CN110988673B - 电机转子故障检测方法、装置及终端设备 - Google Patents

电机转子故障检测方法、装置及终端设备 Download PDF

Info

Publication number
CN110988673B
CN110988673B CN201911072407.4A CN201911072407A CN110988673B CN 110988673 B CN110988673 B CN 110988673B CN 201911072407 A CN201911072407 A CN 201911072407A CN 110988673 B CN110988673 B CN 110988673B
Authority
CN
China
Prior art keywords
optimizing
neural network
preset
rotor
particles
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
Application number
CN201911072407.4A
Other languages
English (en)
Other versions
CN110988673A (zh
Inventor
杨鹏
李天辉
贾伯岩
陈二松
相晨萌
饶群
史善哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd, State Grid Hebei Energy Technology Service Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201911072407.4A priority Critical patent/CN110988673B/zh
Publication of CN110988673A publication Critical patent/CN110988673A/zh
Application granted granted Critical
Publication of CN110988673B publication Critical patent/CN110988673B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • 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
    • G01R31/346—Testing of armature or field windings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • G06N3/08—Learning methods

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

本发明提供了一种电机转子故障检测方法、装置及终端设备，该方法包括：对预设神经网络的网络参数进行初始化；基于初始化后的预设神经网络的网络参数和预设寻优模型进行参数寻优，得到最优网络参数；将最优网络参数作为预设神经网络的当前网络参数，并基于当前网络参数和转子状态检测信号样本对预设神经网络进行训练；获取待检测转子的状态检测信号，并将所述状态检测信号输入至训练完成的预设神经网络，得到待检测转子的故障状态评估结果。本发明提供的转子故障检测方法、装置及终端设备能够提高转子故障状态检测的准确性。

