CN110954827B - 故障诊断方法、装置、电子设备及系统 - Google Patents
故障诊断方法、装置、电子设备及系统 Download PDFInfo
- Publication number
- CN110954827B CN110954827B CN201911297758.5A CN201911297758A CN110954827B CN 110954827 B CN110954827 B CN 110954827B CN 201911297758 A CN201911297758 A CN 201911297758A CN 110954827 B CN110954827 B CN 110954827B
- Authority
- CN
- China
- Prior art keywords
- rotating shaft
- signal
- equal
- motor
- sampling
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005070 sampling Methods 0.000 claims abstract description 80
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 7
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 210000002569 neuron Anatomy 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012952 Resampling Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请提供的故障诊断方法、装置、电子设备及系统，该故障诊断方法用转轴振动信号和定子电流信号作为特征进行故障识别，特征更全面，为实现转轴振动信号和定子电流信号的联合识别，利用等时间间隔采样下采集的电机转速信号将同样是等时间间隔采样下采集的转轴振动信号、定子电流信号，转化为等角度间隔采样下的转轴信号和定子电流信号。相较于现有的单一特征的故障诊断方法，本发明同时使用转轴振动信号和定子电流信号进行故障识别，能及时发现电机及其驱动装置的故障，减少对电机所在生产系统的影响。
Description
技术领域
本发明涉及故障诊断技术领域，尤其涉及一种故障诊断方法、装置、电子设备及系统。
背景技术
随着电机的广泛应用，保证其安全、高效的工作越来越重要，而电机长期处于高电压、高转速、强磁场的场合，其发生故障的频率越来越高。电机的故障诊断就是在故障早期发生时，及时对生产系统调整和维修。
现有电机的故障诊断原理为：获取交流电机的振动信号，通过小波包分解与重构提取振动信号的特征向量，将振动信号的特征向量作为目标纠错输出编码支持向量机的输入，得到与振动信号的特征向量对应的输出向量，将输出向量与用于指示故障类别标签对应的二值编码向量进行对比，以判断电机的故障类型。
然而，现有故障诊断方法仅从振动信号中提取特征进行故障诊断，特征相对单一，不能及时发现电机故障。
发明内容
本发明提供一种故障诊断方法、装置、电子设备及系统，以解决现有方法特征单一不能及时发现电机故障的技术问题。
第一方面，本发明提供一种故障诊断方法，应用于故障诊断装置，故障诊断装置包括：安装于电气设备上的转速传感器，所述电气设备包括电机和其驱动装置，所述电机的转轴与所述驱动装置的转轴连接，方法包括：
获取等时间间隔采样下电机的转轴振动信号、电机的定子电流信号、以及转速传感器采集的转轴转速信号；
根据转轴转速信号将等时间间隔采样下的转轴振动信号和定子电流信号分别转换为等角度间隔采样下的转轴振动信号和定子电流信号；
使用已训练的深度神经网络对等角度间隔采样下的转轴振动信号和定子电流信号进行故障诊断，输出电气设备的诊断结果。
可选地，根据转轴转速信号将等时间间隔采样下的转轴振动信号和定子电流信号分别转换为等角度间隔采样下的转轴振动信号和定子电流信号，具体包括：
根据转轴转速信号获得等角度间隔采样下的采样时刻；
使用采样时刻将等时间间隔采样下的转轴振动信号和定子电流信号分别转换为等角度间隔采样下的转轴振动信号和定子电流信号。
可选地，传感器包括安装于电机转轴上的齿轮盘和安装于齿轮盘附近的涡流传感器，其中，齿轮盘包括多个轮齿；
在获取等时间间隔采样下电机转轴振动信号、定子电流信号、以及转速传感器采集的转轴转速信号之前，还包括：
以等时间间隔采集每个轮齿经过涡流传感器时生成的信号，获得转轴转速信号。
