CN112101457A - 基于转矩信号模糊智能学习的pmsm退磁故障诊断方法 - Google Patents
基于转矩信号模糊智能学习的pmsm退磁故障诊断方法 Download PDFInfo
- Publication number
- CN112101457A CN112101457A CN202010968338.1A CN202010968338A CN112101457A CN 112101457 A CN112101457 A CN 112101457A CN 202010968338 A CN202010968338 A CN 202010968338A CN 112101457 A CN112101457 A CN 112101457A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- wavelet packet
- torque
- signal
- torque ripple
- 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.)
- Granted
Links
- 230000005347 demagnetization Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000001360 synchronised effect Effects 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 3
- 230000001788 irregular Effects 0.000 abstract description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
- H01F13/00—Apparatus or processes for magnetising or demagnetising
- H01F13/006—Methods and devices for demagnetising of magnetic bodies, e.g. workpieces, sheet material
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
- H02P29/02—Providing protection against overload without automatic interruption of supply
- H02P29/024—Detecting a fault condition, e.g. short circuit, locked rotor, open circuit or loss of load
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G01R31/34—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
- G06N20/00—Machine learning
-
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
- H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P21/001—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using fuzzy control
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
- H02P29/02—Providing protection against overload without automatic interruption of supply
- H02P29/032—Preventing damage to the motor, e.g. setting individual current limits for different drive conditions
-
- 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
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Power Engineering (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Control Of Electric Motors In General (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于转矩信号模糊智能学习的PMSM退磁故障诊断方法,包括以下步骤:采集永磁同步电机不同退磁故障下的转矩脉动信号;计算转矩脉动信号的模糊隶属度;利用小波包分解对转矩脉动信号进行分解与重构,得到小波包系数;计算所得小波包系数的能量,构造具有模糊隶属度的特征向量样本集,并划分训练集和测试集;构造模糊极限学习机FELM,将训练集输入FELM进行训练;将测试集输入训练好的FELM,并计算分类精度。本发明通过将模糊理论融于极限学习机中,将退磁故障转矩脉动信号样本进行模糊化,解决了训练样本分布不平衡不规则的问题,使传统机器学习算法能适应退磁故障转矩信号,加快了训练速度,提高了诊断精度。
