CN113761786A - 一种基于神经网络模型的马达故障诊断装置及其方法 - Google Patents
一种基于神经网络模型的马达故障诊断装置及其方法 Download PDFInfo
- Publication number
- CN113761786A CN113761786A CN202110783552.4A CN202110783552A CN113761786A CN 113761786 A CN113761786 A CN 113761786A CN 202110783552 A CN202110783552 A CN 202110783552A CN 113761786 A CN113761786 A CN 113761786A
- Authority
- CN
- China
- Prior art keywords
- neural network
- motor
- vector
- voltage
- fault
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了一种基于神经网络模型的马达故障诊断装置及其方法,涉及船舶电气自动化领域。本发明的马达故障诊断装置包括信号采集模块、马达控制器、上位机和马达控制与保护模块,马达控制器内嵌有bp神经网络。本发明的信号采集模块采集马达电机的电压和电流,并把采集到的电气参数输入到马达控制器内的bp神经网络内,利用监测的电气参数作为故障模型的输入信号,经神经网络诊断模型分析诊断,得出不同电机工况下的故障类型,并将执行信号输入到上位机和马达控制与保护模块内,可实现马达故障在线故障诊断,减少了电机的不必要停机与人为排查。
Description
技术领域
本发明涉及船舶电气自动化领域,更具体地说是一种基于神经网络模型的马达故障诊断装置及其方法。
背景技术
马达广泛应用于工业领域,其中马达在船舶机舱内也分布广泛,马达的运行安全直接影响船舶运行安全。
马达的堵转、过流、缺相等故障是其常见的电气故障,而传统故障诊断装置大多采用离线式监测方式,存在采集模块精度低,算法资源占用大,操作不便,诊断滞后等缺点。如传统的马达控制器可进行电机监测、保护和简单的故障诊断,但故障报警发出后,需要电机停机,维修人员进一步的检查判断,分析诊断非常浪费时间和精力。
发明内容
1.发明要解决的技术问题
针对现有技术中马达故障后,需要电机停机并进一步检查判断故障原因等问题,本发明提供了一种基于神经网络模型的马达故障诊断装置及其方法,利用监测的电气参数作为故障模型的输入信号,经嵌入到马达控制器中的神经网络诊断模型分析诊断,得出不同电机工况下的故障类型,可实现马达故障在线故障诊断,减少了电机的不必要停机与人为排查。
2.技术方案
为达到上述目的,本发明提供的技术方案为:
一种基于神经网络模型的马达故障诊断方法,包括如下步骤:
步骤一、采集输入信号:利用信号采集模块采集马达的电流及电压信号,并计算马达的转速电气参数;
步骤二、输入信号向量表示:对采集的电压、电流信号进行频谱分析,找出电压、电流信号的特征值,并用向量表示;
步骤三、bp神经网络的建立与训练:建立三层前馈神经网络,对bp神经网络进行模型训练,利用BP算法不断修正bp神经网络的权值与阈值,使得模拟值与故障实测值趋于一致;
步骤四、马达故障诊断:将步骤三中训练好的bp神经网络嵌入马达控制器中,把实时测量的马达的电流、电压和转速值作为输入值输入bp神经网络,得到不同电气参数下的故障模式,从而对马达故障进行诊断。
进一步的技术方案,步骤三中,bp神经网络的训练步骤包括:
B1:根据马达控制器监测的数据,提取反映马达的故障特征的参数信息作为输入数据;
B2:将特征参数所反映的故障类型作为输出;
B3:训练bp神经网络,将训练集输入向量和目标向量样本分别作为输入和输出,调整bp神经网络的权值向量和阈值向量,重复步骤四的操作,直到神经网络的输出达到稳定;
B4:测试已训练好的bp神经网络,将测试样本送入bp神经网络,当系统能根据输入的测试样本与bp神经网络的某个输入向量相一致时,输出马达故障的所属故障模式的类型,bp神经网络设计成功,否则说明bp神经网络设计不成功,返回B3重新训练bp神经网络。
进一步的技术方案,步骤四中,马达故障诊断步骤包括:
C1:将训练好的马达故障信息的权值向量和阈值向量存储到bp神经网络中,以便后面更新信息;并将训练好的bp神经网络导入马达控制器中;