可选地，根据转轴转速信号获得等角度间隔采样的采样时刻，具体包括：
将转轴转速信号转化为脉冲信号序列；其中，每个周期内脉冲信号的数量为齿轮的数量；
根据预设的每个周期内等角度间隔采样的采样数量确定等角度间隔下当前采样时刻所对应的当前脉冲信号；
根据当前脉冲信号的到达时刻、转轴在到达时刻的运动数据、及当前采样时刻转轴转过的角度确定等角度间隔下当前采样时刻。
可选地，在根据当前脉冲信号的到达时刻和转轴在当前时刻的运动数据确定等角度间隔下当前采样时刻，之前还包括：
使用一阶差分算法根据每个齿轮的角度获得每个脉冲信号到达时刻的角速度；
根据每个脉冲信号到达时刻的角速度确定转轴在到达时刻的加速度。
可选地，等时间间隔采样下的转轴振动信号包括：等时间间隔采样下的第一转轴振动信号和等时间间隔采样下的第二转轴振动信号；
其中，第一转轴振动信号的振动方向和第二转轴振动信号的振动方向垂直。
可选地，在根据转轴转速信号将等时间间隔采样下的转轴振动信号和定子电流信号分别转换为等角度间隔采样下的转轴振动信号和定子电流信号，之前还包括：
将第一转轴振动信号和第二转轴振动信号组合成复数形式的转轴振动信号。
第二方面，本发明提供一种故障诊断装置，应用于故障诊断装置，故障诊断装置包括：安装于电气设备上的转速传感器，所述电气设备包括电机和其驱动装置，所述电机的转轴与所述驱动装置的转轴连接，装置包括：
获取模块，用于获取等时间间隔采样下电机的转轴振动信号、定子电流信号、以及转速传感器采集的转轴转速信号；
转换模块，用于根据转轴转速信号将等时间间隔采样下的转轴振动信号和定子电流信号分别转换为等角度间隔采样下的转轴振动信号和定子电流信号；
诊断模块，用于使用已训练的深度神经网络对等角度间隔采样下的转轴振动信号和定子电流信号进行故障诊断，输出电气设备的诊断结果。
第三方面，本发明提供一种电子设备，其特征在于，包括：
存储器，用于存储程序；
处理器，用于执行存储器存储的程序，当程序被执行时，处理器用于执行如第一方面及可选方案所涉及的故障诊断方法。
第四方面，本发明提供一种故障诊断系统，包括安装于电气设备上的转速传感器、安装于所述电气设备上的振动传感器、安装于定子接线端的电流传感器、及处理器，处理器用于执行如第一方面及可选方案所涉及的故障诊断方法。
本申请提供的故障诊断方法、装置、电子设备及系统，该故障诊断方法用转轴振动信号和定子电流信号作为特征进行故障识别，特征更全面，为实现转轴振动信号和定子电流信号的联合识别，利用等时间间隔采样下采集的电机转速信号将同样是等时间间隔采样下采集的转轴振动信号、定子电流信号，转化为等角度间隔采样下的转轴信号和定子电流信号。相较于现有的单一特征的故障诊断方法，本发明同时使用转轴振动信号和定子电流信号进行故障识别，能及时发现电机和驱动装置的故障，减少对电机所在生产系统的影响。
附图说明
图1为本发明根据一示例性实施例示出的故障诊断系统的结构示意图；
图2为本发明根据一示例性实施例示出的故障诊断方法的流程示意图；
图3为本发明根据一示例性实施例示出的故障诊断装置的结构示意图；
图4为本发明根据一示例性实施例示出的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
现有的故障诊断方法仅提取电机的振动信号进行识别，然而，并非所有故障都能够在电机振动信号上体现，因此，现有的故障方法不能够及时发现电机故障，降低电机故障对电机所在生产系统产生的影响。
本发明的发明构思是：同时提取电机的转轴振动信号和定子电流信号，并将等时间间隔采样下采集的转轴振动信号和定子电流信号转化为等角度间隔采样下的转轴振动信号和定子电流信号，以便根据转化后的信号实现电机故障诊断。另外，为了进一步提高故障诊断的准确度，提取两个方向上的转轴振动信号，并联合定子电流信号进行故障诊断。
图1为本发明根据一示例性实施例示出的故障诊断系统的结构示意图。如图1所示，本发明提供的故障诊断系统包括：转速传感器、振动传感器、电流传感器及处理器。该故障诊断系统用于对设备进行故障诊断，其中，上述设备又包括电机和其驱动装置，电机通过联轴器与驱动装置连接，电机用于为驱动装置提供动力。
其中，故障诊断系统包括多对振动传感器，每对振动传感器分别标记为第一振动传感器和第二振动传感器。振动传感器安装于设备上，更具体地，振动传感器安装于驱动装置的转轴上或者电机的转轴上，用于检测转轴上的振动信号。其中，每对振动传感器的振动方向均与电机的转轴垂直，且第一振动传感器的振动方向和第二振动传感器的振动方向垂直。在本实施例中，振动传感器为复合式传感器或单功能传感器，其中，复合式传感器可以采集多种信号，例如：振动信号，温度信号等。单功能传感器仅能采集振动信号。
