CN112052796A - 一种基于深度学习的永磁同步电机故障诊断方法 - Google Patents
一种基于深度学习的永磁同步电机故障诊断方法 Download PDFInfo
- Publication number
- CN112052796A CN112052796A CN202010928125.6A CN202010928125A CN112052796A CN 112052796 A CN112052796 A CN 112052796A CN 202010928125 A CN202010928125 A CN 202010928125A CN 112052796 A CN112052796 A CN 112052796A
- Authority
- CN
- China
- Prior art keywords
- permanent magnet
- magnet synchronous
- synchronous motor
- signal
- frequency
- 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.)
- Pending
Links
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000003745 diagnosis Methods 0.000 title claims abstract description 17
- 238000004804 winding Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000005347 demagnetization Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000005452 bending Methods 0.000 claims abstract description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
- G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
- G01H11/08—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means using piezoelectric devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
- G01R15/00—Details of measuring arrangements of the types provided for in groups G01R17/00 - G01R29/00, G01R33/00 - G01R33/26 or G01R35/00
- G01R15/14—Adaptations providing voltage or current isolation, e.g. for high-voltage or high-current networks
- G01R15/20—Adaptations providing voltage or current isolation, e.g. for high-voltage or high-current networks using galvano-magnetic devices, e.g. Hall-effect devices, i.e. measuring a magnetic field via the interaction between a current and a magnetic field, e.g. magneto resistive or Hall effect devices
- G01R15/202—Adaptations providing voltage or current isolation, e.g. for high-voltage or high-current networks using galvano-magnetic devices, e.g. Hall-effect devices, i.e. measuring a magnetic field via the interaction between a current and a magnetic field, e.g. magneto resistive or Hall effect devices using Hall-effect devices
-
- 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
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/54—Testing for continuity
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/72—Testing of electric windings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- Acoustics & Sound (AREA)
- Control Of Ac Motors In General (AREA)
Abstract