C2:输入马达电机的电气数值的特征值向量,利用设计成功的bp神经网络进行模式识别和诊断,从而输出该向量所属故障模式的类型。
进一步的技术方案,步骤三中,bp神经网络的建立及其修正的IGA-BP混合算法步骤包括:
A1:根据给定的输入、输出训练样本集,确定bp神经网络的输入层、输出层及隐含层节点数,构建bp神经网络的拓扑结构;
A2:设置bp神经网络算法的群体规模N、交叉概率Pc和变异概率Pm,将bp神经网络的权值向量和阈值向量编码成浮点数表示的字符串,在[-1,1]之间随机产生N条染色体作为初始种群;
A3:对种群中的染色体进行译码,根据公式计算第i译码的误差值平方和Ei和第i个个体的适应度值fi的值;其中,i∈{1,2,...,N},k为目标个数为大于1的自然数,n为种群个数,q为神经网络每条染色体期望目标输出值;y为每条染色体的实际输出值;
A4:计算种群中的最大适应度值fmax和平均适应度值favg,并将适应度为fmax的染色体对应的神经网络的权值向量和阈值向量记为B1,判断fmax是否满足精度要求;
A5:若fmax的误差精度E≤0.001,满足精度要求,通过对适应度为fmax的染色体进行译码,得到bp神经网络的权值向量和阈值向量B1,此时模型达到稳定,结束算法过程;
A6:若fmax的误差精度E>0.001,则E不满足要求,进行遗传选择操作,并对交叉概率Pc和变异概率Pm进行自适应调整,采用改进的交叉和变异算子执行遗传操作,产生新的一代群体;
A7:对bp神经网络的权值向量和阈值向量B1通过反向传播计算,求出各层神经元的误差信号,应用IGA-BP混合算法对B1反复调整后记为B2;
A8:从父代群体和新一代群体及B2中挑选出N个染色体来形成下一代新群体,然后转去步骤A3执行。
进一步的技术方案,其中,改进的交叉和变异算子公式为:
Pc=k3(f′<favg);
Pm=k4(f<favg);
其中,f是要变异的个体适应度值,f′是两个要交叉个体中较大的适应度,k1、k2、k3、k4是0~1之间的常数。
一种基于神经网络模型的马达故障诊断装置,包括
信号采集模块,用于采集马达的电压以及电流信号;
马达控制器,用于接收信号采集模块输入的马达的电压以及电流信号,并计算转速;马达控制器内嵌有bp神经网络,马达控制器能够将电压、电流以及转速转化为向量值并输入到bp神经网络内,bp神经网络通过分析对比,输出马达故障所属的故障类型;
上位机,用于接收马达控制器输出的马达故障类型,并显示报警;
马达控制与保护模块,用于接收马达控制器输出的保护与控制指令,并控制电机停止或启动。
进一步的技术方案,信号采集模块包括电流采集电路和电压采集电路;电流采集电路包括电流采样电路和三相电量计量芯片ADE9000;电压采集电路包括滤除高频EMI电磁噪声的磁珠、电压采样电路和三相电量计量芯片ADE9000;其中三相电量计量芯片ADE9000由7个ADC与1个DSP内核组成。
进一步的技术方案,电压采集电路包括三个采集马达电压的电压通道,电压信号经滤波器、放大电路与数模转换,进入滤波电量计算,其对应的电压通道分别为VAP、VAN,VBP、VBN和VCP、VCN。
进一步的技术方案,电流采集电路包括三个采集马达电流的电流通道,电流信号经电流互感器、滤波器、放大电路与数模转换,进入滤波电量计算,其对应的电流通道分别为IAP、IAN,IBP、IBN和ICP、ICN。
为了避免电压电流产生相位差,影响数据采集及后续的分析,ADE9000芯片内部设有罗氏线圈,输入抗混叠滤波器,这样可以提高电压相位的采集精度。
3.有益效果
采用本发明提供的技术方案,与现有技术相比,具有如下有益效果:
(1)本发明的一种基于神经网络模型的马达故障诊断装置及其方法,对现有的马达控制器的故障诊断功能进行扩展,对马达的电压电流信号进行了放大,更加精确的采集其数值作为输入信号,为马达的故障诊断提供数据支撑。
(2)本发明的一种基于神经网络模型的马达故障诊断装置及其方法,通过在马达控制器内嵌入神经网络,通过神经网络对比分析,可得知电机故障的具体类型,与传统的故障模式相比,上位机可以显示具体的马达故障类型,可实现马达故障在线故障诊断,减少了电机的不必要停机与人为排查。
附图说明
图1为本发明的马达故障诊断装置的内部功能关系图;
图2为本发明的信号采集模块的电路图;
图3为本发明的电流采样电路图;