其中，转速传感器安装于设备上，具体地，转速传感器可安装于电机上或者驱动装置上，实现对转轴转速信号采集。在本实施例中，转速传感器包括齿轮盘和涡流传感器，齿轮盘可安装于电机转轴上或者驱动装置转轴上，涡流传感器安装于齿轮盘附近。电流传感器安装于电机定子接线端。
其中，每对振动传感器采集转轴的振动信号，将每对振动传感器采集到的振动信号标记为第一转轴振动信号和第二转轴振动信号，电流传感器采集电机的定子电流，输出定子电流信号。速度传感器采集每个轮齿经过涡流传感器时生成的信号，输出转轴转速信号。再利用振动传感器的模数转换器对振动信号进行等时间间隔的重采样，输出等时间间隔下的转轴振动信号。利用电流传感器的模数转换器对电流信号进行等时间间隔的重采样，输出等时间间隔下的定子电流信号。利用速度传感器的模数转换器对转速信号进行等时间间隔的重采样，输出等时间间隔下的转速信号。其中，上述三个传感器的模数转换器由一个时钟信号触发。
其中，处理器根据转轴转速信号将等时间间隔采样下的转轴振动信号和定子电流信号分别转换为等角度间隔采样下的转轴振动信号和定子电流信号，再使用已训练的深度神经网络对等角度间隔采样下的转轴振动信号和定子电流信号进行故障诊断，输出电气设备的诊断结果。由于电机与其驱动装置通过联轴器连接，通过识别转轴振动信号和电机定子电流信号，可实现电机和其驱动装置的故障诊断。
图2为本发明根据一示例性实施例示出的故障诊断方法的流程示意图。如图2所示，本发明提供的故障诊断方法包括如下步骤：
S101、获取等时间间隔采样下电机的转轴振动信号、定子电流信号、以及转速传感器采集的转轴转速信号。
更具体地，振动传感器采集转轴振动信号，电流传感器采集电机定子电流，当齿轮盘上每个轮齿经过速度传感器时，速度传感器采集每个轮齿经过涡流传感器时生成的信号，输出转速信号。且上述振动传感器、电流传感器以及速度传感器对应的模数转换器由同一个时钟信号触发，以实现采样频率相同。
S102、根据转轴转速信号将等时间间隔采样下的转轴振动信号和定子电流信号分别转换为等角度间隔采样下的转轴振动信号和定子电流信号。
更具体地，根据转轴转速信号获得等角度间隔采样下的采样时刻。使用采样时刻将等时间间隔采样下的转轴振动信号和定子电流信号分别转换为等角度间隔采样下的转轴振动信号和定子电流信号。
S103、使用已训练的深度神经网络对等角度间隔采样下的转轴振动信号和定子电流信号进行故障诊断，输出电气设备的诊断结果。
更具体地，对等角度间隔采样下的转轴振动信号和定子电流信号进行傅里叶变换，获得频域下的转轴振动信号和定子电流信号。将频域下的转轴振动信号和定子电流信号输入已训练的深度神经网络进行故障诊断，并输出电气电气设备的诊断结果，具体为输出电气设备中电机及其驱动装置的诊断结果。
本实施例提供的故障诊断方法，联合电机转轴的振动信号和定子电流信号进行故障诊断，特征更加全面，能够及时发现电机和驱动装置故障，减少电机故障对生产系统的影响。
下面描述本发明根据另一示例性实施例示出的故障诊断方法，其中，本实施例提供的故障诊断方法包括如下步骤：
S201、获取等时间间隔采样下转轴振动信号、定子电流信号、及转轴转速信号。
更具体地，由两个振动方向垂直的振动传感器分别以等时间间隔采集的第一转轴振动信号和第二转轴振动信号。并将第一转轴振动信号和第二转轴振动信号组合成复数形式的转轴振动信号。
在本实施例中，将第一转轴振动信号和第二转轴振动信号分别标记为：xl(n)和yl(n)。其中，n＝0，…，N-1；l＝1，…，L。其中，L表示振动检测点的数量，N表示等时间间隔采样的采样点数量。对x(n)和y(n)进行处理，提取时域特征，将两个振动信号时间序列中一个作实部，一个作虚部，构造等时间间隔采样复时间序列，表示为：z(n)＝x(n)+jy(n)，其中，j表示虚数，j2＝-1。
定子电流信号和转轴转速信号与图2所示实施例相同，此处不再赘述。定子电流信号标记为：ia(n)，ib(n)，ic(n)，转轴转速信号标记为v(n)。
为了消除电流信号中基波频率的影响，对三相电流ia(n)，ib(n)，ic(n)进行处理，提取时域特征，并计算三相电流Park变换的矢量模平方时间序列is(n)。is(n)的具体表达式如下：
其中，
||2为取模平方运算。
在本实施例中，提取信号的峰峰值、有效值、突出系数、脉冲系数、歪度等参数作为时域特征。