本发明公开了一种基于深度学习的永磁同步电机故障诊断方法，其中永磁同步电机的主要故障包括定子绕组开路、定子绕组短路、偏心、退磁、转轴弯曲、轴承故障等。该方法通过电流传感器、振动传感器和声音传感器分别采集电机的定子电流信号、振动信号和噪声信号。该方法包括如下步骤：1)信号预处理；2)提取信号的时域、频域和时频特征；3)基于特征大数据训练深度神经网络；4)基于深度学习诊断永磁同步电机的故障类型。本发明融合了多传感器和多故障特征，比同类方法有更高的适用性。
Description
技术领域
本发明属于电机状态检测与故障诊断技术领域，更为具体地讲，涉及一种基于深度学习的永磁同步电机故障诊断方法。
背景技术
永磁同步电机电机结构简单、体积更小、重量更轻，转子无发热问题，且过载能力大、转动惯量小、转矩脉动小，又实现了无刷化，提高了电机的效率。因此永磁同步电机现已广泛应用于电梯、电动汽车和船舶电力推进等领域。
然而，由于运行环境复杂和材料寿命、制造缺陷或断续操作等原因，永磁同步电机不可避免地会发生定子绕组匝间短路、偏心、轴承故障等多种故障类型。此外，由于用永磁体代替了励磁绕组，永磁同步电机还会出现特有的退磁故障。这些故障将影响设备的正常使用，严重时甚至会威胁到相关产业的财产和人员安全。因此，对永磁同步电动机的故障进行检测和诊断，以保证系统的稳定性从而减少事故，具有重要的意义。
在之前的故障诊断方法研究中，国内专门针对永磁同步电机的研究还比较少，而且大多只研究最常见的定子绕组匝间短路故障，只采集定子电流或振动的单一信号，而很少使用多传感器综合、多特征融合的方法。此外，之前的故障诊断技术通常只提取信号的频域或时频特征进行分析，大数据和深度学习等技术还很少被用在永磁同步电机的故障诊断中。
发明内容
本发明的目的在于提供一种永磁同步电机故障诊断方法，克服背景技术中提到的不足。
为实现上述目的，本发明提供如下技术方案：
基于深度学习的永磁同步电机故障诊断方法，包括如下步骤：
步骤1，通过电流传感器、振动传感器和声音传感器分别采集正常和故障永磁同步电机的定子电流信号、振动信号和噪声信号；
步骤2，对采集的信号进行预处理，实行降噪；
步骤3，提取信号的时域、频域和时频特征，并组建数据库；
步骤4，基于特征大数据训练深度神经网络模型；
步骤5，利用完成的基于深度学习的人工智能识别系统诊断永磁同步电机故障类型及状态。
所述永磁同步电机的故障类型分别为：定子绕组开路故障、不同严重程度的定子绕组短路故障、偏心、退磁、转轴弯曲、轴承故障；
所述提取的信号特征包括时域、频域和时频特征，并针对不同电机、不同信号组建综合的电机故障信号数据库，进行大数据分析。
所述的时域特性包括，电流信号的峰值、均值、均方根，振动和噪声信号的峰值指标、峭度指标、脉冲指标、裕度指标等。频域特性包括，频域信号分别在基频、谐波频率和故障特征频率范围内的幅值、能量、功率等。时频特性包括，特定信号的频率成份和出现的时间位置；
所述的基于特征大数据训练深度神经网络模型，是通过建立深度神经网络模型，利用大数据进行训练，理解不同故障类型和状态分别在原始信号、频谱图和时频图中对应的特征，完成对数据的正确识别和分类。
所述基于深度学习诊断永磁同步电机故障类型的具体步骤为：采集任一永磁同步电机的任一信号，通过时域、频域和时频分析，由基于深度学习的人工智能识别系统进行识别，根据输出结果判断永磁同步电机是否故障及相应的故障类型和严重程度，同时加入数据库，在实际操作中积累大数据，提高人工智能识别系统的准确性。
本发明的目的是这样实现的。
本发明基于深度学习的永磁同步电机故障诊断方法，其中永磁同步电机的主要故障包括定子绕组开路、定子绕组短路、偏心、退磁、转轴弯曲、轴承故障等。该方法通过电流传感器、振动传感器和声音传感器分别采集电机的定子电流信号、振动信号和噪声信号。该方法包括如下步骤：1)信号预处理；2)提取信号的时域、频域和时频特征；3)基于特征大数据训练深度神经网络；4)基于深度学习诊断永磁同步电机的故障类型。本发明融合了多传感器和多故障特征，比同类方法有更高的适用性。
附图说明
图1是本发明基于深度学习的永磁同步电机故障诊断方法一种具体实施方式流程图；
图2是本发明中的一种深度神经网络模型结构示意图；
图3是本发明中基于特征大数据训练深度神经网络模型流程图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。
分别选用霍尔电流传感器、压电式加速度传感器和麦克风采集永磁同步电机的定子电流信号、振动信号和噪声信号，每一种故障至少采集2000段长为1s的信号。
信号预处理使用小波去噪的方法进行滤波，然后计算信号的时域特征，除峰值peak、均值
均方根Xrms外，还有：
1)峰值指标：
2)峭度指标：
3)脉冲指标：
4)裕度指标：
对信号进行快速傅里叶变换获得频域特征，计算和观察信号分别在基频、谐波频率和故障特征频率范围内的幅值、能量、功率等。
时频分析采用小波变换的方法：
其中ψ(x)为小波基函数，a为伸缩因子，b为平移因子，分别表示特定信号的频率成份和时间位置。
把不同故障类型和状态的信号分别赋以从0至k的不同标记，组建综合了时域特征、频域特征和时频特征的电机故障信号数据库，以故障类型和状态作为因变量进行大数据分析。
参考图1、图2以及图3，基于特征大数据训练深度神经网络，以深度卷积神经网络为例，具体步骤为：
1)将电机特征数据转换为图像并压缩至易于处理的正方形，之后分为两部分，80％为训练集，其余划分为测试集；
2)建立深度卷积神经网络模型，选用ReLU函数作为激活函数，确定初始学习率、卷积核尺寸、步长等超参数，并取合适的随机数将权重初始化；
3)输入训练集
其中NTR为训练集样本数，输入为xN∈R100×100，输出为yN∈{0,1,2,…，k}，正向传播进行网络训练，其中特征学习和分类器设计的公式为：