Description

电机转子故障检测方法、装置及终端设备
技术领域
本发明属于故障检测技术领域，更具体地说，是涉及一种电机转子故障检测方法、装置及终端设备。
背景技术
转子是电机的重要组成部件。电机正常运行时,转子长期处于转动的工作状态，且旋转速度很高。高速旋转使转子承受着巨大的机械应力和热负荷，导致转子发生故障变得非常常见，所以对转子进行故障诊断尤为重要。近年来，由于大数据分析的迅速崛起，基于大数据分析方法实现电机转子的故障状态检测成为一个大的趋势。
目前，现有技术的大数据分析方法中有涉及基于BP算法、遗传算法、粒子群算法等进行电机转子故障状态检测的仿真试验，试验证明虽然这些算法能够实现电机转子故障状态的检测，但由于各个算法在学习寻优过程中，在收敛速度、收敛精度以及计算量方面都有不同程度的局限，因此应用上述算法进行电机转子的故障状态检测时，容易陷入局部最优而导致检测结果不准。
发明内容
本发明的目的在于提供一种电机转子故障检测方法、装置及终端设备，以提高转子故障状态检测的准确性。
本发明实施例的第一方面，提供了一种电机转子故障检测方法，包括：
对预设神经网络的网络参数进行初始化；
基于初始化后的预设神经网络的网络参数和预设寻优模型进行参数寻优，得到最优网络参数；
将最优网络参数作为预设神经网络的当前网络参数，并基于当前网络参数和转子状态检测信号样本对预设神经网络进行训练；
获取待检测转子的状态检测信号，并将所述状态检测信号输入至训练完成的预设神经网络，得到待检测转子的故障状态评估结果。
本发明实施例的第二方面，提供了一种电机转子故障检测装置，包括：
初始化模块，用于对预设神经网络的网络参数进行初始化；
参数寻优模块，用于基于初始化后的预设神经网络的网络参数和预设寻优模型进行参数寻优，得到最优网络参数；
网络训练模块，用于将最优网络参数作为预设神经网络的当前网络参数，并基于当前网络参数和转子状态检测信号样本对预设神经网络进行训练；
故障状态检测模块，用于获取待检测转子的状态检测信号，并将所述状态检测信号输入至训练完成的预设神经网络，得到待检测转子的故障状态评估结果。
本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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的电机转子故障检测方法的步骤。
本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的电机转子故障检测方法的步骤。
本发明实施例提供的电机转子故障检测方法、装置及终端设备的有益效果在于：相对于现有技术中直接使用预设神经网络自身的学习机制对网络参数进行更新，本发明实施例通过预设寻优模型进行参数寻优确定最优网络参数，在最优网络参数的基础上对预设神经网络进行训练，不仅能够更准确地确定网络参数，还能有效减少预设神经网络的计算量。在此基础上，将待检测转子的状态检测信号输入至训练完成的预设神经网络进行故障状态检测，可以得到相对于现有技术更准确的故障状态检测结果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述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他的附图。
图1为本发明一实施例提供的电机转子故障检测方法的流程示意图；
图2为本发明另一实施例提供的电机转子故障检测方法的流程示意图；
图3为本发明再一实施例提供的电机转子故障检测方法的流程示意图；
图4为本发明又一实施例提供的电机转子故障检测方法的流程示意图；
图5为本发明又一实施例提供的电机转子故障检测方法的流程示意图；
图6为本发明一实施例提供的电机转子故障检测装置的结构框图；
图7为本发明一实施例提供的终端设备的示意框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，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。
请参考图1，图1为本发明一实施例提供的电机转子故障检测方法的流程示意图，该方法包括：
S101：对预设神经网络的网络参数进行初始化。
S102：基于初始化后的预设神经网络的网络参数和预设寻优模型进行参数寻优，得到最优网络参数。
在本实施例中，基于初始化后的预设神经网络的网络参数对预设寻优模型中的位置参数进行初始化，将预设神经网络的网络参数进化过程转化为寻优粒子位置参数的寻优过程，通过对寻优粒子的位置参数的优化确定最优网络参数。
S103：将最优网络参数作为预设神经网络的当前网络参数，并基于当前网络参数和转子状态检测信号样本对预设神经网络进行训练。
