CN113947125A - 基于esprit-psa与lgbm的十五相异步电动机转子断条数目高精度诊断方法 - Google Patents
基于esprit-psa与lgbm的十五相异步电动机转子断条数目高精度诊断方法 Download PDFInfo
- Publication number
- CN113947125A CN113947125A CN202110759207.7A CN202110759207A CN113947125A CN 113947125 A CN113947125 A CN 113947125A CN 202110759207 A CN202110759207 A CN 202110759207A CN 113947125 A CN113947125 A CN 113947125A
- Authority
- CN
- China
- Prior art keywords
- phase
- fifteen
- lgbm
- amplitude
- reactive power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003745 diagnosis Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000002790 cross-validation Methods 0.000 claims abstract description 5
- 238000010845 search algorithm Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000002474 experimental method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 2
- 230000009897 systematic effect Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G01R31/34—Testing dynamo-electric machines
- G01R31/346—Testing of armature or field windings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明是一种基于ESPRIT‑PSA与LGBM的十五相异步电动机转子断条数目高精度诊断方法。它针对短时(仅2秒)采样的瞬时无功功率信号,使用ESPRIT(旋转不变信号参数估计技术)和PSA(模式搜索算法)得到其中的特征分量的准确幅值Aq;再得到对应的电压幅值、电流幅值、平均有功功率P和平均无功功率Q等71个特征;继而由LGBM(轻型梯度提升机)确定了Aq和上述71个特征中权重占比前5的特征——Aq、P、Q、第1相电压幅值Um、第1相电流幅值Im,从而形成数据集;然后以其训练、保存LGBM模型并对转子断条数目进行高精度诊断(训练、测试精度均为100%,5折交叉验证准确率为99.38%)。
Description
技术领域
本发明涉及一种能够诊断十五相异步电动机转子断条数目的方法,属故障诊断技术领域。
背景技术
因其高可靠性、容错运行等诸多优点,十五相异步电动机已经应用于舰船、潜艇等特殊 领域。转子断条是十五相异步电动机的一种典型故障模式,因此转子断条故障诊断对提高十 五相异步电动机运行的可靠性起着重要作用。
十五相异步电动机在发生转子断条故障时,在其定子电流中将出现频率为(1±2s)f1(s为 转差率,f1为供电频率)的边频分量。通过考察该边频分量而达到转子断条诊断目的的方法 称为电动机定子电流信号分析类方法。关于此类方法的研究已经成熟,但在低转差率的情况 下,定子电流的边频分量可能会被f1频率分量淹没,这就对该类方法形成了严峻挑战。
为此,逐渐发展、形成了对瞬时无功功率信号进行频谱分析,进而实现转子断条故障诊 断的方法,其本质为:当转子发生断条故障时,其瞬时无功功率中会出现频率为2sf1的特征 分量。这类方法通常称为电动机瞬时无功功率信号分析类的转子断条故障诊断方法,其优势 在于:即使在低转差率情况下,该类方法仍能准确地判断转子断条故障是否发生。
在准确判断出转子断条故障发生之后,需要进一步诊断转子断条的数目。这是因为:转 子断条是渐进性故障,初期通常1根导条断裂,而后断裂导条邻近的其它导条继续断裂,十 五相异步电动机的出力将大幅下降甚至导致停机。如果可以诊断出转子断条的数目,自然就 可以把握转子断条故障的严重程度,以便及时安排检修。因此,转子断条数目的诊断具有重 要意义。