图4为本发明的电压采样电路图;
图5为本发明的神经网络模型建立与训练的流程图。
具体实施方式
为进一步了解本发明的内容,结合附图对发明作详细描述。
实施例1
本实施例的一种基于神经网络模型的马达故障诊断装置,如图1所示,包括信号采集模块、马达控制器、上位机、通讯模块和马达控制与保护模块。
信号采集模块采集到马达的电压、电流,并计算转速;并将马达的电压、电流以及转速作为输入信号输入马达控制器中,马达控制器能够将马达的电压、电流以及转速值转化为向量值,且马达控制器内嵌入有神经网络诊断模型,神经网络通过内设的固定值与输入的向量值进行对比分析,确定马达的故障类型。并将马达的故障类型传输给上位机,上位机输出马达的故障类型并显示报警,马达控制器与上位机之间通过通讯模块连接;同时,马达控制器发出保护与控制指令给马达控制与保护模块,马达控制与保护模块控制电机的启动与停止,必要时,进行停机保护。
为了更精确的获得马达的电气参数,本发明的信号采集模块选择芯片ADE9000采集电压电流信号,其原理图如图2所示。信号采集模块包括有能够采集马达运转过程中的实时电流值的电流采集电路和能够采集马达运转过程中的实时电压值的电压采集电路;电流采集电路由电流采样电路和三相电量计量芯片ADE9000集成电路构成,如图3所示,电流采样电路设有三个且三个电流采样电路均相同,电流采样电路为三相电量计量芯片ADE9000中现有电路;电压采集电路由滤除高频EMI电磁噪声的磁珠、电压采样电路和三相电量计量芯片ADE9000集成电路构成,如图4所示,电压采样电路设有三个且三个电压采样电路均相同,电压采样电路为三相电量计量芯片ADE9000中现有电路。其中ADE9000是由7个高性能的ADC与1个灵活的DSP内核组成,可实现整个电流电压范围内的低漂移,通过电量计算与软件编程,最终计算出相电压、相电流。
且信号采集模块对电压信号经滤波器、放大电路与数模转换,进入滤波电量计算,电流信号经电流互感器、滤波器、放大电路与数模转换,进入滤波电量计算,因此,本发明对马达的电压、电流信号进行了放大,能够更加精确的采集其数值作为输入信号,为马达的故障诊断提供精准的数据支撑。
实施例2
本实施例的一种基于神经网络模型的马达故障诊断装置及其方法,基本结构同实施例1,如图5所示,本发明的故障诊断方法主要包括两大部分:一是神经网络模型的建立与训练,另一部分是基于神经网络模型的马达故障诊断应用实现。
其中,bp神经网络的建立及其修正步骤如下:
A1:根据给定的输入、输出训练样本集,确定bp神经网络的输入层、输出层及隐含层节点数,构建bp神经网络的拓扑结构;
A2:设置bp神经网络算法的群体规模N、交叉概率Pc和变异概率Pm,将bp神经网络的权值向量和阈值向量编码成浮点数表示的字符串,在[-1,1]之间随机产生N条染色体作为初始种群;
A3:对种群中的染色体进行译码,并根据公式计算第i条染色体的误差平方和Ei和第i个个体的适应度值fi的值;其中,i∈{1,2,...,N},k为目标个数为大于1的自然数,n为种群个数,q为神经网络每条染色体期望目标输出值;y为每条染色体的实际输出值;
A4:计算种群中的最大适应度值fmax和平均适应度值favg,并将适应度为fmax的染色体对应的神经网络的权值向量和阈值向量记为B1,判断fmax是否满足精度要求;
A5:若fmax的误差精度E≤0.001,满足精度要求,通过对适应度为fmax的染色体进行译码,得到bp神经网络的权值向量和阈值向量B1,此时模型达到稳定,结束算法过程;
A6:若fmax的误差精度E>0.001,则E不满足要求,进行遗传选择操作,并对交叉概率Pc和变异概率Pm进行自适应调整,采用改进的交叉和变异算子执行遗传操作,产生新的一代群体;
改进的交叉和变异算子公式为:
Pc=k3(f′<favg);
Pm=k4(f<favg);
其中,f是要变异的个体适应度值,f′是两个要交叉个体中较大的适应度,k1、k2、k3、k4是0~1之间的常数;
A7:对bp神经网络的权值向量和阈值向量B1通过反向传播计算,求出各层神经元的误差信号,应用IGA-BP混合算法对B1反复调整后记为B2;
A8:从父代群体和新一代群体及B2中挑选出N个染色体来形成下一代新群体,然后转去步骤A3执行。
bp神经网络建立完成后,对bp神经网络进行训练,训练步骤如下:
B1:根据马达控制器监测的数据,提取反映马达的故障特征的参数信息作为输入数据;