其中
为输入信号的层次表示特征，
为激活函数，W为卷积核，b为偏置，θ＝{θ1,θ2,…,θk}；
4)求得网络输出与预期目标的误差，采用梯度下降法将误差反向传播，逐层传播到每个节点并更新权值，使目标函数最小，直至网络收敛，目标函数为：
5)输入测试集
观察故障识别精度可否满足需要，完成网络模型。
最后，基于深度学习诊断永磁同步电机的故障类型：采集任一永磁同步电机的任一信号，通过时域、频域和时频分析，由基于深度学习的人工智能识别系统进行识别，根据输出结果判断永磁同步电机是否故障及相应的故障类型和严重程度，同时加入数据库，在实际操作中积累大数据，提高人工智能识别系统的准确性。
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
Claims (6)
1.一种基于深度学习的永磁同步电机故障诊断方法，其特征在于，包括如下步骤：
步骤1，通过电流传感器、振动传感器和声音传感器分别采集永磁同步电机的定子电流信号、振动信号和噪声信号；
步骤2，对采集的信号进行预处理，实行降噪；
步骤3，提取信号的时域、频域和时频特征，组建数据库进行大数据分析；
步骤4，基于特征大数据训练深度神经网络模型；
步骤5，利用完成的基于深度学习的人工智能识别系统诊断永磁同步电机故障类型及状态。
2.根据权利要求1所述基于深度学习的永磁同步电机故障诊断方法，其特征在于：步骤1所述永磁同步电机的故障类型分别为：定子绕组开路故障、不同严重程度的定子绕组短路故障、偏心、退磁、转轴弯曲、轴承故障等。
3.根据权利要求1所述基于深度学习的永磁同步电机故障诊断方法，其特征在于：步骤3所述提取的信号特征包括时域、频域和时频特征，并针对不同电机、不同信号组建综合的电机故障信号数据库，进行大数据分析。
4.根据权利要求1所述基于深度学习的永磁同步电机故障诊断方法，其特征在于：步骤3所述的时域特性包括，电流信号的峰值、均值、均方根，振动和噪声信号的峰值指标、峭度指标、脉冲指标、裕度指标等。频域特性包括，频域信号分别在基频、谐波频率和故障特征频率范围内的幅值、能量、功率等。时频特性包括，特定信号的频率成份和出现的时间位置。
5.根据权利要求1所述基于深度学习的永磁同步电机故障诊断方法，其特征在于：步骤4所述的基于特征大数据训练深度神经网络模型，是通过建立深度神经网络模型，利用大数据进行训练，理解不同故障类型和状态分别在原始信号、频谱图和时频图中对应的特征，完成对数据的正确识别和分类。
6.根据权利要求1所述基于深度学习的永磁同步电机故障诊断方法，其特征在于，所述步骤5的具体步骤为：采集任一永磁同步电机的任一信号，通过时域、频域和时频分析，由基于深度学习的人工智能识别系统进行识别，根据输出结果判断永磁同步电机是否故障及相应的故障类型和严重程度，同时加入数据库，在实际操作中积累大数据，提高人工智能识别系统的准确性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010928125.6A CN112052796A (zh) | 2020-09-07 | 2020-09-07 | 一种基于深度学习的永磁同步电机故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010928125.6A CN112052796A (zh) | 2020-09-07 | 2020-09-07 | 一种基于深度学习的永磁同步电机故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112052796A true CN112052796A (zh) | 2020-12-08 |
Family
ID=73607412
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010928125.6A Pending CN112052796A (zh) | 2020-09-07 | 2020-09-07 | 一种基于深度学习的永磁同步电机故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112052796A (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112362368A (zh) * | 2021-01-14 | 2021-02-12 | 西门子交通技术(北京)有限公司 | 列车牵引电机的故障诊断方法、装置、系统和可读介质 |
| CN112729815A (zh) * | 2020-12-21 | 2021-04-30 | 云南迦南飞奇科技有限公司 | 基于无线网络的输送线健康状况在线故障大数据预警方法 |
| CN113049958A (zh) * | 2021-04-13 | 2021-06-29 | 天津大学 | 基于adxl335和深度学习的电机故障诊断模拟实验台及诊断方法 |
| CN113049251A (zh) * | 2021-03-16 | 2021-06-29 | 哈工大机器人（合肥）国际创新研究院 | 一种基于噪声的轴承故障诊断方法 |
| CN113094952A (zh) * | 2021-04-06 | 2021-07-09 | 哈尔滨工业大学（威海） | 一种基于杂散磁场的永磁电机静态偏心检测方法 |
| CN113093005A (zh) * | 2021-04-06 | 2021-07-09 | 哈尔滨工业大学（威海） | 一种永磁同步电机静态偏心故障诊断方法 |