目前,电动机瞬时无功功率信号分析类方法已经提供了转子断条数目的诊断公式,但在 实际应用中其诊断结果与转子实际的断条数目存在较大偏差。有鉴于此,本发明采用ESPRIT (旋转不变信号参数估计技术)、PSA(模式搜索算法)与LGBM(轻型梯度提升机)相结 合的方法进行十五相异步电动机转子断条数目的诊断。
发明内容
本发明的目的在于提供一种基于ESPRIT(旋转不变信号参数估计技术)、PSA(模式搜 索算法)与LGBM(轻型梯度提升机)的,以短时(仅2秒)采样的瞬时无功功率信号作为 分析媒介的十五相异步电动机转子断条数目诊断方法,其诊断精度高,并且适用于低转差率情况;另外,因之仅需短时采样信号而特别适用于负荷波动、噪声等干扰严重情况。
本发明所称问题是以下述技术方案实现的:
一种十五相异步电动机转子断条数目的诊断方法,它针对短时(仅2秒)采样的十五相 异步电动机的瞬时无功功率信号,首先使用ESPRIT计算其中的频率为2sf1的特征分量的准确 频率值以及粗略的幅值和初相角(s为转差率、f1为供电频率);然后将ESPRIT计算得到的 结果作为初始值代入PSA,从而计算得到特征分量的准确的幅值Aq和初相角,并将Aq作为 第一个特征变量置入数据集X中;再对十五相异步电动机的十五相电压、十五相电流的瞬时 信号进行细化傅里叶频谱分析,得到定子十五相电压幅值、十五相电流幅值、十五相电压相 位和十五相电流相位,共计60个与Aq对应的特征;然后根据这60个特征得到正序、负序和 零序电压的有效值,正序、负序和零序电流的有效值,正序、负序和零序阻抗的模值以及平 均有功功率和平均无功功率,共计11个与Aq对应的衍生特征;继而将上述71个与Aq对应 的特征置入数据集X中形成一个72维的数据集X1;进而将X1输入LGBM分类器中进行特 征权重计算,确定了并选取权重占比前5的特征——瞬时无功功率特征分量的幅值Aq、平均 有功功率P、平均无功功率Q、第1相电压幅值Um、第1相电流幅值Im,形成一个新的数据 集X2;然后,将X2按照8∶2的比例分为训练集和测试集输入LGBM模型中对十五相异步电动机转子断条数目进行分类诊断——正常(0根断条)、1根断条、2根断条;最后,通过使 用scikit-learn库内置的GridSearchCV网格搜索选取LGBM模型的最优超参数以使模型的训练精度最高,其中scikit-learn库是一个针对Python语言的免费机器学习工具包,它具有各种 分类、回归和聚类算法,涵盖了包括LGBM在内的几乎所有主流的机器学习算法,GridSearchCV则是scikit-learn库中的一个参数自动调节模块,使用穷举法系统地遍历各类参 数组合,通过交叉验证以确定效果最优的参数。
需要注意:尽管LGBM在诊断转子断条数目时仅使用瞬时无功功率特征分量的幅值而未 使用其频率和初相角,但是在应用PSA的过程中,必须同时计算该幅值与初相角。
本发明的训练精度为100%、测试精度为100%、5折交叉验证准确率为99.38%,成功实 现了LGBM在十五相异步电动机转子断条故障诊断领域的应用。据此,可以对十五相异步电 动机转子断条数目进行诊断,同时将训练得到的LGBM模型保存以供后续诊断之用。
上述十五相异步电动机转子断条数目诊断方法,包括以下步骤:
a.进行系统、大量的实验,测取定子十五相电压瞬时信号usn与定子十五相电流瞬时信 号isn(n表示相别,n=1、2、……、15);
这一工作针对十五相异步电动机正常、发生1根转子断条故障、发生2根转子断条故障 这3种状态逐个进行,并且每种状态下的实验均包括负载变化(满载、半载和空载3种情况)。
将十五相异步电动机的上述3种状态(正常、发生1根转子断条故障、发生2根转子断 条故障)分别、顺次标记为状态0、1、2。
b.根据式(1)和式(2)对定子十五相电压、电流瞬时信号进行计算得到瞬时无功功率 信号并根据式(3)滤除其直流分量,从而得到qA(滤除直流分量后的瞬时无功功率信号);
qA=q0-mean(q0) (3)
c.对qA做ESPRIT分析,计算得到瞬时无功功率信号中特征分量的准确频率值以及粗略 的幅值和初相角;
d.以ESPRIT计算得出的瞬时无功功率特征分量的幅值和初相角作为初始参考值,使用 PSA计算得到特征分量准确的幅值Aq和初相角,然后将Aq作为第一个特征变量置入数据集X 中(X为存放Aq值的数据集);