B2:将特征参数所反映的故障类型作为输出;
B3:训练bp神经网络,将训练集输入向量和目标向量样本分别作为输入和输出,调整bp神经网络的权值向量和阈值向量,直到神经网络的输出达到稳定;
B4:测试已训练好的bp神经网络,将测试样本送入bp神经网络,当系统能根据输入的测试样本与bp神经网络的某个输入向量相一致时,输出马达故障的所属故障模式的类型,bp神经网络设计成功,否则说明bp神经网络设计不成功,返回B3重新训练bp神经网络。
bp神经网络训练完成后,马达故障的诊断步骤如下:
C1:将训练好的马达故障信息的权值向量和阈值向量存储到bp神经网络中,以便后面更新信息;并将训练好的bp神经网络导入马达控制器中;
C2:输入马达电机的电气数值的特征值向量,利用设计成功的bp神经网络进行模式识别和诊断,从而输出该向量所属故障模式的类型。
为了进一步举例阐述故障诊断过程,现以8种常见的马达故障为例,建立故障模式集与故障原因集,从而进一步说明马达故障诊断装置诊断过程。
首先,建立故障模式与马达控制测量数值的关系,如表1所示;其次,需要建立故障原因与智能马达控制器测量值的关系,如表2所示;最后,再通过向量转化,把故障模式与故障原因关联起来,从而确定电机的故障类型。
表1故障模式集合表
编号 | 故障模式 | 表示符号 | 对应的智能马达控制器测量值 |
1 | 无启动力矩 | X1 | 转速信号与触发信号 |
2 | 电机过载 | X2 | 电流信号 |
3 | 电机过流 | X3 | 电流不平衡 |
4 | 缺相 | X4 | 无功功率 |
5 | 欠电压 | X5 | 接触器操作次数 |
6 | 电机过热 | X6 | 电度量 |
7 | 电流不平衡 | X7 | 有功功率 |
8 | 堵转 | X8 | 三相电流 |
表2故障原因集合表
选取这8种电机故障,进行BP网络训练,如表3中X1表示电动机起动即出现过电流的故障模,Y1表示起动过流故障的原因,找到故障模式与故障原因的对应关系,从而确定电机的故障类型。
表3 BP网络训练表
通过样本训练与实际的测量值进行对比,发现实测值与模型训练值基本一致,因此,这种故障诊断方法实际可行,并可以进行自学习,提高马达诊断装置的诊断能力。
本发明仅举出8种常见故障的辩识,X1…X8电机的故障模式,Y1…Y10为对应的故障原因,1表示有故障,0表示无故障。而实际系统运行中会含有其它故障模式与相应的原因分类,可以在表1、表2和表3的基础上进行进一步扩充,经过bp神经网络模型的训练之后,可以进一步扩充诊断的能力与准确度。
综上所述,本发明对现有的马达控制器的故障诊断功能进行扩展,并且通过在马达控制器内嵌入bp神经网络模型,通过bp神经网络的对比分析,可得知马达电机故障的具体类型,与传统的故障模式相比,马达控制器可以将具体的故障类型输送到上位机中,上位机可以显示具体的马达故障类型,可实现马达故障在线故障诊断,并且,本发明可以对马达电机的多种故障类型进行精准判断,减少了电机的不必要停机与人为排查。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (9)
1.一种基于神经网络模型的马达故障诊断方法,其特征在于,包括如下步骤:
步骤一、采集输入信号:利用信号采集模块采集马达的电流及电压信号,并计算马达电机的转速电气参数;
步骤二、输入信号向量表示:对采集的电压、电流信号进行频谱分析,找出电压、电流信号的特征值,并用向量表示;
步骤三、bp神经网络的建立与训练:建立三层前馈神经网络,对bp神经网络进行模型训练,利用BP算法不断修正bp神经网络的权值与阈值,使得模拟值与故障实测值趋于一致;
步骤四、马达故障诊断:将步骤三中训练好的bp神经网络嵌入马达控制器中,把实时测量的马达的电流、电压和转速值作为输入值输入bp神经网络,得到不同电气参数下的故障模式,从而对马达故障进行诊断。
2.根据权利要求1所述的一种基于神经网络模型的马达故障诊断方法,其特征在于:步骤三中,bp神经网络的训练步骤包括:
B1:根据马达控制器监测的数据,提取反映马达的故障特征的参数信息作为输入数据;
B2:将特征参数所反映的故障类型作为输出;
B3:训练bp神经网络,将训练集输入向量和目标向量样本分别作为输入和输出,调整bp神经网络的权值向量和阈值向量,重复步骤四的操作,直到神经网络的输出达到稳定;
