CN113009337B - 海上风电永磁直驱电机匝间短路故障识别方法 - Google Patents
海上风电永磁直驱电机匝间短路故障识别方法 Download PDFInfo
- Publication number
- CN113009337B CN113009337B CN202110218436.8A CN202110218436A CN113009337B CN 113009337 B CN113009337 B CN 113009337B CN 202110218436 A CN202110218436 A CN 202110218436A CN 113009337 B CN113009337 B CN 113009337B
- Authority
- CN
- China
- Prior art keywords
- turn
- permanent magnet
- magnet direct
- winding
- direct drive
- 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
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
- 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
- G01R31/72—Testing of electric windings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
海上风电永磁直驱电机匝间短路故障识别方法,通过对永磁直驱发电机的磁链方程进行分析,推导永磁直驱电机定子匝间短路故障的电压变化情况;采集永磁直驱发电机的三相电压电流特征并确定故障特征量,然后通过样本深度学习方式提供给堆叠自编码器以产生深层次的故障特征,用于永磁直驱发电机定子绕组匝间短路故障的识别。相比传统方法进行诊断,本发明识别方法拥有更高的故障诊断精度和区分度,对永磁直驱发电机的状态评估更准确。
Description
技术领域
本发明涉及风力发电机状态评估技术领域,具体涉及一种海上风电永磁直驱电机匝间短路故障识别方法。
背景技术
文献[1]李垣江,张周磊,李梦含,等.采用深度学习的永磁同步电机匝间短路故障诊断方法[J].电机与控制学报,2020,24(9):173-180.针对永磁同步电机匝间短路故障诊断方法因结构复杂、样本特征稀少和大数据冗余等因素引起的诊断困难问题,基于生成式对抗和稀疏自编码深度学习网络提出一种高效准确的匝间短路故障诊断方法。该方法通过采集永磁同步电机负序电流和转矩特征信号,利用生成式对抗神经网络完成样本数据扩张,构建鲁棒、多样的训练集合,结合稀疏自编码网络实现高效准确的故障特征分类、诊断。
文献[2]丁石川,王清明,杭俊,等.计及模型预测控制的永磁同步电机匝间短路故障诊断[J].中国电机工程学报,2019,39(12):3697-3707.提出一种永磁同步电机匝间短路故障诊断方法,该方法是基于永磁同步电机模型预测控制系统中的价值函数,利用模型预测控制系统中价值函数的直流分量和二次谐波分量来诊断永磁同步电机匝间短路故障。首先简要介绍永磁同步电机在正常情况下的数学模型;然后叙述永磁同步电机模型预测电流控制方法;接着搭建永磁同步电机在匝间短路故障情况下的数据模型,并分析匝间短路故障对定子电压和电流的影响。
文献[3]朱喜华,李颖晖,张敬,等.基于Ansoft的永磁同步电机早期匝间短路故障分析[J].大电机技术,2010,(5):35-39.建立了基于Ansoft的永磁同步电动机二维瞬态场有限元模型,利用Ansoft强大的电磁场分析和后处理功能,仿真得到了电机在正常和匝问短路2%、5%故障下的电磁场分布和相关性能曲线,并分析了各种条件下反电势的谐波含量,得出了反电势三次谐波含量随匝间短路程度加剧而减少等结论。
文献[4]梁洪.基于支持向量机多分类器的永磁同步电机故障诊断系统研究[D].四川:电子科技大学,2019.分析PMSM的结构、常见故障以及故障产生机理的基础上,对基于信号处理的故障诊断方法进行分析,总结出PMSM电流和振动信号的故障特征频率。其次,根据电机信号中故障特征频率分析,设计PMSM故障诊断实验系统。实现系统对信号的采集存储、分析处理和故障诊断等功能,为算法的验证提供实验载体。再次,基于改进小波包变换对电机电流和振动信号进行处理,改进小波包变换能消除频率混淆现象,可得出更加准确的信号故障特征,并以90TDY115-2B低速PMSM为例,进行PMSM匝间短路故障检测实验,结果验证了故障电机信号中存在的匝间短路故障特征。最后,分析基于SVM常用的四种多分类算法,使用四种SVM多分类算法分别对90TDY115-2B永磁同步低速电机多故障诊断分类实验。
