CN115128455A - 一种基于电流多元深层信息域自适应的电机故障诊断方法 - Google Patents
一种基于电流多元深层信息域自适应的电机故障诊断方法 Download PDFInfo
- Publication number
- CN115128455A CN115128455A CN202210527744.3A CN202210527744A CN115128455A CN 115128455 A CN115128455 A CN 115128455A CN 202210527744 A CN202210527744 A CN 202210527744A CN 115128455 A CN115128455 A CN 115128455A
- Authority
- CN
- China
- Prior art keywords
- information
- motor
- data
- fault
- current
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001228 spectrum Methods 0.000 claims abstract description 22
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 230000016507 interphase Effects 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000013526 transfer learning Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 4
- 238000013508 migration Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 241000555745 Sciuridae Species 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000014509 gene expression Effects 0.000 claims description 2
- 238000005065 mining Methods 0.000 claims description 2
- 238000000844 transformation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 11
- 238000012423 maintenance Methods 0.000 abstract description 10
- 239000000284 extract Substances 0.000 abstract description 5
- 230000002349 favourable effect Effects 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000010587 phase diagram Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明公开了一种基于电流多元深层信息域自适应的电机故障诊断方法，该方法包括采集电机定子三相电流高频数据；对高频数据做Hilbert‑FFT变换得到包络谱图作为第一信息；将高频数据FFT变换的频谱、相角图及频谱相间共轭图作为第二信息；对高频数据做EMD分解，取低频分解段FFT频谱图作为第三信息；采用多源域自适应迁移学习方法提取不同故障在不同信息的跨负载域共同特征，建立基于共同特征的多元信息分类器，以各分类器的输出分布差异最小为优化目标，实现电流多元信息融合电机故障分类诊断。本申请提取电机定子高频电流数据多元深层信息，提取跨负载共同特征，建立多元信息融合的电机故障分类诊断模型，有利于电机的预测性维护。
Description
技术领域
本发明属于电机故障智能诊断技术领域，特别是涉及一种基于电流多元深层信息负载域自适应的电机故障诊断方法。
背景技术
电机在工业生产中占有重要的地位，因电机故障导致的非停事故给企业带来很大的经济损失，目前仍然以人工巡检事后维修及预防性的批量定修为主。基于使用年限批量定修虽然能减少非停事故，但会导致电机的过度维修，浪费大量的人力资源。预测性定点维修是一种新的电机智能运维模式，基于振动传感器的预测性维护方式由于传感器必须安装在电机本体，安装成本高，且振动传感器价格高昂，对企业带来不小的经济压力。本专利提出了一种基于定子电流的电机故障预测性诊断方法，提取电流多元深层信息提高模型故障分类诊断能力，同时为提高电机跨工况泛化能力，提取不同负载下各元信息的各类故障共同特征，基于共同特征建立各元信息多分类诊断模型。该方法有助于电机的预测性运维，具有良好的应用前景。
