CN114264953A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114264953A CN114264953A CN202111456621.7A CN202111456621A CN114264953A CN 114264953 A CN114264953 A CN 114264953A CN 202111456621 A CN202111456621 A CN 202111456621A CN 114264953 A CN114264953 A CN 114264953A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- network model
- training
- demagnetization
- 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 59
- 238000003745 diagnosis Methods 0.000 title claims abstract description 46
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000003384 imaging method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 11
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
Images
Landscapes
- Control Of Electric Motors In General (AREA)
Abstract
一种永磁同步电机退磁故障诊断方法,包括以下步骤:获取三相电流信号,所述三相电流信号至少包括各相电流的幅值和相位;将所述三相电流信号进行二维图像化预处理,预处理所得图像样本录入样本库,所述图像样本包括训练样本和测试样本;以训练样本对卷积神经网络模型进行训练;以测试样本输入经过训练的卷积神经网络模型,获得退磁故障类型。本发明将三相电流数据信号通过数据‑图像转换为二维图形的图像样本,将图像样本输入到建立好的卷积神经网络模型中,对电机故障状态进行识别,最大程度保留原电流信号的特征,避免了特征提取过程中的特征流失和人工因素,以此提升退磁故障诊断准确率,同时可以检测出退磁类型和退磁程度。
Description
技术领域
本发明涉及电机退磁故障检测领域,尤其是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。
背景技术
目前针对永磁同步电机退磁故障诊断多采用特征信号分析的方法,在以往进行故障特征提取时,多是针对数据信号分析。数据信号分析方法在进行故障诊断前,首先需要进行数据信号特征提取,通过分析健康电机和故障电机测量的信号特征差异来检测故障。但是在使用该方法的过程中容易出现微小特征信号湮灭的问题,且所提取的信号特征也并不都是完全有效的,当遇到复杂故障时,还需要对其进行判断和选择,由于存在人工提取特征过程,其中掺杂了大量的人为因素,所提取特征的准确度大打折扣。数据信号特征分析易受电磁环境、噪声等因素影响且受制于信号分解的约束,使得信号特征的提取和故障种类的识别非常困。
永磁同步电机发生退磁故障时,受磁场变化的影响电流信号也会产生不同程度的畸变。因此通过对电流信号进行分析,提取故障特征,分析健康电机和故障电机测量的信号特征差异可以实现故障的检测。然而电流信号为一维时间序列信号,若直接采用传统的信号分析方法对电流信号进行分析,可能会导致对于退磁故障的诊断准确度较低,使所得的电流数据无法被完全利用。并且在提取故障样本特征时,由于存在人工提取特征过程,可能会发生特征丢失的情况,使故障诊断的准确率下降。
发明内容
针对永磁电机发生退磁故障时的诊断准确度低问题,以及提取故障样本特征时存在人工提取过程导致特征丢失现象,本发明提供一种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,避免了复杂的数据特征信号处理技术和人工特征提取过程,提高故障诊断率。
为实现上述目的,本发明选用如下技术方案:一种永磁同步电机退磁故障诊断方法,包括以下步骤:
获取三相电流信号,所述三相电流信号至少包括各相电流的幅值和相位;
将所述三相电流信号进行二维图像化预处理,预处理所得图像样本录入样本库,所述图像样本包括训练样本和测试样本;
以训练样本对卷积神经网络模型进行训练;
以测试样本输入经过训练的卷积神经网络模型,获得退磁故障类型。
优选地,所述二维图像化预处理包括:
将永磁同步电机三相电流的幅值和相位分别做多维高斯概率密度处理以变换成对应的二维图像样本,所述二维图像样本与所述三相电流信号之间存在高斯密度函数映射关系。
优先地,所述多维高斯概率密度处理包括:
利用三相电流信号的各相电流幅值和相位计算均值向量E(X)和协方差矩阵cov(X,Y),代入高斯密度函数得到包含幅值和相位的图像样本,并将所述图像样本的非特征部分去除以得到训练样本和测试样本。
优选地,所述高斯密度函数包括:
式中:∑表示协方差矩阵,|∑|表示∑的行列式,∑-1表示∑的逆矩阵,n表示维数,μ表示各维度均值,(X-μ)表示列向量,(X-μ)T表示行向量。
优选地,所述以训练样本对卷积神经网络模型进行训练包括:
网络初始化权重参数;
利用样本库的训练样本对所述卷积神经网络模型进行训练,计算前向传播误差;
判断卷积神经网络模型是否收敛;
若此时卷积神经网络模型不收敛,则进行反向传播修改权重参数,直至卷积神经网络模型收敛。
优选地,所述以训练样本对卷积神经网络模型进行训练包括:
当卷积神经网络模型收敛时,判断所述卷积神经网络模型是否满足迭代终止条件;
若满足,则训练结束,输入所述测试样本对故障状态进行识别;
若未满足,则返回网络初始化权重参数步骤,继续执行训练。
优选地,所述以测试样本输入经过训练的卷积神经网络模型获得退磁故障类型包括:
将所述测试样本输入所述卷积神经网络模型,自动提取和识别三相电流信号,对三相电流信号进行分析提取故障特征,得到故障类别归属权重,根据去权重大小判断退磁故障类型及退磁程度。
另一方面,本发明还提供了一种永磁同步电机退磁故障诊断系统,包括:
获取模块,用于获取电机三相电流信号;
预处理模块,用于根据所述三相电流信号进行二维图像化预处理得到图像样本;
样本库,用于存储经过预处理得到的训练样本和测试样本;
卷积神经网络模型,用于对测试样本进行识别,自动提取特征信息实现对退磁的故障诊断;
训练模块,用于以训练样本对所述卷积神经网络模型进行训练。
另一方面,本发明还提供了一种诊断装置,所述诊断装置设置成能够执行上述的一种永磁同步电机退磁故障诊断方法。
另一方面,本发明还提供了一种计算机可读存储介质,包括存储器和处理器,所述处理器通过调用所述存储器中存储的计算机程序,以执行上述的一种永磁同步电机退磁故障诊断方法。
相较于现有技术,本发明具有以下有益效果:
本发明将三相电流数据信号通过数据-图像转换为二维图形的图像样本,所得到的图像样本包含了电机电流信号的幅值和相位信息,将图像样本输入到建立好的卷积神经网络模型中,对电机故障状态进行识别,最大程度保留原电流信号的特征,避免了特征提取过程中的特征流失和人工因素,以此提升退磁故障诊断准确率,同时可以检测出退磁类型和退磁程度。
本发明解决传统技术退磁故障诊断需要对数据信号进行分解和提取故障特征信号时,受电磁环境、噪声等因素影响导致特征提取和故障种类识别困难且人工提取特征效率低的难题。本发明通过多维高斯概率密度处理对三相电流信号做图像化处理,将原始一维时域信号数据转换成二维图像作为诊断样本,然后利用卷积神经网络模型直接对由原始信号构造的图像样本进行识别,自动提取特征信息来实现对退磁的故障诊断,更大程度地保存原始故障数据信号内的属性特征,减少人工特征提取过程中的特征流失和外部干扰,提高故障诊断的精度。
附图说明
为了更清楚地说明技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图。
图2为本发明的流程示意图。
具体实施方式
为了能够清楚、完整地理解技术方案,现结合实施例和附图对本发明进一步说明,显然,所记载的实施例仅仅是本发明部分实施例,所属领域的技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施案例一:
如图1和图2所示,一种永磁同步电机退磁故障诊断方法,包括以下步骤:
S100:获取三相电流信号,所述三相电流信号至少包括各相电流的幅值和相位;所述三相电流信号用于进行分析,提取故障特征,分析健康电机和故障电机测量的信号特征差异可以实现故障的检测。
S200:将所述三相电流信号进行二维图像化预处理,预处理所得图像样本录入样本库,所述图像样本包括训练样本和测试样本。
S210:将永磁同步电机三相电流的幅值和相位分别做多维高斯概率密度处理以变换成对应的二维图像样本,所述二维图像样本包含了电机电流信号的幅值和相位信息,将原始一维时域信号数据转换成二维图像作为诊断样本,在任一图像样本中同时包含了三相电流的幅值和相位等故障特征信息。
S211:所述二维图像样本与所述三相电流信号之间存在高斯密度函数映射关系,所述多维高斯概率密度处理包括:利用三相电流信号的各相电流幅值和相位计算均值向量E(X)和协方差矩阵cov(X,Y)。
S212:将所述均值向量和所述协方差矩阵代入高斯密度函数进行计算和图像化处理,得到包含幅值和相位的图像样本,所述高斯密度函数包括:
式中:∑表示协方差矩阵,|∑|表示∑的行列式,∑-1表示∑的逆矩阵,n表示维数,μ表示各维度均值,(X-μ)表示列向量,(X-μ)T表示行向量。
本实施案例通过电机运行过程中电流电信号的幅值和相位的定量图像化技术,客观反映旋转磁场的变化。电流信号图像化处理能够更大地保存原始故障数据信号内的属性特征,减少人工特征提取过程中的特征流失和外部干扰,提高故障诊断的精度。
S220:将所述图像样本的非特征部分去除以得到训练样本和测试样本,所述训练样本存储在样本库中,用于卷积神经网络模型的训练,所述样本库存储有电机各种故障状态的图像样本。
S300:以训练样本对卷积神经网络模型进行训练。
S310:建立所述卷积神经网络模型,对卷积神经网络模型进行初始化权重参数,确定网络卷积层、池化层和全连接层等各层的具体参数数值。
