例，所述自动地定位故障相方法为：

步骤一、导入坐标，导入设计桩位坐标；

步骤二、平面选点，选择本次打桩点；

步骤三、平面寻点，根据方向提示信息移动打桩机车并微调桩锤；

步骤四、打桩深控，根据剩余撞击距离提示控制停桩，以免过打或漏打；

步骤五、导出报表，根据实际要求导出时间、坐标、柱高等数据；

f₁(x)＝sgn(ω₁·x+b₁)

式中：f₁(x)为第1个支持向量机分类器的决策函数，ω₁和b₁是第1个支持向量机分类器的优化参数，其中参数ω₁和b₁根据支持向量机的训练进行确定。

作为本发明的优选实施例，对采集的待测永磁同步电机定子三相电流信号采用3层sym4算法滤除干扰信号；采样频率设定为10kHz，采样时长设定为2s；

电极的形状利用Artchut Pro for cutter软件设计，然后利用罗兰刻字机GX-24刻制在薄膜塑料基板上；

揭下电极形状所覆盖的塑料薄膜，然后利用磁控溅射技术溅射成厚度为150nm的金薄膜；

将薄膜金电极先用大量酒精擦拭，再用大量双蒸水冲洗，最后利用等离子清洗机清洗，密封保存。

作为本发明的优选实施例，所述步骤六采用功率谱估计算法估计待测定子三相电流信号中各频率分量的频率，薄膜金电极需进行预处理，先后用0.3和0.5μm的氧化铝研磨粉进行反复抛光，用酒精擦拭，用大量双蒸水冲洗，最后放在室温下自然风干或者利用电热恒温鼓风干燥箱进行风干；将杂交后的双链滴加在薄膜金电极的表面，置于室温环境中进行风干，然后，用大量双蒸水冲洗电极，以便将吸附力较弱的双链核酸从薄膜金电极上除掉，保证电极上的双链核酸稳定；最后，用巯基乙醇等小分子将电极封闭，这种固定有核酸适体的薄膜金电极称之为核酸适体传感器，该传感器密闭保存于-4℃温度下。

作为本发明的优选实施例，步骤七采用直接搜索算法估计待测定子三相电流信号中各频率分量幅值；

步骤一，在原木周围均匀地安装I个通过信号线缆连接至数据采集卡的压电式加速度传感器，用脉冲锤敲击编号为0的传感器，然后通过数据采集卡完成压电式加速度传感器输出信号的采集，保存为x₀(n)，x₁(n)，…，x_i(n)，…，x_I-1(n)；

步骤二，对采集到的信号做K点快速傅立叶变换，得到X₀(k)，X₁(k)，…，X_i(k)，…，X_I-1(k)，k＝0，1，…K-1，然后求出第0个传感器至其他各观测传感器之间的实际频率响应函数：

步骤三，定义相同条件下健康木材中第0个传感器至其他各观测传感器之间的频率响应函数为H_0，i(k)，然后将H_i(k)减去H_0，i(k)，得到：

Y_i(k)＝H_i(k)-H_0，i(k)，i＝1，…I-1；

步骤四：构建Y＝[Y′₁(k)，Y′₂(k)，…，Y′_I-1(k)]′作为观察矩阵，对其作基于二阶统计量的盲源分离，估计出混合矩阵W＝[G′_0，1(k)，G′_0，2(k)，…G′_0，J(k)]′和源向量G_j，i(k)，i＝1，…I-1，j＝1，2…，J，其中G_0，j(k)为第0个传感器至木材内部第j个缺陷点之间的频率响应函数，G_j，i(k)为第j个缺陷点至第i个观测点之间的频率响应函数；

步骤五，对估计出的J个(k)进行k均值聚类分析；

步骤六，根据聚类的结果判别木材内部有无缺陷，类别数量决定缺陷区域的多少，每类中数据对象的数量表示该缺陷区域的大小。

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 (7)