发明内容
本发明的目的是提供一种基于电流多元深层信息负载域自适应的电机故障诊断方法，能够及时发现电机故障，有利于减少因电机故障导致的非停事故带给企业造成的经济损失。
为解决上述技术问题，本发明提供一种电机故障诊断方法，包括：提出一种基于“分布采集、集中管理”的物联网数据采集、存储架构，采用ARM芯片（STM32）和电能计量芯片(AD9000)的硬件设备采集电机定子三相电流高频数据；
对所述电流高频数据做数据预处理，分电机类型、分工况整理并进行数据有效性判断，去除离群点后得到有效高频数据；
对所述有效高频数据做各种变换，提取电流深层多元信息，并绘制成信息图；
对所述信息图，建立不同负载下的多源域数据，以其中一种负载信息作为目标域，采用多源域自适应迁移学习算法挖掘各故障类型的跨负载共同特征；
基于所述各故障类型的跨负载共同特征，建立多分类器，以各分类器输出向量分布差异最小为优化目标，得到分类故障的多元信息融合诊断模型。
可选地，所述物联网数据采集存储架构，包括：
采用开口式电流互感器采集三相电流数据，采用电压互感器+电阻分压方式采集三项电压数据，采用STM32芯片和AD9000计量芯片的硬件采集器读取三相电流高频原始数据；
将各个分散的采集器数据通过网络交换机集中到边缘计算服务器，然后通过无线WIFI上传客户端服务器集中管理，诊断模型运行在客户端服务器，并将诊断结果发送云端用户。
可选地，所述电流多元深层信息的提取过程，包括：
对高频数据做希尔伯特变换（Hilbert）提取电流包络，对包络数据做快速傅里叶变换（FFT）变换得到包络谱图作为第一信息；将高频数据FFT变换频谱、相角图及频谱相间共轭图作为第二信息；对高频数据做经验模态分解（EMD），取低频段本征模态函数（IMF）的FFT变换频谱图作为第三信息。
可选地，所述多源域自适应迁移学习方法，包括：
故障在不同工况下的特征表达具有差异性，在某一工况下训练的诊断模型，用于其他工况泛化能力很难保证。为提高诊断模型的工况迁移能力，建立空载、额定负载下的各类故障深层信息作为源域数据，125%负载下故障深层信息作为目标域数据。提出一种多元信息融合的多负载域自适应迁移学习方法，该方法保证所提取深层特征具有跨域故障诊断能力，特征提取选择CNN作为编码器，提取各故障高维特征；采用基于ransformer的Wassestein-梯度惩罚对抗训练（WGAN-GP）方法，基于域混淆损失对基础高维特征进行对抗训练，提取各类故障高维特征的跨域特性；基于高维特征训练第二个CNN模型，实现源域标签故障的精确分类。
从而挖掘出各类故障在不同负载下的共同特征，以及不同类型故障之间的分类特征。
可选地，电机各类故障，包括：
本专利能够诊断的电机故障主要包括三个方面:
供电诊断，
电机本体故障诊断，
传动链故障诊断。其中供电诊断主要监测电机欠压、过压、过流、欠流、缺相及三相电压不平衡故障，电机本体故障诊断主要监测定转子轴向不对中、定转子气息不均、鼠笼条断裂、转子不平衡、三相负载不平衡及定子匝间短路故障，传动链故障诊断主要监测轴承故障、轴故障、齿轮箱故障、过载、欠载及电机卡阻故障。
可选地，电流多元信息融合电机故障分类诊断，包括：
对于每一元电流深层信息，都可以提取不同故障的跨负载共同特征，虽然每种信息的共同特征有差异，但都可在不同方面给出同样的诊断结果。建立基于故障分类特征的多元信息分类器，以各分类器的输出分布差异最小为优化目标，同时建立每个分类器输出结果的最大区分度目标，保证不同信息分类器具有相同分类结果，同时保证每个分类器给出的输出结果区分度最大，最后实现电流多元信息融合电机分类故障诊断。
本发明提出了一种基于电流多元深层信息的域自适应方法实现电机故障的分类诊断，该方法包括采集电机定子三相电流高频数据；对高频数据做Hilbert-FFT变换得到包络谱图作为第一信息；将高频数据FFT变换频谱、相角的频率-分贝图及频谱相间共轭图作为第二信息；对高频数据做EMD分解，取低频分解段FFT频谱图作为第三信息；采用多源域自适应迁移学习方法提取不同故障在不同深层信息的跨负载共同特征，建立基于共同特征的多元信息分类器，以各分类器的输出分布差异最小及单一分类器分类区分度最大为优化目标，实现电流多元信息融合电机故障分类诊断。