S320:利用电机各个故障状态的图像样本对所述卷积神经网络模型进行训练,计算前向传播误差,获取实际输出与目标值之间的误差;
S330:判断卷积神经网络模型是否收敛。
S331:若此时卷积神经网络模型不收敛,则进行反向传播修改权重参数,然后返回继续执行步骤S320。
S332:若此时卷积神经网络模型收敛,则执行下一步骤S340;
S340:当卷积神经网络模型收敛时,判断所述卷积神经网络模型是否满足迭代终止条件,即判断是否满足实际要求。
S341,若判断未满足迭代终止条件,则返回执行步骤S310,对卷积神经网络初始化权重参数。
S342:若满足,则训练结束。
S400:以测试样本输入经过训练的卷积神经网络模型,获得退磁故障类型的诊断结果。
S410:将所述测试样本输入所述卷积神经网络模型,对测试样本进行自动提取和识别,通过将三相电流信号的进行图像化处理,更大程度地保存原始故障数据信号内的属性特征,减少人工特征提取过程中的特征流失和外部干扰;
S420:通过对三相电流信号进行分析提取故障特征,分析健康电机和故障电机的特征差异,实现故障的检测,本实施案例还通过卷积神经网络模型根据权重大小得到电机的均匀退磁、局部退磁等退磁类型以及退磁的程度。
本实施案例解决传统技术中处理进行退磁故障诊断时,需要对数据信号进行分解和提取故障特征信号,受电磁环境、噪声等因素影响,使得特征提取和故障种类识别困难且人工提取特征效率低的难题。通过信号-图像转换将原始电流数据信号转化为图像样本,通过深度卷积神经网络自动提取转换后的图像样本,避免了特征提取过程中的特征流失和人工因素。
实施案例二:
一种永磁同步电机退磁故障诊断系统,包括:
获取模块,用于获取电机三相电流信号,所述三相电流信号至少包括各相电流的幅值和相位,所述三相电流信号用于进行分析,提取故障特征,分析健康电机和故障电机测量的信号特征差异可以实现故障的检测。
预处理模块,用于根据所述三相电流信号进行二维图像化预处理得到图像样本,将永磁同步电机三相电流的幅值和相位分别做多维高斯概率密度处理以变换成对应的二维图像样本,所述二维图像样本包含了电机电流信号的幅值和相位信息,通过电机运行过程中电流电信号的幅值和相位的定量图像化技术,客观反映旋转磁场的变化,能够更大地保存原始故障数据信号内的属性特征。
样本库,用于存储经过对图像样本去除一些非特征部分预处理得到的训练样本和测试样本,所述训练样本用于卷积神经网络模型的训练,所述样本库存储有电机各种故障状态的图像样本。
卷积神经网络模型,用于对测试样本进行识别,自动提取特征信息实现对退磁的故障诊断;通过对三相电流信号进行分析提取故障特征,分析健康电机和故障电机的特征差异,实现故障的检测,根据权重大小得到电机的均匀退磁、局部退磁等退磁类型以及退磁的程度。
训练模块,用于以训练样本对所述卷积神经网络模型进行训练,通过载入电机各种故障的图像样本以计算前向传播误差和反向传播修改权重参数进行判断卷积神经网络模型是否收敛,且判断收敛的卷积神经网络模型是否满足迭代终止条件。
本实施案例通过预处理模块对三相电流数据做图像转换,使任一个图像样本中同时包含电机三相电流信号的幅值和相位信息,最大程度保留原信号的特征,以此提升退磁故障诊断准确率,同时可以检测出退磁类型和退磁程度。
实施案例还提供了一种诊断装置,所述诊断装置设置成能够执行实施案例一所述的一种永磁同步电机退磁故障诊断方法。
实施案例还提供了一种计算机可读存储介质,包括存储器和处理器,所述处理器通过调用所述存储器中存储的计算机程序,以执行实施案例一所述的一种永磁同步电机退磁故障诊断方法。
上述披露的仅为本发明优选实施例的一种或多种,用于帮助理解技术方案的发明构思,并非对本发明作其他形式的限制,所属领域的技术人员依据本发明所限定特征作出其他等同或惯用手段的置换方案,仍属于本发明所涵盖的范围。
Claims (10)
1.一种永磁同步电机退磁故障诊断方法,其特征在于包括以下步骤:
获取三相电流信号,所述三相电流信号至少包括各相电流的幅值和相位;
将所述三相电流信号进行二维图像化预处理,预处理所得图像样本录入样本库,所述图像样本包括训练样本和测试样本;
以训练样本对卷积神经网络模型进行训练;
以测试样本输入经过训练的卷积神经网络模型,获得退磁故障类型的诊断结果。
2.根据权利要求1所述的一种永磁同步电机退磁故障诊断方法,其特征在于,所述二维图像化预处理包括:
将永磁同步电机三相电流的幅值和相位分别做多维高斯概率密度处理以变换成对应的二维图像样本,所述二维图像样本与所述三相电流信号之间存在高斯密度函数映射关系。
3.根据权利要求2所述的一种永磁同步电机退磁故障诊断方法,其特征在于,所述多维高斯概率密度处理包括:
利用三相电流信号的各相电流幅值和相位计算均值向量E(X)和协方差矩阵cov(X,Y),代入高斯密度函数得到包含幅值和相位的图像样本,并将所述图像样本的非特征部分去除以得到训练样本和测试样本。
5.根据权利要求1所述的一种永磁同步电机退磁故障诊断方法,其特征在于,所述以训练样本对卷积神经网络模型进行训练包括:
网络初始化权重参数;
利用样本库的训练样本对所述卷积神经网络模型进行训练,计算前向传播误差;