e.对十五相电压、十五相电流的瞬时信号做细化傅里叶分析,得到定子十五相电压幅值、 十五相电流幅值、十五相电压相位和十五相电流相位,共计60个与Aq对应的特征,然后对 这60个特征进行处理以得到正序、负序和零序电压有效值,正序、负序和零序电流有效值, 正序、负序和零序阻抗模值以及平均有功功率和平均无功功率,共计11个与Aq对应的衍生 特征,继而将上述71个与Aq对应的特征置入数据集X中形成一个72维的数据集X1(X1为 存放Aq和与其对应的71个特征值的72维数据集),然后使用LGBM分类器对数据集X1进行权重计算,并确定、选择以Aq为首的权重占比前5的特征(瞬时无功功率特征分量的幅值Aq、平均有功功率P、平均无功功率Q、第1相电压幅值Um、第1相电流幅值Im)作为LGBM 模型训练、学习的特征,从而形成1个新的5维数据集X2(X2为经LGBM计算得到的权重 占比前5的特征组成的5维数据集);
瞬时无功功率特征分量的幅值Aq和平均有功功率P、平均无功功率Q、第1相电压幅值 Um、第1相电流幅值Im均是通过滑动窗口法(窗口中包括时长2秒的数据)对采样信号进行处理得到的。具体而言,在状态0时,满载、半载、空载每种负载情况下可通过上述工作得 到750组样本数据,状态0即包括2250组样本数据,而在状态1和状态2时,满载、半载、 空载每种负载情况下可通过上述工作得到1250组样本数据,状态1和状态2即各包括3750 组样本数据,则3种状态一共包含9750组样本数据。
f.对上述的数据集X2,按照其对应的状态进行标记(0、1、2),分别对应状态0、状态1、状态2;
g.将数据集X2以8∶2的比例分割为训练集和测试集,将其代入LGBM模型中训练,并通过GridSearchCV进行模型超参数调优以获得效果最好的模型;
h.调用scikit-learn库中的joblib包,将训练好的LGBM模型保存成可执行的代码文件(扩 展名为.m),需要使用LGBM模型时通过joblib包读取即可(joblib包可将训练好的模型保 存,需要时可直接调用,具有效率高和读取速度快的优点)。
进一步,对ESPRIT说明如下。
应用ESPRIT可以根据时长尽可能短的瞬时无功功率信号,计算其中的特征分量的准确 的频率值以及粗糙的幅值、初相角,简介如下。
旋转不变信号参数估计技术(ESPRIT,Estimation of Signal Parameters viaRotational Invariance Technique)是由R.Roy,A.Paulraj,T.Kailath提出并发展的,目前已经成为正(余) 弦信号参数(个数与频率)估计的有效工具。
采样信号x(n)可以表示为一系列余弦谐波分量之组合,如式(4)所示。
其中,TS表示采样周期;N表示采样点数;p表示谐波个数;Ai、fi、φi分别表示第i个谐 波的幅值、频率、初相角。
定义y(n)=x(n+1),引入以下m×N阶矩阵(保证m>>p):
X(n)=[x(n) x(n+1)…x(n+m-1)]T (5)
Y(n)=[y(n) y(n+1)…y(n+m-1)]T (6)
式(5)、(6)中,T表示转置。
则X(n)的自相关矩阵为
RXX=E{X(n)XH(n)} (7)
而X(n)和Y(n)的互相关矩阵为
RXY=E{X(n)YH(n)} (8)
式(7)、(8)中,E表示数学期望,H表示共轭转置。
ESPRIT步骤如下:
(a)根据式(7)、(8)构造相关矩阵RXX、RXY;
(b)对RXX进行特征值分解,确定其最小特征值σ2;
(c)计算R1=RXX-σ2I,I表示m阶单位阵;
(j)计算矩阵c=(λHλ)-1λHX,此处c为一列向量c=[c1 c2…cp]T,而X为列向量 [x(1) x(2)…x(N)]T;
十五相异步电动机发生转子断条故障后,其滤除直流分量后的瞬时无功功率信号qA可以 采用式(9)模拟,以之分析ESPRIT的性能,结果如表1所示。此处选取转差率s=0.2%以体 现工程实际中的低转差率情况,并且f1=50Hz、Ts=0.001秒、N=2000、m=200。
qA=A1cos[2π(2sf1)t+φ1]+A2cos[2π(4sf1)t+φ2] (9)
表1 ESPRIT计算结果
表1数据表明:对于短时采样信号(仅2秒),ESPRIT可以准确计算其各频率分量的频 率(即使仅相差0.2Hz);但是,对于各频率分量的幅值、初相角,计算误差颇大。表1中,计算误差是指:(计算值-真实值)的绝对值/真实值×100%。
根据式(9),随机、组合性地变换s、f1、A1、φ1、A2、φ2的取值,进行了大量计算,结果与上相符。
据此可以推断:将ESPRIT应用于瞬时无功功率信号分析以实施转子断条故障诊断具备 可行性且适用于低转差率情况;另外,因之仅需短时采样信号而特别适用于负荷波动、噪声 等干扰严重情况;但是,对于转子断条故障特征分量的幅值、初相角,ESPRIT将无法提供准 确结果。
根据ESPRIT的计算结果,应用PSA可以进一步准确计算转子断条故障特征分量的幅值、 初相角,简介如下。