例如：以离心式压缩机的驱动电机为例，在驱动电机的动力输出端和动力输出端的对端径向轴承处安装两对电涡流位移传感器，且每对电涡流位移传感器中，两个电涡流位移传感器的振动方向相互垂直，且与轴系垂直，以检测电机转轴振动。在驱动电机的动力输出端安装电涡流传感器和与之配套的齿轮盘，用于采集转轴转速信号，其中，齿轮盘的齿数Nm＝128，并且均匀分布在齿轮盘上的圆周，在驱动电机的三相定子供电电路上安装三个电流传感器，以采集电机定子电流。
本实施例所用采样率为100kbps，每样点16bit量化，电涡流位移传感器、电涡流传感器、及电流传感器的模数转换器由一个触发时钟控制，以便保证其同步采集。采集的数据长度为N＝20×100kbps。
S202、根据转轴转速信号将等时间间隔采样下的转轴振动信号和定子电流信号分别转换为等角度间隔采样下的转轴振动信号和定子电流信号。
更具体地，根据转轴转速信号获得等角度间隔采样下的采样时刻。使用采样时刻将等时间间隔采样下的转轴振动信号和定子电流信号分别转换为等角度间隔采样下的转轴振动信号和定子电流信号。
其中，根据转轴转速信号获得等角度间隔采样下的采样时刻，具体包括S3001至S3005。
S3001、将转轴转速信号转化为脉冲信号序列。
其中，当齿轮盘上每个轮齿经过速度传感器时，速度传感器采集每个轮齿经过转速传感器时生成的信号，并输出转速信号。因此，转速信号是一个谐波信号，并且在转速信号的一个周期内，波峰的数量为齿轮盘的齿数。
其中，将转轴转速信号转化为脉冲信号序列，具体包括：计算转速信号v(n)的峰峰值Vpp和平均值Vave，并按顺序搜索转速信号v(n)的各个数据，将转速信号v(n)中小于Vave+0.3Vpp的数据则置零，将转速信号v(n)中大于Vave+0.3Vpp的数据则置1。按顺序搜索进行上述处理后的转速信号v(n)中的各个数据，若数据为上升沿的点，则存储上升沿所在时刻，并标记为ti，ti表示第i个上升沿的点所在的时间刻度。将上升沿时间刻度所对应的转速脉冲置为1，也就是v(ti)＝1，把剩余的转速脉冲信号v(n)值全置为零。其中，当转轴旋转一周对应的脉冲信号的数量为齿轮的数量。
S3002、根据预设的每个周期内等角度间隔采样的采样数量确定等角度间隔下当前采样时刻所对应的当前脉冲信号。
其中，根据如下公式计算等角度间隔下当前采样时刻所对应的当前脉冲信号：
其中，k表示当前采样时刻对应转轴旋转一周内的第k个脉冲信号，
表示向下取整，NR表示每个周期内等角度间隔采样的采样数量，在本实施例中为1024，m表示当前采样时刻所对应的已采样次数，例如，在一个周期采样1024次中，当前时刻已经采样500次。Nm表示转轴旋转一周内脉冲的数量，也就是齿轮盘的轮齿个数。
S3003、使用一阶差分算法根据每个齿轮的角度获得每个脉冲信号到达时刻的角速度。
更具体地，使用一阶差分算法计算计算每一脉冲到达时刻的角速度的倒数，再计算每一脉冲到达时刻的角速度。
其中，使用一阶差分算法计算计算每一脉冲到达时刻的角速度的倒数，具体为：
当i＝0时，根据如下公式计算第一个点所在时刻的数字差分：
t′(θ0)＝c[-25t0+48t1-36t2+16t3-3t4]
当i＝1时，根据如下公式计算第二点所在时刻的数字差分：
t′(θ1)＝c[-3t0-10t1+18t2-6t3+1t4]
当1＜i＜Np-2时，根据如下公式计算第i个中间点所在时刻的数字差分
t′(θi)＝c[-ti-2-8ti-1+8ti+1-ti+2]
当i＝Np-2时，根据如下公式计算倒数第二个点所在时刻的数字差分：
当i＝Np-1时，计算最后一点所在时刻的数字差分的计算式为：
其中，0≤i≤Np-1，t′(θi)表示每一脉冲到达时刻的角速度的倒数，Np为累计转过的脉冲的总个数。系数c为常数，c＝1/(12Δθ)，Δθ为ti-1时刻到ti时刻转过的旋转角度。在本实施例中，
其中，根据每一脉冲到达时刻的角速度的倒数计算每一脉冲到达时刻的角速度ω(ti)的倒数t′(θi)，具体包括：根据如下公式计算。
其中，ω(ti)为第i个脉冲的到达时刻ti的转速，θ为累计转角。
S3004、根据每个脉冲信号到达时刻的角速度确定转轴在到达时刻的加速度。
其中，根据每个脉冲信号到达时刻的角速度确定转轴在到达时刻的加速度，具体包括：根据如下公式计算每个脉冲区间加速度。
其中，Δti表示相邻两个脉冲的时间间隔，Δti＝ti-ti-1。
S3005、根据当前脉冲信号的到达时刻、转轴在到达时刻的运动数据、及当前采样时刻转轴转过的角度确定等角度间隔下当前采样时刻。
更具体地，根据如下公式计算当前采样时刻：
Tm＝tk+Δtj
其中，
θj表示第j个样点对应的转角，k表示当前采样时刻对应转轴旋转一周内的第k个脉冲信号。
在本实施例中，NR＝1024，则第j个样点对应的转角
其中，j∈[0，8]，