文献[5]曲忠杰,张志艳,李丽,等.永磁同步发电机定子绕组匝间短路故障数学模型及其仿真[J].轻工学报,2019,34(1):101-108.分析PMSG通用数学模型的基础上,引入匝间短路故障因子,推导出三相静止坐标系下的定子绕组匝间短路故障数学模型;然后基于Matlab/Simulink建立了仿真模型,采用时域仿真分析法和FFT分析,研究了PMSG分别在正常和定子A相绕组匝间短路不同严重程度下的运行工况。
文献[6]蒋爱国,符培伦,谷明,等.基于多模态堆叠自动编码器的感应电机故障诊断[J].电子测量与仪器学报,2018(8).针对感应电机多源监测数据利用率不高,难以有效融合多传感器信息进行电机故障的准确识别等问题,提出了一种多模态堆叠自动编码器模型(MSAE),该模型直接从原始信号中获取其最为显著的特征向量,有效减少了手动提取特征指标造成的故障信息遗漏,并能学习到多源信号的共享表示实现多源融合的故障诊断。
上述现有相似的技术主要针对电动汽车上的永磁电机。永磁同步电机匝间短路等故障诊断已有一些研究,但目前主要针对电动汽车,堆叠自编码器也有相关算法研究。针对海上风力永磁直驱发电机故障诊断的研究较少。而风力发电系统的永磁直驱发电机与电动汽车上的有不同之处,同时海上风速变化莫测,这些工况将导致永磁直驱发电机受到较大载荷,故障率较高且在线监测会受到较大的噪声影响,很多传统方法无法满足风电系统的精度和实时的要求。
永磁直驱风力发电机由于机械损耗小、运行效率高、维护成本低等优点受到广泛关注,成为继双馈感应风电机组之后的又一重要风力发电机型,永磁直驱在风电机组中占比逐年增加。海上风电受海风不确定性影响,永磁直驱风力发电机更容易损坏,在长时间海上高温高湿的环境中运行会导致多种故障发生,如定子绕组匝间短路故障。故障的存在将直接影响风电机组的发电机效率,永磁直驱风力发电机稳定运行的关系到海上风电的可靠性。及时对故障进行诊断有助于减少运维人员的工作量,降低运维成本。
发明内容
为解决上述技术问题,本发明提供一种海上风电永磁直驱电机匝间短路故障识别方法,采用磁链方程分析永磁直驱发电机的定子绕组匝间短路故障后的定子电动势变化情况,并根据海上风力发电的特点,将深度堆叠自编码器研究融合后应用到海上风力永磁直驱发电机故障诊断诊断之中。相比传统方法进行诊断,本发明识别方法拥有更高的故障诊断精度和区分度,对永磁直驱发电机的状态评估更准确。
本发明采取的技术方案为:
海上风电永磁直驱电机匝间短路故障识别方法,包括以下步骤:
步骤1:永磁直驱发电机定子绕组匝间短路故障发生后,定子单相绕组有效匝数减少,设A相绕组匝间短路故障比例为7%,分析其磁场情况,其表达式如下:
式中:N为单相总匝数;x=7%,其中变化范围为0-100%。因此永磁直驱发电机定子A相绕组实际匝数为:
短路部分的匝数为:
当绕组在7%匝间短路时,短路线圈也可被视为叠加绕组。
根据以上短路绕组情况,可以得到永磁直驱发电机定子A相绕组电感为:
式中:μ0为空气磁导率;r为转子半径;l定子冲片长度;g为气隙长度;其中,永磁直驱电机的B相与C相自感与正常一样,匝间短路故障的自感可以得到如下表达式:
海上风电永磁直驱发电机定子匝间短路绕组与A相绕组互感为:
由此也能够推导定子匝间短路绕组与B、C相绕组的互感:
匝间短路故障绕组电压方程:
永磁直驱发电机的绕组产生的电动势表达式可以转换成绕组形式如下:
式中:Na为A相绕组匝数;f为电压基频;D为定子直径;Bn为磁通。
步骤2:采集永磁直驱发电机的三相电压电流特征并确定故障特征量,然后通过样本深度学习方式提供给堆叠自编码器以产生深层次的故障特征,用于永磁直驱发电机定子绕组匝间短路故障的识别。
本发明一种海上风电永磁直驱电机匝间短路故障识别方法,技术效果如下:
1)本发明提出了一种利用定子电压分析及堆叠自编码器对永磁直驱风力发电机故障检测的方法。采用自动编码器从电机定子电压提取特征。针对海上风电机组故障诊断,本发明先对永磁直驱风力发电机定子匝间短路故障特征进行预处理,应用堆叠自编码器更利于异常值检测,因此具有更好的降噪能力,具有较高诊断精度,可以满足海上风电的精度和实时性要求。
2)本发明通过对定子电压电流进行分析预处理后采用堆叠自编码器特征提取诊断。相比传统直接电流分析或者直接使用算法诊断故障特征,拥有更高的故障诊断精度和识别准确度。
3)本发明提出了一种基于电动势计算和堆叠自编码器的海上风电永磁直驱发电机定子匝间短路故障识别方法。直接通过采集风电永磁直驱机组的三相定子电压电流,不需要在海上风电机组中添加新的传感器,避免了增加额外设备的复杂性,该方法适用于海上风电机组的运维人员难以到达的情况。为海上风电机组永磁直驱发电机定子匝间短路故障识别提供一种新的思路。
附图说明
图1为堆叠自动编码器示意图。
图2为永磁直驱发电机故障诊断方法流程图。
图3为本发明方法涉及的识别装置结构示意图。
图4为本发明方法流程图。
具体实施方式
海上风电永磁直驱电机匝间短路故障识别方法,包括以下步骤:
步骤1:永磁直驱发电机定子绕组匝间短路故障发生后,定子单相绕组有效匝数减少,设A相绕组匝间短路故障比例为7%,分析其磁场情况,其表达式如下:
式中:N为单相总匝数;x=7%,其中变化范围为0-100%。因此永磁直驱发电机定子A相绕组实际匝数为:
短路部分的匝数为:
当绕组在7%匝间短路时,短路线圈也可被视为叠加绕组。
根据以上短路绕组情况,可以得到永磁直驱发电机定子A相绕组电感为:
式中:μ0为空气磁导率;r为转子半径;l定子冲片长度;g为气隙长度;
nA(θ)为匝数函数,表示永磁直驱电机定子A相绕组的分布情况,其幅值对应电机极对数匝数。
NA(θ)为绕组函数,表示磁动势沿永磁直驱电机A相气隙的分布。
其中,永磁直驱电机的B相与C相自感与正常一样,匝间短路故障的自感可以得到如下表达式:
nSC(θ)表示永磁直驱电机定子短路绕组的匝数函数;
NSC(θ)表示永磁直驱电机定子短路绕组的绕组函数;
nA(θ)为永磁直驱电机定子A相绕组的匝数函数;
NB(θ)为永磁直驱电机定子B相绕组的绕组函数;
NC(θ)为永磁直驱电机定子C相绕组的绕组函数。
海上风电永磁直驱发电机定子匝间短路绕组与A相绕组互感为:
由此也能够推导定子匝间短路绕组与B、C相绕组的互感:
在定子匝间故障下,海上风电永磁直驱发电机各相短路时的自感、互感如上式(6)~式(10),相应的电压方程如式(11)所示。负载被认为是与电网相连恒定的三相负载。由电感方程可以推导得出匝间短路故障绕组电压方程:
R为发电机一相绕组的电阻;
Ia、Ib、Ic分别为发电机A,B,C相电流。
LSCSC为永磁直驱电机匝间短路线圈的自感。
永磁直驱发电机的绕组产生的电动势表达式可以转换成绕组形式如下:
式中:Na为A相绕组匝数;f为电压基频;D为定子直径;Bn为磁通,Nsc为永磁直驱电机匝间短路绕组的匝数。
步骤2:为减少海上风力发电风资源不确定的干扰,如图2所示,从海上风电的集控中心采集永磁直驱发电机的三相电压电流特征并确定故障特征量,然后通过样本深度学习方式提供给堆叠自编码器以产生深层次的故障特征,通过磁链方程分析永磁直驱发电机的定子绕组匝间短路故障后的定子电动势变化进行预处理后,采用堆叠的自编码器诊断。最后用于永磁直驱发电机定子绕组匝间短路故障的识别。
堆叠自编码器结构示意如图1所示,通过多个隐藏层降维和特征提取,在最后添加一个分类层进行故障分类。通过无标签数据预训练获得网络初始参数,在少量有标签数据监督下利用神经网络对初始参数进行优化,得到一个具有特征提取和模式识别功能的深度神经网络模型。
图1中,每个输入样本是一个向量其表达如下:
X={x1,x2,x3…}x∈Rn (14);
H={h1,h2,…hn}h∈Rp (15);
通过Sigmoid函数f可以得到:
式中:We权重矩阵,be是偏差量。隐藏表示H可以是转换回输入向量的近似值
采用相似的Sigmoid函数f2可以得到:
θ={We,be,Wd,bd} (19)
根据定义给出堆叠的编码器的均方误差准则:
自编码器算法主要分为编码和解码两个步骤,编码指算法通过编码将高维的输入特征转换为低维的隐藏层特征,解码步骤指将隐藏层信息H通过解码再次重构回高维特征计算重构后的高维特征数据与输入信号之间的误差,将其逆传播至自动编码器,通过调节相关权值参数使重构误差下降。当误差满足预设值时,自编码器完成训练。
采用堆叠的自编码器的情况下,每个阶段的隐藏层中的表示信息H被用作下一级的输入,并且以顺序方式对每个阶段进行训练。网络模型非监督的训练过程以重构输入向量作为目标,避免了人为添加样本标签的步骤,提高了工作效率的同时减少了对主观经验的依赖,也更加适用于海上风电永磁直驱电机故障诊断的应用场景。
步骤3:如图3所示,基于电动势编码器的海上风电永磁直驱电机匝间短路故障识别装置,该装置包括:海上风电桨叶1、永磁直驱发电机2、海上风电变桨系统负载3、海上风电集控中心数据管理平台4、定子电动势计算装置5、深度学习堆叠的自编码器处理平台6、监测显示器7。通过该装置实时分析海上风电永磁直驱发电机定子匝间短路故障特征情况,若永磁直驱发电机发生对应的故障,特征值超过所定义的阈值,将发出警报提醒运维人员。技术人员可根据故障实际情况作出进一步处理,减少故障扩大的可能性,降低故障风险,减少损失。
该装置通过对定子电压电流进行分析预处理后,采用堆叠的自编码器特征提取诊断。相比传统直接电流分析或者直接使用算法诊断故障特征,拥有更高的故障诊断精度和识别准确度。
Claims (1)
1.海上风电永磁直驱电机匝间短路故障识别方法,其特征在于包括以下步骤:
步骤1:永磁直驱发电机定子绕组匝间短路故障发生后,定子单相绕组有效匝数减少,设A相绕组匝间短路故障比例为7%,分析其磁场情况,其表达式如下:
式中:N为单相总匝数;x=7,其中变化范围为0-100;因此永磁直驱发电机定子A相绕组实际匝数为:
短路部分的匝数为:
当绕组在7%匝间短路时,短路线圈被视为叠加绕组;
根据以上短路绕组情况,得到永磁直驱发电机定子A相绕组电感为:
式中:μ0为空气磁导率;r为转子半径;l定子冲片长度;g为气隙长度;其中,永磁直驱电机的B相与C相自感与正常一样,匝间短路故障的自感得到如下表达式:
海上风电永磁直驱发电机定子匝间短路绕组与A相绕组互感为:
由此也能够推导定子匝间短路绕组与B、C相绕组的互感:
匝间短路故障绕组电压方程:
永磁直驱发电机的绕组产生的电动势表达式转换成绕组形式如下:
式中:Na为A相绕组匝数;f为电压基频;D为定子直径;Bn为磁通;
步骤2:采集永磁直驱发电机的三相电压电流特征并确定故障特征量,然后通过样本深度学习方式提供给堆叠自编码器以产生深层次的故障特征,用于永磁直驱发电机定子绕组匝间短路故障的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110218436.8A CN113009337B (zh) | 2021-02-26 | 2021-02-26 | 海上风电永磁直驱电机匝间短路故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110218436.8A CN113009337B (zh) | 2021-02-26 | 2021-02-26 | 海上风电永磁直驱电机匝间短路故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113009337A CN113009337A (zh) | 2021-06-22 |
CN113009337B true CN113009337B (zh) | 2023-04-07 |
Family
ID=76386466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110218436.8A Active CN113009337B (zh) | 2021-02-26 | 2021-02-26 | 海上风电永磁直驱电机匝间短路故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113009337B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116243682B (zh) * | 2023-03-15 | 2023-09-08 | 青岛澎湃海洋探索技术有限公司 | 基于改进生成对抗式网络的水下推进器故障检测方法 |
CN116299051B (zh) * | 2023-05-19 | 2023-07-21 | 深圳市安科讯电子制造有限公司 | 一种过流短路检测电路及检测保护系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7592772B2 (en) * | 2007-10-08 | 2009-09-22 | University Of Victoria Innovation And Development Corporation | Stator inter-turn fault detection of synchronous machines |
CN101794984B (zh) * | 2010-03-18 | 2012-05-16 | 清华大学 | 基于多回路模型的发电机转子匝间故障分析方法 |
CN108170981B (zh) * | 2018-01-15 | 2021-09-17 | 河海大学 | 一种诊断双馈异步风力发电机定子匝间短路故障的方法 |
-
2021
- 2021-02-26 CN CN202110218436.8A patent/CN113009337B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113009337A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bouzid et al. | An efficient simplified physical faulty model of a permanent magnet synchronous generator dedicated to stator fault diagnosis part II: Automatic stator fault diagnosis | |
CN106054078B (zh) | 一种海上双馈电机定子绕组匝间短路故障辨识方法 | |
CN113009337B (zh) | 海上风电永磁直驱电机匝间短路故障识别方法 | |
CN103558547A (zh) | 一种永磁同步电机的智能故障诊断方法 | |