在本实施例中，可基于最优网络参数下对预设神经网络进行训练，在最优网络参数的基础上根据训练得到的误差对最优网络参数进行微调，以提高预设神经网络的判断准确度。其中，前述“误差”指的是将转子状态检测信号样本输入至预设神经网络后，预设神经网络预期输出值和实际输出值的差值。
其中，转子状态检测信号可以为电机转子绕组的电压分布、直流阻抗、交流阻抗参数，也可以为电机的振动信号，也可以为电机内冷水含量、压力、流量、PH值、温度等信号，也可以为电机定子、转子绝缘压板的松紧度。在本实施例中，可采集各种运行环境下电机的状态检测信号组成状态检测信号样本来训练预设神经网络。可选地，转子状态检测信号样本中可以包含上述状态检测信号中的至少一种。
S104：获取待检测转子的状态检测信号，并将状态检测信号输入至训练完成的预设神经网络，得到待检测转子的故障状态。
在本实施例中，获取待检测转子的状态检测信号后，对该状态检测信号进行预处理，将预处理后的状态检测信号输入至训练完成的预设神经网络即可确定待检测转子的故障状态评估结果。
由上可以得出，相对于现有技术中直接使用预设神经网络自身的学习机制对网络参数进行更新，本发明实施例通过预设寻优模型进行参数寻优确定最优网络参数，在最优网络参数的基础上对预设神经网络进行训练，不仅能够更准确地确定网络参数，还能有效减少预设神经网络的计算量。在此基础上，将待检测转子的状态检测信号输入至训练完成的预设神经网络进行故障状态检测，可以得到相对于现有技术更准确的故障状态检测结果。
请一并参考图1及图2，图2为本申请另一实施例提供的电机转子故障检测方法的流程示意图。在上述实施例的基础上，步骤S102可以详述为：
S11：随机生成k个寻优粒子，并基于初始化后的预设神经网络的网络参数对k个寻优粒子的位置参数进行初始化。
S12：基于每个寻优粒子的位置参数对该寻优粒子的适应度进行计算。
S13：根据寻优粒子适应度的计算结果删除预设比例的寻优粒子，得到剩余寻优粒子。
在本实施例中，预设比例可以为0.1～0.25之间的任意值。步骤S13可以详述为：首先根据寻优粒子的适应度对寻优粒子进行升序排序，根据预设比例将前n个寻优粒子删除。也就是说，本发明实施例可通过淘汰适应度值较低的寻优粒子来加快剩余寻优粒子的进化能力以及整个寻优过程的寻优进度。
S14：更新剩余寻优粒子的位置参数，并选取剩余寻优粒子中适应度最高的两个寻优粒子进行交叉变异。
在本实施例中，可以多次更新剩余寻优粒子的位置参数，在进行多次更新后，再选取剩余寻优粒子中适应度最高的两个寻优粒子进行交叉变异，以加快整个寻优过程的进度。
S15：检测步骤S14的执行次数是否达到预设阈值，若步骤S14的执行次数达到预设阈值，则将剩余寻优粒子中适应度最高的寻优粒子的位置参数作为最优网络参数输出。若步骤S14的执行次数未达到预设阈值，则返回执行步骤S12～S14。
在本发明实施例的寻优过程中，通过交叉变异利用了遗传算法搜索最优解的优势，通过位置参数的更新利用了粒子群算法收敛速度快的优势，因此可快速准确地进行位置参数的寻优，进而提高了预设神经网络网络参数的准确度。
请一并参考图2及图3，图3为本申请再一实施例提供的电机转子故障检测方法的流程示意图，在上述实施例的基础上，基于初始化后的预设神经网络的网络参数对k个寻优粒子的位置参数进行初始化，可以详述为：
S301：对初始化后的预设神经网络的网络参数进行k次随机变换，得到k个预设神经网络的网络参数。
S302：基于k个预设神经网络的网络参数对k个寻优粒子的位置参数进行初始化。
在本实施例中，可直接将k个预设神经网络的网络参数作为k个寻优粒子初始化的位置参数。
可选地，作为本发明提供的电机转子故障检测方法的一个具体实施方式，对于某一个寻优粒子，该寻优粒子的适应度确定方法为：
Figure BDA0002261376340000061
其中，Lp(j)(xr,xs)为位置参数为p(j)的寻优粒子的适应度值，xr为网络参数为p(j)的预设神经网络的预期输出值，xs为网络参数为p(j)的预设神经网络的实际输出值，E为xr和xs的数据维数。
可选地，作为本发明提供的电机转子故障检测方法的一个具体实施方式，对于某一个寻优粒子，该寻优粒子的位置参数更新方法为：
p(j)new＝p(j)old+wv(j)old+c1r1(pig(j)-p(j)old)+c2r2(pg(j)-p(j)old)
其中，p(j)new为更新后的该寻优粒子的位置参数，p(j)old为更新前的该寻优粒子的位置参数，w为惯性权重，v(j)old为该寻优粒子的移动速度，c1和c2为预设值，r1和r2为(0，1)之间的随机数，pig(j)为该寻优粒子的最优位置，pg(j)为当前剩余寻优粒子中适应度值最高的寻优粒子的位置参数。
在本实施例中，c1和c2均大于0。
其中，该寻优粒子的最优位置指的是：从该寻优粒子的位置参数初始化开始，该寻优粒子的适应度值最大时对应的位置。
请一并参考图1及图4，作为本发明提供的电机转子故障检测方法的一个具体实施方式，在上述实施例的基础上，基于当前网络参数和转子状态检测信号样本对预设神经网络进行训练，可以详述为：
