CN112926728A - 一种永磁同步电机小样本匝间短路故障诊断方法 - Google Patents
一种永磁同步电机小样本匝间短路故障诊断方法 Download PDFInfo
- Publication number
- CN112926728A CN112926728A CN202110303474.3A CN202110303474A CN112926728A CN 112926728 A CN112926728 A CN 112926728A CN 202110303474 A CN202110303474 A CN 202110303474A CN 112926728 A CN112926728 A CN 112926728A
- Authority
- CN
- China
- Prior art keywords
- turn
- permanent magnet
- short circuit
- magnet synchronous
- synchronous motor
- 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
Images
Classifications
-
- 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
- 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
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/64—Electric machine technologies in electromobility
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (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 Ac Motors In General (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种永磁同步电机小样本匝间短路故障诊断方法,利用永磁同步电机仿真数据与真实数据之间的近似性;使用迁移学习的方法将在仿真数据集上训练好的深度学习模型迁移到真实故障数据集上;首先使用仿真软件生成仿真定子电流信号,组建仿真数据集;然后在仿真数据集上训练一维卷积神经网络;再使用电流传感器采集少量真实电机含噪声定子电流信号,构建小样本真实数据集;对预训练好的模型,结合稀疏表示理论对模型进行优化改造;通过迁移学习的方法,在小样本真实数据集上将预处理后的一维卷积神经网络训练至拟合。本发明在深度学习的基础上引入了迁移学习的方法和稀疏表示理论,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,涉及一种永磁同步电机小样本匝间短路故障诊断方法。
背景技术
永磁同步电机具有高效率、低噪声、体积小,重量轻,且过载能力大、转动惯量小、效率高、损耗小等优点。因此永磁同步电机现已被广泛应用于电动汽车、电梯、以及各类自动化设备、自动加工装置、机器人等领域。
然而,由于运行环境复杂,永磁同步电机易发生匝间短路故障,如不及时处理,短路线圈会诱发电机发生失磁,严重影响电机正常运行。因此,对永磁同步电机匝间短路故障的检测和诊断具有重要的意义。近些年,基于深度学习和大数据的永磁同步电机故障诊断技术成为了研究热点,通过在故障数据集上训练深度学习模型,完成对永磁同步电机故障的识别检测,提高了故障诊断的智能性和稳定性。
在之前的深度学习故障诊断方法研究中,国内应用迁移学习的诊断方法还比较少,而且大多数深度学习诊断方法均是基于大数据进行训练,但实际情况中故障发生频率很低,得到的往往都是电机正常运行时的数据,很难获得足够多的故障数据,这将严重影响深度学习模型在真实情况下的诊断效果。
此外,之前的故障诊断技术通常需要对原始信号进行去噪或时频域变换等预处理,使得诊断系统实时性较差,无法实现电机故障的在线诊断。
发明内容
本发明的目的在于提供一种基于深度迁移学习的小样本永磁同步电机匝间短路故障诊断方法,克服背景技术中提到的不足。
本发明与现有技术相比,其显著优点:
(1)本发明通过迁移学习的方法,大幅度降低了深度学习模型对大量故障数据的依赖性,仅需要少量的故障数据就可使模型达到较高的故障诊断准确率。
(2)本发明通过引入稀疏理论,提高了深度学习模型的抗噪声、抗过拟合能力,提高了系统的实时性。
(3)本发明方法使用一维卷积神经网络,与传统的二维卷积神经网络相比,输入从二维图片变为一维信号,更适合应用在实际工业环境。
下面结合附图对本发明作进一步详细描述。
附图说明
图1是本发明的一种永磁同步电机小样本匝间短路故障诊断方法一种具体实施方法流程图;
图2是本发明中的一种一维卷积神经网络结构示意图;
图3是本发明中基于深度迁移学习训练一维卷积神经网络流程图。
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。需要特别注意的是,在以下描述中,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,这些描述在这里将被忽略。
参考图1、图2以及图3,基于迁移学习训练深度神经网络,以一维卷积神经网络为例,具体步骤为:
1)根据永磁同步电机电压方程和机械运动方程构建正常模型和匝间短路故障模型:
永磁同步电机正常模型建模方程:
永磁同步电机匝间短路故障建模方程:
电压方程:
其中,Va、Vb、Vc表示永磁同步电机三相定子电压,Rs表示定子绕组电阻,Rf表示故障部分电阻,μ表示故障程度(定子短路部分与总长度的比值),ia、ib、ic表示定永磁同步电机三相定子绕组电流,if表示故障部分电流,ea、eb、ec表示三相绕组磁链,ef表示故障部分磁链,Ls表示定子漏感,M表示定子互感,J为转动惯量,Te为电磁转矩,TL为负载转矩,ωm表示电机机械角转速。t表示时间,B为阻尼系数。