判断卷积神经网络模型是否收敛;
若此时卷积神经网络模型不收敛,则进行反向传播修改权重参数,直至卷积神经网络模型收敛。
6.根据权利要求5所述的一种永磁同步电机退磁故障诊断方法,其特征在于:所述以训练样本对卷积神经网络模型进行训练包括:
当卷积神经网络模型收敛时,判断所述卷积神经网络模型是否满足迭代终止条件;
若满足,则训练结束,输入所述测试样本对故障状态进行识别;
若未满足,则返回网络初始化权重参数步骤,继续执行训练。
7.根据权利要求1所述的一种永磁同步电机退磁故障诊断方法,其特征在于,所述以测试样本输入经过训练的卷积神经网络模型获得退磁故障类型包括:
将所述测试样本输入所述卷积神经网络模型,自动提取和识别三相电流信号,对三相电流信号进行分析提取故障特征,得到故障类别归属权重,根据去权重大小判断退磁故障类型及退磁程度。
8.一种永磁同步电机退磁故障诊断系统,其特征在于包括:
获取模块,用于获取电机三相电流信号;
预处理模块,用于根据所述三相电流信号进行二维图像化预处理得到图像样本;
样本库,用于存储经过预处理得到的训练样本和测试样本;
卷积神经网络模型,用于对测试样本进行识别,自动提取特征信息实现对退磁的故障诊断;
训练模块,用于以训练样本对所述卷积神经网络模型进行训练。
9.一种诊断装置,其特征在于:所述诊断装置设置成能够执行权利要求1-7中任一项所述的一种永磁同步电机退磁故障诊断方法。
10.一种计算机可读存储介质,包括存储器和处理器,其特征在于:所述处理器通过调用所述存储器中存储的计算机程序,以执行如权利要求1-7中任一项所述的一种永磁同步电机退磁故障诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111456621.7A CN114264953B (zh) | 2021-12-01 | 2021-12-01 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111456621.7A CN114264953B (zh) | 2021-12-01 | 2021-12-01 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114264953A true CN114264953A (zh) | 2022-04-01 |
CN114264953B CN114264953B (zh) | 2024-05-24 |
Family
ID=80826017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111456621.7A Active CN114264953B (zh) | 2021-12-01 | 2021-12-01 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114264953B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116597167A (zh) * | 2023-06-06 | 2023-08-15 | 中国人民解放军92942部队 | 一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统 |
CN117741429A (zh) * | 2023-12-15 | 2024-03-22 | 广东海洋大学 | 确定船舶交流电机健康指数的方法、装置、介质及设备 |
CN117788841A (zh) * | 2024-02-23 | 2024-03-29 | 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 (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020028021A1 (en) * | 1999-03-11 | 2002-03-07 | Jonathan T. Foote | Methods and apparatuses for video segmentation, classification, and retrieval using image class statistical models |
CA2828268A1 (en) * | 2011-05-12 | 2012-11-15 | Abb Technology Ag | Method and apparatus for monitoring the condition of electromechanical systems |
CN108614212A (zh) * | 2018-04-16 | 2018-10-02 | 江苏大学 | 一种轮毂电机偏心与退磁故障解耦诊断方法与装置 |
CN109185018A (zh) * | 2018-10-25 | 2019-01-11 | 湖南大学 | 一种变频永磁水力发电系统及其控制方法 |
CN110109015A (zh) * | 2019-05-31 | 2019-08-09 | 中南大学 | 一种基于深度学习的异步电动机故障监测与诊断方法 |