| CN113359029A (zh) * | 2021-06-03 | 2021-09-07 | 大连交通大学 | 一种检测精度高的列车电机故障声学检测设备 |
| CN113551765A (zh) * | 2021-08-17 | 2021-10-26 | 中冶北方（大连）工程技术有限公司 | 设备故障声谱分析诊断方法 |
| CN113726253A (zh) * | 2021-09-03 | 2021-11-30 | 安徽大学 | 一种提高电动汽车用永磁同步电机效率的方法 |
| CN113985267A (zh) * | 2021-10-29 | 2022-01-28 | 河北工业大学 | 基于热电组网设备智能开关阀的退化指标构建、判定方法 |
| CN114264953A (zh) * | 2021-12-01 | 2022-04-01 | 珠海格力电器股份有限公司 | 一种永磁同步电机退磁故障诊断方法和系统以及诊断装置 |
| CN114295979A (zh) * | 2021-12-30 | 2022-04-08 | 哈尔滨工业大学（威海） | 一种永磁同步电机混合偏心故障诊断方法 |
| CN114325846A (zh) * | 2021-11-18 | 2022-04-12 | 电子科技大学 | 一种利用时间相干性抑噪的磁异常检测方法 |
| CN114400940A (zh) * | 2021-12-16 | 2022-04-26 | 湖南大学 | 电动汽车用永磁驱动电机退磁故障诊断方法及电动汽车 |
| CN114740352A (zh) * | 2022-06-09 | 2022-07-12 | 深圳市永达电子信息股份有限公司 | 一种非接触电机故障检测方法和系统 |
| CN114993669A (zh) * | 2022-04-20 | 2022-09-02 | 燕山大学 | 多传感器信息融合的传动系统故障诊断方法及系统 |
| US11506717B1 (en) | 2021-10-11 | 2022-11-22 | King Fahd University Of Petroleum And Minerals | System and method for diagnosing stator inter-turn faults in synchronous motors |
| WO2023138337A1 (zh) * | 2022-01-18 | 2023-07-27 | 华为技术有限公司 | 一种电机故障检测方法及装置 |
| CN116597167A (zh) * | 2023-06-06 | 2023-08-15 | 中国人民解放军92942部队 | 一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统 |
| CN116643165A (zh) * | 2023-05-17 | 2023-08-25 | 淮阴工学院 | 一种永磁外转子滚筒电机失磁故障检测方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106769041A (zh) * | 2016-12-23 | 2017-05-31 | 安徽大学 | 一种变转速工况下的永磁同步电机轴承在线故障诊断装置及方法 |
| CN107036816A (zh) * | 2016-11-17 | 2017-08-11 | 重庆工商大学 | 一种航空发动机轴承故障诊断方法 |
| CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
| 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 |
| CN109766874A (zh) * | 2019-02-02 | 2019-05-17 | 王卓然 | 一种基于深度学习算法的风机故障分类识别方法 |
| CN110068760A (zh) * | 2019-04-23 | 2019-07-30 | 哈尔滨理工大学 | 一种基于深度学习的异步电动机故障诊断方法 |
| WO2020078132A1 (zh) * | 2018-10-15 | 2020-04-23 | 株洲中车时代电气股份有限公司 | 一种电机轴承故障诊断装置 |
| CN111307453A (zh) * | 2020-03-20 | 2020-06-19 | 朗斯顿科技(北京)有限公司 | 一种基于多信息融合的传动系统故障诊断方法 |
-
2020
- 2020-09-07 CN CN202010928125.6A patent/CN112052796A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107036816A (zh) * | 2016-11-17 | 2017-08-11 | 重庆工商大学 | 一种航空发动机轴承故障诊断方法 |
| CN106769041A (zh) * | 2016-12-23 | 2017-05-31 | 安徽大学 | 一种变转速工况下的永磁同步电机轴承在线故障诊断装置及方法 |
| CN107560849A (zh) * | 2017-08-04 | 2018-01-09 | 华北电力大学 | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 |
| 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 |