基于上述方法，本发明的优点在于：通过采集电机运行时的定子电流信号，减少因安装昂贵振动传感器而造成的经济支出；深入研究电机各类故障机理，通过提取多元电流深层特征，并通过域自适应方法提取跨负载各故障共同特征，基于电流多元信息融合的电机故障诊断方法，提高了电机故障诊断的准确性。本方法通过提高故障预报准确性及微弱故障的预判性，可以实现电机的预测性定点维修，改变传统事后维修造成的非停事故及预防性批量维修导致的过度维修，具有非常良好的应用前景。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的电机故障诊断方法的流程示意图；
图2为本申请实施例提供的数据采集存储框架图；
图3为本申请实施例提供的数据采集器接线图；
图4为本申请实施例提供的不同负载域自适应迁移方法框架图
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
如图1所示，图1为本申请实施例提供的电机故障诊断方法的流程示意图，该电机故障诊断方法可以包括：
采用基于“ARM+AD9000”的数据采集器，以8khz采样频率采集电机定子三相电流数据，为切分工况，考虑外界供电变化的影响，同时采集三相电压高频原始数据，为实现数据采集，需要将采集器及相关传感器安装在对应电机配电柜。
图2为本申请实施例提供的采集器接线图，采集器配套三个大电流（最大150A）、高精度（0.2s）、宽频带（5hz-40khz）的开口式3000：1的霍尔电流互感器（输出电流小于140mA）。配电柜输出的ABC三相电压接入电机接线柱，电机工作时因定子旋转磁场带动转子做功会在定子回路产生电流，即定子电流。定子电流必须穿过霍尔互感器才能感应电流大小，为避免穿孔式互感器需要拆线穿孔必须停机的问题，选择开口式互感器，将开口环形夹在定子接线上并固定，互感器输出的两根差分信号线接入互感器采集电阻，AD9000芯片高频采样正弦波数据。
采集器能承受的电压范围（900V）受分压比及爬电绝缘距离限制，为采集高电压数据（1万伏高压），需要先将高电压降至采集器能承受的范围内（有效值700mV），然后再选择电阻（4.7欧姆）分压采集。本方案选择100：1的耐高压（1万2千伏）电压变压器，从配电柜并接ABC三根电压线进入变压器高压输入端，变压器高压侧三相地线短接后接配电柜地线，变压器输出低压端三根线分别接入采集器ABC相，将变压器低压端三相地线短接后接入采集器零线，保证采集器采集的每项电压都是相电压。
采集器还可以采集一路温度信号，输出两路继电器开关信号，当出现电机温度骤升或者电流过大时通过继电器开关断开电机供电。
每台电机都安装一台采集器，为同时监测多台电机状态，采用“分布采集、集中管理的”的物联网架构。
图3为本申请实施例提供的物联网架构图，各路采集器采集到分散电机的电流、电压和温度数据后，通过网口将高频数据经路由器存入边缘计算服务器，私有云服务器根据每个采集器的IP地址从边缘计算服务器读取数据并保存形成高频大数据。
私有云服务器布局数据预处理算法、特征提取算法及故障诊断模型。预处理算法对保存的原始数据进行预处理后形成有效高频数据；各种特征提取算法基于有效高频数据提取各种故障类型的多元深层特征；融合多元特征，诊断模型给出各分散电机的运行状态并发送客户端展示，同时将诊断结果形成诊断报告推送给诊断专家。
诊断专家深入现场，根据每台故障报告电机的运行工况、历史基准、传感器情况，综合考虑现场离线测试的振动、噪声及异响信息，给出最后的诊断结论，诊断结论形成故障维修单送点检、维修人员，同时将现场工况及离线测试信息整理形成故障记录存入私有云服务器，基于故障记录信息对诊断模型进行优化提升。
：分电机类型、分工况整理并进行数据有效性判断，去除离群点后得到有效高频数据。
电机启动、停机、变频器频率变化及负载波动等因素都会造成定子电流波动，需要根据电流有效值、最大值等统计值配合电压变化切分电机工况，提取不同工况稳定段数据。考虑不同型号电机的功率、极对数、功率因数等参数的差异，在相同工况下的不同类型电机数据也有较大差别，因此，需要对采集的高频数据根据电机型号分类处理，根据3
或5
原则去除离群数据后，将同型号电机数据分工况保存。
由于网络传输采用UDP协议，受现场电磁干扰影响，采集的数据有可能出现丢包现象，导致数据出现不完整正弦波，甚至连续丢失完整正弦波数据，丢包会导致无法预测的频谱特征出现。为检验数据完整性，本申请提出一种过零点检验方法，首先将数据经FFT转换，找出最高频谱值对应的频率点作为定子电压基频k，若采样频率h（本申请采集频率8khz），则1秒数据有h/k=m个完整正弦波，每个完整正弦波包含三次过零：（1）由负到正的上穿过零点，（2）由正到负的下穿过零，（3）再一次由负到正的上穿过零。根据以上分析，从一个由负到正的过零点开始截取1秒数据，统计是否有h个数据点，同时根据过零点检测规则判断是否存在h/k=m个完整正弦波，两条规则都满足证明所采数据完整。
