CN110907826B - 一种基于卷积神经网络滤波的电机故障诊断方法及系统 - Google Patents
一种基于卷积神经网络滤波的电机故障诊断方法及系统 Download PDFInfo
- Publication number
- CN110907826B CN110907826B CN201911113986.2A CN201911113986A CN110907826B CN 110907826 B CN110907826 B CN 110907826B CN 201911113986 A CN201911113986 A CN 201911113986A CN 110907826 B CN110907826 B CN 110907826B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- residual
- motor
- data set
- 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.)
- Active
Links
Images
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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及电机故障诊断领域,公开了一种基于卷积神经网络滤波的电机故障诊断方法及系统,以在不增加系统硬件的条件下利用固定采样率的电流传感器反馈信号实现电机不同工况不同故障类型的特征频率提取,提高故障诊断的准确率;该方法包括得到初始数据集,训练卷积神经网络得到卷积神经网络滤波器;对训练数据集进行滤波处理,并计算残差数据集;进一步得到残差频谱特征库;验证残差频谱特征库的正确率是否超过设定阈值,若超过,则选取待测电机的实时运行数据,采用卷积神经网络滤波器对实时运行数据进行滤波处理,计算卷积神经网络滤波器的输出值与实时运行数据之间的残差,将该残差的频谱特征与残差频谱特征库进行匹配以实现电机故障诊断。
Description
技术领域
本发明涉及电机故障诊断领域,尤其涉及一种基于卷积神经网络滤波的电机故障诊断方法及系统。
背景技术
电机作为工业生产中的重要设备,其可靠性诊断研究受到广泛关注。在实际运行的系统中,通常采用多种传感器以实时监测电机各部件的运行状态,其中,电机上常见的传感器包括电流传感器、温度传感器、振动传感器等。目前多数电机故障诊断方法是通过对传感器的反馈值进行故障特征识别来实现的,例如当电机出现不同类型的故障时,电机定子三相电流的频谱中会出现不同频率的边频,可以根据边频与电流基频的关系判断电机故障类型。然而,电机实际转速、负载转矩都会随系统运行工况改变而改变,当电机转速变化时,其定子电流的基频和各类故障对应的特征频率也会发生改变,因此在传感器采样率固定的情况下需要大量的历史运行数据才能够建立不同工况下不同故障的特征库。此外,在一定条件下,故障特征频率与基频可能非常接近,导致微小故障的频率特征被基频覆盖,无法诊断出电机故障。
发明内容
本发明针对上述问题提供了一种基于卷积神经网络滤波的电机故障诊断方法及系统,以在不增加系统硬件的条件下直接利用固定采样率的电流传感器反馈信号实现电机不同工况不同故障类型的特征频率提取,从而提高故障诊断的准确率。
为实现上述目的,本发明提供了一种基于卷积神经网络滤波的电机故障诊断方法,包括以下步骤:
S1:根据待测电机的历史运行数据集得到初始数据集,将所述初始数据集划分为训练数据集和验证数据集,根据所述训练数据集训练卷积神经网络得到卷积神经网络滤波器;
S2:利用所述卷积神经网络滤波器对训练数据集进行滤波处理,并计算卷积神经网络滤波器的输出值与训练数据之间的残差,得到残差数据集;
S3:根据卷积神经网络滤波器输出值基频调整所述残差数据集,根据调整后的残差数据集得到用于表示故障与频谱之间对应关系的残差频谱特征库;
S4:采用所述验证数据集验证所述残差频谱特征库的正确率是否超过设定阈值,若超过,则进入S5,反之,则调整训练数据集返回S1;
S5:选取待测电机的实时运行数据,采用所述卷积神经网络滤波器对所述实时运行数据进行滤波处理,计算卷积神经网络滤波器的输出值与所述实时运行数据之间的残差,将该残差的频谱特征与残差频谱特征库进行匹配以实现电机故障诊断。
优选地,所述S1具体包括以下步骤:
S11:选取待测电机历史正常运行数据及故障运行数据组成初始数据集,每个初始数据集中的样本的数据包括由恒定采样率为fs的电流传感器采集的待测电机a、b、c相定子电流瞬时值Ia、Ib、Ic,计算所有样本中电流的最大幅值Imax、最小幅值Imin、最大基频fmax、最小基频fmin;
S12:构造Q个含有随机噪声的正弦波序列对,计算公式如下:
Si=Aisin(2πfiT+θi) (1)
Zi=Si+n(T) (2)
式中,Si为第i个不含随机噪声的正弦波序列,Zi为第i个含有人工生成的高斯噪声的正弦波序列,i=1,2,…,Q,Q为序列总数目;Ai为第i个正弦波序列的幅值,Ai的取值范围为[Imax,Imin],fi为第i个正弦波序列的频率,fi的取值范围为[fmax,fmin];T为时间序列,由恒定采样率fs对时间进行1/fmin秒采样得到,即θi为随机值,从[0,2π]区间内随机抽取;n(T)为人工生成的高斯噪声,根据电机历史运行数据中噪声的大小从服从特定高斯分布的数据中随机抽取;在取值范围内改变Ai和fi的值,构造Q个正弦波序列对[(S1,Z1),(S2,Z2),…,(SQ,ZQ)],并将所有序列对划分为训练数据集和验证数据集;
S13:构建卷积神经网络,该卷积神经网络的输入层为一维序列,序列长度与T的长度相同;中间层由若干个卷积层与池化层交替堆叠;输出层为长度与输入层一致的一维序列;其中卷积层使用一维卷积核,激活函数为ReLU函数,池化层使用平均值池化;
S14:以Zi作为卷积神经网络输入序列、Si作为卷积神经网络输出序列,损失函数为均方误差函数,使用训练数据集对神经网络进行训练得到卷积神经网络滤波器。
优选地,所述S2具体包括以下步骤:
S21:采用滑窗法将待测电机历史运行数据中的a、b、c相定子电流瞬时值Ia、Ib、Ic分割成长度与T相同的N个子序列,输入到训练好的卷积神经网络滤波器进行滤波,得到电机三相电流原始数据对应的滤波器输出值,记为Iaf、Ibf、Icf;
S22:计算卷积神经网络滤波器输出值与训练数据之间的残差,计算公式如下:
eak=Iak-Iafk (3)
ebk=Ibk-Ibfk (4)
eck=Ick-Icfk (5)
式中,Iak、Ibk、Ick分别为Ia、Ib、Ic的第k个子序列,Iafk、Ibfk、Icfk分别为Iaf、Ibf、Icf的第k个子序列,eak、ebk、eck分别为a相、b相、c相电流滤波器输出值与原始数据之间的残差序列,k=1,2,…,N,N为子序列数量。
优选地,所述S3具体包括以下步骤:
S31:对每个卷积神经网络滤波器滤波器输出值的子序列采用快速傅里叶变换计算对应的频率fk,然后对残差序列进行调整,调整的计算公式为:
式中,fk为第k个滤波器输出子序列的采样频率,fk'为第k个滤波器输出子序列的重采样频率,round为取整函数;所有残差序列根据频率fk'调整后形成调整后的残差数据集;
将调整后的残差数据集中的所有序列以正常和故障类型划分为若干个子集,其中正常残差序列设为enk',故障残差序列设为emk',m=1,2,…,M,M为故障类型数;
S32:对所有enk'和emk'进行快速傅里叶变换,保留频谱中频率小于w*fmax的分量,w为正整数,根据故障诊断所需保留的最高频率设定,并将保留的频谱系数均匀划分成P个区间,取每个区间内所有系数的平均值作为该区间的频谱幅值,将各区间的频谱幅值作为频谱特征,enk'对应的频谱特征设为Fnk,emk'对应的频谱特征设为Fmk;
S33:对残差频谱特征进行逐个区间对比,记录所有频谱特征中无明显变化的区间,并将记录的区间从频谱特征中删除,由剩余未删除的频谱特征组成残差频谱特征库,由Fnk删减后得到的残差频谱特征设为Fnk',由Fmk删减后得到的残差频谱特征设为Fmk'。
优选地,所述S5具体包括以下步骤:
S51:选取待测电机的实时运行数据,所述待测电机的实时运行数据中包括电机运行时的定子三相电流,截取长度与T的长度相同的测试子序列;
S52:将测试子序列输入卷积神经网络滤波器,得到测试子序列的滤波结果,对滤波结果进行快速傅里叶变换,保留频谱中频率小于w*fmax的分量,并将保留的频谱系数均匀划分成P个区间,删除S33中所记录的无明显变化的区间,由剩余未删除的频谱特征作为测试子序列的残差频谱特征,设为Ftest;
S53:计算测试子序列的残差频谱特征与残差频谱特征库中频谱特征之间的距离,计算公式为:
dz=dist(Ftest,Fz) (7)