B4:将测试样本送入bp神经网络,当输入的测试样本与bp神经网络的某个输入向量相一致时,输出马达故障的所属的故障类型,bp神经网络设计成功,否则说明bp神经网络设计不成功,返回B3重新训练bp神经网络。
3.根据权利要求2所述的一种基于神经网络模型的马达故障诊断方法,其特征在于:步骤四中,马达故障诊断步骤包括:
C1:将训练好的马达故障信息的权值向量和阈值向量存储到bp神经网络中,并将训练好的bp神经网络导入到马达控制器中;
C2:输入采集到的马达的电气数值的特征值向量,利用设计成功的bp神经网络进行模式识别和诊断,从而输出该向量所属的马达故障类型。
4.根据权利要求1所述的一种基于神经网络模型的马达故障诊断方法,其特征在于:步骤三中,bp神经网络的建立及其修正步骤包括:
A1:根据给定的输入、输出训练样本集,确定bp神经网络的输入层、输出层及隐含层节点数,构建bp神经网络的拓扑结构;
A2:设置bp神经网络算法的群体规模N、交叉概率Pc和变异概率Pm,将bp神经网络的权值向量和阈值向量编码成浮点数表示的字符串,在[-1,1]之间随机产生N条染色体作为初始种群;
A3:对种群中的染色体进行译码,并根据公式计算第i条染色体的误差平方和Ei和第i个个体的适应度值fi的值;其中,i∈{1,2,...,N},k为目标个数为大于1的自然数,n为种群个数,q为神经网络每条染色体期望目标输出值;y为每条染色体的实际输出值;
A4:计算种群中的最大适应度值fmax和平均适应度值favg,并将适应度为fmax的染色体对应的神经网络的权值向量和阈值向量记为B1,判断fmax是否满足精度要求;
A5:若fmax的误差精度E≤0.001,满足精度要求,通过对适应度为fmax的染色体进行译码,得到bp神经网络的权值向量和阈值向量B1,此时模型达到稳定,结束算法过程;
A6:若fmax的误差精度E>0.001,则E不满足要求,进行遗传选择操作,并对交叉概率Pc和变异概率Pm进行自适应调整,采用改进的交叉和变异算子执行遗传操作,产生新的一代群体;
A7:对bp神经网络的权值向量和阈值向量B1通过反向传播计算,求出各层神经元的误差信号,应用IGA-BP混合算法对B1反复调整后记为B2;
A8:从父代群体和新一代群体及B2中挑选出N个染色体来形成下一代新群体,然后转去步骤A3执行。
6.一种基于神经网络模型的马达故障诊断装置,其特征在于:包括
信号采集模块,用于采集马达的电压以及电流信号;
马达控制器,马达控制器内嵌有bp神经网络;用于接收信号采集模块输入的马达的电压以及电流信号,并计算转速;
上位机,用于接收马达控制器输出的马达故障类型,并显示报警;
马达控制与保护模块,用于接收马达控制器输出的保护与控制指令,并控制电机停止或启动。
7.根据权利要求6所述的一种基于神经网络模型的马达故障诊断装置,其特征在于:所述信号采集模块包括电流采集电路和电压采集电路;所述电流采集电路包括电流采样电路和三相电量计量芯片ADE9000;所述电压采集电路包括滤除高频EMI电磁噪声的磁珠、电压采样电路和三相电量计量芯片ADE9000;其中三相电量计量芯片ADE9000由7个ADC与1个DSP内核组成。
8.根据权利要求7所述的一种基于神经网络模型的马达故障诊断装置,其特征在于:所述电压采集电路包括三个采集马达电压的电压通道,电压信号经滤波器、放大电路与数模转换,进入滤波电量计算。
9.根据权利要求7所述的一种基于神经网络模型的马达故障诊断装置,其特征在于:所述电流采集电路包括三个采集马达电流的电流通道,电流信号经电流互感器、滤波器、放大电路与数模转换,进入滤波电量计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783552.4A CN113761786A (zh) | 2021-07-12 | 2021-07-12 | 一种基于神经网络模型的马达故障诊断装置及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783552.4A CN113761786A (zh) | 2021-07-12 | 2021-07-12 | 一种基于神经网络模型的马达故障诊断装置及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113761786A true CN113761786A (zh) | 2021-12-07 |