：提取电流信号的多元深层信息。
第一信息提取，当电机出现某些故障时，定子电流信号的幅值会受到故障信息的调制，调制信息体现在电流数据包络线中，不同故障如电机轴承内圈、外圈、滚动体故障具有不同调制信号，对包络数据进行频谱分析可以区分故障，包络谱具体计算步骤如下：原始电流信号
经Hilbter变换得到共轭信号
，
和
形成复共轭对，根据欧拉公式
，求解解析信号
，式中
，其值变化形成包络形态。对
时间序列基于式（1）、（2）蝶形算法做FFT变换得到包络谱图，即为本申请所述的第一信息。
第二信息提取，分别提取FFT变换结果的频率-相位图，频谱对数图和频谱相间共轭图，具体包括：
（1）以1秒为滑动窗口，滚动截取5秒钟的原始电流数据（5*8000=40000）进行FFT变换，每5秒数据变换结果是40000个复数，实部
，虚部为
。为提取故障的相位变化信息，根据公式
计算每个FFT变换结果的相角，以频率为横坐标，以相位角为纵坐标绘制频率-相位图；为提取故障的频谱值变化信息，根据公式
计算FFT变换结果的频谱值。考虑主频率和故障信息频率频谱值差别较大，直接绘制原始频谱图无法观察到故障信息，将频谱值采用20lgAu绘图，将结果压缩在120db范围内，减小主频及其谐波跟故障信息频谱的幅值差距，提高低幅值频谱辨识度。以频率为横坐标，频谱对数（
）为纵坐标绘制每5秒数据FFT变换结果的频谱DB图。
（2）将A、B、C三相采样数据以一秒为时间单位切片为n个数据片，分别对A、B、C三相的每秒数据做FFT变换，然后两两（AB-AC-BC）组对，对每组的其中一相FFT结果做共轭计算，然后组内做向量内积（每个复数做多项式相乘），然后计算共轭相乘结果的模值，以频率为横轴，内积模值为纵轴，绘制所有n个数据片的层叠图，即相间共轭图。
频率-相位图、频谱DB图和相间共轭图共同组成第二信息。
第三信息提取，考虑电机故障信息集中在低频段，为消除高频信息对分析结果的干扰，对原始电流数据基于公式 
做EMD分解，取低频段本征模态函数做FFT变换，绘制对应频谱DB图，即所述第三信息。
：采用域自适应方法提取不同负载下的各类故障共同特征。
图4共同特征提取部分为本申请实施例提供的特征提取框架，以上述多元信息为输入，为克服负载变化对故障特征的干扰，提出一种基于域对抗的各类故障共同特征提取方法。对于每一元输入信息，以空载和额定下负载为源域数据，以125%负载数据为目标域数据，采用CNN模型的VGG-16框架作为特征提取器，提取各类故障的深层高维特征。
以所述深层高维特征输入Transformer域分类器，为实现域对抗训练，以特征提取器为Generator，以域分类器为Discriminator（鉴别器）。为克服传统以式（3）（JS分布差异最小）为目标的对抗训练难以稳定收敛的问题，本申请采用式（4）以Wasserstein距离为特征分布差异评价指标的WGAN-GP算法。式中WGAN部分保证源域和目标域特征分布差异最小，而GP为梯度惩罚项，保证训练收敛。具体训练过程如下：为每一元信息都建立一个相同的模
型框架，以第一信息为例，将空载和额定负载包络谱图作为源域数据，将125%负载作为目标域数据，先固定鉴别器参数，采用梯度下降算法训练特征提取器，使得源域的各类故障样本都能正确分类的同时使式（4）目标函数最小，即提取的深层特征在源域和目标域分布差异小；接着固定特征提取器参数，以上一步学习的深层特征作为鉴别器输入，调节鉴别器参数使得式（4）目标函数最大，即根据上一步特征，鉴别器找出了源域和目标域故障的特征差异；重复上述步骤，直到调节鉴别器参数再也无法增大式（4）目标函数，说明所提特征不包含域（负载波动）特征，只包含故障特征，即提取出故障的跨负载域共同特征。
故障分类器同样选择CNN模型，建模具体步骤如下：（1）将源域数据和目标域数据混合，形成混合训练集，（2）当源域样本输入时以式（5）交叉熵损失为优化目标，式中m为训练样本数，k为电机故障类别，（3）当目标域样本输入时以（6）信息熵为优化目标，（4）采用梯度下降算法调节特征提取器和分类器模型参数，确保源域故障精确分类（交叉熵损失最小）的同时目标域故障样本的Softmax输出值区分度最大。
基于多元信息融合的多分类器故障分类诊断。
所述分类故障如表1所示，为验证本发明所提方法，人工制造故障，通过电机对拖的方式采集故障样本数据，具体故障制造方法如下：（1）定转子不对齐，将4mm厚的垫片打入转子端盖缝隙，使得转子错位，从而实现定转子轴向不对齐；（2）三相不平衡，
表1 故障描述