Description
技术领域
本发明涉及永磁同步电机的退磁故障诊断领域,特别涉及一种基于转矩信号模糊智能学习的PMSM退磁故障诊断方法。
背景技术
永磁同步电机PMSM在工业和高新技术领域应用十分广泛,像高速铁路、新能源汽车等领域中都有涉及,具有调速范围宽、功率密度高、转矩控制精准等优点。但是,PMSM在复杂的工作环境中易发生退磁故障,引起转矩脉动,损害电机性能,可能会给实际生产造成不可估量的损失。因此,对PMSM退磁故障进行高精度诊断对保证生产和生活过程正常进行具有十分重要的作用。
PMSM退磁故障产生的转矩脉动信号蕴含着退磁故障的信息,能被用来诊断退磁故障类别。常用的PMSM退磁故障诊断方法有三种:基于信号处理的方法、基于模型和参数辨识的方法以及基于人工智能的方法。基于信号处理的方法通过信号处理技术,像傅里叶变换、小波变换、经验模态分解等来提取故障信号的特征,可以考虑到信号内部在不同尺度或时间与频域之间的信息,以此来提高故障诊断的精度;但基于信号处理的诊断方法容易受到逆变器、负载波动等因素影响,造成数据样本正确性偏低。基于模型和参数辨识的方法通过建立电机精确的数学模型,来分析故障发生的机理,从而进行高精度的故障诊断;但电机精确的数学模型往往难以建立,且容易受到工作环境、参数变化等影响。另外,针对不同电机都要建立特定的数学模型则更加困难。通过卡尔曼滤波等方法对电机端电压与电子电流进行参数辨识来估算磁场状况,可以提高诊断精确度,但该方法不能精确识别均匀失磁与局部失磁,并且卡尔曼滤波器也无法有效处理数据的非线性。基于人工智能的故障诊断方法获得了快速发展。像支持向量机、自动编码器等被广泛应用在故障诊断领域,并且获得了较高的诊断精度。但是,人工智能算法也存在明显不足,比如计算量大、参数寻优困难。
PMSM退磁程度存在着不平衡性和不规则性,因此获得的样本分布也存在着不均匀的特点。这些样本若直接用于诊断模型,则会导致诊断结果更倾向于样本数目较大的标签。模糊隶属度可表示样本的倾向性,通过赋予样本一个0到1之间值,将样本的数目差异规则化,可有效解决训练过程中样本数目差异的问题。
发明内容
为了解决上述技术问题,本发明提供中算法简单、诊断精度高的基于转矩信号模糊智能学习的PMSM退磁故障诊断方法。
本发明解决上述问题的技术方案是:一种基于转矩信号模糊智能学习的PMSM退磁故障诊断方法,包括以下步骤:
(1)采集永磁同步电机PMSM不同退磁故障下的转矩脉动信号;
(2)计算采集到的所有转矩脉动信号的模糊隶属度;
(3)利用小波包分解对采集到的转矩脉动信号进行分解与重构,得到一系列小波包系数;
(4)计算所得小波包系数的能量,构造具有模糊隶属度的特征向量样本集,并划分训练集和测试集;
(5)构造模糊极限学习机FELM,并将训练集输入FELM进行训练;
(6)将测试集输入训练好的FELM,并计算分类精度。
上述基于转矩信号模糊智能学习的PMSM退磁故障诊断方法,所述步骤(1)中,转矩脉动信号为D={(x1,t1),(x2,t2),…,(xN,tN)},其中xi为第i个转矩脉动信号,ti为xi对应的退磁故障类别,ti=a,a=1,2,…,A,A为故障类别数,i=1,2,…,N,N为转矩信号样本数。
上述基于转矩信号模糊智能学习的PMSM退磁故障诊断方法,所述步骤(2)中,模糊隶属度指将不同故障转矩脉动信号映射到同一个[0,1]区间内,来表示转矩脉动信号的倾向性;步骤(2)具体步骤为:
(2-1)对所有故障转矩脉动信号D分别进行快速傅里叶变换FFT,得到转矩信号的频谱;
(2-2)按照下式计算转矩信号的模糊隶属度S(x):
其中,z为转矩脉动信号频谱分量数值均值平方的倒数,且 为频谱上第j个频率点的频率值,j=1,2,…,n,n为频谱上所有频率点的个数;f为不同故障状态下转矩信号对应频谱的频率,且按照以下原则选取:对正常状态下的信号选取其基频频率的最高值,对退磁故障状态下的信号选取其高频谐波频率的最高值;
(2-3)把f与z带入隶属度计算公式,得到所有转矩信号的模糊隶属度为:
S(x)=[S1,S2,…,SN]
其中,Si为第i个转矩脉动信号对应的模糊隶属度,i=1,2,…,N;
(2-4)对所有隶属度进行归一化:
上述基于转矩信号模糊智能学习的PMSM退磁故障诊断方法,所述步骤(3)中,第r+1层小波包分解递推公式如下:
其中,表示第r+1层第2k个子频带的小波包系数序列,表示第r+1层第2k+1个子频带的小波包系数序列,q表示其长度;表示第r层第k个子频带的小波包系数序列,m表示其长度;h与g分别为小波包分解的低通、高通滤波器系数;
小波包重构的递推公式为:
上述基于转矩信号模糊智能学习的PMSM退磁故障诊断方法,所述步骤(4)具体步骤为:
(4-1)对转矩脉动信号进行p层小波包分解与重构,并对重构得到的第p层第l组小波包系数进行能量计算:
则得到转矩脉动信号特征向量T为:
(4-2)对T进行归一化:
(4-3)将具有模糊隶属度的特征向量样本集划分为训练集和测试集。
上述基于转矩信号模糊智能学习的PMSM退磁故障诊断方法,所述步骤(5)中,模糊极限学习机FELM是在极限学习机ELM中融入模糊理论,将输入样本模糊化;构造模糊极限学习机FELM的具体过程为:
(5-1)对于一个有u个输入节点,L个隐含层节点,v个输出层节点的单隐层前馈神经网络,假设有M个样本{(X1,Y1),(X2,Y2),…,(XM,YM)},Xτ为第τ个样本,Yτ为样本Xτ对应的标签,τ=1,2,…,M,则神经网络第τ个样本的输出yτ为:
其中,βμ为第μ个隐含层神经元到输出层的权重向量,Wμ为输入层到第μ个隐含层神经元的权重向量,bμ为第μ个隐含层神经元的偏置,μ=1,2,…,L,G为激活函数,Wμ·Xτ表示Wμ和Xτ的內积;
(5-2)对于每一个样本Xτ,网络的输出误差最小,即:
因此,为使总的输出误差最小,神经网络的目标函数表示为:
(5-3)上式转化为:
Hβ=O
其中,H为隐含层的输出矩阵,β为隐含层到输出层的权重矩阵,O为期望输出,且:
其中,β′L表示βL的转置,y′M表示yM的转置;
其中,H+为H的广义逆;
(5-5)通过上式求解得出:
其中,H′表示H的转置,C表示惩罚因子;
(5-6)融入模糊理论的β求解目标为:
上述基于转矩信号模糊智能学习的PMSM退磁故障诊断方法,所述步骤(6)中,分类精度CA定义为:
本发明的有益效果在于:
1、本发明通过将模糊理论融于极限学习机中,将退磁故障转矩脉动信号样本进行模糊化,解决了训练样本分布不平衡不规则的问题,使传统机器学习算法能适应退磁故障转矩信号,加快了训练速度,提高了诊断精度。
2、本发明利用小波包分解去逐层分解转矩脉动信号,获得一系列小波包分解系数,并计算这些系数的能量值,将原本复杂含有噪声的转矩脉动信号,转化为能量特征样本,消除了噪声影响,提取了转矩信号内部蕴含的特征。
附图说明
图1为本发明的流程图。
图2为三层小波包分解示意图。
图3为ELM结构示意图。
图4为本发明对比实验柱状图。
具体实施方式
下面结合附图和实施例对本发明做进一步的说明。
如图1所示,一种基于转矩信号模糊智能学习的PMSM退磁故障诊断方法,包括以下步骤:
(1)采集永磁同步电机PMSM不同退磁故障下的转矩脉动信号。
转矩脉动信号为D={(x1,t1),(x2,t2),…,(xN,tN)},其中xi为第i个转矩脉动信号,ti为xi对应的退磁故障类别,ti=a,a=1,2,…,A,A为故障类别数,i=1,2,…,N,N为转矩信号样本数。
(2)计算采集到的所有转矩脉动信号的模糊隶属度。
模糊隶属度指将不同故障转矩脉动信号映射到同一个[0,1]区间内,来表示转矩脉动信号的倾向性;步骤(2)具体步骤为:
(2-1)对所有故障转矩脉动信号D分别进行快速傅里叶变换FFT,得到转矩信号的频谱;
(2-2)按照下式计算转矩信号的模糊隶属度S(x):
其中,z为转矩脉动信号频谱分量数值均值平方的倒数,且 为频谱上第j个频率点的频率值,j=1,2,…,n,n为频谱上所有频率点的个数;f为不同故障状态下转矩信号对应频谱的频率,且按照以下原则选取:对正常状态下的信号选取其基频频率的最高值,对退磁故障状态下的信号选取其高频谐波频率的最高值;
(2-3)把f与z带入隶属度计算公式,得到所有转矩信号的模糊隶属度为:
S(x)=[S1,S2,…,SN]
其中,Si为第i个转矩脉动信号对应的模糊隶属度,i=1,2,…,N;
(2-4)对所有隶属度进行归一化:
(3)利用小波包分解对采集到的转矩脉动信号进行分解与重构,得到一系列小波包系数。
图2为三层小波包分解示意图,第r+1层小波包分解递推公式如下:
其中,表示第r+1层第2k个子频带的小波包系数序列,表示第r+1层第2k+1个子频带的小波包系数序列,q表示其长度;表示第r层第k个子频带的小波包系数序列,m表示其长度;h与g分别为小波包分解的低通、高通滤波器系数;
小波包重构的递推公式为:
(4)计算所得小波包系数的能量,构造具有模糊隶属度的特征向量样本集,并划分训练集和测试集。步骤(4)具体步骤为:
(4-1)对转矩脉动信号进行p层小波包分解与重构,并对重构得到的第p层第l组小波包系数进行能量计算:
则得到转矩脉动信号特征向量T为:
(4-2)对T进行归一化:
(4-3)将具有模糊隶属度的特征向量样本集划分为训练集和测试集。
(5)构造模糊极限学习机FELM,并将训练集输入FELM进行训练。
模糊极限学习机FELM是在极限学习机ELM中融入模糊理论,将输入样本模糊化;ELM是一种单隐层前馈神经网络,如图3所示。传统的单隐层神经网络需要运用如梯度下降等算法求解,需要大量迭代来更新所有权重和阈值,耗时较长,且往往陷入局部最小值。FELM针对传统的单隐层前馈神经网络,随机产生输入层到隐含层的权重和隐含层的阈值,且训练过程中不再改变。只需设置好隐含层的神经元个数,便可得到唯一最优解;
构造模糊极限学习机FELM的具体过程为:
(5-1)对于一个有u个输入节点,L个隐含层节点,v个输出层节点的单隐层前馈神经网络,假设有M个样本{(X1,Y1),(X2,Y2),…,(XM,YM)},Xτ为第τ个样本,Yτ为样本Xτ对应的标签,τ=1,2,…,M,则神经网络第τ个样本的输出yτ为:
其中,βμ为第μ个隐含层神经元到输出层的权重向量,Wμ为输入层到第μ个隐含层神经元的权重向量,bμ为第μ个隐含层神经元的偏置,μ=1,2,…,L,G为激活函数,Wμ·Xτ表示Wμ和Xτ的內积;
(5-2)对于每一个样本Xτ,网络的输出误差最小,即:
因此,为使总的输出误差最小,神经网络的目标函数表示为:
(5-3)上式转化为:
Hβ=O
其中,H为隐含层的输出矩阵,β为隐含层到输出层的权重矩阵,O为期望输出,且:
其中,β′L表示βL的转置,y′M表示yM的转置;
其中,H+为H的广义逆;
(5-5)通过上式求解得出:
其中,H′表示H的转置,C表示惩罚因子;
(5-6)融入模糊理论的β求解目标为:
(6)将测试集输入训练好的FELM,并计算分类精度。
分类精度CA定义为:
为了验证本发明的有效性,本发明选择支持向量机SVM、BP神经网络、ELM三类诊断方法进行对比试验。试验数据选取PMSM额定转速下的故障转矩脉动信号,故障退磁程度为正常、25%退磁和50%退磁,并计算其模糊隶属度。通过小波包分解对转矩信号进行三层分解,获得每个转矩信号样本的8个小波包分解系数,并计算得到能量特征集。将这些特征集用于诊断方法,得到诊断精度。实验结果如图4所示,本发明所提方法的PMSM退磁故障诊断精度高于其他方法。
综上所述,本发明所述基于转矩信号模糊智能学习的PMSM退磁故障诊断方法将模糊理论与极限学习机相结合,通过计算PMSM退磁故障转矩信号的隶属度,来解决解决样本不平衡不规则的问题,加快了诊断速度。然后通过小波包分解与重构提取样本的能量特征,提高了退磁故障诊断的精度。
Claims (7)
1.一种基于转矩信号模糊智能学习的PMSM退磁故障诊断方法,其特征在于:包括以下步骤:
(1)采集永磁同步电机PMSM不同退磁故障下的转矩脉动信号;
(2)计算采集到的所有转矩脉动信号的模糊隶属度;
(3)利用小波包分解对采集到的转矩脉动信号进行分解与重构,得到一系列小波包系数;
(4)计算所得小波包系数的能量,构造具有模糊隶属度的特征向量样本集,并划分训练集和测试集;
(5)构造模糊极限学习机FELM,并将训练集输入FELM进行训练;
(6)将测试集输入训练好的FELM,并计算分类精度。
2.根据权利要求1所述的基于转矩信号模糊智能学习的PMSM退磁故障诊断方法,其特征在于,所述步骤(1)中,转矩脉动信号为D={(x1,t1),(x2,t2),…,(xN,tN)},其中xi为第i个转矩脉动信号,ti为xi对应的退磁故障类别,ti=a,a=1,2,…,A,A为故障类别数,i=1,2,…,N,N为转矩信号样本数。
3.根据权利要求2所述的基于转矩信号模糊智能学习的PMSM退磁故障诊断方法,其特征在于,所述步骤(2)中,模糊隶属度指将不同故障转矩脉动信号映射到同一个[0,1]区间内,来表示转矩脉动信号的倾向性;步骤(2)具体步骤为:
(2-1)对所有故障转矩脉动信号D分别进行快速傅里叶变换FFT,得到转矩信号的频谱;
(2-2)按照下式计算转矩信号的模糊隶属度S(x):
其中,z为转矩脉动信号频谱分量数值均值平方的倒数,且 为频谱上第j个频率点的频率值,j=1,2,…,n,n为频谱上所有频率点的个数;f为不同故障状态下转矩信号对应频谱的频率,且按照以下原则选取:对正常状态下的信号选取其基频频率的最高值,对退磁故障状态下的信号选取其高频谐波频率的最高值;
(2-3)把f与z带入隶属度计算公式,得到所有转矩信号的模糊隶属度为:
S(x)=[S1,S2,…,SN]
其中,Si为第i个转矩脉动信号对应的模糊隶属度,i=1,2,…,N;
(2-4)对所有隶属度进行归一化:
6.根据权利要求5所述的基于转矩信号模糊智能学习的PMSM退磁故障诊断方法,其特征在于:所述步骤(5)中,模糊极限学习机FELM是在极限学习机ELM中融入模糊理论,将输入样本模糊化;构造模糊极限学习机FELM的具体过程为:
(5-1)对于一个有u个输入节点,L个隐含层节点,v个输出层节点的单隐层前馈神经网络,假设有M个样本{(X1,Y1),(X2,Y2),…,(XM,YM)},Xτ为第τ个样本,Yτ为样本Xτ对应的标签,τ=1,2,…,M,则神经网络第τ个样本的输出yτ为:
其中,βμ为第μ个隐含层神经元到输出层的权重向量,Wμ为输入层到第μ个隐含层神经元的权重向量,bμ为第μ个隐含层神经元的偏置,μ=1,2,…,L,G为激活函数,Wμ·Xτ表示Wμ和Xτ的內积;
(5-2)对于每一个样本Xτ,网络的输出误差最小,即:
因此,为使总的输出误差最小,神经网络的目标函数表示为:
(5-3)上式转化为:
Hβ=O
其中,H为隐含层的输出矩阵,β为隐含层到输出层的权重矩阵,O为期望输出,且:
其中,β′L表示βL的转置,y′M表示yM的转置;
其中,H+为H的广义逆;
(5-5)通过上式求解得出:
其中,H′表示H的转置,C表示惩罚因子;
(5-6)融入模糊理论的β求解目标为:
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010968338.1A CN112101457B (zh) | 2020-09-15 | 2020-09-15 | 基于转矩信号模糊智能学习的pmsm退磁故障诊断方法 |
US17/355,639 US20220084732A1 (en) | 2020-09-15 | 2021-06-23 | PMSM Demagnetization Fault Diagnosis Method Based on Fuzzy Intelligent Learning of Torque Signals |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010968338.1A CN112101457B (zh) | 2020-09-15 | 2020-09-15 | 基于转矩信号模糊智能学习的pmsm退磁故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112101457A true CN112101457A (zh) | 2020-12-18 |