模式搜索算法(PSA,Pattern Search Algorithm)是一类直接搜索优化方法,该方法由“探 索移动”和“模式移动”组成,可以多变量同时进行寻优迭代,适合多变量搜索。探索移动 是以一定的步长沿轴向探索,目的是揭示目标函数的变化规律,探测函数的下降方向;而模 式移动是沿着有利方向直接搜索,目的是利用发现的函数变化规律寻找更优迭代点。
考虑优化问题
min[E(α)],α=[α1 α1…αn]T
其中,E(α)为目标函数,α为使E(α)取最小值的待定状态,min表示求最小值。对此问题, PSA基本步骤如下:
(a)给定初始状态α0,轴向方向e1,e1,…en,步长δ,减缩率β∈(0,1),终止参数ε,令y0=α0。
(c)(模式移动)若E(y0)<E(α0),则令α1=y0+(y0-α0),以α1为新的初始状态,转(b), 得到新的迭代点y1——若E(y1)<E(α1),则令α1=y1;否则,令δ=β*δ。
(d)若δ≤ε,则停止;否则,转(b)。
对于式(1)所示采样信号x(n),首先应用ESPRIT确定其各个频率分量的频率fi、幅值Ai、 初相角φi,i=1,2,…p。由上可知,fi是准确的,而Ai、φi尚待PSA处理。
应用PSA,关键是构造切实可行的目标函数,具体如下。
式(1)所示采样信号x(n)可以表示为
生成p×N矩阵y1(n)、y2(n),具体如下:
y1(n)=[cos(2πf1nTS) cos(2πf2nTS)…cos(2πfpnTS)]T,n=1,2,…,N (11)
y2(n)=[sin(2πf1nTS) sin(2πf2nTS)…sin(2πfpnTS)]T,n=1,2,…,N (12)
令状态α=[α1 α2],其中α1、α2分别为
α1=[A1cosφ1 A2cosφ2…Apcosφp] (13)
α2=[A1sinφ1 A2sinφ2…Apsinφp] (14)
而初始状态α0可以根据ESPRIT的计算结果设定。
构造目标函数
E(α)=(α1y1(n)-α2y2(n)-X)2 (15)
此处,X为列向量[x(1) x(2)…x(N)]T。
至此,即可应用PSA确定采样信号x(n)各个频率分量幅值Ai、初相角φi,i=1,2,…p。
对于式(9)所示十五相异步电动机转子断条故障情况下的瞬时无功功率信号,应用PSA, 结果示于表2。
表2数据表明:对于短时采样信号(仅2秒),在ESPRIT的计算结果基础之上,PSA 可以准确计算各频率分量的幅值、初相角。
表2 PSA结果
根据式(9),随机、组合性地变换s、f1、A1、φ1、A2、φ2的取值,进行了大量计算,结果与上相符。
据此可以推断:将ESPRIT、PSA结合应用于瞬时无功功率信号分析以实施转子断条故 障诊断具备可行性且适用于低转差率情况,因之仅需短时采样信号而特别适用于负荷波动、 噪声等干扰严重情况。
本发明具有两个显著的特点:
第一,即使对于短时信号(仅2秒),将ESPRIT、PSA结合仍然可以准确估计转子断条故障的特征分量——瞬时无功功率中2sf1分量的幅值,以之作为机器学习(本发明选用LGBM)的第1个可靠的分类特征;在ESPRIT、PSA分析的基础上,应用细化傅里叶变换对 短时(仅2秒)的十五相电压、十五相电流瞬时信号进行分析,从而得到平均有功功率P、 平均无功功率Q、定子第1相电压幅值Um、定子第1相电流幅值Im,以之作为机器学习(本 发明选用LGBM)的第2~5个可靠的分类特征。注意:P、Q、Um、Im等变量均是对应十五 相电压、十五相电流瞬时信号的f1(主频)分量的,因此细化傅里叶变换使用2秒的短时数 据也可以得到准确的结果。
第二,训练、保存LGBM,从而得到基于LGBM的诊断模型。
正是由于具有上述两个显著的特点,本发明具有两个独特的优势:
第一,因为以短时(仅2秒)采样的瞬时无功功率信号作为分析媒介,并引入ESPRIT、 PSA,所以该方法适用于低转差率以及负荷波动、噪声等干扰严重情况。
第二,因为引入LGBM,所以该方法具有高精度。
经实验验证,即使在低转差率的情况下该方法仍能准确地诊断转子断条数目,模型训练 精度为100%、测试精度为100%、5折交叉验证准确率为99.38%。
下面结合附图对本发明作进一步说明。
附图说明
图1是实验接线图;
图2是LGBM的决策树生长策略图。
具体实施方式
本发明提出了一种基于ESPRIT-PSA与LGBM的十五相异步电动机转子断条数目诊断方 法,该方法的诊断准确率高达99.38%。本发明的特点在于应用ESPRIT-PSA对瞬时无功功率 故障分量幅值Aq的提取以及基于LGBM的模型训练,下文对此做具体说明。