1.一种永磁同步电机退磁故障诊断方法，其特征在于，所述永磁同步电机退磁故障诊断方法包括以下步骤：

步骤一，对待测的永磁同步电机定子三相电流信号进行采样；

步骤二，利用坐标变换理论计算永磁同步电机定子三相相电流基波的瞬时幅值I_a，I_b，I_c；

步骤三，分别计算三个瞬时幅值I_a，I_b，I_c中任意两个瞬时幅值差的绝对值，并将三个绝对值的和作为故障特征量Fe，如果Fe＞thr，thr为阈值，则有匝间短路故障，并且定位故障相，反之，则没有匝间短路故障；

步骤四，在匝间短路故障情况下，利用支持向量机分类器自动地定位故障相；

步骤五，在没有匝间短路故障情况下，根据待测永磁同步电机的极数确定失磁故障特征频率，将失磁故障特征频率作为失磁故障特征量；

步骤六，估计待测定子三相电流信号中各频率分量的频率，根据是否出现失磁故障特征量判断发生失磁故障；

步骤七，预先采集正常状态的永磁同步电机定子三相电流信号；估计待测定子三相电流信号中各频率分量幅值后，与正常状态电机同电流区间内同频率分量幅值比值的倒数作为故障因子；根据故障因子判断失磁故障发生的严重程度；

步骤八，根据初步判断的故障状态建立仿真模型，进行过程故障模拟分析，排除并确认问题；

步骤九，根据故障问题找出解决方案，再次利用仿真模型进行模拟，确认解决方案的有效性。

2.如权利要求1所述的永磁同步电机退磁故障诊断方法，其特征在于，所述故障特征量Fe获取方法为：

Y＝[Y₁′(k)，Y′₂(k)，…，Y′_I-1(k)]′

将Y＝[Y₁′(k)，Y′₂(k)，…，Y′_I-1(k)]′作为观察矩阵，对其作基于二阶统计量的盲源分离，估计出混合矩阵W＝[G′_0，1(k)，G′_0，2(k)，…G′_0，J(k)]′和源向量G_j，i(k)，i＝1，…I-1，j＝1，2，…，J，其中G_0，j(k)为第0个传感器至木材内部第j个缺陷点之间的频率响应函数，G_j，i(k)为第j个缺陷点至第i个观测点之间的频率响应函数，详细步骤为：

(1)估计Y的相关矩阵

(2)对作特征值分解(EVD)

其中(I-1)×J维矩阵V_M＝[v₁，v₂，…v_I-1]是与J个按下降顺序排列的的主要特征值Λ_s＝diag{λ₁≥λ₂…≥λ_J}相对应的特征矢量；(I-1)×(I-1-J)维矩阵V_N包含(I-1-J)个噪声特征Λ_N＝{λ_J+1≥…≥λ_I-1}对应的噪声特征矢量，并且λ_J＞λ_J+1；

(3)白噪声方差估计成(I-1-J)个不重要特征值的均值；

(4)进行稳健的预白化变换：

其中

(5)对于给定的p≠0，估计矢量的协方差阵，并进行协方差阵的奇异值分解：

(6)对于给定的p，检查对角阵所有奇异值是否不同，如果相同，对于不同的时滞p重复步骤(5)，如果奇异值不同的，而且彼此远离，则估计出源向量：

3.如权利要求1所述的永磁同步电机退磁故障诊断方法，其特征在于，所述阈值thr确定方法为：

对于阈值thr，首先在永磁同步电机正常工作情况下，记录下故障特征量Fe在不同工作点的值，然后将其设置为阈值thr，最后把这些设定好的阈值保存在表格中，在故障诊断的时候进行调用；

域间故障诊断连同多个域首进行复杂任务的故障诊断，当一个域首无法诊断任务时，它就会联合多个域首形成共同诊断知识空间，以此来协同诊断故障。

域首的选举采用指派的方式，然后根据地域关系将同层节点分为多个域；系统初始化时，首先按照上下级关系划分为多个层，然后再按照隶属关系划分为多个域，并选出域首；域中的每个节点都要自主的向所在域的域首进行信息注册，并保持更新，域中的节点使用其MAC地址作为其唯一标识，并且每个节点都要建立域内节点信息库，用来储存节点和网络的信息；域内的节点都是动态的，如果一个外部节点想要加入域，则需要向域首提出注册申请，域首根据域内的管理规则批准后，该节点即可注册并加入该域。