CN112101457B CN112101457B (zh) | 2023-11-17 |
Family
ID=73759092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010968338.1A Active CN112101457B (zh) | 2020-09-15 | 2020-09-15 | 基于转矩信号模糊智能学习的pmsm退磁故障诊断方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220084732A1 (zh) |
CN (1) | CN112101457B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116125803A (zh) * | 2022-12-28 | 2023-05-16 | 淮阴工学院 | 一种基于极限学习机的逆变器反步模糊神经网络控制策略 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115017952A (zh) * | 2022-06-13 | 2022-09-06 | 北京华能新锐控制技术有限公司 | 一种基于多时域平均细分的风机故障诊断方法 |
CN114936532B (zh) * | 2022-07-20 | 2022-11-15 | 浙江大学 | 一种海上风电机组故障诊断方法 |
CN115114964B (zh) * | 2022-07-21 | 2023-04-07 | 西南交通大学 | 一种基于数据驱动的传感器间歇性故障诊断方法 |
CN116643165B (zh) * | 2023-05-17 | 2024-06-21 | 淮阴工学院 | 一种永磁外转子滚筒电机失磁故障检测方法 |
CN117009858B (zh) * | 2023-08-22 | 2024-07-09 | 哈尔滨工业大学 | 一种航天密封电子元器件多余物检测信号同步分类方法 |
CN117171659B (zh) * | 2023-10-31 | 2024-01-26 | 国网浙江省电力有限公司宁波供电公司 | 一种智能化配变高压侧故障诊断方法 |
CN117711430A (zh) * | 2023-11-16 | 2024-03-15 | 哈尔滨工业大学 | 一种基于音频信号和视觉Transformer的电机转子故障诊断方法 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729943A (zh) * | 2017-10-23 | 2018-02-23 | 辽宁大学 | 信息反馈极限学习机优化估值的缺失数据模糊聚类算法及其应用 |
CN108665070A (zh) * | 2018-05-16 | 2018-10-16 | 深圳大学 | 基于极限学习机的极限ts模糊推理方法及系统 |
CN109213121A (zh) * | 2018-08-07 | 2019-01-15 | 重庆大学 | 一种风机制动系统卡缸故障诊断方法 |
CN111398811A (zh) * | 2020-03-20 | 2020-07-10 | 湖南科技大学 | 基于终端电流代价敏感学习的pmsm退磁故障诊断方法 |
US20200271720A1 (en) * | 2020-05-09 | 2020-08-27 | Hefei University Of Technology | Method for diagnosing analog circuit fault based on vector-valued regularized kernel function approximation |
-
2020
- 2020-09-15 CN CN202010968338.1A patent/CN112101457B/zh active Active
-
2021
- 2021-06-23 US US17/355,639 patent/US20220084732A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729943A (zh) * | 2017-10-23 | 2018-02-23 | 辽宁大学 | 信息反馈极限学习机优化估值的缺失数据模糊聚类算法及其应用 |
CN108665070A (zh) * | 2018-05-16 | 2018-10-16 | 深圳大学 | 基于极限学习机的极限ts模糊推理方法及系统 |
CN109213121A (zh) * | 2018-08-07 | 2019-01-15 | 重庆大学 | 一种风机制动系统卡缸故障诊断方法 |
CN111398811A (zh) * | 2020-03-20 | 2020-07-10 | 湖南科技大学 | 基于终端电流代价敏感学习的pmsm退磁故障诊断方法 |
US20200271720A1 (en) * | 2020-05-09 | 2020-08-27 | Hefei University Of Technology | Method for diagnosing analog circuit fault based on vector-valued regularized kernel function approximation |