图1为实验接线图。其中,实验电机为一台十五相异步电动机,额定电压380V、额定功 率5.5kW、额定频率50Hz。为进行转子断条实验,除正常转子外,另配备了两个故障转子(在 导条上距端环10mm处钻孔,深度15mm、直径10mm)用以模拟断条故障。这两个故障转 子分别存在一根断裂导条和连续两根断裂导条。数据采集系统通过电流变换器和电压变换器采集定子十五相电压瞬时信号和定子十五相电流瞬时信号。负载采用直流测功机,通过对直 流测功机的调整以使十五相异步电动机分别处于满载、半载和空载的状态。
进行大量实验,测取定子十五相电压、电流瞬时信号。这一工作针对十五相异步电动机 正常、发生1根转子断条故障、发生2根转子断条故障这3种状态逐个进行,并且每种状态 下的实验均包括电机的负载变化(满载、半载和空载)。将电机的上述3种状态分别、顺次标记为状态0、1、2。通过这一工作,获取了大量的电机样本数据。电机在状态0的情况下, 满载、半载、空载每种负载状况下可通过上述工作得到750组样本数据,状态0即包括2250 组样本数据,电机在状态1和状态2的情况下,满载、半载、空载每种负载状况下可通过上 述工作得到1250组样本数据,状态1和状态2即各包括3750组样本数据,则电机的3种状 态一共包含9750组样本数据。
本发明所使用的LGBM是Boosting算法的新成员,是由微软公司开发的机器学习方法。 它是对GBDT(Gradient Boosting Decision Tree)算法的高效实现,在原理上与GBDT算法类 似,均采用损失函数的负梯度作为当前决策树的残差近似值而拟合新的决策树。但与传统的 机器学习算法相比,LGBM具有明显优势:训练效率更高、占用内存较低、准确率更高、支 持并行化学习、可以处理大规模数据。
图2为LGBM的决策树生长策略图,LGBM通过leaf-wise(best-first)策略生成决策树。 LGBM选取具有损失最大的叶节点来生长新的叶子。当生长相同的叶子数时,leaf-wise算法 可以比level-wise算法减少损失。但是当数据量较小的时候,leaf-wise可能会造成过拟合。所 以,LightGBM可以利用额外的参数max_depth来限制树的深度并避免过拟合(本发明设置的 max_depth值为3)。除此之外,本发明通过GridSearchCV自定义了min_data_in_leaf、max_bin、 bagging_fraction等参数用以处理模型的过拟合问题,并提高模型的训练速度。本发明选取的 LGBM超参数的数值如表3所示。关于表3中的参数含义可参阅LGBM官方文档,在此不加 赘述。
表3 LGBM超参数选取
为了测试本发明方法的实际效果,针对正常状态(状态0)、1根断条故障(状态1)和2根断条故障(状态2),另行测取了45组数据(每种状态15组,负载状况随机设置为空载 或半载或满载)。使用本发明方法对上述45组数据进行“盲测”,结果如表4所示。由表4 可以看出,本发明方法具有高精度。
表4 LGBM模型“盲测”评估
Claims (3)
1.一种基于ESPRIT-PSA与LGBM的十五相异步电动机转子断条数目高精度诊断方法,其特征是,它针对短时(仅2秒)采样的十五相异步电动机的瞬时无功功率信号,首先使用ESPRIT(旋转不变信号参数估计技术)计算其中的频率为2sf1的特征分量的准确频率值以及粗略的幅值和初相角(s为转差率、f1为供电频率);然后将ESPRIT计算得到的结果作为初始值代入PSA(模式搜索算法),从而计算得到特征分量的准确的幅值Aq和初相角,并将Aq作为第一个特征变量置入数据集X中;再对十五相异步电动机的十五相电压、十五相电流的瞬时信号进行细化傅里叶频谱分析,得到定子十五相电压幅值、十五相电流幅值、十五相电压相位和十五相电流相位,共计60个与Aq对应的特征;然后根据这60个特征得到正序、负序和零序电压的有效值,正序、负序和零序电流的有效值,正序、负序和零序阻抗的模值以及平均有功功率和平均无功功率,共计11个与Aq对应的衍生特征;继而将上述71个与Aq对应的特征置入数据集X中形成一个72维的数据集X1;进而将X1输入LGBM(轻型梯度提升机)分类器中进行特征权重计算,确定了并选取权重占比前5的特征——瞬时无功功率特征分量的幅值Aq、平均有功功率P、平均无功功率Q、第1相电压幅值Um、第1相电流幅值Im,形成一个新的数据集X2;然后,将X2按照8∶2的比例分为训练集和测试集输入LGBM模型中对十五相异步电动机转子断条数目进行分类诊断——正常(0根断条)、1根断条、2根断条;最后,通过使用scikit-learn库内置的GridSearchCV网格搜索选取LGBM模型的最优超参数以使模型的训练精度最高;据此,可以对十五相异步电动机转子断条数目进行高精度诊断(训练精度为100%、测试精度为100%、5折交叉验证准确率为99.38%),并将训练得到的LGBM模型保存以供后续诊断之用。