| 故障类型 | 故障描述 | 故障危害 |
| 转子不平衡 | 转子外圈质量分布不均匀 | 异常振动，增加轴承磨损，效率降低，减少设备寿命 |
| 三相不平衡 | 三相电流大小不一致 | 线损增加，效率降低，严重的烧坏线圈 |
| 定转子轴向不对齐 | 定子和转子轴向错位 | 振动增加，效率下降，甚至抱轴烧毁 |
| 堵转 | 负载大于电机最大力矩导致电机不能正常旋转 | 定子发热，持续时间长的会烧毁绕组 |
| 过载 | 负载超过电机额定功率 | 定子发热，绝缘下降 |
将第三台电机A相定子串入主拖电机A相接线，增加A相电阻，从现场测试台结果看，电流不平衡度达到24%，电压不平衡度10%；（3）转子不平衡，在转轴外圈加不平衡块的方式产生；（4）堵转，通过卡铁卡住电机轴卡槽，阻止电机转动，然后从10Hz开始给电机供三相电压，每次增加5Hz，每种频率持续10s，直到35Hz；（5）负载变化及过载，通过调节被拖电机频率改变负载，从两台电机同频转动的0负载开始，一直增加到260%超负载。
图4故障分类诊断部分为本申请实施例提供的多分类器故障诊断框架，针对本申请提取的三元信息，虽然经域对抗训练提取的各信息的跨负载域故障特征存在一定的分布差异，但不同信息的共同特征应该给出相同的故障预测，即不同信息分类器输出的Softmax分布差异越小越好，同时同一信息分类器输出的Softmax结果区分度越大越好。为实现以上目标，本申请提出一种基于矩阵计算的差异度度量方法，具体步骤如下：
（1）设p1，p2是两个分类器的Softmax输出，都为一维向量，且满足
其中
为分类器个数，
为故障类别数，
代表第
分类器，第
个故障类别的预测概率，计算关联矩阵
，且
，则
是一个大小为
正方形矩阵，
是
矩阵里第m行第n列的一个元素。
（2）根据式（7）计算p1，p2之间的差异性，即用矩阵
中所有元素的和再减去主对角线（左上到右下的对角线）的值，也就等于
中非主对角线的值的和。用计算的结果作为衡量两个分类器输出结果之间的差异性。
（3）本申请有三元信息作为输入，共有三个分类器，假设其输出结果p1，p2，p3，则三个分类器的总差异由式8计算，
值越小代表三个分类器输出结果分布越接近
（4）采用式（9）总损失函数，训练每一元信息的域对抗模型，最后得到基于多元电流深层信息融合的电机故障分类诊断模型。 式中
为信息数（本申请有三个深层电流信息），
为域混淆损失，
为目标域数据输入时每个分类器输出的Softmax值的差异度，差异度越大代表模型对某一故障的诊断结果的信心分数越高，
为三个分类器输出结果的纵分布差异，
代表每个分类器对源域有标签故障的分类损失。
表2为本申请模型对各类单独故障及复合故障在不同负载下的诊断结果，可以看出本专利方法对各类故障在不同负载下都具有较高的报警准确率，且诊断时间短，误报率基本低于10%一下，完全满足工业现场实际需要。
表2 故障分类诊断结果
| 故障名称 | 报警准确率 | 报警延迟 | 误报统计 |
| 定转子不对齐空载 | 91.8% | 1s | 误报为转子不平衡5% |
| 定转子不对齐额定负载 | 85.1% | 3s | 无 |
| 定转子不对齐125%过载 | 92.7% | 2s | 误报为转子不平衡4% |
| 三相不平衡空载 | 93.2% | 1s | 无 |
| 三相不平衡额定负载 | 95.4% | 1s | 无 |
| 三相不平衡125%过载 | 96.3% | 2s | 无 |
| 转子不平衡空载 | 87.2% | 2s | 无 |
| 转子不平衡额定负载 | 86.6% | 3s | 误报为不对齐5% |
| 转子不平衡125%过载 | 87.1% | 3s | 误报为不对齐3% |
本文应用具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种基于电流多元深层信息域自适应的电机故障诊断方法，其特征在于，包括：
提出一种基于“分布采集、集中管理”的物联网数据采集、存储架构，采用STM32+AD9000计量芯片的硬件设备采集电机定子三相电流高频数据；
对所述电流高频数据做数据预处理，分电机类型、分工况整理并进行数据有效性判断，去除离群点后得到有效高频数据；
对所述有效高频数据做各种变换，提取电流深层多元信息；
对所述深层信息，建立不同负载多源域数据，以其中一种负载信息作为目标域，采用多源域自适应迁移学习算法挖掘各故障类型的跨负载共同特征；
基于所述各故障类型的跨负载共同特征，建立多元分类器，以各分类器输出向量分布差异最小为优化目标，得到分类故障的多元信息融合诊断模型；
如权利要求1所述的电机故障诊断方法，其特征在于，物联网数据采集、存储架构，包括：