其中，使用所述采样时刻将所述等时间间隔采样下的转轴振动信号和定子电流信号分别转换为所述等角度间隔采样下的转轴振动信号和定子电流信号，具体为：基于采样定理计算等角度间隔采样下的转轴振动信号和定子电流信号，具体公式如下所示：
其中，Δt表示等时间间隔采样的时间间隔。在本实施例中，Δt＝10微秒。
S203、使用已训练的深度神经网络对等角度间隔采样下的转轴振动信号和定子电流信号进行故障诊断，输出电气设备的诊断结果。
更具体地，使用已训练的深度神经网络对等角度间隔采样下的转轴振动信号和定子电流信号进行故障诊断，输出电气设备的诊断结果，具体包括：对等角度间隔采样下的转轴振动信号和定子电流信号进行傅里叶变换，以获得谐波的特征参数。将谐波的特征参数输入已训练的深度神经网络进行故障诊断，输出电气设备的诊断结果，并根据诊断结果分析电机及其驱动装置的健康状态。
其中，获得谐波特征参数具体包括：对等角度间隔采样转轴振动信号
和定子电流信号iω(m)进行离散傅里叶变换，分别得到
和Iω(k)。其中，，k＝1，…，M。
对感兴趣的p个谐波计算并存储其特征参数，其中，谐波的特征参数计算如下：
IP(k)＝|Iω(k)|2
在本实施例中共选取转频、转频的一倍、二倍、三倍、四倍、五倍频和0.48倍、0.2倍、0.3倍、0.6倍、0.7倍分频的谐波作为期望谐波，加上转轴振动信号和定子电流信号的时域特征构成50维输入向量。
下面描述构建深度神经网络的过程以及对该深度神经网络训练的过程，其中，构建深度神经网络的过程包括S4001至S4005：
S4001、初始化
用于故障诊断的深度神经网络包括一个输入层、q个隐含层、及一个输出层，在区间(0，1)上，随机地初始化输入层与隐含层，以及隐含层与输入层之间的连接权值。
在本实施例中，所选模型为自适应降噪编码器，模型有一个输入层，输入层由50个神经元组成，有3个隐含层，每个隐含层有100个神经单元，隐含层与隐含层间采用全连接，一个有24个神经元组成的输出层，隐含层与输出层之间采用全连接。
S4002、计算隐含层各处理单元的输出
根据如下公式计算隐含层各处理单元的输出方程，具体为：
式中，ωl，j，m是联络第l-1输入层的第m个神经元与第l隐含层的第j个神经元相联系的权值；μl-1，m是第l-1输入层第m个神经元的输出值；Nl-1是第l-1输入层神经元的个数。
S4003、计算输出层各神经元的输出
根据如下公式计算输出层各神经元的输出，具体为：
式中，ωL，j，m为输出层第j个神经元与隐含层第m个神经元相联系的权值，μl，m为第l隐含层第m个神经元的输出值，Nl为隐含层神经元的个数。
S4004、对隐含层与输入层、输出层之间的权值进行调整
根据如下公式对隐含层与输入层、输出层之间的权值进行调整，具体为：
式中，ωl，j，i(k+1)是第k+1调整的权值，ωl，i，i(k)是第k调整的权值，u是正的常数，称为学习率，用以调整学习步长。
S4005、重复S4002至S4004，直至达到误差校正值为止。
其中，对深度神经网络进行训练具体包括：
获得异步电动机的历史设备状态信息和历史设备状态信息对应的历史特征，构造故障样本集。可以采取步骤S201和S202的方式获得历史设备状态信息对应的历史特征。将故障样本集分为训练样本集、测试样本集。
使用训练样本集对深度神经网络进行训练，在训练完之后，采用测试样本集对深度神经网络进行测试，若测试结果中深度神经网络的识别准确率达到预设值，则无需继续训练深度神经网络，若未达到预设值，则重新选择训练样本集对深度神经网络继续训练，以对深度神经网络的参数进行调整，得到已训练的深度神经网络。
在本实施例提供的故障诊断方法中，提取两个方向上的转轴振动信号，并联合定子电流信号，将等时间间隔采样下采集的转轴振动信号和定子电流信号转化为等角度间隔采样下的转轴振动信号和定子电流信号，以便根据转化后的信号实现电气设备故障诊断，采用多个故障特征进行识别处理，提高了故障诊断的准确度。
图3为本发明根据一示例性实施例示出的故障诊断装置的结构示意图，如图3所示，本发明提供一种故障诊断装置，应用于故障诊断装置，故障诊断装置500包括：安装于电气设备上的转速传感器，所述电气设备包括电机和其驱动装置，所述电机的转轴与所述驱动装置的转轴连接，装置包括：
获取模块501，用于获取等时间间隔采样下电机的转轴振动信号、定子电流信号、以及转速传感器采集的转轴转速信号；
转换模块502，用于根据转轴转速信号将等时间间隔采样下的转轴振动信号和定子电流信号分别转换为等角度间隔采样下的转轴振动信号和定子电流信号；
诊断模块503，用于使用已训练的深度神经网络对等角度间隔采样下的转轴振动信号和定子电流信号进行故障诊断，输出电气设备的诊断结果。