式中,dz为Ftest与残差频谱特征库中第z个频谱特征之间的距离,z=1,2,…,2N,dist为欧氏距离函数,Fz为残差频谱特征库中第z个频谱特征;
S54:选取最小距离对应的频谱特征,并将该频谱特诊对应的故障类型判定为当前测试数据的故障类型,计算公式为:
s=argmindz (8)
式中,s为当前测试数据判定的故障类型。
作为一个总的发明构思,本发明还提供一种基于卷积神经网络滤波的电机故障诊断系统,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:
本发明提供一种基于卷积神经网络滤波的电机故障诊断方法及系统,首先根据待测电机的历史运行数据集得到初始数据集,将初始数据集划分为训练数据集和验证数据集,根据训练数据集训练卷积神经网络得到卷积神经网络滤波器;利用卷积神经网络滤波器对训练数据集进行滤波处理,并计算卷积神经网络滤波器的输出值与训练数据之间的残差,得到残差数据集;根据卷积神经网络滤波器输出值基频调整残差数据集,根据调整后的残差数据集得到用于表示故障与频谱之间对应关系的残差频谱特征库;采用验证数据集验证残差频谱特征库的正确率是否超过设定阈值,若超过,则选取待测电机的实时运行数据,采用卷积神经网络滤波器对实时运行数据进行滤波处理,计算卷积神经网络滤波器的输出值与实时运行数据之间的残差,将该残差的频谱特征与残差频谱特征库进行匹配以实现电机故障诊断。本发明的方法通过卷积神经网络滤波后计算电流基频残差,并对残差进行调整,有效地避免了不同工况下电流基频变化导致的故障特征变化,减少了电机故障特征提取所需的样本量,提高了故障诊断的准确率。
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基于卷积神经网络滤波的电机故障诊断方法流程图;
图2是本发明优选实施例的定子绕组匝间短路故障滤波结果图;
图3是本发明优选实施例的定子绕组匝间短路故障频率特征图;
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,本实施例提供一种基于卷积神经网络滤波的电机故障诊断方法,包括以下步骤:
S1:根据待测电机的历史运行数据集得到初始数据集,将初始数据集划分为训练数据集和验证数据集,根据训练数据集训练卷积神经网络得到卷积神经网络滤波器;
S2:利用卷积神经网络滤波器对训练数据集进行滤波处理,并计算卷积神经网络滤波器的输出值与训练数据之间的残差,得到残差数据集;
S3:根据卷积神经网络滤波器输出值基频调整残差数据集,根据调整后的残差数据集得到用于表示故障与频谱之间对应关系的残差频谱特征库;
S4:采用验证数据集验证残差频谱特征库的正确率是否超过设定阈值,若超过,则进入S5,反之,则调整训练数据集返回S1;
S5:选取待测电机的实时运行数据,采用卷积神经网络滤波器对实时运行数据进行滤波处理,计算卷积神经网络滤波器的输出值与实时运行数据之间的残差,将该残差的频谱特征与残差频谱特征库进行匹配以实现电机故障诊断。
上述的基于卷积神经网络滤波的电机故障诊断方法,可以在不增加系统硬件的条件下直接利用固定采样率的电流传感器反馈信号实现电机不同工况不同故障类型的特征频率提取,提高故障诊断的准确率。
实际应用中,在上述步骤中,本发明的基于卷积神经网络滤波的电机故障诊断方法还可以进行优化,优化后的实施例如下:
S1:根据待测电机的历史运行数据集得到初始数据集,将所述初始数据集划分为训练数据集和验证数据集,根据所述训练数据集训练卷积神经网络得到卷积神经网络滤波器;具体如下:
S11:选取待测电机历史正常运行数据及故障运行数据组成初始数据集,每个初始数据集中的样本的数据包括由恒定采样率为fs的电流传感器采集的待测电机a、b、c相定子电流瞬时值Ia、Ib、Ic,计算所有样本中电流的最大幅值Imax、最小幅值Imin、最大基频fmax、最小基频fmin;
S12:构造Q个含有随机噪声的正弦波序列对,计算公式如下:
Si=Aisin(2πfiT+θi) (1)
Zi=Si+n(T) (2)
式中,Si为第i个不含随机噪声的正弦波序列,Zi为第i个含有人工生成的高斯噪声的正弦波序列,i=1,2,…,Q,Q为序列总数目;Ai为第i个正弦波序列的幅值,Ai的取值范围为[Imax,Imin],fi为第i个正弦波序列的频率,fi的取值范围为[fmax,fmin];T为时间序列,由恒定采样率fs对时间进行1/fmin秒采样得到,即θi为随机值,从[0,2π]区间内随机抽取;n(T)为人工生成的高斯噪声,根据电机历史运行数据中噪声的大小从服从特定高斯分布的数据中随机抽取;在取值范围内改变Ai和fi的值,构造Q个正弦波序列对[(S1,Z1),(S2,Z2),…,(SQ,ZQ)],并将所有序列对划分为训练数据集和验证数据集;