采用开口式电流互感器采集三相电流数据，采用电压互感器+电阻分压方式采集三项电压数据，采用ARM芯片（STM32）和电能计量芯片(AD9000)架构的硬件采集器读取电流原始高频数据；
将分散的采集器数据通过网络交换机集中到边缘计算服务器，然后通过无线WIFI上传客户端服务器集中管理，诊断模型运行在客户端服务器，并将诊断结果发送云端用户。
2.如权利要求1所述的电机故障诊断方法，其特征在于，所述电流多元深层信息的提取过程，包括：
对高频数据做希尔伯特变换（Hilbert）提取电流包络，对包络数据做快速傅里叶变换（FFT）变换得到包络谱图作为第一信息；将高频数据FFT变换频谱、相角图及频谱相间共轭图作为第二信息；对高频数据做经验模态分解（EMD），取低频段本征模态函数（IMF）的FFT变换频谱图作为第三信息。
3.如权利要求1所述的电机故障诊断方法，其特征在于，所述多源域自适应迁移学习算法，包括：
故障在不同工况下的特征表达具有差异性，在某一工况下训练的诊断模型，用于其他工况泛化能力很难保证。
4.为提高诊断模型的工况迁移能力，建立空载、额定负载下的各类故障深层信息作为源域数据，125%负载下故障深层信息作为目标域数据。
5.提出一种多元信息融合的多负载域自适应迁移学习方法，该方法保证所提取深层特征具有跨域故障诊断能力，特征提取选择CNN作为编码器提取各故障高维特征；采用基于ransformer的Wassestein-梯度惩罚对抗训练（WGAN-GP）方法，基于域混淆损失对基础高维特征进行对抗训练，提取各类故障高维特征的跨域特性；基于高维特征训练第二个CNN模型，实现源域标签故障的精确分类。
6.从而挖掘出各类故障在不同负载下的共同特征。
7.如权利要求1所述的电机故障诊断方法，其特征在于，电机各类故障，包括：
本专利能够诊断的电机故障主要包括三个方面:
供电诊断，
电机本体故障诊断，
传动链故障诊断。
8.其中供电诊断主要监测电机欠压、过压、过流、欠流、缺相及三相电压不平衡故障，电机本体故障诊断主要监测定转子轴向不对中、定转子气息不均、鼠笼条断裂、转子不平衡、三相负载不平衡及定子匝间短路故障，传动链故障诊断主要监测轴承故障、轴故障、齿轮箱故障、过载、欠载及电机卡阻故障。
9.如权利要求1所述的电机故障诊断方法，其特征在于，电流多元信息融合电机故障分类诊断，包括：
对于每一元电流深层信息，都可以提取不同故障的跨负载共同特征，虽然每种信息的共同特征有差异，但都可在不同方面给出同样的诊断结果。
10.建立基于故障分类特征的多元信息分类器，以各分类器的输出分布差异最小为优化目标，同时建立每个分类器输出结果的最大区分度目标，保证不同深层信息分类器具有相同分类结果，同时保证每个分类器给出的输出结果区分度最大，最后实现电流多元信息融合电机分类故障诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210527744.3A CN115128455B (zh) | 2022-05-16 | 一种基于电流多元深层信息域自适应的电机故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210527744.3A CN115128455B (zh) | 2022-05-16 | 一种基于电流多元深层信息域自适应的电机故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115128455A true CN115128455A (zh) | 2022-09-30 |
| CN115128455B CN115128455B (zh) | 2024-06-07 |
Family
ID=
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476220A (zh) * | 2020-06-03 | 2020-07-31 | 中国南方电网有限责任公司超高压输电公司大理局 | 一种换流阀空冷器故障定位方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036301A (zh) * | 2020-08-31 | 2020-12-04 | 中国矿业大学 | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 |
| CN113076920A (zh) * | 2021-04-20 | 2021-07-06 | 同济大学 | 一种基于非对称域对抗自适应模型的智能故障诊断方法 |