S21：在当前网络参数下，将转子状态检测信号样本输入至预设神经网络。
S22：计算预设神经网络预期输出值和实际输出值的误差。
S23：若该误差在误差允许范围内，则确定预设神经网络训练完成。若该误差未在预设误差允许范围内，则对预设神经网络的网络参数进行微调，将微调后的网络参数作为当前网络参数，并返回执行步骤S21。
在本实施例中，根据预设寻优模型得到的最优网络参数为预设神经网络的初始最优网络参数，在将预设寻优模型得到的最优网络参数作为当前网络参数后，基于步骤S21～S23对预设神经网络进行训练。本发明实施例对预设神经网络的网络参数微调的意义在于进一步提高预设神经网络的检测准确性，以弥补网络参数寻优过程的局限性。
请一并参考图1及图5，作为本发明提供的电机转子故障检测方法的一个具体实施方式，在上述实施例的基础上，在将待检测转子的状态检测信号输入至训练完成的预设神经网络之前，还包括对状态检测信号的预处理过程，该预处理过程可以详述为：
S501：对状态检测信号进行小波分解与重构，得到重构状态检测信号。
S502：对重构状态检测信号进行特征提取，得到预处理后的状态检测信号。
在本实施例中，在采集到状态检测信号后，可对该状态检测信号进行三层小波包分解重构，并从中提取各频带取内的信号特征。假设状态检测信号通过小波包分解处理后第3层第个频带的重构信号为S(3,j(t))，则对应的信号能量E(3,j)为：
E(3,j)＝|S(3,j(t))|2dt
则有：
Figure BDA0002261376340000071
其中，xij为重构信号S(3,j(t))的离散点的幅值(j的取值范围为[0,2m-1]，m为小波包分解层数)，n为故障重构信号采样点数。
对应于上文实施例的电机转子故障检测方法，图6为本发明一实施例提供的电机转子故障检测装置的结构框图。为了便于说明，仅示出了与本发明实施例相关的部分。参考图6，该装置包括：初始化模块610，参数寻优模块620，网络训练模块630，故障状态检测模块640。
其中，初始化模块610，用于对预设神经网络的网络参数进行初始化。
参数寻优模块620，用于基于初始化后的预设神经网络的网络参数和预设寻优模型进行参数寻优，得到最优网络参数。
网络训练模块630，用于将最优网络参数作为预设神经网络的当前网络参数，并基于当前网络参数和转子状态检测信号样本对预设神经网络进行训练。
故障状态检测模块640，用于获取待检测转子的状态检测信号，并将状态检测信号输入至训练完成的预设神经网络，得到待检测转子的故障状态评估结果。
参考图6，在本发明的另一个实施例中，参数寻优模块620具体用于执行以下步骤：
S11：随机生成k个寻优粒子，并基于初始化后的预设神经网络的网络参数对k个寻优粒子的位置参数进行初始化。
S12：基于每个寻优粒子的位置参数对该寻优粒子的适应度进行计算。
S13：根据寻优粒子适应度的计算结果删除预设比例的寻优粒子，得到剩余寻优粒子。
S14：更新剩余寻优粒子的位置参数，并选取剩余寻优粒子中适应度最高的两个寻优粒子进行交叉变异。
S15：检测步骤S14的执行次数是否达到预设阈值，若步骤S14的执行次数达到预设阈值，则将剩余寻优粒子中适应度最高的寻优粒子的位置参数作为最优网络参数输出。若步骤S14的执行次数未达到预设阈值，则返回执行步骤S12～S14。
可选地，作为本发明实施例提供的电机转子故障检测装置的一种具体实施方式，在将脉冲信号训练集输入至卷积神经网络之前，还可以包括：
对脉冲信号训练集进行分类，得到多个子训练集，其中，每个子训练集中包括电缆非故障时的局部放电脉冲信号数据以及至少一种电缆故障时的局部放电脉冲信号数据。
可选地，作为本发明实施例提供的电机转子故障检测装置的一种具体实施方式，基于初始化后的预设神经网络的网络参数对k个寻优粒子的位置参数进行初始化，可以详述为：
对初始化后的预设神经网络的网络参数进行k次随机变换，得到k个预设神经网络的网络参数。
基于k个预设神经网络的网络参数对k个寻优粒子的位置参数进行初始化。
可选地，作为本发明实施例提供的电机转子故障检测装置的一种具体实施方式，对于某一个寻优粒子，该寻优粒子的适应度确定方法为：
Figure BDA0002261376340000091
其中，Lp(j)(xr,xs)为位置参数为p(j)的寻优粒子的适应度值，xr为网络参数为p(j)的预设神经网络的预期输出值，xs为网络参数为p(j)的预设神经网络的实际输出值，E为xr和xs的数据维数。
可选地，作为本发明实施例提供的电机转子故障检测装置的一种具体实施方式，对于某一个寻优粒子，该寻优粒子的位置参数更新方法为：
p(j)new＝p(j)old+wv(j)old+c1r1(pig(j)-p(j)old)+c2r2(pg(j)-p(j)old)