CN111722145A (zh) | 一种同步电机励磁绕组匝间短路轻度故障诊断方法 | |
Pietrzak et al. | PMSM stator winding fault detection and classification based on bispectrum analysis and convolutional neural network | |
CN103969579A (zh) | 永磁同步电机定子不对称故障诊断方法及系统 | |
Niu et al. | Motor fault diagnostics based on current signatures: a review | |
US11722079B2 (en) | Detection system and method for rotor dynamic turn-to-turn short circuit fault of synchronous generator | |
CN113255458A (zh) | 基于多视图关联特征学习的轴承故障诊断方法 | |
CN113009338B (zh) | 海上风电变桨电机定子匝间短路故障诊断方法 | |
Azgomi et al. | Experimental validation on stator fault detection via fuzzy logic | |
CN112986821B (zh) | 海上风电机组变桨电机转子断条故障诊断方法 | |
Dai et al. | Fault diagnosis of permanent magnet synchronous motor based on improved probabilistic neural network | |
Sabir et al. | Diagnosis of rotor winding inter-turn short circuit fault in wind turbine based on DFIG using hybrid TSA/DWT approach | |
Narayan et al. | Detection of Stator Fault in Synchronous Reluctance Machines Using Shallow Neural Networks | |
Abed et al. | Fault diagnosis of brushless DC motor for an aircraft actuator using a neural wavelet network | |
Zhao et al. | Fault diagnosis of asynchronous induction motor based on BP neural network | |
Shu et al. | DBF-CNN: A double-branch fusion residual CNN for diagnosis of induction motor broken rotor bar | |
Ni et al. | A Real-time Fault Diagnosis Method for Grid-Side Overcurrent in Train Traction System using Signal Time Series Feature Pattern Recognition | |
Coelho et al. | Short circuit incipient fault detection and supervision in a three-phase induction motor with a SOM-based algorithm | |
Zhang et al. | Diagnosis methods for inter-turn short-circuit fault degree of permanent magnet synchronous motor stator winding | |
Liu et al. | Converter-Based Advanced Diagnostic and Monitoring Technologies for Offshore Wind Turbines | |
CN114859226B (zh) | 一种海上风电机组转子绕组匝间短路故障识别方法及装置 | |
Nazemi et al. | Stator Inter-Turn Fault Detection for Line-Connected Induction Motors Using Convolutional Neural Network |
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 |