US20200202057A1 (en) * | 2018-12-19 | 2020-06-25 | Lawrence Livermore National Security, Llc | Computational framework for modeling of physical process |
CN111917349A (zh) * | 2020-06-22 | 2020-11-10 | 广州智能装备研究院有限公司 | 一种永磁同步电机的故障诊断方法及系统 |
CN112052796A (zh) * | 2020-09-07 | 2020-12-08 | 电子科技大学 | 一种基于深度学习的永磁同步电机故障诊断方法 |
CN112101457A (zh) * | 2020-09-15 | 2020-12-18 | 湖南科技大学 | 基于转矩信号模糊智能学习的pmsm退磁故障诊断方法 |
CN112200214A (zh) * | 2020-08-24 | 2021-01-08 | 贵州大学 | 一种基于图像识别和卷积神经网络的pmsm多故障诊断方法 |
CN112200881A (zh) * | 2020-08-24 | 2021-01-08 | 贵州大学 | 一种电机电流转化成灰度图像的方法 |
CN112285554A (zh) * | 2020-09-18 | 2021-01-29 | 江苏大学 | 基于信息融合的永磁同步电机退磁故障诊断方法与装置 |
CN112541524A (zh) * | 2020-11-18 | 2021-03-23 | 湖南大学 | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 |
CN113060614A (zh) * | 2021-03-16 | 2021-07-02 | 重庆市特种设备检测研究院 | 电梯驱动主机故障诊断方法、装置及可读存储介质 |
-
2021
- 2021-12-01 CN CN202111456621.7A patent/CN114264953B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020028021A1 (en) * | 1999-03-11 | 2002-03-07 | Jonathan T. Foote | Methods and apparatuses for video segmentation, classification, and retrieval using image class statistical models |
CA2828268A1 (en) * | 2011-05-12 | 2012-11-15 | Abb Technology Ag | Method and apparatus for monitoring the condition of electromechanical systems |
CN108614212A (zh) * | 2018-04-16 | 2018-10-02 | 江苏大学 | 一种轮毂电机偏心与退磁故障解耦诊断方法与装置 |
CN109185018A (zh) * | 2018-10-25 | 2019-01-11 | 湖南大学 | 一种变频永磁水力发电系统及其控制方法 |
US20200202057A1 (en) * | 2018-12-19 | 2020-06-25 | Lawrence Livermore National Security, Llc | Computational framework for modeling of physical process |
CN110109015A (zh) * | 2019-05-31 | 2019-08-09 | 中南大学 | 一种基于深度学习的异步电动机故障监测与诊断方法 |
CN111917349A (zh) * | 2020-06-22 | 2020-11-10 | 广州智能装备研究院有限公司 | 一种永磁同步电机的故障诊断方法及系统 |
CN112200214A (zh) * | 2020-08-24 | 2021-01-08 | 贵州大学 | 一种基于图像识别和卷积神经网络的pmsm多故障诊断方法 |
CN112200881A (zh) * | 2020-08-24 | 2021-01-08 | 贵州大学 | 一种电机电流转化成灰度图像的方法 |
CN112052796A (zh) * | 2020-09-07 | 2020-12-08 | 电子科技大学 | 一种基于深度学习的永磁同步电机故障诊断方法 |
CN112101457A (zh) * | 2020-09-15 | 2020-12-18 | 湖南科技大学 | 基于转矩信号模糊智能学习的pmsm退磁故障诊断方法 |
CN112285554A (zh) * | 2020-09-18 | 2021-01-29 | 江苏大学 | 基于信息融合的永磁同步电机退磁故障诊断方法与装置 |