Family
ID=78787592
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110783552.4A Pending CN113761786A (zh) | 2021-07-12 | 2021-07-12 | 一种基于神经网络模型的马达故障诊断装置及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113761786A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115015757A (zh) * | 2022-08-09 | 2022-09-06 | 天津九信科技有限公司 | 一种电机运行状态的风险评估方法及系统 |
-
2021
- 2021-07-12 CN CN202110783552.4A patent/CN113761786A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115015757A (zh) * | 2022-08-09 | 2022-09-06 | 天津九信科技有限公司 | 一种电机运行状态的风险评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
CN109165504B (zh) | 一种基于对抗生成网络的电力系统虚假数据攻击识别方法 | |
CN108536945A (zh) | 一种用于大型调相机的故障诊断方法及系统 | |
CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
CN109917205A (zh) | 一种基于特征提取和多层感知机的电磁阀故障诊断装置及方法 | |
CN110084106A (zh) | 基于小波变换和概率神经网络的微网逆变器故障诊断方法 | |
CN111507422B (zh) | 基于cqfpa-wnn的变压器故障诊断方法 | |
CN112069727B (zh) | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 | |
CN104616061B (zh) | 基于小波包对数能量熵及遗传算法优化的孤岛检测方法 | |
CN104392056B (zh) | 一种直驱风电机组建模方法及装置 | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN112200694B (zh) | 基于图神经网络的主导失稳模式识别模型构建及应用方法 | |
CN113761786A (zh) | 一种基于神经网络模型的马达故障诊断装置及其方法 | |
CN111007429A (zh) | 基于anfis的同步调相机短路故障识别方法和系统 | |
CN111814284A (zh) | 基于相关性检测与改进随机森林的在线电压稳定评估方法 | |
CN110443481B (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
CN111371088A (zh) | 一种基于bp神经网络修正svg控制策略的方法及系统 | |
CN111190072A (zh) | 集抄系统诊断模型建立方法、故障诊断方法及装置 | |
CN112924813B (zh) | 基于电气数据的配电网短路故障监控方法及装置 | |
CN117347796A (zh) | 一种基于智能网关的开关设备局部放电诊断系统及方法 | |
CN112036010A (zh) | 一种基于数据驱动的光伏系统动态过程混合等效建模方法 | |
CN112630596A (zh) | 一种风电变流器igbt器件开路故障综合诊断方法 | |
CN116566061A (zh) | 一种并网逆变器系统稳定性在线监测方法及系统 | |
CN205484563U (zh) | 一种接地电阻的在线测量装置 | |
CN114838923A (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 |
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 |