其中，p(j)new为更新后的该寻优粒子的位置参数，p(j)old为更新前的该寻优粒子的位置参数，w为惯性权重，v(j)old为该寻优粒子的移动速度，c1和c2为预设值，r1和r2为(0，1)之间的随机数，pig(j)为该寻优粒子的最优位置，pg(j)为当前剩余寻优粒子中适应度值最高的寻优粒子的位置参数。
参考图6，在本发明的另一个实施例中，网络训练模块630具体用于执行以下步骤：
S21：在当前网络参数下，将转子状态检测信号样本输入至预设神经网络。
S22：计算预设神经网络预期输出值和实际输出值的误差。
S23：若该误差在误差允许范围内，则确定预设神经网络训练完成。若该误差未在预设误差允许范围内，则对预设神经网络的网络参数进行微调，将微调后的网络参数作为当前网络参数，并返回执行步骤S21。
参考图6，在本发明的另一个实施例中，电机转子故障检测装置还可以包括预处理模块650，该预处理模块650具体执行以下步骤：
对状态检测信号进行小波分解与重构，得到重构状态检测信号。
对重构状态检测信号进行特征提取，得到预处理后的状态检测信号。
参见图7，图7为本发明一实施例提供的终端设备的示意框图。如图7所示的本实施例中的终端700可以包括：一个或多个处理器701、一个或多个输入设备702、一个或多个输出设备703及一个或多个存储器704。上述处理器701、输入设备702、则输出设备703及存储器704通过通信总线705完成相互间的通信。存储器704用于存储计算机程序，计算机程序包括程序指令。处理器701用于执行存储器704存储的程序指令。其中，处理器701被配置用于调用程序指令执行以下操作上述各装置实施例中各模块/单元的功能，例如图6所示模块610至650的功能。
应当理解，在本发明实施例中，所称处理器701可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备702可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出设备703可以包括显示器(LCD等)、扬声器等。
该存储器704可以包括只读存储器和随机存取存储器，并向处理器701提供指令和数据。存储器704的一部分还可以包括非易失性随机存取存储器。例如，存储器704还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器701、输入设备702、输出设备703可执行本发明实施例提供的电机转子故障检测方法的第一实施例和第二实施例中所描述的实现方式，也可执行本发明实施例所描述的终端的实现方式，在此不再赘述。
在本发明的另一实施例中提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令被处理器执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元，例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的终端和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种电机转子故障检测方法，其特征在于，包括：
对预设神经网络的网络参数进行初始化；基于初始化后的预设神经网络的网络参数和预设寻优模型进行参数寻优，得到最优网络参数；将最优网络参数作为预设神经网络的当前网络参数，并基于当前网络参数和转子状态检测信号样本对预设神经网络进行训练；获取待检测转子的状态检测信号，并将状态检测信号输入至训练完成的预设神经网络，得到待检测转子的故障状态评估结果；
其中，所述转子状态检测信号包括：电机转子绕组的电压分布、直流阻抗、交流阻抗参数，还包括电机的振动信号，还包括电机内冷水含量、压力、流量、PH值、温度数据，还包括电机定子、转子绝缘压板的松紧度；
其中，基于初始化后的预设神经网络的网络参数和预设寻优模型进行参数寻优，得到最优网络参数，包括：S11：随机生成k个寻优粒子，对初始化后的预设神经网络的网络参数进行k次随机变换，得到k个预设神经网络的网络参数；基于k个预设神经网络的网络参数对k个寻优粒子的位置参数进行初始化；S12：基于每个寻优粒子的位置参数对该寻优粒子的适应度进行计算；S13：根据寻优粒子适应度的计算结果删除预设比例的寻优粒子，得到剩余寻优粒子；S14：更新剩余寻优粒子的位置参数，并选取剩余寻优粒子中适应度最高的两个寻优粒子进行交叉变异；S15：检测步骤S14的执行次数是否达到预设阈值，若步骤S14的执行次数达到预设阈值，则将剩余寻优粒子中适应度最高的寻优粒子的位置参数作为最优网络参数输出；若步骤S14的执行次数未达到预设阈值，则返回执行步骤S12～S14；其中，步骤S13包括：根据寻优粒子的适应度对寻优粒子进行升序排序，根据预设比例将前n个寻优粒子删除，以淘汰适应度值低的n个寻优粒子，加快剩余寻优粒子的进化能力。