| WO2022011754A1 (zh) * | 2020-07-16 | 2022-01-20 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
| CN114254677A (zh) * | 2021-12-22 | 2022-03-29 | 中国海洋大学 | 基于多任务对抗判别域自适应的跨域故障诊断系统及方法 |
| CN114295981A (zh) * | 2022-01-05 | 2022-04-08 | 湖南师范大学 | 一种基于rn网络电流多特征形态识别的电机故障诊断方法 |
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022011754A1 (zh) * | 2020-07-16 | 2022-01-20 | 苏州大学 | 一种基于自适应流形嵌入动态分布对齐的故障诊断方法 |
| CN112036301A (zh) * | 2020-08-31 | 2020-12-04 | 中国矿业大学 | 一种基于类内特征迁移学习与多源信息融合的驱动电机故障诊断模型构建方法 |
| CN113076920A (zh) * | 2021-04-20 | 2021-07-06 | 同济大学 | 一种基于非对称域对抗自适应模型的智能故障诊断方法 |
| CN114254677A (zh) * | 2021-12-22 | 2022-03-29 | 中国海洋大学 | 基于多任务对抗判别域自适应的跨域故障诊断系统及方法 |
| CN114295981A (zh) * | 2022-01-05 | 2022-04-08 | 湖南师范大学 | 一种基于rn网络电流多特征形态识别的电机故障诊断方法 |
Non-Patent Citations (4)
| Title |
|---|
| Q. HE等: "An unsupervised multiview sparse filtering approach for current-based wind turbine gearbox fault diagnosis", 《 IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》, vol. 69, no. 8, 8 January 2020 (2020-01-08), pages 5569 - 5578, XP011794894, DOI: 10.1109/TIM.2020.2964064 * |
| 徐安德;赵亚康;张月群;鲁杨;: "基于相异性空间和多分类器融合的文本分类方法", 兵器装备工程学报, no. 12 * |
| 王栋悦;谷怀广;魏书荣;吴锐;符杨;: "基于机电信号融合的DFIG定子绕组匝间短路故障诊断", 电力系统自动化, no. 09, 10 May 2020 (2020-05-10) * |
| 马天雨等: "基于CNN电流数据形态识别的电动机故障诊断研究", 《宝钢技术》, no. 3, 31 December 2021 (2021-12-31) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111476220A (zh) * | 2020-06-03 | 2020-07-31 | 中国南方电网有限责任公司超高压输电公司大理局 | 一种换流阀空冷器故障定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Miljković | Brief review of motor current signature analysis | |
| Singh et al. | Incipient fault detection in stator windings of an induction motor using stockwell transform and SVM | |
| Palácios et al. | Diagnosis of stator faults severity in induction motors using two intelligent approaches | |
| De Almeida et al. | Comparative analysis of IEEE 112-B and IEC 34-2 efficiency testing standards using stray load losses in low-voltage three-phase, cage induction motors | |