4.如权利要求1所述的永磁同步电机退磁故障诊断方法，其特征在于，所述自动地定位故障相方法为：

步骤一、导入坐标，导入设计桩位坐标；

步骤二、平面选点，选择本次打桩点；

步骤三、平面寻点，根据方向提示信息移动打桩机车并微调桩锤；

步骤四、打桩深控，根据剩余撞击距离提示控制停桩，以免过打或漏打；

步骤五、导出报表，根据实际要求导出时间、坐标、柱高等数据；

f₁(x)＝sgn(ω₁·x+b₁)

式中：f₁(x)为第1个支持向量机分类器的决策函数，ω₁和b₁是第1个支持向量机分类器的优化参数，其中参数ω₁和b₁根据支持向量机的训练进行确定。

5.如权利要求1所述的永磁同步电机退磁故障诊断方法，其特征在于，对采集的待测永磁同步电机定子三相电流信号采用3层sym4算法滤除干扰信号；采样频率设定为10kHz，采样时长设定为2s；

电极的形状利用Artchut Pro for cutter软件设计，然后利用罗兰刻字机GX-24刻制在薄膜塑料基板上；

揭下电极形状所覆盖的塑料薄膜，然后利用磁控溅射技术溅射成厚度为150nm的金薄膜；

将薄膜金电极先用大量酒精擦拭，再用大量双蒸水冲洗，最后利用等离子清洗机清洗，密封保存。

6.如权利要求1所述的永磁同步电机退磁故障诊断方法，其特征在于，所述步骤六采用功率谱估计算法估计待测定子三相电流信号中各频率分量的频率，薄膜金电极需进行预处理，先后用0.3和0.5μm的氧化铝研磨粉进行反复抛光，用酒精擦拭，用大量双蒸水冲洗，最后放在室温下自然风干或者利用电热恒温鼓风干燥箱进行风干；将杂交后的双链滴加在薄膜金电极的表面，置于室温环境中进行风干，然后，用大量双蒸水冲洗电极，以便将吸附力较弱的双链核酸从薄膜金电极上除掉，保证电极上的双链核酸稳定；最后，用巯基乙醇等小分子将电极封闭，这种固定有核酸适体的薄膜金电极称之为核酸适体传感器，该传感器密闭保存于-4℃温度下。

7.如权利要求1所述的永磁同步电机退磁故障诊断方法，其特征在于，步骤七采用直接搜索算法估计待测定子三相电流信号中各频率分量幅值；

步骤一，在原木周围均匀地安装I个通过信号线缆连接至数据采集卡的压电式加速度传感器，用脉冲锤敲击编号为0的传感器，然后通过数据采集卡完成压电式加速度传感器输出信号的采集，保存为x₀(n)，x₁(n)，…，x_i(n)，…，x_I-1(n)；

步骤二，对采集到的信号做K点快速傅立叶变换，得到X₀(k)，X₁(k)，…，X_i(k)，…，X_I-1(k)，k＝0，1，…K-1，然后求出第0个传感器至其他各观测传感器之间的实际频率响应函数：

步骤三，定义相同条件下健康木材中第0个传感器至其他各观测传感器之间的频率响应函数为H_0，i(k)，然后将H_i(k)减去H_0，i(k)，得到：

Y_i(k)＝H_i(k)-H_0，i(k)，i＝1，…I-1；

步骤四：构建Y＝[Y₁′(k)，Y′₂(k)，…，Y′_I-1(k)]′作为观察矩阵，对其作基于二阶统计量的盲源分离，估计出混合矩阵W＝[G′_0，1(k)，G′_0，2(k)，…G′_0，J(k)]′和源向量G_j，i(k)，i＝1，…I-1，j＝1，2…，J，其中G_0，j(k)为第0个传感器至木材内部第j个缺陷点之间的频率响应函数，G_j，i(k)为第j个缺陷点至第i个观测点之间的频率响应函数；

步骤五，对估计出的J个进行k均值聚类分析；

步骤六，根据聚类的结果判别木材内部有无缺陷，类别数量决定缺陷区域的多少，每类中数据对象的数量表示该缺陷区域的大小。