S13:构建卷积神经网络,该卷积神经网络的输入层为一维序列,序列长度与T的长度相同;中间层由若干个卷积层与池化层交替堆叠;输出层为长度与输入层一致的一维序列;其中卷积层使用一维卷积核,激活函数为ReLU函数,池化层使用平均值池化;
S14:以Zi作为卷积神经网络输入序列、Si作为卷积神经网络输出序列,损失函数为均方误差函数,使用训练数据集对神经网络进行训练得到卷积神经网络滤波器。
作为可变换地实施方式,还可以将上述训练数据集划分为第一训练数据集和第二训练数据集,使用第一训练数据集根据上述方法训练得到卷积神经网络滤波器,然后使用第二训练数据集对卷积神经网络滤波器进行滤波效果验证得到符合要求地卷积神经网络滤波器。可以进一步提高得到地卷积神经网络滤波器的精度。
S2:利用所述卷积神经网络滤波器对训练数据集进行滤波处理,并计算卷积神经网络滤波器的输出值与训练数据之间的残差,得到残差数据集;具体如下:
S21:采用滑窗法将待测电机历史运行数据中的a、b、c相定子电流瞬时值Ia、Ib、Ic分割成长度与T相同的N个子序列,输入到训练好的卷积神经网络滤波器进行滤波,得到电机三相电流原始数据对应的滤波器输出值,记为Iaf、Ibf、Icf;
S22:计算卷积神经网络滤波器输出值与训练数据之间的残差,计算公式如下:
eak=Iak-Iafk (3)
ebk=Ibk-Ibfk (4)
eck=Ick-Icfk (5)
式中,Iak、Ibk、Ick分别为Ia、Ib、Ic的第k个子序列,Iafk、Ibfk、Icfk分别为Iaf、Ibf、Icf的第k个子序列,eak、ebk、eck分别为a相、b相、c相电流滤波器输出值与原始数据之间的残差序列,k=1,2,…,N,N为子序列数量。
S3:根据卷积神经网络滤波器输出值基频调整所述残差数据集,根据调整后的残差数据集得到用于表示故障与频谱之间对应关系的残差频谱特征库具体如下:
S31:对每个卷积神经网络滤波器滤波器输出值的子序列采用快速傅里叶变换计算对应的频率fk,然后对残差序列进行调整,调整的计算公式为:
式中,fk为第k个滤波器输出子序列的采样频率,fk'为第k个滤波器输出子序列的重采样频率,round为取整函数;所有残差序列根据频率fk'调整后形成调整后的残差数据集;
将调整后的残差数据集中的所有序列以正常和故障类型划分为若干个子集,其中正常残差序列设为enk',故障残差序列设为emk',m=1,2,…,M,M为故障类型数;
S32:对所有enk'和emk'进行快速傅里叶变换,保留频谱中频率小于w*fmax的分量,w为正整数,根据故障诊断所需保留的最高频率设定,并将保留的频谱系数均匀划分成P个区间,取每个区间内所有系数的平均值作为该区间的频谱幅值,将各区间的频谱幅值作为频谱特征,enk'对应的频谱特征设为Fnk,emk'对应的频谱特征设为Fmk;
S33:对残差频谱特征进行逐个区间对比,记录所有频谱特征中无明显变化的区间,并将记录的区间从频谱特征中删除,由剩余未删除的频谱特征组成残差频谱特征库,由Fnk删减后得到的残差频谱特征设为Fnk',由Fmk删减后得到的残差频谱特征设为Fmk'。
S4:采用验证数据集验证残差频谱特征库的正确率是否超过设定阈值,若超过,则进入S5,反之,则调整训练数据集返回S1。本实施例中的设定阈值根据实验经验确定。
S5:选取待测电机的实时运行数据,采用所述卷积神经网络滤波器对所述实时运行数据进行滤波处理,计算卷积神经网络滤波器的输出值与所述实时运行数据之间的残差,将该残差与残差频谱特征库进行匹配以实现电机故障诊断具体如下:
S51:选取待测电机的实时运行数据,所述待测电机的实时运行数据中包括电机运行时的定子三相电流,截取长度与T的长度相同的测试子序列;
S52:将测试子序列输入卷积神经网络滤波器,得到测试子序列的滤波结果,对滤波结果进行快速傅里叶变换,保留频谱中频率小于w*fmax的分量,并将保留的频谱系数均匀划分成P个区间,删除S33中所记录的无明显变化的区间,由剩余未删除的频谱特征作为测试子序列的残差频谱特征,设为Ftest;
S53:计算测试子序列的残差频谱特征与残差频谱特征库中频谱特征之间的距离,计算公式为:
dz=dist(Ftest,Fz) (7)