2.根据权利要求1所述基于ESPRIT-PSA与LGBM的十五相异步电动机转子断条数目高精度诊断方法,本方法包括以下步骤:
a.进行系统、大量的实验,测取定子十五相电压瞬时信号usn与定子十五相电流瞬时信号isn(n表示相别,n=1、2、……、15)——这一工作针对十五相异步电动机正常(标记为状态0)、发生1根转子断条故障(标记为状态1)、发生2根转子断条故障(标记为状态2)这3种状态逐个进行,并且每种状态下的实验均包括负载变化(满载、半载和空载3种情况);
b.根据式(1)和式(2)由定子十五相电压、电流瞬时信号计算得到瞬时无功功率信号并根据式(3)滤除其直流分量,从而得到qA(滤除直流分量后的瞬时无功功率信号)——
qA=q0-mean(q0) (3)
c.对qA做ESPRIT分析,计算得到瞬时无功功率信号中特征分量的准确频率值以及粗略的幅值和初相角;
d.以ESPRIT计算得出的瞬时无功功率特征分量的幅值和初相角为初始参考值,使用PSA计算得到特征分量准确的幅值Aq和初相角,然后将Aq作为第一个特征变量置入数据集X中(X为存放Aq值的数据集);
e.对十五相电压、十五相电流的瞬时信号做细化傅里叶分析,得到定子十五相电压幅值、十五相电流幅值、十五相电压相位和十五相电流相位,共计60个与Aq对应的特征,然后对这60个特征进行处理以得到正序、负序和零序电压有效值,正序、负序和零序电流有效值,正序、负序和零序阻抗模值以及平均有功功率和平均无功功率,共计11个与Aq对应的衍生特征,继而将上述71个与Aq对应的特征置入数据集X中形成一个72维的数据集X1(X1为存放Aq和与其对应的71个特征值的72维数据集),然后使用LGBM分类器对数据集X1进行权重计算,并确定、选择以Aq为首的权重占比前5的特征(瞬时无功功率特征分量的幅值Aq、平均有功功率P、平均无功功率Q、第1相电压幅值Um、第1相电流幅值Im)作为LGBM模型学习的特征,从而形成1个新的5维数据集X2(X2为经LGBM计算得到的权重占比前5的特征组成的5维数据集)——Aq、P、Q、Um、Im均是采用滑动窗口法(窗口中包括时长2秒的数据)对采样信号进行处理得到的(具体而言,在状态0时,满载、半载、空载每种负载情况下可通过上述工作得到750组样本数据,状态0即包括2250组样本数据;在状态1和状态2时,满载、半载、空载每种负载情况下可通过上述工作得到1250组样本数据,状态1和状态2即各包括3750组样本数据,则3种状态一共包含9750组样本数据);
f.对上述的数据集X2,按照其对应的状态进行标记(0、1、2),分别对应状态0、状态1、状态2;
g.将数据集X2以8∶2的比例分割为训练集和测试集,将其代入LGBM模型中训练,并通过GridSearchCV进行模型超参数调优以获得效果最好的模型;
h.调用scikit-learn库中的joblib包,将训练好的LGBM模型保存成可执行的代码文件(扩展名为.m),需要使用LGBM模型时通过joblib包读取即可(joblib包可将训练好的模型保存,需要时可直接调用,具有效率高和读取速度快的优点)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110759207.7A CN113947125A (zh) | 2021-07-05 | 2021-07-05 | 基于esprit-psa与lgbm的十五相异步电动机转子断条数目高精度诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110759207.7A CN113947125A (zh) | 2021-07-05 | 2021-07-05 | 基于esprit-psa与lgbm的十五相异步电动机转子断条数目高精度诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113947125A true CN113947125A (zh) | 2022-01-18 |
Family
ID=79327293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110759207.7A Pending CN113947125A (zh) | 2021-07-05 | 2021-07-05 | 基于esprit-psa与lgbm的十五相异步电动机转子断条数目高精度诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113947125A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279341A (zh) * | 2011-07-23 | 2011-12-14 | 华北电力大学(保定) | 一种基于esprit与psa的笼型异步电动机转子断条故障检测方法 |