可选地，转换模块502，具体用于：
根据转轴转速信号获得等角度间隔采样下的采样时刻；
使用采样时刻将等时间间隔采样下的转轴振动信号和定子电流信号分别转换为等角度间隔采样下的转轴振动信号和定子电流信号。
可选地，传感器包括安装于电机的转轴上的齿轮盘和安装于齿轮盘附近的涡流传感器，其中，齿轮盘包括多个轮齿；装置还包括：
获得模块504，用于以等时间间隔采集每个轮齿经过转速传感器时生成的信号，获得转轴转速信号。
可选地，转换模块502具体用于：
将转轴转速信号转化为脉冲信号序列；其中，每个周期内脉冲信号的数量为齿轮的数量；
根据预设的每个周期内等角度间隔采样的采样数量确定等角度间隔下当前采样时刻所对应的当前脉冲信号；
根据当前脉冲信号的到达时刻、转轴在到达时刻的运动数据、及当前采样时刻转轴转过的角度确定等角度间隔下当前采样时刻。
可选地，转换模块502还用于：
使用一阶差分算法根据齿轮的数量获得每个脉冲信号到达时刻的角速度；
根据每个脉冲信号到达时刻的角速度确定转轴在到达时刻的加速度。
可选地，等时间间隔采样下的转轴振动信号包括：等时间间隔采样下的第一转轴振动信号和等时间间隔采样下的第二转轴振动信号；
其中，第一转轴振动信号的振动方向和第二转轴振动信号的振动方向垂直。
可选地，转换模块502还用于：
将第一转轴振动信号和第二转轴振动信号组合成复数形式的转轴振动信号。
图4为本发明根据一示例性实施例示出的电子设备的结构示意图。如图4所示，本实施例的电子设备600包括：处理器601以及存储器602。
其中，存储器602，用于存储计算机执行指令；
处理器601，用于执行存储器存储的计算机执行指令，以实现上述实施例中接收设备所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选的，存储器602既可以是独立的，也可以跟处理器601集成在一起。
当存储器602独立设置时，该电子设备600还包括总线603，用于连接存储器602和处理器601。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现上述的故障诊断方法。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种故障诊断方法，其特征在于，应用于故障诊断装置，所述故障诊断装置包括：安装于电气设备电机上的转速传感器，所述电气设备包括电机和其驱动装置，所述电机的转轴与所述驱动装置的转轴连接，所述转速传感器包括安装于所述电机转轴上的齿轮盘和安装于所述齿轮盘附近的涡流传感器，其中，所述齿轮盘包括多个轮齿；所述方法包括：
以等时间间隔采样每个所述轮齿经过所述涡流传感器时生成的信号，获得转轴转速信号；
获取所述等时间间隔采样下的电机转轴振动信号、所述电机的定子电流信号；
将所述转轴转速信号转化为脉冲信号序列；其中，每个周期内脉冲信号的数量为所述轮齿的数量；
根据预设的每个周期内等角度间隔采样的采样数量确定所述等角度间隔下当前采样时刻所对应的当前脉冲信号；
使用一阶差分算法根据每个轮齿的角度获得每个脉冲信号到达时刻的角速度；
根据所述每个脉冲信号到达时刻的角速度确定所述转轴在所述到达时刻的加速度；
根据所述当前脉冲信号的到达时刻、所述转轴在所述到达时刻的运动数据、及所述当前采样时刻所述转轴转过的角度确定所述等角度间隔下当前采样时刻；
使用所述采样时刻将所述等时间间隔采样下的转轴振动信号和定子电流信号分别转换为所述等角度间隔采样下的转轴振动信号和定子电流信号；
使用已训练的深度神经网络对所述等角度间隔采样下的转轴振动信号和定子电流信号进行故障诊断，输出所述电气设备的诊断结果。
2.根据权利要求1所述的方法，其特征在于：
所述等时间间隔采样下的转轴振动信号包括：等时间间隔采样下的第一转轴振动信号和等时间间隔采样下的第二转轴振动信号；
其中，所述第一转轴振动信号的振动方向和所述第二转轴振动信号的振动方向垂直。
3.根据权利要求2所述的方法，其特征在于，在所述根据所述转轴转速信号将所述等时间间隔采样下的转轴振动信号和定子电流信号分别转换为等角度间隔采样下的转轴振动信号和定子电流信号，之前还包括：
将所述第一转轴振动信号和第所述二转轴振动信号组合成复数形式的转轴振动信号。
4.一种故障诊断装置，其特征在于，应用于故障诊断装置，所述故障诊断装置包括：安装于电气设备上的转速传感器，所述电气设备包括电机和其驱动装置，所述电机的转轴与所述驱动装置的转轴连接，所述转速传感器包括安装于所述电机转轴上的齿轮盘和安装于所述齿轮盘附近的涡流传感器，其中，所述齿轮盘包括多个轮齿，所述装置包括：