采集正常电机模型以及5%匝间短路故障模型、10%匝间短路故障模型、15%匝间短路故障模型数据,每组采集1000组三个周期长度的定子电流信号数据组建大数据仿真数据集。
2)建立深度一维卷积神经网络模型,设定初始学习率、卷积核尺寸、步长等超参数,并选择交叉熵损失函数。输入大数据仿真数据训练集,正向传播进行网络预训练,将正常及三种程度匝间短路故障标签作为网络输出分类结果,使用交叉熵损失函数表示网络输出分类结果和预取结果之间的误差,使用反向传播对网络参数进行调节,反向传播采用梯度下降法逐层更新权值,不断降低损失函数,直到网络可以正确识别仿真故障数据,其中特征学习方程为:
Xi=∑x×Wij+b
其中Xi为网络第i层的输出特征,x为网络第i层的输入特征,Wij为网络第i层第j个卷积核权重,b为偏置。
交叉熵损失函数为:
其中p(yi)为真实数据标签概率分布,q(yi)为拟合标签概率分布,Loss表示损失函数,H(p(yi),q(yi))表示交叉熵损失函数,m表示输入信号数量。
3)使用电流传感器采集真实电机正常数据以及5%、10%、15%三种程度匝间短路故障数据共200组作为小样本真实数据训练集,每组数据均为三个周期长度的定子电流含噪声信号。
4)损失函数添加基于最小化l2范数的稀疏表示提升网络抗噪能力,添加基于l2范数的稀疏表示后的损失函数为:
其中,j(w,b)为神经网络损失函数,m表示输入信号数量,λ为稀疏系数,W为网络权重。
5)基于迁移学习的方法,将模型重载,限制预训练好的一维卷积神经网络第一层神经元参数不变,输入小样本真实数据训练集,正向传播进行网络训练,将正常及三种程度匝间短路故障标签作为网络输出结果,使用结合最小化l2范数的稀疏表示后的交叉熵损失函数表示网络输出结果和预期目标标签的误差,反向传播训练网络,直到网络拟合(损失函数降至0.001以下),训练结束的一维卷积神经网络可以完成对永磁同步电机不同程度匝间短路故障的诊断分类。
网络效果验证:
使用电流传感器采集800组永磁同步电机匝间正常及5%、10%、15%三种程度短路故障数据构建真实数据测试集,使用经常规方法在小样本真实数据集上进行训练的一维卷积神经网络和本发明方法中的一维卷积神经网络模型对真实数据测试集进行诊断分类,并且两种模型训练时间相同,分类结果正确率如下:
从上述实验过程和实验结果可以看出,本发明针对真实情况下故障数据缺失的问题,通过迁移学习方法,将仿真预训练后的模型应用于真实数据集,并引入稀疏表示理论做抗噪声处理,能够在真实故障数据量较小的情况下,完成故障检测模型的训练,并且真实故障数据不需要进行复杂预处理,不需要人工降噪。在电机及其他可仿真机械故障诊断领域具有广泛的应用前景,同时也为基于深度学习的故障诊断技术提供了新的方法。
Claims (6)
1.一种永磁同步电机小样本匝间短路故障诊断方法,其特征在于,包括如下步骤:
步骤1,构建永磁同步电机正常模型和不同程度匝间短路故障模型,分别采集正常模型和匝间短路故障模型的不同程度的匝间短路故障定子电流信号,组建大数据仿真数据集;
步骤2,基于大数据仿真数据集预训练一维卷积神经网络;
步骤3,通过电流传感器采集永磁同步电机匝间短路真实故障数据,组建小样本真实故障数据集;
步骤4,基于稀疏表示理论,对网络损失函数进行优化改造;
步骤5,基于迁移学习的方法,将预训练好的网络在小样本真实故障数据集上训练,直至网络拟合。
2.根据权利要求1所述永磁同步电机小样本匝间短路故障诊断方法,其特征在于:步骤1所述的信号为不同严重程度的永磁同步电机匝间短路原始定子电流信号。
3.根据权利要求1所述永磁同步电机小样本匝间短路故障诊断方法,其特征在于,步骤2所述的基于仿真特征大数据预训练一维卷积神经网络,是通过建立一维卷积神经网络,利用大数据仿真数据集进行预训练,使网络学习可以完成对仿真数据的故障识别分类。
4.根据权利要求1所述永磁同步电机小样本匝间短路故障诊断方法,其特征在于,步骤3所述的真实故障数据为电流传感器采集到的永磁同步电机原始未经预处理的含噪声定子电流时域信号。
5.根据权利要求1所述永磁同步电机小样本匝间短路故障诊断方法,其特征在于,步骤4所述的基于稀疏表示理论,对网络损失函数进行优化改造,是在训练过程中,根据稀疏表示理论,对模型的损失函数添加基于最小化l2范数的稀疏表示。
6.根据权利要求1所述永磁同步电机小样本匝间短路故障诊断方法,其特征在于,步骤5所述的基于迁移学习的方法,将预训练好的模型在小样本真实故障数据集上训练,直至模型拟合,是基于迁移学习的方法将模型载入到真实小样本数据集上,限制模型第一层神经元的参数不变,不断训练直到损失函数小于一个设定值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110303474.3A CN112926728B (zh) | 2021-03-22 | 2021-03-22 | 一种永磁同步电机小样本匝间短路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110303474.3A CN112926728B (zh) | 2021-03-22 | 2021-03-22 | 一种永磁同步电机小样本匝间短路故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112926728A true CN112926728A (zh) | 2021-06-08 |
CN112926728B CN112926728B (zh) | 2022-09-06 |
Family
ID=76175486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110303474.3A Active CN112926728B (zh) | 2021-03-22 | 2021-03-22 | 一种永磁同步电机小样本匝间短路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926728B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113656977A (zh) * | 2021-08-25 | 2021-11-16 | 绵阳市维博电子有限责任公司 | 一种基于多模态特征学习的线圈故障智能诊断方法及装置 |