CN102279364A (zh) * | 2011-07-23 | 2011-12-14 | 华北电力大学(保定) | 一种基于music与psa的笼型异步电动机转子断条故障检测方法 |
CN102279343A (zh) * | 2011-07-23 | 2011-12-14 | 华北电力大学(保定) | 一种基于esprit-saa的笼型异步电动机转子断条故障在线检测方法 |
CN106646223A (zh) * | 2016-09-22 | 2017-05-10 | 华北电力大学 | 一种三相笼型异步电动机转子断裂导条数目的诊断方法 |
CN106646222A (zh) * | 2016-09-22 | 2017-05-10 | 华北电力大学 | 一种三相笼型异步电动机转子断裂导条数目的诊断方法 |
CN109856538A (zh) * | 2019-03-04 | 2019-06-07 | 中国矿业大学 | 一种基于短时校正fft的感应电机断条故障检测方法 |
CN112731137A (zh) * | 2020-09-15 | 2021-04-30 | 华北电力大学(保定) | 基于栈式自编码与轻型梯度提升机算法的笼型异步电动机定转子故障联合诊断方法 |
-
2021
- 2021-07-05 CN CN202110759207.7A patent/CN113947125A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279341A (zh) * | 2011-07-23 | 2011-12-14 | 华北电力大学(保定) | 一种基于esprit与psa的笼型异步电动机转子断条故障检测方法 |
CN102279364A (zh) * | 2011-07-23 | 2011-12-14 | 华北电力大学(保定) | 一种基于music与psa的笼型异步电动机转子断条故障检测方法 |
CN102279343A (zh) * | 2011-07-23 | 2011-12-14 | 华北电力大学(保定) | 一种基于esprit-saa的笼型异步电动机转子断条故障在线检测方法 |
CN106646223A (zh) * | 2016-09-22 | 2017-05-10 | 华北电力大学 | 一种三相笼型异步电动机转子断裂导条数目的诊断方法 |
CN106646222A (zh) * | 2016-09-22 | 2017-05-10 | 华北电力大学 | 一种三相笼型异步电动机转子断裂导条数目的诊断方法 |
CN109856538A (zh) * | 2019-03-04 | 2019-06-07 | 中国矿业大学 | 一种基于短时校正fft的感应电机断条故障检测方法 |
CN112731137A (zh) * | 2020-09-15 | 2021-04-30 | 华北电力大学(保定) | 基于栈式自编码与轻型梯度提升机算法的笼型异步电动机定转子故障联合诊断方法 |
Non-Patent Citations (2)
Title |
---|
孙丽玲;许伯强;李志远;: "基于旋转不变信号参数估计技术与模式搜索算法的异步电动机转子故障检测新方法", 机械工程学报, no. 13, 5 July 2012 (2012-07-05) * |
许伯强;孙丽玲;李和明;: "基于高频率分辨力谱估计技术与优化算法的异步电动机转子故障检测新方法", 中国电机工程学报, no. 03, 25 January 2013 (2013-01-25) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cao et al. | Combining translation-invariant wavelet frames and convolutional neural network for intelligent tool wear state identification | |
Xiao et al. | Fault diagnosis of asynchronous motors based on LSTM neural network | |