获取模块，用于以等时间间隔采样每个所述轮齿经过所述涡流传感器时生成的信号，获得转轴转速信号；获取所述等时间间隔采样下电机的转轴振动信号、所述电机的定子电流信号；
转换模块，用于根据所述转轴转速信号获得等角度间隔采样下的采样时刻；使用所述采样时刻将所述等时间间隔采样下的转轴振动信号和定子电流信号分别转换为所述等角度间隔采样下的转轴振动信号和定子电流信号；
诊断模块，用于使用已训练的深度神经网络对所述等角度间隔采样下的转轴振动信号和定子电流信号进行故障诊断，输出所述电气设备的诊断结果；
所述转换模块，具体用于将所述转轴转速信号转化为脉冲信号序列；其中，每个周期内脉冲信号的数量为所述轮齿的数量；
根据预设的每个周期内等角度间隔采样的采样数量确定所述等角度间隔下当前采样时刻所对应的当前脉冲信号；
使用一阶差分算法根据每个轮齿的角度获得每个脉冲信号到达时刻的角速度；
根据所述每个脉冲信号到达时刻的角速度确定所述转轴在所述到达时刻的加速度；
根据所述当前脉冲信号的到达时刻、所述转轴在所述到达时刻的运动数据、及所述当前采样时刻所述转轴转过的角度确定所述等角度间隔下当前采样时刻。
5.一种电子设备，其特征在于，包括：
存储器，用于存储程序；
处理器，用于执行所述存储器存储的所述程序，当所述程序被执行时，所述处理器用于执行如权利要求1至3中任一所述的故障诊断方法。
6.一种故障诊断系统，其特征在于，包括安装于电气设备上的转速传感器、安装于所述电气设备上的振动传感器、安装于定子接线端的电流传感器及处理器，所述处理器用于执行如权利要求1至3中任一所述的故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911297758.5A CN110954827B (zh) | 2019-12-17 | 2019-12-17 | 故障诊断方法、装置、电子设备及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911297758.5A CN110954827B (zh) | 2019-12-17 | 2019-12-17 | 故障诊断方法、装置、电子设备及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110954827A CN110954827A (zh) | 2020-04-03 |
| CN110954827B true CN110954827B (zh) | 2022-04-19 |
Family
ID=69982100
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911297758.5A Active CN110954827B (zh) | 2019-12-17 | 2019-12-17 | 故障诊断方法、装置、电子设备及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110954827B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111830435B (zh) * | 2020-07-27 | 2021-07-13 | 北京航空航天大学 | 一种六相永磁容错电机系统功率管开路故障诊断方法 |
| CN112325932A (zh) * | 2020-10-28 | 2021-02-05 | 广东寰球智能科技有限公司 | 基于交流电机的监测方法及监测装置 |
| CN113391207A (zh) * | 2021-04-01 | 2021-09-14 | 国网宁夏电力有限公司检修公司 | 一种电机故障的检测方法、介质及系统 |
| CN113325314A (zh) * | 2021-07-20 | 2021-08-31 | 安徽巨森电器有限公司 | 一种电机故障诊断方法 |
| CN114755442B (zh) * | 2022-04-18 | 2023-01-03 | 广州汽车集团股份有限公司 | 转速获取方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103294849B (zh) * | 2013-05-08 | 2015-11-18 | 大连交通大学 | 基于rbf神经网络的交流电机故障诊断模型构造方法 |
| CN104180895B (zh) * | 2013-05-24 | 2017-03-22 | 安徽容知日新科技股份有限公司 | 旋转机械的振动信号同步采集装置及振动信号采集方法 |