| WO2020078132A1 (zh) * | 2018-10-15 | 2020-04-23 | 株洲中车时代电气股份有限公司 | 一种电机轴承故障诊断装置 |
| CN109766874A (zh) * | 2019-02-02 | 2019-05-17 | 王卓然 | 一种基于深度学习算法的风机故障分类识别方法 |
| CN110068760A (zh) * | 2019-04-23 | 2019-07-30 | 哈尔滨理工大学 | 一种基于深度学习的异步电动机故障诊断方法 |
| CN111307453A (zh) * | 2020-03-20 | 2020-06-19 | 朗斯顿科技(北京)有限公司 | 一种基于多信息融合的传动系统故障诊断方法 |
Non-Patent Citations (2)
| Title |
|---|
| 丁石川 等: "深度学习理论及其在电机故障诊断中的研究现状与展望", 《电力系统保护与控制》 * |
| 张静南: "基于信息融合的永磁直流电动机故障诊断", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112729815A (zh) * | 2020-12-21 | 2021-04-30 | 云南迦南飞奇科技有限公司 | 基于无线网络的输送线健康状况在线故障大数据预警方法 |
| CN112362368A (zh) * | 2021-01-14 | 2021-02-12 | 西门子交通技术(北京)有限公司 | 列车牵引电机的故障诊断方法、装置、系统和可读介质 |
| CN113049251A (zh) * | 2021-03-16 | 2021-06-29 | 哈工大机器人（合肥）国际创新研究院 | 一种基于噪声的轴承故障诊断方法 |
| CN113093005B (zh) * | 2021-04-06 | 2022-02-22 | 哈尔滨工业大学（威海） | 一种永磁同步电机静态偏心故障诊断方法 |
| CN113094952A (zh) * | 2021-04-06 | 2021-07-09 | 哈尔滨工业大学（威海） | 一种基于杂散磁场的永磁电机静态偏心检测方法 |
| CN113093005A (zh) * | 2021-04-06 | 2021-07-09 | 哈尔滨工业大学（威海） | 一种永磁同步电机静态偏心故障诊断方法 |
| CN113049958A (zh) * | 2021-04-13 | 2021-06-29 | 天津大学 | 基于adxl335和深度学习的电机故障诊断模拟实验台及诊断方法 |
| CN113359029A (zh) * | 2021-06-03 | 2021-09-07 | 大连交通大学 | 一种检测精度高的列车电机故障声学检测设备 |
| CN113359029B (zh) * | 2021-06-03 | 2022-12-23 | 大连交通大学 | 一种检测精度高的列车电机故障声学检测设备 |
| CN113551765A (zh) * | 2021-08-17 | 2021-10-26 | 中冶北方（大连）工程技术有限公司 | 设备故障声谱分析诊断方法 |
| CN113726253A (zh) * | 2021-09-03 | 2021-11-30 | 安徽大学 | 一种提高电动汽车用永磁同步电机效率的方法 |
| CN113726253B (zh) * | 2021-09-03 | 2023-10-27 | 安徽大学 | 一种提高电动汽车用永磁同步电机效率的方法 |
| US11506717B1 (en) | 2021-10-11 | 2022-11-22 | King Fahd University Of Petroleum And Minerals | System and method for diagnosing stator inter-turn faults in synchronous motors |
| CN113985267A (zh) * | 2021-10-29 | 2022-01-28 | 河北工业大学 | 基于热电组网设备智能开关阀的退化指标构建、判定方法 |
| CN113985267B (zh) * | 2021-10-29 | 2023-08-11 | 河北工业大学 | 基于热电组网设备智能开关阀的退化指标构建、判定方法 |
| CN114325846A (zh) * | 2021-11-18 | 2022-04-12 | 电子科技大学 | 一种利用时间相干性抑噪的磁异常检测方法 |
| CN114325846B (zh) * | 2021-11-18 | 2023-06-20 | 电子科技大学 | 一种利用时间相干性抑噪的磁异常检测方法 |
| CN114264953A (zh) * | 2021-12-01 | 2022-04-01 | 珠海格力电器股份有限公司 | 一种永磁同步电机退磁故障诊断方法和系统以及诊断装置 |
| CN114264953B (zh) * | 2021-12-01 | 2024-05-24 | 珠海格力电器股份有限公司 | 一种永磁同步电机退磁故障诊断方法和系统以及诊断装置 |
| CN114400940A (zh) * | 2021-12-16 | 2022-04-26 | 湖南大学 | 电动汽车用永磁驱动电机退磁故障诊断方法及电动汽车 |
| CN114400940B (zh) * | 2021-12-16 | 2023-06-13 | 湖南大学 | 电动汽车用永磁驱动电机退磁故障诊断方法及电动汽车 |
| CN114295979A (zh) * | 2021-12-30 | 2022-04-08 | 哈尔滨工业大学（威海） | 一种永磁同步电机混合偏心故障诊断方法 |