Sadeghian et al. | Online detection of broken rotor bars in induction motors by wavelet packet decomposition and artificial neural networks | |
Chen et al. | A meta-learning method for electric machine bearing fault diagnosis under varying working conditions with limited data | |
Goumas et al. | Classification of washing machines vibration signals using discrete wavelet analysis for feature extraction | |
CN112101457B (zh) | 基于转矩信号模糊智能学习的pmsm退磁故障诊断方法 | |
CN109638862B (zh) | 一种基于ceemdan算法的电力系统低频振荡模式辨识方法 | |
Hamdani et al. | Neural network technique for induction motor rotor faults classification-dynamic eccentricity and broken bar faults | |
CN110174270A (zh) | 多源时频脊线提取方法 | |
CN113947099A (zh) | 基于esprit-psa与lgbm的五相异步电动机转子断条数目高精度诊断方法 | |
CN107992843A (zh) | 一种旋转机械故障信号的稀疏特征提取方法 | |
CN113390631A (zh) | 一种柴油机齿轮箱故障诊断方法 | |
Abdi Monfared et al. | Diagnosis of rotor broken bars faults in squirrel cage induction motor using continuous wavelet transform | |
CN113947125A (zh) | 基于esprit-psa与lgbm的十五相异步电动机转子断条数目高精度诊断方法 | |
Yang et al. | A planetary gear reducer backlash identification based on servo motor current signal and optimized fisher discriminant analysis | |
CN112986821A (zh) | 海上风电机组变桨电机转子断条故障诊断方法 | |
Zamudio-Ramirez et al. | Detection of uniform gearbox wear in induction motors based on the analysis of stray flux signals through statistical time-domain features and dimensionality reduction techniques | |
CN109062051A (zh) | 一种提高机器人动力学参数辨识精度的方法 | |
Ali et al. | Experimental investigation of machine learning based fault diagnosis for induction motors | |
CN110320033A (zh) | 一种滚动轴承健康退化状态辨识方法 | |
CN115795341A (zh) | 基于变转速的二维活塞泵健康状态评估方法 | |
Colby | Detection of high-resistance motor connections using symmetrical component analysis and neural network models | |
Kang et al. | Research on chatter prediction and monitor based on DHMM pattern recognition theory | |
Demian et al. | A neural approach for the fault diagnostics in induction machines | |
CN115166517B (zh) | 一种针对电机传动系统中逆变器故障诊断方法 |
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 |