| CN103713237B (zh) | 一种电力系统输电线路短路故障诊断方法 | |
| CN102033200B (zh) | 基于统计模型的交流电机在线监测和诊断方法 | |
| CN111044902B (zh) | 一种基于电流和电压信号的电机故障诊断方法 | |
| CN113624334B (zh) | 一种基于物联网技术的机组振动监测装置及方法 | |
| Verma et al. | Wavelet based fault detection and diagnosis using online mcsa of stator winding faults due to insulation failure in industrial induction machine | |
| Tian et al. | A review of fault diagnosis for traction induction motor | |
| Chouidira et al. | Fuzzy logic based broken bar fault diagnosis and behavior study of induction machine | |
| CN113009337B (zh) | 海上风电永磁直驱电机匝间短路故障识别方法 | |
| Yektaniroumand et al. | Optimal rotor fault detection in induction motor using particle-swarm optimization optimized neural network | |
| Yan et al. | A novel fault diagnosis method for marine blower with vibration signals | |
| Azeem et al. | Real-time harmonics analysis of digital substation equipment based on IEC-61850 using hybrid intelligent approach | |
| Iorgulescu et al. | Faults diagnosis for electrical machines based on analysis of motor current | |
| CN115128455B (zh) | 一种基于电流多元深层信息域自适应的电机故障诊断方法 | |
| CN115128455A (zh) | 一种基于电流多元深层信息域自适应的电机故障诊断方法 | |
| Raj et al. | A state-space model for induction machine stator inter-turn fault and its evaluation at low severities by PCA | |
| Refaat et al. | Smart grid condition assessment: concepts, benefits, and developments | |
| Dubravko et al. | Brief review of motor current signature analysis | |
| Asad et al. | The FEM Based Modeling and Corresponding Test Rig Preparation for Broken Rotor Bars Analysis | |
| CN117911011B (zh) | 一种交直流混联电力线路故障维修预警方法 | |
| Sabir et al. | Early Fault Estimation of Inter-turn Short-circuit in Rotor Winding of WRIM using ANN-based Combined TSA and MCSA Technique | |
| Attar | Introducing a New Comprehensive Model for Fault Detection and Condition Monitoring of Rotor Bars of Large Induction Motors Based on MCSA and ZCT Methods |
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 |