CN110187275B - 一种永磁电机健康状态检测方法及系统 - Google Patents

Abstract

本发明涉及永磁电机健康监测领域，公开了一种永磁电机健康状态检测方法及系统，以实现准确对永磁电机健康状态的检测；本发明的方法包括从电机运行时的测量信号中提取相应统计特征，统计特征包括频域特征、时域特征、以及时频域特征，采用二元状态转移算法从相应统计特征中选取重构模型所需的特征组合；获取特征组合的历史正常数据，根据该历史正常数据训练堆栈自编码机得到重构模型，并根据重构模型得到健康因子，使用健康因子检测永磁电机的健康状态。

Description

一种永磁电机健康状态检测方法及系统

技术领域

本发明涉及永磁电机健康监测领域，尤其涉及一种永磁电机健康状态检测方法及系统。

背景技术

随着电力机车的快速发展，其安全性和可靠性也越来越受到重视。而电机作为其核心部件，对机车的安全运行至关重要。而长时间不间断地运作于高压、大电流、高转速的条件下，使得其极其容易发生异常。所以机车的牵引电机是整个系统维护的重点。目前，为了保证电机的安全运行，已经有很多数据驱动的健康状态检测方法被提出。但这些方法，有些依赖单一特征，无法全面表征系统的健康问题，又有些使用比较复杂的方法融合大量特征，对监测装置的性能提出了较高的要求。

因此，如何有效得检测永磁电机健康状态成为一个急需解决的问题。

发明内容

本发明目的在于提供一种永磁电机健康状态检测方法及系统，以实现准确对永磁电机健康状态的检测。

为实现上述目的，本发明提供了一种永磁电机健康状态检测方法，包括以下步骤：

S1：从电机运行时的测量信号中提取相应统计特征，所述统计特征包括频域特征、时域特征、以及时频域特征，采用二元状态转移算法从所述相应统计特征中选取重构模型所需的特征组合；

S2：获取所述特征组合的历史正常数据，根据该历史正常数据训练堆栈自编码机得到重构模型；

S3：根据所述重构模型得到健康因子，根据所述健康因子检测永磁电机的健康状态，若所述健康因子大于设定的健康因子阈值，则判定系统状态发生异常；若所述健康因子小于或者等于设定的健康因子阈值，则判定系统状态健康

优选地，S1中，所述频域特征包括FFT系数、频域偏度、频域均值、以及频域方差；

所述时域特征包括均值、方差、最大值、偏度、极差、分位数、熵；

所述时频域特征包括小波变换系数和EMD趋势。

优选地，所述S1具体包括以下步骤：

S11：设总共有S个测量信号，从每个测量信号提取F个特征，将特征总数记为Q；

用Q维的向量X_K定义包括健康因子的特征组合p_K为：

式中，x_p为特征p对应的x值，p∈[1,Q]，当特征p被包含于特征组合p_K时，x_p为1，否则x_p为0，K表示组合中特征数目；

S12：设定目标函数，该目标函数的计算公式为：

J(X)＝w₁K+w₂FAR+w₃FDR；

式中，K为所用特征数量，w₁为所用特征数量的相应权重，FAR为误报率，w₂为相应权重，且该w₂取负值，ADR为异常发现率，w₃为异常发现率的相应权重；

其中，误报率FAR的计算公式为：

FAR＝prob(HI＞HI_th|正常运行)；

式中，prob表示概率算子，HI为健康因子，HI_th为健康因子的阈值，当HI＞HI_th时，判断系统状态发生异常，否则判断系统处于健康状态；

异常发现率ADR的计算公式为：

FDR＝prob(HI＞HI_th|异常运行)；

S13：采用二元状态转移算法优化所述目标函数，得到最优解X_best：

X_best＝[x_b1,x_b2,x_b3,...,x_bQ]；

S14：根据所述最优解建立特征组合的计算公式为：

p_Kb＝{p|x_bp＝1,p∈[1,Q]}。

优选地，所述采用二元状态转移算法优化所述目标函数具体包括以下步骤：

随机产生一个初始解X_init，并把该初始解X_init作为当前最优解

其中x_bi∈{0,1},i∈[1,Q]；

对X_best依次进行交换变换、移动变换、对称变换、替换变换得到SE个候选解X₁,X₂,...,X_SE，并更新所述最优解X_best。

优选地，所述S2具体包括以下步骤：

S21：选取所述特征组合中的特征在系统正常工作时的数据训练堆栈自编码机SAE作为重构模型；

S22：根据当前使用的特征的值V_K，V_K＝[v₁,v₂,...,v_K]^T，重构在正常情况下这些特征最可能的理想值：

其中SAE为堆栈自编码机，v_i为p_Kb中第i个特征的值，i∈[1,K]，

为重构模型估计的正常情况的理想值，K为所选的特征数量；

S23：根据所述理想值定义健康因子HI的计算公式为：

当HI＞HI_th时，认为系统状态发生异常，否则认为系统处于健康状态。

作为一个总的技术构思，本发明还提供一种永磁电机健康状态检测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