2.如权利要求1所述的电机转子故障检测方法，其特征在于，对于某一个寻优粒子，该寻优粒子的适应度确定方法为：
Figure FDA0003664945200000021
其中，Lp(j)(xr,xs)为位置参数为p(j)的寻优粒子的适应度值，xr为网络参数为p(j)的预设神经网络的预期输出值，xs为网络参数为p(j)的预设神经网络的实际输出值，E为xr和xs的数据维数。
3.如权利要求1所述的电机转子故障检测方法，其特征在于，对于某一个寻优粒子，该寻优粒子的位置参数更新方法为：
p(j)new＝p(j)old+wv(j)old+c1r1(pig(j)-p(j)old)+c2r2(pg(j)-p(j)old)
其中，p(j)new为更新后的该寻优粒子的位置参数，p(j)old为更新前的该寻优粒子的位置参数，w为惯性权重，v(j)old为该寻优粒子的移动速度，c1和c2为预设值，r1和r2为(0，1)之间的随机数，pig(j)为该寻优粒子的最优位置，pg(j)为当前剩余寻优粒子中适应度值最高的寻优粒子的位置参数。
4.如权利要求1所述的电机转子故障检测方法，其特征在于，所述基于当前网络参数和转子状态检测信号样本对预设神经网络进行训练，包括：
S21：在当前网络参数下，将转子状态检测信号样本输入至预设神经网络；
S22：计算预设神经网络预期输出值和实际输出值的误差；
S23：若该误差在误差允许范围内，则确定预设神经网络训练完成；若该误差未在预设误差允许范围内，则对预设神经网络的网络参数进行微调，将微调后的网络参数作为当前网络参数，并返回执行步骤S21。
5.如权利要求1-4任一项所述的电机转子故障检测方法，其特征在于，在将待检测转子的状态检测信号输入至训练完成的预设神经网络之前，还包括对所述状态检测信号的预处理过程；所述预处理过程包括：
对所述状态检测信号进行小波分解与重构，得到重构状态检测信号；
对所述重构状态检测信号进行特征提取，得到预处理后的状态检测信号。
6.一种电机转子故障检测装置，其特征在于，包括：
初始化模块，用于对预设神经网络的网络参数进行初始化；
参数寻优模块，用于基于初始化后的预设神经网络的网络参数和预设寻优模型进行参数寻优，得到最优网络参数；
网络训练模块，用于将最优网络参数作为预设神经网络的当前网络参数，并基于当前网络参数和转子状态检测信号样本对预设神经网络进行训练；
故障状态检测模块，用于获取待检测转子的状态检测信号，并将所述状态检测信号输入至训练完成的预设神经网络，得到待检测转子的故障状态评估结果；
其中，所述转子状态检测信号包括：电机转子绕组的电压分布、直流阻抗、交流阻抗参数，还包括电机的振动信号，还包括电机内冷水含量、压力、流量、PH值、温度数据，还包括电机定子、转子绝缘压板的松紧度；
其中，所述基于初始化后的预设神经网络的网络参数和预设寻优模型进行参数寻优，得到最优网络参数，包括：S11：随机生成k个寻优粒子，对初始化后的预设神经网络的网络参数进行k次随机变换，得到k个预设神经网络的网络参数；基于k个预设神经网络的网络参数对k个寻优粒子的位置参数进行初始化；S12：基于每个寻优粒子的位置参数对该寻优粒子的适应度进行计算；S13：根据寻优粒子适应度的计算结果删除预设比例的寻优粒子，得到剩余寻优粒子；S14：更新剩余寻优粒子的位置参数，并选取剩余寻优粒子中适应度最高的两个寻优粒子进行交叉变异；S15：检测步骤S14的执行次数是否达到预设阈值，若步骤S14的执行次数达到预设阈值，则将剩余寻优粒子中适应度最高的寻优粒子的位置参数作为最优网络参数输出；若步骤S14的执行次数未达到预设阈值，则返回执行步骤S12～S14；其中，步骤S13包括：根据寻优粒子的适应度对寻优粒子进行升序排序，根据预设比例将前n个寻优粒子删除，以淘汰适应度值低的n个寻优粒子，加快剩余寻优粒子的进化能力。
7.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至5任一项所述方法的步骤。
8.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
CN201911072407.4A 2019-11-05 2019-11-05 电机转子故障检测方法、装置及终端设备 Active CN110988673B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911072407.4A CN110988673B (zh) 2019-11-05 2019-11-05 电机转子故障检测方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911072407.4A CN110988673B (zh) 2019-11-05 2019-11-05 电机转子故障检测方法、装置及终端设备