CN112541524A (zh) * | 2020-11-18 | 2021-03-23 | 湖南大学 | 基于注意力机制改进的BP-Adaboost多源信息电机故障诊断方法 |
CN113060614A (zh) * | 2021-03-16 | 2021-07-02 | 重庆市特种设备检测研究院 | 电梯驱动主机故障诊断方法、装置及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
王海峰, 任章: "基于卡尔曼滤波器的无刷直流电动机转矩脉动控制系统", 电气传动, no. 03, 20 June 2004 (2004-06-20), pages 16 - 18 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116597167A (zh) * | 2023-06-06 | 2023-08-15 | 中国人民解放军92942部队 | 一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统 |
CN116597167B (zh) * | 2023-06-06 | 2024-02-27 | 中国人民解放军92942部队 | 一种永磁同步电机小样本退磁故障诊断方法、存储介质及系统 |
CN117741429A (zh) * | 2023-12-15 | 2024-03-22 | 广东海洋大学 | 确定船舶交流电机健康指数的方法、装置、介质及设备 |
CN117788841A (zh) * | 2024-02-23 | 2024-03-29 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN114264953B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114264953B (zh) | 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 | |
RU2504795C2 (ru) | Выбор катушек для параллельной магнитно-резонансной визуализации | |
CN112857669B (zh) | 压力传感器的故障检测方法、装置、设备及存储介质 | |
CN110619296A (zh) | 一种基于奇异分解的信号降噪方法 | |
CN111650453A (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 | |
CN113067653B (zh) | 一种频谱感知方法、装置、电子设备及介质 | |
CN111665050B (zh) | 一种基于聚类k-svd算法的滚动轴承故障诊断方法 | |
CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
CN113449683B (zh) | 基于k-svd训练局部字典的高频超声稀疏去噪方法及系统 | |
Huang et al. | 1DCNN fault diagnosis based on cubic spline interpolation pooling | |
CN111856362A (zh) | 磁共振成像方法、装置、系统及存储介质 | |
CN115905832A (zh) | 一种基于振动信号聚类识别的变压器故障诊断方法 | |
CN115205647A (zh) | 一种基于注意力机制与多尺度特征融合的植物图像分割方法 | |
CN109058089A (zh) | 一种基于声发射信号的真空泵过载故障检测的方法 | |
Jia | Fabric defect detection based on open source computer vision library OpenCV | |
CN117725419A (zh) | 一种小样本类不平衡转子故障诊断方法及系统 | |
CN113221736A (zh) | 基于多特征协同非负矩阵分解的心电身份识别方法及系统 | |
CN116484184A (zh) | 一种电力设备局部放电缺陷样本增强方法及装置 | |
CN114383846B (zh) | 基于故障标签信息向量的轴承复合故障诊断方法 | |
CN116257737A (zh) | 基于自动编码器的新型输电线路高频故障信号降噪方法 | |
CN114722860B (zh) | 一种基于多特征融合卷积神经网络的弱磁异常自适应探测方法 | |
CN105676156A (zh) | 一种基于多通道协作编码的磁共振成像重建方法和装置 | |
CN111695501B (zh) | 一种基于操作系统内核调用数据的设备软故障检测方法 | |
CN112807000A (zh) | 鲁棒性脑电信号的生成方法及装置 | |
CN115774677B (zh) | 一种基于多参数输入的模糊测试方法及装置 |
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 |