| CN108614940A (zh) * | 2018-05-02 | 2018-10-02 | 湖南大学 | 一种永磁同步电机性能退化评估方法和系统 |
| CN109342057A (zh) * | 2018-10-18 | 2019-02-15 | 清研众智测试技术（天津）有限公司 | 一种具有高速数据采集功能的传动部件测试系统 |
-
2019
- 2019-12-17 CN CN201911297758.5A patent/CN110954827B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110954827A (zh) | 2020-04-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110954827B (zh) | 故障诊断方法、装置、电子设备及系统 | |
| JP5932022B2 (ja) | 電気機械システムの状態を監視する方法及び装置 | |
| Singh et al. | Gearbox fault diagnosis under non-stationary conditions with independent angular re-sampling technique applied to vibration and sound emission signals | |
| WO2018043009A1 (ja) | 状態監視装置 | |
| CN111665051A (zh) | 基于能量权重法的强噪声变转速条件下轴承故障诊断方法 | |
| US8589115B2 (en) | System and method for estimating torque and rotational speed of motor | |
| JP6000360B2 (ja) | 電気機械系の診断を行うための定常信号を求める方法および装置 | |
| CN110907864B (zh) | 电机定子绕组的故障检测方法、装置、设备及存储介质 | |
| CN113486868B (zh) | 一种电机故障诊断方法及系统 | |
| CN111259765A (zh) | 一种基于数控机床主轴电流信号的阶次分析方法 | |
| CN105628176A (zh) | 一种旋转机械扭转振动信号采集分析方法 | |
| CN105277362A (zh) | 基于编码器多位转角信号的齿轮故障检测方法 | |
| CN110376437B (zh) | 一种克服非阶次频率成分干扰的阶次分析方法 | |
| CN110988676B (zh) | 机械设备故障诊断方法、装置及存储介质 | |
| CN112326987B (zh) | 基于水下声信号的海上风机非接触式叶轮转速监测方法 | |
| KhajueeZadeh et al. | A high-accuracy two-stage deep learning-based resolver to digital converter | |
| CN110133316A (zh) | 一种光电编码器精密测速系统及方法 | |
| CN113029553B (zh) | 齿轮箱轴转速信息提取方法、系统、装置及存储介质 | |
| EP3657188B1 (en) | Health monitoring method and device for a permanent magnet electric machine | |
| CN114454213B (zh) | 基于eemd-ht-峭度分析的工业机器人关节电流信号异常检测方法 | |
| CN114486252B (zh) | 一种矢量模极大值包络的滚动轴承故障诊断方法 | |
| CN110779723B (zh) | 一种基于霍尔信号的变速工况电机轴承精确故障诊断方法 | |
| CN110569478B (zh) | 用于编码器信号分析的改进变分模态分解方法 | |
| CN108627357B (zh) | 一种采煤机截割载荷软测量方法 | |
| Crabtree et al. | Condition monitoring algorithm suitable for wind turbine use |
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 |