| WO2023138337A1 (zh) * | 2022-01-18 | 2023-07-27 | 华为技术有限公司 | 一种电机故障检测方法及装置 |
| CN114993669A (zh) * | 2022-04-20 | 2022-09-02 | 燕山大学 | 多传感器信息融合的传动系统故障诊断方法及系统 |
| CN114740352A (zh) * | 2022-06-09 | 2022-07-12 | 深圳市永达电子信息股份有限公司 | 一种非接触电机故障检测方法和系统 |
| CN116643165A (zh) * | 2023-05-17 | 2023-08-25 | 淮阴工学院 | 一种永磁外转子滚筒电机失磁故障检测方法 |
| CN116597167A (zh) * | 2023-06-06 | 2023-08-15 | 中国人民解放军92942部队 | 一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统 |
| CN116597167B (zh) * | 2023-06-06 | 2024-02-27 | 中国人民解放军92942部队 | 一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112052796A (zh) | 一种基于深度学习的永磁同步电机故障诊断方法 | |
| RU2685391C1 (ru) | Способ, устройство и система для подавления шума | |
| CN113375941B (zh) | 高速动车组轴承的开集故障诊断方法 | |
| CN112926728B (zh) | 一种永磁同步电机小样本匝间短路故障诊断方法 | |
| CN105973595A (zh) | 一种滚动轴承故障的诊断方法 | |
| 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 | |
| CN110987434A (zh) | 一种基于去噪技术的滚动轴承早期故障诊断方法 | |
| Faiz et al. | Eccentricity fault diagnosis indices for permanent magnet machines: state‐of‐the‐art | |
| CN111189638B (zh) | 基于hmm和qpso优化算法的轴承故障程度辨识方法 | |
| CN111044902A (zh) | 一种基于电流和电压信号的电机故障诊断方法 | |
| CN106771598A (zh) | 一种自适应谱峭度信号处理方法 | |
| CN113391207A (zh) | 一种电机故障的检测方法、介质及系统 | |
| Afrasiabi et al. | Two-stage deep learning-based wind turbine condition monitoring using SCADA data | |
| CN115060494A (zh) | 一种滚动轴承的故障诊断方法 | |
| CN113534035A (zh) | 新能源电动汽车驱动系统电流传感器微小故障诊断方法 | |
| Bi et al. | A variety of engine faults detection based on optimized variational mode decomposition-robust independent component analysis and fuzzy C-mean clustering | |
| CN115267531A (zh) | 一种基于深度学习的永磁同步电机均匀退磁故障诊断方法 | |
| CN111680665A (zh) | 基于数据驱动的采用电流信号的电机机械故障诊断方法 | |
| CN111353415A (zh) | 一种脉冲响应中谐波成分的检测方法 | |
| CN116383661A (zh) | 离心泵故障诊断模型训练方法、故障诊断方法及装置 | |
| Ouamara et al. | Diagnosis of ITSC fault in the electrical vehicle powertrain system through signal processing analysis | |
| Bouchareb et al. | Advanced diagnosis strategy for incipient stator faults in synchronous reluctance motor | |
| CN112781723B (zh) | 一种基于频谱方差的谐波成分检测方法 | |
| Zheng et al. | Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration | |
| Zhu et al. | Vold-Kalman filtering order tracking based rotor flux linkage monitoring in PMSM |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201208 |
|
| WD01 | Invention patent application deemed withdrawn after publication |