式中,dz为Ftest与残差频谱特征库中第z个频谱特征之间的距离,z=1,2,…,2N,dist为欧氏距离函数,Fz为残差频谱特征库中第z个频谱特征;
S54:选取最小距离对应的频谱特征,并将该频谱特诊对应的故障类型判定为当前测试数据的故障类型,计算公式为:
s=argmindz (8)
式中,s为当前测试数据判定的故障类型。
进一步地,本实施例以某永磁同步电机半实物仿真系统为例,对本发明的方法进行进一步说明与验证。需要说明的是,该永磁同步电机半实物仿真系统由控制器、变流器和多种永磁同步电机故障模型组成,通过电流传感器采集电机定子三相电流,采样频率为25kHz。采集历史运行数据时,电机分别运行在1000r/min、1400r/min、1800r/min三种稳定工况下,电机有定子绕组匝间短路和永磁体局部失磁两种故障,并且每种故障严重程度的范围为1%~5%,共采集180组数据作为历史运行数据,选取严重程度为3%的两类故障运行的电流数据作为验证数据集。
首先,计算所有样本中电流的最大幅值Imax为30A、最小幅值Imin为5A、最大基频fmax为120Hz、最小基频为65Hz,根据公式(1)、(2)构造若干个正弦序列作为初始数据集按照上述方法训练卷积神经网络滤波器,并进一步计算得到残差信号。
图2为定子绕组匝间短路故障时,U相定子电流的原始波形及滤波后的波形图。从图2可以看出,在电机电流数据含有噪声及故障频率的情况下,卷积神经网络滤波器也能够正确跟踪电机定子电流主频。
由公式(3)~(5)计算所有历史运行数据的残差后,根据公式(6)对进行调整,并对调整后的残差数据进行快速傅里叶变换。由于常见电机故障的特征频率都为低频信号,所有残差频谱只保留0~600Hz部分,并且将保留的频谱系数平均划分为300个区间,每个区间内的频谱系数均值作为该区间的特征值,去除特征值方差小于所有区间方差平均值的区间,处理每个调整的残差信号得到150个频谱特征,形成频谱特征库。图3为定子绕组匝间短路故障频率特征图,由图3可以看出,匝间短路故障的残差频谱特征与正常频谱特征存在明显差异的区间(图3中第109个区间),即根据卷积神经网络滤波器输出值基频调整残差后做区间划分处理得到的残差频谱能够有效提取故障特征频率。
在永磁同步电机半实物仿真系统中随机模拟转速为1000~1800r/min,严重程度为1%~5%的匝间短路故障和失磁故障,进行500组测试,最终电机故障诊断正确率为98.1%。本方法能够利用固定采样率的电流传感器反馈信号实现电机不同工况不同故障类型的特征频率提取,并准确诊断电机故障类型。
实施例2
与上述方法实施例相对应地,本实施例提供一种基于卷积神经网络滤波的电机故障诊断系统,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。
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)
1.一种基于卷积神经网络滤波的电机故障诊断方法,其特征在于,包括以下步骤:
S1:根据待测电机的历史运行数据集得到初始数据集,将所述初始数据集划分为训练数据集和验证数据集,根据所述训练数据集训练卷积神经网络得到卷积神经网络滤波器;
S2:利用所述卷积神经网络滤波器对训练数据集进行滤波处理,并计算卷积神经网络滤波器的输出值与训练数据之间的残差,得到残差数据集;
S3:根据卷积神经网络滤波器输出值基频调整所述残差数据集,根据调整后的残差数据集得到用于表示故障与频谱之间对应关系的残差频谱特征库;
S4:采用所述验证数据集验证所述残差频谱特征库的正确率是否超过设定阈值,若超过,则进入S5,反之,则调整训练数据集返回S1;
S5:选取待测电机的实时运行数据,采用所述卷积神经网络滤波器对所述实时运行数据进行滤波处理,计算卷积神经网络滤波器的输出值与所述实时运行数据之间的残差,将该残差的频谱特征与残差频谱特征库进行匹配以实现电机故障诊断;
所述S1具体包括以下步骤:
S11:选取待测电机历史正常运行数据及故障运行数据组成初始数据集,每个初始数据集中的样本的数据包括由恒定采样率为fs的电流传感器采集的待测电机a、b、c相定子电流瞬时值Ia、Ib、Ic,计算所有样本中电流的最大幅值Imax、最小幅值Imin、最大基频fmax、最小基频fmin;
S12:构造Q个含有随机噪声的正弦波序列对,计算公式如下:
Si=Ai sin(2πfiT+θi) (1)
Zi=Si+n(T) (2)