Publications (2)

Publication Number Publication Date
CN110988673A CN110988673A (zh) 2020-04-10
CN110988673B true CN110988673B (zh) 2022-07-19

Family

ID=70083315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911072407.4A Active CN110988673B (zh) 2019-11-05 2019-11-05 电机转子故障检测方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN110988673B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582463B (zh) * 2020-06-08 2024-02-09 佛山金华信智能科技有限公司 伺服电机故障识别及模型训练方法、装置、介质及终端
CN111899905B (zh) * 2020-08-05 2022-11-01 哈尔滨工程大学 一种基于核动力装置的故障诊断方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106053988A (zh) * 2016-06-18 2016-10-26 安徽工程大学 基于智能分析的逆变器故障诊断系统及方法
CN109492746A (zh) * 2016-09-06 2019-03-19 青岛理工大学 基于ga-pso杂交算法的深度信念网络参数优化方法
CN106446942A (zh) * 2016-09-18 2017-02-22 兰州交通大学 基于增量学习的农作物病害识别方法
CN109029975B (zh) * 2018-06-26 2020-08-04 红河学院 一种风电齿轮箱的故障诊断方法
CN109998495A (zh) * 2019-05-23 2019-07-12 河南工业大学 一种基于粒子群优化bp神经网络的心电信号分类方法
CN110263907B (zh) * 2019-07-01 2020-12-29 上海海事大学 基于改进ga-pso-bp的船舶短路故障诊断方法

Also Published As

Publication number Publication date
CN110988673A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN111526119B (zh) 异常流量检测方法、装置、电子设备和计算机可读介质
CN110988673B (zh) 电机转子故障检测方法、装置及终端设备
CN112598537B (zh) 电力设备故障诊断方法、装置及终端设备
CN110969092B (zh) 脉冲信号去噪方法、装置及终端设备
CN112613584A (zh) 一种故障诊断方法、装置、设备及存储介质
CN109857744A (zh) 稀疏张量计算方法、装置、设备及存储介质
CN112037223B (zh) 图像缺陷检测方法、装置及电子设备
CN112990330A (zh) 用户用能异常数据检测方法及设备
CN109088793B (zh) 用于检测网络故障的方法和装置
CN112730654B (zh) 六氟化硫电气设备故障检测方法、装置及终端设备
CN112735466A (zh) 一种音频检测方法及装置
CN105353306A (zh) 电机故障诊断方法和装置及电器
CN113139617B (zh) 一种输电线路自主定位方法、装置及终端设备
CN113671386B (zh) 一种氢燃料电池耐久性能分析方法及装置
CN115935142A (zh) 一种基于短周期密集台阵城市背景噪声的成像方法及装置
CN107665185A (zh) 一种基于短信业务的客户行为分析方法及相关装置
CN112152633A (zh) 振动信号压缩方法及装置
CN113238911A (zh) 告警处理方法及装置
CN114639391A (zh) 机械故障提示方法、装置、电子设备及存储介质
CN112579670A (zh) 一种精细油藏分布的勘察数据分析方法及系统
CN116297883B (zh) 一种基于敲击声的结构识别方法、装置、系统及终端设备
CN113435609B (zh) 线损异常检测方法、装置及终端设备
CN116636815B (zh) 基于脑电信号的水下作业人员睡眠质量评估方法及系统
CN111025010B (zh) 设备有功响应时间测量方法、装置及终端设备
CN115423221B (zh) 一种设施运行趋势预测方法

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