本发明具有以下有益效果：

本发明提供一种永磁电机健康状态检测方法及系统，包括从电机运行时的测量信号中提取相应统计特征，统计特征包括频域特征、时域特征、以及时频域特征，采用二元状态转移算法从相应统计特征中选取重构模型所需的特征组合；获取特征组合的历史正常数据，根据该历史正常数据训练堆栈自编码机得到重构模型，并根据重构模型得到健康因子，使用健康因子检测永磁电机的健康状态；本发明中通过使用二元状态转移算法有效地探索参数空间保证了在求解最优特征组合时的运算速度，使用了堆栈自编码机算法进行信号重构，能够对信号进行准确的重建，提高异常检测的精度。

下面将参照附图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明优选实施例的永磁电机健康状态检测方法流程图；

图2是本发明优选实施例的未经特征选择所定义的健康因子曲线；

图3是本发明优选实施例的经过二元状态转移算法特征选择所定义的健康因子曲线。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

实施例1

参见图1，本实施例提供一种永磁电机健康状态检测方法，包括以下步骤：

S1：从电机运行时的测量信号中提取相应统计特征，统计特征包括频域特征、时域特征、以及时频域特征，采用二元状态转移算法从相应统计特征中选取重构模型所需的特征组合；

S2：获取特征组合的历史正常数据，根据该历史正常数据训练堆栈自编码机得到重构模型；

S3：根据重构模型得到健康因子，根据健康因子检测永磁电机的健康状态，若健康因子大于设定的健康因子阈值，则判定系统状态发生异常；若健康因子小于或者等于设定的健康因子阈值，则判定系统状态健康。

上述的永磁电机健康状态检测方法，通过使用二元状态转移算法有效地探索参数空间保证了在求解最优特征组合时的运算速度，使用了堆栈自编码机算法进行信号重构，能够对信号进行准确的重建，提高异常检测的精度。

优选地，S1中，频域特征包括FFT系数、频域偏度、频域均值、以及频域方差；时域特征包括均值、方差、最大值、偏度、极差、分位数、熵；时频域特征包括小波变换系数和EMD趋势。需要说明的是，本发明并不对统计特征的具体类型做限定，上述对各类型统计特征的说明仅为举例示意。

具体地，本实施例以某永磁同步电机为例进行说明。通过测量其运行时的三相电流，得到了20组包含不同程度的失磁故障的测量数据。采样频率为2kHz，时长为2s。

本实施例中，得到的特征集合一共包括378个不同特征。然后对所有特征先进行归一化处理，再选取所有特征在系统正常工作时的数据训练堆栈自编码机，得到一个非理想的健康因子。其中误报率FAR为0.5％，异常发现率ADR为100％。在该种情况下，但使用的特征过多，不满足最佳健康因子的要求，如图2所示。需要说明的是，一个合格的健康因子的FAR应不超过2％且ADR不小于95％。HI_th的取值会同时影响FAR和ADR。阈值较高会使FAR较低且ADR较低。阈值较低会使ADR较高，但FAR也较高。所以本实施例中优选基于蒙特卡罗的方法确定阈值，限制FAR不超过2％。

进一步地，通过二元状态转移算法进行特征选取，具体包括：

步骤一、随机产生一个初始解X_K＝[x₁,x₂,...,x₁₈₉],x_i∈{0,1}，并设其为最优解X_best，则该解所使用特征子集由x_K中为1的元素对应的特征组成。使用该特征子集所有特征在系统正常运行时的历史数据训练堆栈自编码机。完成训练后计算所有历史特征信号和重建特征信号的欧式距离，得到在该解下定义的健康因子的值，本实施例中，取最大允许误报率p_FAR为2％，所述阈值HI_th采用基于蒙特卡罗的方法确定，使用阈值计算实际的FAR和ADR，并计算目标函数值J(X_best)。

步骤二、对X_best进行交换变换得到新的SE个解，并重复上述求解方法计算新解得目标函数值，如果产生了优于X_best的解，更新X_best；

对X_best进行移动变换得到新的SE个解，并重复上述求解方法计算新解得目标函数值，如果产生了优于X_best的解，更新X_best；

对X_best进行对称变换得到新的SE个解，并重复上述求解方法计算新解得目标函数值，如果产生了优于X_best的解，更新X_best；

对X_best进行替换变换得到新的SE个解，并重复上述求解方法计算新解得目标函数值，如果产生了优于X_best的解，更新X_best；

判断是否满足终止条件，不满足则返回步骤二。

本实施例中，终止条件为达到设定的迭代次数。也可以以X_best连续几次未发生更新为终止条件。

通过上述优化，保证了提取到的特征能充分表征电机的健康状态，使用相应的健康因子能在很大程度上为电机的维护工作提高便利。

最终，本实施例中，在初始解使用218个特征，FAR为0.5％，ADR为99％的初始条件下，在15轮迭代后得到了一个63个特征，FAR为0.43％,ADR为100％的较为理想的健康因子定义，如图3所示。

在在线监测中，采集电机运行信号并计算该63个特征，由重构模型融合这些特征得出在线监测数据的健康因子的值。再将该值与设定的阈值HI_th比较，即可判断系统的运行状态。若在线监测数据的健康因子的值大于设定的阈值HI_th，则判定系统状态发生异常；若在线监测数据的健康因子的值小于或者等于设定的阈值HI_th，则判定系统状态健康。

实施例2

与上述方法实施例相对应地，本实施例提供一种永磁电机健康状态检测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行所述计算机程序时实现上述方法的步骤。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种永磁电机健康状态检测方法，其特征在于，包括以下步骤：

S1：从电机运行时的测量信号中提取相应统计特征，所述统计特征包括频域特征、时域特征、以及时频域特征，采用二元状态转移算法从所述相应统计特征中选取重构模型所需的特征组合；具体包括以下步骤：

S11：设总共有S个测量信号，从每个测量信号提取F个特征，将特征总数记为Q；

用Q维的向量X_K定义包括健康因子的特征组合p_K为：

式中，x_p为特征p对应的x值，p∈[1,Q]，当特征p被包含于特征组合p_K时，x_p为1，否则x_p为0，K表示组合中特征数目；

S12：设定目标函数，该目标函数的计算公式为：

J(X)＝w₁K+w₂FAR+w₃FDR；

式中，K为所用特征数量，w₁为所用特征数量的相应权重，FAR为误报率，w₂为相应权重，且该w₂取负值，ADR为异常发现率，w₃为异常发现率的相应权重；

其中，误报率FAR的计算公式为：

FAR＝prob(HI>HI_th|正常运行)；

式中，prob表示概率算子，HI为健康因子，HI_th为健康因子的阈值，当HI>HI_th时，判断系统状态发生异常，否则判断系统处于健康状态；

异常发现率ADR的计算公式为：

FDR＝prob(HI>HI_th|异常运行)；

S13：采用二元状态转移算法优化所述目标函数，得到最优解X_best：

S14：根据所述最优解建立特征组合的计算公式为：

p_Kb＝{p|x_bp＝1,p∈[1,Q]}；

S2：获取所述特征组合的历史正常数据，根据该历史正常数据训练堆栈自编码机得到重构模型；

S3：根据所述重构模型得到健康因子，根据所述健康因子检测永磁电机的健康状态，若所述健康因子大于设定的健康因子阈值，则判定系统状态发生异常；若所述健康因子小于或者等于设定的健康因子阈值，则判定系统状态健康。

2.根据权利要求1所述的永磁电机健康状态检测方法，其特征在于，S1中，所述频域特征包括FFT系数、频域偏度、频域均值、以及频域方差；

所述时域特征包括均值、方差、最大值、偏度、极差、分位数、熵；

所述时频域特征包括小波变换系数和EMD趋势。

3.根据权利要求1所述的永磁电机健康状态检测方法，其特征在于，所述采用二元状态转移算法优化所述目标函数具体包括以下步骤：

随机产生一个初始解X_init，并把该初始解X_init作为当前最优解

其中x_bi∈{0,1},i∈[1,Q]；

对X_best依次进行交换变换、移动变换、对称变换、替换变换得到SE个候选解X₁,X₂,...,X_SE，并更新所述最优解X_best。

4.根据权利要求1所述的永磁电机健康状态检测方法，其特征在于，所述S2具体包括以下步骤：

S21：选取所述特征组合中的特征在系统正常工作时的数据训练堆栈自编码机SAE作为重构模型；

S22：根据当前使用的特征的值V_K，V_K＝[v₁,v₂,...,v_K]^T，重构在正常情况下这些特征最可能的理想值：

其中SAE为堆栈自编码机，v_i为p_Kb中第i个特征的值，i∈[1,K]，

为重构模型估计的正常情况的理想值，K为所选的特征数量；

S23：根据所述理想值定义健康因子HI的计算公式为：

当HI>HI_th时，认为系统状态发生异常，否则认为系统处于健康状态。

5.一种永磁电机健康状态检测系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至4任一所述方法的步骤。

Images