式中,Si为第i个不含随机噪声的正弦波序列,Zi为第i个含有人工生成的高斯噪声的正弦波序列,i=1,2,…,Q,Q为序列总数目;Ai为第i个正弦波序列的幅值,Ai的取值范围为[Imax,Imin],fi为第i个正弦波序列的频率,fi的取值范围为[fmax,fmin];T为时间序列,由恒定采样率fs对时间进行1/fmin秒采样得到,即θi为随机值,从[0,2π]区间内随机抽取;n(T)为人工生成的高斯噪声,根据电机历史运行数据中噪声的大小从服从特定高斯分布的数据中随机抽取;在取值范围内改变Ai和fi的值,构造Q个正弦波序列对[(S1,Z1),(S2,Z2),…,(SQ,ZQ)],并将所有序列对划分为训练数据集和验证数据集;
S13:构建卷积神经网络,该卷积神经网络的输入层为一维序列,序列长度与T的长度相同;中间层由若干个卷积层与池化层交替堆叠;输出层为长度与输入层一致的一维序列;其中卷积层使用一维卷积核,激活函数为ReLU函数,池化层使用平均值池化;
S14:以Zi作为卷积神经网络输入序列、Si作为卷积神经网络输出序列,损失函数为均方误差函数,使用训练数据集对神经网络进行训练得到卷积神经网络滤波器。
2.根据权利要求1所述的基于卷积神经网络滤波的电机故障诊断方法,其特征在于,所述S2具体包括以下步骤:
S21:采用滑窗法将待测电机历史运行数据中的a、b、c相定子电流瞬时值Ia、Ib、Ic分割成长度与T相同的N个子序列,输入到训练好的卷积神经网络滤波器进行滤波,得到电机三相电流原始数据对应的滤波器输出值,记为Iaf、Ibf、Icf;
S22:计算卷积神经网络滤波器输出值与训练数据之间的残差,计算公式如下:
eak=Iak-Iafk (3)
ebk=Ibk-Ibfk (4)
eck=Ick-Icfk (5)
式中,Iak、Ibk、Ick分别为Ia、Ib、Ic的第k个子序列,Iafk、Ibfk、Icfk分别为Iaf、Ibf、Icf的第k个子序列,eak、ebk、eck分别为a相、b相、c相电流滤波器输出值与原始数据之间的残差序列,k=1,2,…,N,N为子序列数量。
3.根据权利要求1所述的基于卷积神经网络滤波的电机故障诊断方法,其特征在于,所述S3具体包括以下步骤:
S31:对每个卷积神经网络滤波器输出值的子序列采用快速傅里叶变换计算对应的频率fk,然后对残差序列进行调整,调整的计算公式为:
式中,fk为第k个滤波器输出子序列的采样频率,fk'为第k个滤波器输出子序列的重采样频率,round为取整函数;所有残差序列根据频率fk'调整后形成调整后的残差数据集;
将调整后的残差数据集中的所有序列以正常和故障类型划分为若干个子集,其中正常残差序列设为enk',故障残差序列设为emk',m=1,2,…,M,M为故障类型数;
S32:对所有enk'和emk'进行快速傅里叶变换,保留频谱中频率小于w*fmax的分量,w为正整数,根据故障诊断所需保留的最高频率设定,并将保留的频谱系数均匀划分成P个区间,取每个区间内所有系数的平均值作为该区间的频谱幅值,将各区间的频谱幅值作为频谱特征,enk'对应的频谱特征设为Fnk,emk'对应的频谱特征设为Fmk;
S33:对残差频谱特征进行逐个区间对比,记录所有频谱特征中无明显变化的区间,并将记录的区间从频谱特征中删除,由剩余未删除的频谱特征组成残差频谱特征库,由Fnk删减后得到的残差频谱特征设为Fnk',由Fmk删减后得到的残差频谱特征设为Fmk'。
4.根权利要求3所述的基于卷积神经网络滤波的电机故障诊断方法,其特征在于,所述S5具体包括以下步骤:
S51:选取待测电机的实时运行数据,所述待测电机的实时运行数据中包括电机运行时的定子三相电流,截取长度与T的长度相同的测试子序列;
S52:将测试子序列输入卷积神经网络滤波器,得到测试子序列的滤波结果,对滤波结果进行快速傅里叶变换,保留频谱中频率小于w*fmax的分量,并将保留的频谱系数均匀划分成P个区间,删除S33中所记录的无明显变化的区间,由剩余未删除的频谱特征作为测试子序列的残差频谱特征,设为Ftest;
S53:计算测试子序列的残差频谱特征与残差频谱特征库中频谱特征之间的距离,计算公式为:
dz=dist(Ftest,Fz) (7)
式中,dz为Ftest与残差频谱特征库中第z个频谱特征之间的距离,z=1,2,…,2N,dist为欧氏距离函数,Fz为残差频谱特征库中第z个频谱特征;
S54:选取最小距离对应的频谱特征,并将该频谱特征对应的故障类型判定为当前测试数据的故障类型,计算公式为:
s=arg min dz (8)
式中,s为当前测试数据判定的故障类型。
5.一种基于卷积神经网络滤波的电机故障诊断系统,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113986.2A CN110907826B (zh) | 2019-11-14 | 2019-11-14 | 一种基于卷积神经网络滤波的电机故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911113986.2A CN110907826B (zh) | 2019-11-14 | 2019-11-14 | 一种基于卷积神经网络滤波的电机故障诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110907826A CN110907826A (zh) | 2020-03-24 |
CN110907826B true CN110907826B (zh) | 2022-04-08 |
Family
ID=69816711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911113986.2A Active CN110907826B (zh) | 2019-11-14 | 2019-11-14 | 一种基于卷积神经网络滤波的电机故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110907826B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111722145B (zh) * | 2020-06-12 | 2023-04-25 | 华北电力大学(保定) | 一种同步电机励磁绕组匝间短路轻度故障诊断方法 |
CN112182490B (zh) * | 2020-09-01 | 2024-02-02 | 华中科技大学 | 一种电抗器状态诊断方法及系统 |
CN112834921B (zh) * | 2020-12-23 | 2022-07-15 | 浙江工业大学 | 一种基于残差图注意力网络的电机故障诊断方法 |
CN112668459B (zh) * | 2020-12-25 | 2022-09-13 | 合肥工业大学 | 基于有监督对比学习和卷积神经网络的滚动轴承故障诊断方法 |
CN112906473B (zh) * | 2021-01-19 | 2023-06-20 | 杭州安脉盛智能技术有限公司 | 一种旋转设备故障诊断方法 |
CN117788841B (zh) * | 2024-02-23 | 2024-05-17 | 青岛大学 | 一种基于双谱分析和cnn的永磁电机退磁故障诊断方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103698699B (zh) * | 2013-12-06 | 2017-08-01 | 西安交通大学 | 一种基于模型的异步电动机故障监测诊断方法 |
US10586153B2 (en) * | 2016-06-16 | 2020-03-10 | Qatar University | Method and apparatus for performing motor-fault detection via convolutional neural networks |
CN108680358A (zh) * | 2018-03-23 | 2018-10-19 | 河海大学 | 一种基于轴承温度模型的风电机组故障预测方法 |
CN109274621B (zh) * | 2018-09-30 | 2021-05-14 | 中国人民解放军战略支援部队信息工程大学 | 基于深度残差网络的通信协议信号识别方法 |
CN109238698A (zh) * | 2018-10-15 | 2019-01-18 | 株洲中车时代电气股份有限公司 | 一种基于电流信号的电机轴承故障诊断方法 |
CN109299705B (zh) * | 2018-10-24 | 2021-08-20 | 电子科技大学 | 基于一维深度残差卷积神经网络的旋转机械故障诊断方法 |