Non-Patent Citations (1)
Title |
---|
SI WU 等: "Extreme Learning machine based wind speed estimation and sensorless control for wind turbine power generation system", ELSEVIER * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116125803A (zh) * | 2022-12-28 | 2023-05-16 | 淮阴工学院 | 一种基于极限学习机的逆变器反步模糊神经网络控制策略 |
CN116125803B (zh) * | 2022-12-28 | 2024-06-11 | 淮阴工学院 | 一种基于极限学习机的逆变器反步模糊神经网络控制方法 |
Also Published As
Publication number | Publication date |
---|---|
US20220084732A1 (en) | 2022-03-17 |
CN112101457B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101457A (zh) | 基于转矩信号模糊智能学习的pmsm退磁故障诊断方法 | |
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
Xiao et al. | Fault diagnosis of asynchronous motors based on LSTM neural network | |
Ayhan et al. | Multiple discriminant analysis and neural-network-based monolith and partition fault-detection schemes for broken rotor bar in induction motors | |
CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
CN110346736B (zh) | 基于改进小树变换的npc三电平逆变器故障诊断方法 | |
CN108535572B (zh) | 基于基波零序特征的计量系统二次回路监测方法及装置 | |
CN113125992B (zh) | 基于dbn的npc三电平逆变器故障诊断方法及系统 | |
CN111398811A (zh) | 基于终端电流代价敏感学习的pmsm退磁故障诊断方法 | |
Muduli et al. | Ann based on-board fault diagnostic for induction motor drive in low-cost electric vehicles | |
CN111007429A (zh) | 基于anfis的同步调相机短路故障识别方法和系统 | |
CN116595317A (zh) | 基于正交定子电流ga分析及sfo-pnn的电机故障诊断方法 | |
CN111795819A (zh) | 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法 | |
Bessam et al. | A novel method for induction motors stator inter-turn short circuit fault diagnosis based on wavelet energy and neural network | |
CN113112039B (zh) | 基于时频记忆递归神经网络的主动配电系统初期故障识别方法 | |
CN117276600B (zh) | 基于pso-gwo-delm的质子交换膜燃料电池系统故障诊断方法 | |
CN112798888B (zh) | 一种无人驾驶列车车载电气系统故障非侵入诊断方法 | |
CN113514743A (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
CN116702060A (zh) | 一种多电平逆变器功率器件故障诊断方法 | |
CN116168726A (zh) | 一种基于声信号的电机智能故障诊断方法 | |
CN112034339A (zh) | 一种基于lvq神经网络的伺服电机故障诊断方法 | |
CN115291103A (zh) | 基于嵌入hd-rcf的gr-swpt小波包算法的电动机故障诊断方法 | |
Jiang et al. | Fault diagnosis of three-phase inverter based on CEEMDAN and GWO-SVM | |
CN115114964B (zh) | 一种基于数据驱动的传感器间歇性故障诊断方法 | |
Bennouna et al. | Data reconciliation and gross error detection applied to wind power |
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 |