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 |
CN114689122A (zh) * | 2022-03-31 | 2022-07-01 | 国网北京市电力公司 | 一种设备故障监测方法、装置、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
CN110780146A (zh) * | 2019-12-10 | 2020-02-11 | 武汉大学 | 基于多阶段迁移学习的变压器故障辨识与定位诊断方法 |
-
2021
- 2021-03-22 CN CN202110303474.3A patent/CN112926728B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918752A (zh) * | 2019-02-26 | 2019-06-21 | 华南理工大学 | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 |
CN110780146A (zh) * | 2019-12-10 | 2020-02-11 | 武汉大学 | 基于多阶段迁移学习的变压器故障辨识与定位诊断方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113656977A (zh) * | 2021-08-25 | 2021-11-16 | 绵阳市维博电子有限责任公司 | 一种基于多模态特征学习的线圈故障智能诊断方法及装置 |
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 |
CN114689122A (zh) * | 2022-03-31 | 2022-07-01 | 国网北京市电力公司 | 一种设备故障监测方法、装置、设备及介质 |
CN114689122B (zh) * | 2022-03-31 | 2023-11-10 | 国网北京市电力公司 | 一种设备故障监测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112926728B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112926728B (zh) | 一种永磁同步电机小样本匝间短路故障诊断方法 | |
CN113935460B (zh) | 类不平衡数据集下的机械故障智能诊断方法 | |
CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN112052796A (zh) | 一种基于深度学习的永磁同步电机故障诊断方法 | |
Gao et al. | ASM1D-GAN: An intelligent fault diagnosis method based on assembled 1D convolutional neural network and generative adversarial networks | |
CN110334580A (zh) | 基于集成增量的动态权重组合的设备故障分类方法 | |
CN109146944B (zh) | 一种基于深度可分卷积神经网络的视觉深度估计方法 | |
CN106124212A (zh) | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 | |
CN112577748A (zh) | 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法 | |
CN110991295A (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
CN113887136A (zh) | 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法 | |
CN111595541A (zh) | 一种海量振动传递率数据卷积神经网络处理的多维结构损伤识别方法 | |
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 | |
CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
Yang et al. | Few-shot learning for rolling bearing fault diagnosis via siamese two-dimensional convolutional neural network | |
CN114881071A (zh) | 基于多源信息的同步电机转子绕组匝间短路故障诊断方法 | |
CN111766513B (zh) | 一种基于胶囊网络的三相感应电机变工况多故障诊断方法 | |
CN116910513A (zh) | 一种基于cwgan-gp和双流cnn模型的离心泵转子故障诊断方法 | |
CN116224062A (zh) | 一种基于卷积神经网络的伺服电机故障诊断方法 | |
CN115688553A (zh) | 一种永磁同步电机不平衡样本匝间短路故障诊断方法 | |
CN116127856A (zh) | 一种基于深层神经网络的永磁同步电机故障诊断方法 | |
CN113742638B (zh) | 基于峭度的FastICA和逼近求解域的STLBO电机轴承故障诊断方法 | |
CN114528869A (zh) | 一种风机叶片损伤识别方法 |
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 |