CN109873610B (zh) * | 2019-03-19 | 2020-04-10 | 福州大学 | 基于iv特性和深度残差网络的光伏阵列故障诊断方法 |
CN110031226A (zh) * | 2019-04-12 | 2019-07-19 | 佛山科学技术学院 | 一种轴承故障的诊断方法及装置 |
CN110297479B (zh) * | 2019-05-13 | 2020-12-29 | 国网浙江省电力有限公司紧水滩水力发电厂 | 一种基于卷积神经网络信息融合的水电机组故障诊断方法 |
-
2019
- 2019-11-14 CN CN201911113986.2A patent/CN110907826B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110907826A (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110907826B (zh) | 一种基于卷积神经网络滤波的电机故障诊断方法及系统 | |
CN107451557B (zh) | 基于经验小波变换与局部能量的输电线路短路故障诊断方法 | |
Zanardelli et al. | Identification of intermittent electrical and mechanical faults in permanent-magnet AC drives based on time–frequency analysis | |
CN110017991B (zh) | 基于谱峭度和神经网络的滚动轴承故障分类方法及系统 | |
CN110135492B (zh) | 基于多高斯模型的设备故障诊断与异常检测方法及系统 | |
CN112052796A (zh) | 一种基于深度学习的永磁同步电机故障诊断方法 | |
CN109375060B (zh) | 一种配电网故障波形相似度计算方法 | |
CN112798280B (zh) | 一种滚动轴承故障诊断方法及系统 | |
CN110243603B (zh) | 基于Welch转换-径向基神经网的滚动轴承故障诊断方法 | |
Zhan et al. | Adaptive autoregressive modeling of non-stationary vibration signals under distinct gear states. Part 1: modeling | |
CN113177537B (zh) | 一种旋转机械设备的故障诊断方法及系统 | |
CN112326245B (zh) | 一种基于变分希尔伯特黄变换的滚动轴承故障诊断方法 | |
CN112326213B (zh) | 异常数据检测方法及装置、机械故障检测方法及装置 | |
CN111307438A (zh) | 一种基于信息熵的旋转机械振动故障诊断方法及其系统 | |
CN111508517A (zh) | 一种基于噪声特征的微电机智能品控方法 | |
CN111912521A (zh) | 一种非平稳信号的频率检测方法和存储介质 | |
CN106771598A (zh) | 一种自适应谱峭度信号处理方法 | |
Atta et al. | Broken bar faults detection under induction motor starting conditions using the optimized stockwell transform and adaptive time–frequency filter | |
CN115954017A (zh) | 一种基于hht的发动机小样本声音异常故障识别方法及系统 | |
CN111639583A (zh) | 一种电网电能质量扰动的识别方法及系统 | |
CN108089100A (zh) | 小电流接地系统弧光电阻接地故障的检测方法 | |
CN112782421B (zh) | 一种基于音频的转速识别方法 | |
CN113139430A (zh) | 用于故障检测的声信号分析方法、故障检测的方法、装置 | |
CN117346877A (zh) | 一种用于机械设备转速测量的离散频谱校正方法及装置 | |
CN109586249B (zh) | 变压器励磁涌流判别方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |