CN115656817A - 基于神经网络技术的永磁同步电机匝间短路故障检测方法 - Google Patents
基于神经网络技术的永磁同步电机匝间短路故障检测方法 Download PDFInfo
- Publication number
- CN115656817A CN115656817A CN202211285987.7A CN202211285987A CN115656817A CN 115656817 A CN115656817 A CN 115656817A CN 202211285987 A CN202211285987 A CN 202211285987A CN 115656817 A CN115656817 A CN 115656817A
- Authority
- CN
- China
- Prior art keywords
- phase
- turn
- fault
- permanent magnet
- magnet synchronous
- 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
Landscapes
- Control Of Ac Motors In General (AREA)
Abstract
本发明涉及基于神经网络技术的永磁同步电机匝间短路故障检测方法,与现有技术相比解决了匝间短路诊断故障样本数量少、故障特征单一且有效性差导致故障诊断精度低的缺陷。本发明包括以下步骤:建立永磁同步电机匝间短路故障模型;获取不同工况下永磁同步电机电流和电压;小波变换提取三次谐波;负序电流优化算法计算故障负序电流;卷积神经网络的训练;待检测数据的获得;永磁同步电机匝间短路故障的检测。本发明通过采用小波变换将电机多工况下的定子电流信号进行分解,得到了精度更高的三次谐波数据,采用负序电流优化算法提高了负序电流精度,同时将采集到的两类故障特征做成数据集,输送给卷积神经网络进行数据特征提取。
Description
技术领域
本发明涉及永磁同步电机技术领域,具体来说是基于神经网络技术的永磁同步电机匝间短路故障检测方法。
背景技术
电机作为动力转换或传动的关键设备,在日常生活和生产实践中得到了广泛的应用,其运行的可靠性越来越受到重视。定子绕组匝间短路故障是导致永磁同步电机失效的主要原因之一,故障的发生率高达30%~40%,当短路故障严重时,线路保护器能够立即切断电源保护电机设备;但当短路匝数较少时电机仍然能够维持运转一段时间,如果能在故障潜伏期内及时发现并排除定子绕组匝间短路故障,就可以保证电动汽车行车安全。
目前应用于永磁同步电机匝间短路故障检测的方法为基于信号处理并设定故障阈值,通过对传感器检测到的电流电压信号进行处理并与预先设定的故障阈值进行比较来判断是否发生故障,该检测方法受电机工作环境影响大而且依赖于专家经验,对于复杂的工况其诊断精度大大降低。基于神经网络的故障诊断方式可以避免人为的干预,解决了基于信号处理检测方法的缺陷,但其依赖于大量的故障数据,而实际工况下电机故障数据样本量少、难以获得且故障特征单一,导致该方法诊断精度低。
故障特征的选取是影响故障诊断精度的主要原因,故障特征应具备便于获取、特征明显的特点,其中负序电流、定子电流三次谐波是匝间短路故障发生时较为明显的特征且易于获取,但受电机本身结构的影响,这些故障特征中包含了非匝间短路引起的干扰项,因此剔除这些干扰项是提高故障诊断精度的主要方式。采用多故障特征融合的方式制作数据集可以增强故障特征的鲁棒性,弥补故障特征样本数量少的缺陷,是提高故障诊断精度的另一重要方式。
发明内容
本发明的目的是为了解决现有技术中匝间短路诊断故障样本数量少、故障特征单一且有效性差导致故障诊断精度低的缺陷,提供一种基于神经网络技术的永磁同步电机匝间短路故障检测方法来解决上述问题。
为了实现上述目的,本发明的技术方案如下:
一种基于神经网络技术的永磁同步电机匝间短路故障检测方法,包括以下步骤:
11)建立永磁同步电机匝间短路故障模型:基于永磁同步电机A相发生匝间短路时的等效电路,建立A相、B相、C相电压ua、ub、uc与A相、B相、C相电流ia、ib、ic和故障电流if之间的方程并建立转矩Te方程,将其作为永磁同步电机匝间短路故障模型;
12)获取不同工况下永磁同步电机电流和电压:根据永磁同步电机匝间短路故障模型在不同工况下的仿真结果,获取永磁同步电机匝间短路状态下的A相、B相、C相电流ia、ib、ic与A相、B相、C相电压ua、ub、uc;
13)小波变换提取三次谐波:通过小波变换对A相的电流ia进行分解,获取其三次谐波的幅值Ia_3h作为故障特征;
16)待检测数据的获得:监测永磁同步电机实际工况下的A相、B相、C相电流ia′、ib′、ic′,A相、B相、C相电压ua′、ub′、uc′,进而获取永磁同步电机实际工况下的三次谐波幅值Ia_3h′和故障负序电流并将其制作成待检测数据集;
17)永磁同步电机匝间短路故障的检测:将待检测数据集输入训练后的卷积神经网络,获得永磁同步电机匝间短路故障的检测结果。
所述建立永磁同步电机匝间短路故障模型包括以下步骤:
21)设定永磁同步电机匝间短路故障模型由A相、B相、C相电压ua、ub、uc与A相、B相、C相电流ia、ib、ic和故障电流if之间的方程和永磁同步电机匝间短路电磁转矩方程组成;
22)设定A相、B相、C相电压ua、ub、uc与A相、B相、C相电流ia、ib、ic和故障电流if之间的方程如下:
其中,ua、ub、uc为A相、B相、C相电压,Rs为定子电阻,u为故障程度,A相为故障相,则u为A相定子绕组的短路匝数与其定子绕组总匝数的比值,Rf为故障电阻,ia、ib、ic为A相、B相、C相定子绕组的电流,if为故障电流,L为定子绕组的自感,M为定子绕组的互感,ψf为磁链的基波幅值,θ为转子电角度;
23)设定永磁同步电机匝间短路电磁转矩方程如下:
其中,Te为永磁同步电机的电磁转矩,pn为永磁同步电机的极对数,id、iq为永磁同步电机d轴和q轴的电流,Ld、Lq为永磁同步电机d轴和q轴的电感,ψf为磁链的基波幅值。
所述获取不同工况下永磁同步电机电流和电压包括以下步骤:
31)将线性变化的转速N、线性变化的转矩T和四种故障程度u进行组合,以此作为永磁同步电机匝间短路故障的仿真工况,转速N、转矩T、故障程度u的具体取值如下:
N=300n,其中n=0、1、2…、10,
T=[0,1,2,3,4,5,6,7,8,9,10],
u=[0,0.1,0.2,0.3];
32)根据永磁同步电机匝间短路故障模型,并结合所设置的永磁同步电机匝间短路故障的仿真工况进行仿真;
根据仿真结果,获取到永磁同步电机匝间短路状态下的A相电流ia和B、C相电流ib、ic,A相电压ua和B、C相电压ub、uc,其具体表达式如下:
ia(k)=(ia(1),ia(2)...ia(n)),
ib(k)=(ib(1),ib(2)...ib(n)),
ic(k)=(ic(1),ic(2)...ic(n)),
ua(k)=(ua(1),ua(2)...ua(n)),
ub(k)=(ub(1),ub(2)...ub(n)),
uc(k)=(uc(1),uc(2)...uc(n)),
其中,k为序列数,取值范围为1、2、…、n。
所述小波变换提取三次谐波包括以下步骤:
41)设小波变换算法其具体表达式如下:
将基本小波ψ(t)进行伸缩和平移,得到小波函数族ψa,b(t):
其中,t是自变量,a是伸缩因子,b是平移因子;
则对于任意函数x(t)的连续小波变换表示为:
考虑到A相电流ia为离散数据,故将连续小波变换离散化,表达式为:
采用二进制离散形式,即取a0=2、b0=1,则二进离散小波变换表示为:
ψj,k(t)=2-j/2ψ(2-jt-k),
离散小波变换表示为:
42)将获得的A相电流ia进行离散小波变换,变换后的信号组成具有如下关系:
ia=An+Dn+Dn-1+...+D1,
其中,An为第n层的近似信号,DnDn-1....D1为n层细节信号;
43)设故障特征包含在离散小波变换后的细节信号中,细节信号包含的频率范围如下所示:
其中,fn是要提取信号的频率、f是信号采样频率、n为分解的层数,freq(Dj)为细节信号Dj的频率、j为常数其取值范围为[1,n];
44)根据细节信号所包含的频率范围freq(Dj)及其对应的层数n,便得到A相电流的三次谐波幅值Ia_3h,并将其作为故障特征,其具体表达式为:
Ia_3h(k)=(ia3h(1),ia3h(2)...ia3h(n)),
其中,k为序列数,其取值范围为[1,n]。
所述负序电流优化算法计算故障负序电流包括以下步骤:
51)结合获得的A相、B相、C相电流ia、ib、ic,得负序电流I-的计算公式如下:
其中,ia、ib、ic为A相、B相、C相电流,I+、I-为正序和负序电流的幅值,ω为电流的基频,φ1、φ2为正序和负序电流的相位角,α为运算子,α=ej2π/3即120°;
未发生匝间短路时:
发生匝间短路时:
其中,V-为负序电压,I-为负序电流,ua、ub、uc为A相、B相、C相电压,ia、ib、ic为A相、B相、C相电流,Z-为负序阻抗,α为运算子,α=ej2π/3即120°,为误差负序电流,为故障负序电流;
其中,k为序列数,其取值范围为[1,n]。
所述卷积神经网络的训练包括以下步骤:
61)制作训练数据集,具体包括以下步骤:
62)进行卷积神经网络的搭建,步骤如下:
设定卷积神经网络架构共11层,由输入层、卷积层、激活函数、池化层、全连接层、输出层构成;其中:
第一层为输入层,设置该层输入特征维度为2;
第二层为卷积层,设置该层卷积核大小为3*3、卷积核数量为64;
第三层为激活函数,所搭建的卷积神经网络采用Relu激活函数,其表达式如下:
第四层为标准化层,用于防止过拟合和梯度爆炸,提高卷积神经网络的训练效率;
第五层为池化层,所搭建的卷积神经网络采用最大池化,最大池化指选取特征区域的最大值作为该区域池化后的值;
第六层为卷积层,设置该层卷积核大小为3*3、卷积核数量为128;
第七层为激活函数层,采用Relu激活函数;
第八层为池化层,采用最大池化;
第九层为全连接层,设置该层特征维度为4;
第十层为Softmax层,Softmax层输出分类情况下各个类型概率,所输出概率和为1,通过概率值大小可以得到该数据特征属于某种类型;
第十一层为输出层,所搭建的卷积神经网络用于实现永磁同步电机匝间短路故障分类,故采用classification;
63)将训练数据集输入到所搭建的卷积神经网络中进行训练,其具体训练步骤如下:
卷积神经网络训练设置每轮训练的最小批次为15,共训练1000轮,训练共包含以下三个阶段:
第一阶段为权重初始化过程,采用均值为0,方差为0.01的高斯分布随机初始化权值;
第二阶段为前向传播过程,输入的训练集经过卷积层、池化层不断降低特征维度,进行特征提取最终输入至全连接层,其具体过程如下:
卷积运算表示如下:
xl=f(xl-1*Wl+bl)
池化运算表示如下:
xl=pooling(xl-1)
全连接层的输出结果为:
xl=f(Wlxl-1+bl)
其中,xl为第l层的输出,Wl为第l层的权重,bl为第l层的偏置,f()为激活函数,pooling()为池化操作;
第三阶段为反向传播过程,将输出值与真实值进行比较并用损失函数表示误差情况,训练采用的误差函数为交叉熵函数,其具体表达式为:
其中,n为训练集的样本的数量,m(i)为真实样本分布,w(i)为预测分布,L(y,f(x))为交叉熵函数损失误差值;
将交叉熵函数损失误差值L(y,f(x))反向传播至全连接层、池化层以及卷积层,以便更新权重和偏置,进而继续前向传播过程,该三个阶段反复迭代训练使损失函数降到最低,此时表明该卷积神经网络达到收敛条件,进一步训练直至卷积神经网络达到迭代终止条件,结束训练;得到训练后的卷积神经网络。
所述待检测数据的获得包括以下步骤:
71)获取实际工况下的三次谐波幅值Ia_3h′,具体包括以下步骤:
将监测得到的永磁同步电机实际工况下的A相电流ia′进行步骤41)、42)、43)中的离散小波变换,得到实际工况下A相电流ia′的三次谐波幅值Ia_3h′,其具体表达式为:
Ia_3h′(k)=(ia′3h(1),ia′3h(2)...ia′3h(n)),
其中,k为序列数,其取值范围为[1,n];
将监测得到的永磁同步电机实际工况下的A相、B相、C相电流ia′、ib′、ic′,A相、B相、C相电压ua′、ub′、uc′,进行步骤51)、52)中的负序电流计算及其优化,得到实际工况下负序电流其具体表达式为:
其中,k为序列数,其取值范围为[1,n];
所述永磁同步电机匝间短路故障检测包括以下步骤:
81)将待检测数据集data1′输入训练后的卷积神经网络中。
82)卷积神经网络进行步骤63)中的训练过程,直至卷积神经网络达到迭代终止条件。
83)输出待检测数据集data1′的分类结果,完成永磁同步电机匝间短路故障诊断。
有益效果
本发明基于神经网络技术的永磁同步电机匝间短路故障检测方法,与现有技术相比通过采用小波变换将电机多工况下的定子电流信号进行分解,得到了精度更高的三次谐波数据,采用负序电流优化算法提高了负序电流精度,同时将采集到的两类故障特征做成数据集,增强了故障特征的鲁棒性,输送给卷积神经网络进行数据特征提取,获得了更高的检测精度。
本发明所涉及的小波变换可以有效的将电机多工况下的定子电流信号进行时域频域的分解,从而得到精度更高的三次谐波数据,提高了故障诊断精度;负序电流优化算法可以有效的将电机本体不对称因素剔除,同时提高了故障诊断精度;卷积神经网络具有强大的数据特征提取能力,可以有效地将不同程度的匝间短路故障进行分类,相比于传统的故障检测方法,其诊断精度更高。
本发明还具备以下优点:
1、通过小波变换对电机多工况下的定子电流进行特征提取,大大提高了在多种复杂工况下获取的三次谐波幅值的精度;
2、通过负序电流优化算法剔除了由于电机本身所引起的误差负序电流,提高了负序电流的计算精度;
3、将多工况下获取到的两种故障特征作为故障检测的特征量,大大提高了由于单一故障特征引起的故障检测鲁棒性差,数据不足等缺陷;
4、将卷积神经网络应用于故障检测中,通过卷积神经网络对故障原始数据进行故障特征识别,相比于传统的设立阈值检测故障,显著提高了故障检测的精度,实现了匝间短路不同故障程度的分类。
附图说明
图1为本发明的方法顺序图;
图2为小波变换与傅里叶变换对比图;
图3为负序电流优化算法对比图;
图4为卷积神经网络分类结果图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识,用以较佳的实施例及附图配合详细的说明,说明如下:
如图1所示,本发明所述的基于神经网络技术的永磁同步电机匝间短路故障检测方法,包括以下步骤:
第一步,建立永磁同步电机匝间短路故障模型。基于永磁同步电机发生匝间短路时的等效电路,建立A相、B相、C相电压ua、ub、uc与A相、B相、C相电流ia、ib、ic和故障电流if之间的方程并建立转矩Te方程,将其作为永磁同步电机匝间短路故障模型。其具体步骤如下:
(1)设定永磁同步电机匝间短路故障模型由A相、B相、C相电压ua、ub、uc与A相、B相、C相电流ia、ib、ic和故障电流if之间的方程和永磁同步电机匝间短路电磁转矩方程组成。
(2)设定A相、B相、C相电压ua、ub、uc与A相、B相、C相电流ia、ib、ic和故障电流if之间的方程如下:
其中,ua、ub、uc为A相、B相、C相电压,Rs为定子电阻,u为故障程度,A相为故障相,则u为A相定子绕组的短路匝数与其定子绕组总匝数的比值,Rf为故障电阻,ia、ib、ic为A相、B相、C相定子绕组的电流,if为故障电流,L为定子绕组的自感,M为定子绕组的互感,ψf为磁链的基波幅值,θ为转子电角度;
(3)设定永磁同步电机匝间短路电磁转矩方程如下:
其中,Te为永磁同步电机的电磁转矩,pn为永磁同步电机的极对数,ψf为磁链的基波幅值id、iq为永磁同步电机d轴和q轴的电流,Ld、Lq为永磁同步电机d轴和q轴的电感。
第二步,获取不同工况下永磁同步电机电流和电压:根据永磁同步电机匝间短路故障模型在不同工况下的仿真结果,获取永磁同步电机匝间短路状态下的A相、B相、C相电压ua、ub、uc与A相、B相、C相电流ia、ib、ic。
其具体步骤如下:
(1)将线性变化的转速N、线性变化的转矩T和四种故障程度u进行组合,以此作为永磁同步电机匝间短路故障的仿真工况,转速N、转矩T、故障程度u的具体取值如下:
N=300n,其中n=0、1、2…、10,
T=[0,1,2,3,4,5,6,7,8,9,10],
u=[0,0.1,0.2,0.3]。
(2)根据永磁同步电机匝间短路故障模型,并结合所设置的永磁同步电机匝间短路故障的仿真工况进行仿真;
根据仿真结果,获取到永磁同步电机匝间短路状态下的A相电流ia和B、C相电流ib、ic和A相电压ua和B、C相电压ub、uc,其具体表达式如下:
ia(k)=(ia(1),ia(2)...ia(n))
ib(k)=(ib(1),ib(2)...ib(n))
ic(k)=(ic(1),ic(2)...ic(n))
ua(k)=(ua(1),ua(2)...ua(n))
ub(k)=(ub(1),ub(2)...ub(n))
uc(k)=(uc(1),uc(2)...uc(n))
其中,k为序列数,取值范围为1、2、…、n。
第三步,小波变换提取三次谐波:通过小波变换对A相的电流ia进行分解,获取其三次谐波的幅值Ia_3h作为故障特征。小波变换相比于传统的信号处理方法需要选取适合于待分析信号的小波,并需要对小波的阶次、分解的层数进行不断的调试,以获取正确的时频信号。
小波变换提取三次谐波的具体步骤如下:
(1)设小波变换算法其具体表达式如下:
将基本小波ψ(t)进行伸缩和平移,得到小波函数族ψa,b(t):
其中,t是自变量,a是伸缩因子,b是平移因子;
则对于任意函数x(t)的连续小波变换表示为:
考虑到A相电流ia为离散数据,故将连续小波变换离散化,表达式为:
采用二进制离散形式,即取a0=2、b0=1,则二进离散小波变换表示为:
ψj,k(t)=2-j/2ψ(2-jt-k),
离散小波变换表示为:
(2)将获得的A相电流ia进行离散小波变换,变换后的信号组成具有如下关系:
ia=An+Dn+Dn-1+...+D1,
其中,An为第n层的近似信号,DnDn-1....D1为n层细节信号。
(3)设故障特征包含在离散小波变换后的细节信号中,细节信号包含的频率范围如下所示:
其中,fn是要提取信号的频率、f是信号采样频率、n为分解的层数,freq(Dj)为细节信号Dj的频率、j为常数其取值范围为[1,n]。
(4)根据细节信号所包含的频率范围freq(Dj)及其对应的层数n,便得到A相电流的三次谐波幅值Ia_3h,其具体表达式为:
Ia_3h(k)=(ia3h(1),ia3h(2)...ia3h(n)),
其中,k为序列数,其取值范围为[1,n]。
如图2所示,为转速在2800rpm-3000rpm小波变换与傅里叶变换提取出的三次谐波对比,从图像中可以看出,小波变换在工况动态变化过程中对于提取出的三次谐波幅值更加稳定,并且有效率除了干扰项,其提取出的三次谐波幅值精度更加高。
第四步,负序电流优化算法计算故障负序电流:通过A相、B相、C相电流ia、ib、ic计算总负序电流I-,并通过负序电流优化算法剔除干扰项,得到由匝间短路引起的故障负序电流误差负序电流主要由电机本身结构不对称引起,其可以通过负序阻抗计算得到,而负序阻抗通常不受电机工况影响,因此负序电流优化算法便巧妙运用负序阻抗这一特点剔除误差负序电流,得到精度更高的故障负序电流。
所述负序电流优化算法计算故障负序电流包括以下步骤:
(1)结合获得的A相、B相、C相电流ia、ib、ic,得负序电流I-的计算公式如下:
其中,ia、ib、ic为A相、B相、C相电流,I+、I-为正序和负序电流的幅值,ω为电流的基频,φ1、φ2为正序和负序电流的相位角,α为运算子,α=ej2π/3即120°。
未发生匝间短路时:
发生匝间短路时:
其中,k为序列数,其取值范围为[1,n]。
如图3所示,横坐标为设置的九种工况,纵坐标为负序电流的幅值,从图3中的对比中可以得出,负序电流优化算法可有效地剔除不同工况下由于电机本身不对称因素引起的负序电流,提高了负序电流的精度。
第五步,卷积神经网络的训练:将三次谐波幅值Ia_3h和故障负序电流同时作为匝间短路的故障特征,制作成训练数据集,输入卷积神经网络中进行训练。卷积神经网络具有强大的数据特征提取能力,无需对故障特征原始数据进行预处理,可以直接提取。其网络架构、卷积核大小、卷积核数量、训练轮数需要不断调试以使其损失函数降到最低。
所述卷积神经网络的训练包括以下步骤:
(1)制作训练数据集,具体包括以下步骤:
(2)进行卷积神经网络的搭建,步骤如下:
设定卷积神经网络架构共11层,由输入层、卷积层、激活函数、池化层、全连接层、输出层构成;其中:
第一层为输入层,设置该层输入特征维度为2;
第二层为卷积层,设置该层卷积核大小为3*3、卷积核数量为64;
第四层为标准化层,用于防止过拟合和梯度爆炸,提高卷积神经网络的训练效率;
第五层为池化层,所搭建的卷积神经网络采用最大池化,最大池化指选取特征区域的最大值作为该区域池化后的值;
第六层为卷积层,设置该层卷积核大小为3*3、卷积核数量为128;
第七层为激活函数层,采用Relu激活函数;
第八层为池化层,采用最大池化;
第九层为全连接层,设置该层特征维度为4;
第十层为Softmax层,Softmax层输出分类情况下各个类型概率,所输出概率和为1,通过概率值大小可以得到该数据特征属于某种类型;
第十一层为输出层,所搭建的卷积神经网络用于实现永磁同步电机匝间短路故障分类,故采用classification。
(3)将训练数据集输入到所搭建的卷积神经网络中进行训练,其具体训练步骤如下:
卷积神经网络训练设置每轮训练的最小批次为15,共训练1000轮,训练共包含以下三个阶段:
第一阶段为权重初始化过程,采用均值为0,方差为0.01的高斯分布随机初始化权值;
第二阶段为前向传播过程,输入的训练集经过卷积层、池化层不断降低特征维度,进行特征提取最终输入至全连接层,其具体过程如下:
卷积运算表示如下:
xl=f(xl-1*Wl+bl)
池化运算表示如下:
xl=pooling(xl-1)
全连接层的输出结果为:
xl=f(Wlxl-1+bl)
其中,xl为第l层的输出,Wl为第l层的权重,bl为第l层的偏置,f()为激活函数,pooling()为池化操作;
第三阶段为反向传播过程,将输出值与真实值进行比较并用损失函数表示误差情况,训练采用的误差函数为交叉熵函数,其具体表达式为:
其中,n为训练集的样本的数量,m(i)为真实样本分布,w(i)为预测分布,L(y,f(x))为交叉熵函数损失误差值;
将交叉熵函数损失误差值L(y,f(x))反向传播至全连接层、池化层以及卷积层,以便更新权重和偏置,进而继续前向传播过程,该三个阶段反复迭代训练使损失函数降到最低,表明该卷积神经网络达到收敛条件,进一步训练直至卷积神经网络达到迭代终止条件,结束训练;得到训练后的卷积神经网络。
第六步,待检测数据的获得:监测永磁同步电机实际工况下的A相、B相、C相电流ia′、ib′、ic′,A相、B相、C相电压ua′、ub′、uc′,进而获取永磁同步电机实际工况下的三次谐波幅值Ia_3h′和故障负序电流并将其制作成待检测数据集。
(1)获取实际工况下的三次谐波幅值Ia_3h′,具体包括以下步骤:
将监测得到的永磁同步电机实际工况下的A相电流ia′进行上述步骤中的离散小波变换,便得到实际工况下A相电流的三次谐波幅值Ia_3h′,其具体表达式为:
Ia_3h′(k)=(ia′3h(1),ia′3h(2)...ia′3h(n)),
其中,k为序列数,其取值范围为[1,n]。
将监测得到的永磁同步电机实际工况下的A相、B相、C相电流ia′、ib′、ic′,A相、B相、C相电压ua′、ub′、uc′,进行上述步骤中的负序电流计算及其优化,便得到实际工况下负序电流其具体表达式为:
其中,k为序列数,其取值范围为[1,n]。
第七步,永磁同步电机匝间短路故障的检测:将待检测数据集输入训练后的卷积神经网络,获得永磁同步电机匝间短路故障检测结果。
(1)将待检测数据集data1′输入训练后的卷积神经网络中。
(2)卷积神经网络进行上述步骤中的训练过程,直至卷积神经网络达到迭代终止条件。
(3)输出待检测数据集data1′的分类结果,完成永磁同步电机匝间短路故障诊断。
在实际应用中,还可以将制作好的数据集data1进行划分,取90%为训练集,10%为测试集,并贴上类别标签1,2,3,4,将训练集输入至卷积神经网络中,进行1000轮训练,得到训练好的卷积神经网络。
将测试集输入训练好的卷积神经网络,实现永磁同步电机匝间短路故障诊断的分类,并用均方根值RMSE对网络精度进行评价,其表达式如下:
data2=[Ia_3h(1),Ia_3h(2)...Ia_3h(n)]
并重复以上步骤,并用RMSE对三种数据集训练得到的卷积神经网络精度进行评价。
表1卷积神经网络精度表
如表1所示,为数据data1、data2、data3输入卷积神经网络后训练后得到的卷积神经网络评价指标RMSE值,从表1中的数据对比可以看出本发明所提出的将两类故障特征同时输入至卷积神经网络进行训练,可以有效提高永磁同步电机匝间短路故障诊断精度。
如图4所示,纵坐标为测试集的真实分类情况,共四类,横坐标为卷积神经网络对测试集进行故障特征识别后得出的分类情况,测试集共80个样本数据,由图4可知,均实现了正确的分类,反映了本发明所提出卷积神经网络对永磁同步电机匝间短路故障检测的有效性。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (8)
1.一种基于神经网络技术的永磁同步电机匝间短路故障检测方法,其特征在于,包括以下步骤:
11)建立永磁同步电机匝间短路故障模型:基于永磁同步电机A相发生匝间短路时的等效电路,建立A相、B相、C相电压ua、ub、uc与A相、B相、C相电流ia、ib、ic和故障电流if之间的方程并建立转矩Te方程,将其作为永磁同步电机匝间短路故障模型;
12)获取不同工况下永磁同步电机电流和电压:根据永磁同步电机匝间短路故障模型在不同工况下的仿真结果,获取永磁同步电机匝间短路状态下的A相、B相、C相电流ia、ib、ic与A相、B相、C相电压ua、ub、uc;
13)小波变换提取三次谐波:通过小波变换对A相的电流ia进行分解,获取其三次谐波的幅值Ia_3h作为故障特征;
16)待检测数据的获得:监测永磁同步电机实际工况下的A相、B相、C相电流ia′、ib′、ic′,A相、B相、C相电压ua′、ub′、uc′,进而获取永磁同步电机实际工况下的三次谐波幅值Ia_3h′和故障负序电流并将其制作成待检测数据集;
17)永磁同步电机匝间短路故障的检测:将待检测数据集输入训练后的卷积神经网络,获得永磁同步电机匝间短路故障的检测结果。
2.根据权利要求1所述的基于神经网络技术的永磁同步电机匝间短路故障检测方法,其特征在于,所述建立永磁同步电机匝间短路故障模型包括以下步骤:
21)设定永磁同步电机匝间短路故障模型由A相、B相、C相电压ua、ub、uc与A相、B相、C相电流ia、ib、ic和故障电流if之间的方程和永磁同步电机匝间短路电磁转矩方程组成;
22)设定A相、B相、C相电压ua、ub、uc与A相、B相、C相电流ia、ib、ic和故障电流if之间的方程如下:
其中,ua、ub、uc为A相、B相、C相电压,Rs为定子电阻,u为故障程度,A相为故障相,则u为A相定子绕组的短路匝数与其定子绕组总匝数的比值,Rf为故障电阻,ia、ib、ic为A相、B相、C相定子绕组的电流,if为故障电流,L为定子绕组的自感,M为定子绕组的互感,ψf为磁链的基波幅值,θ为转子电角度;
23)设定永磁同步电机匝间短路电磁转矩方程如下:
其中,Te为永磁同步电机的电磁转矩,pn为永磁同步电机的极对数,id、iq为永磁同步电机d轴和q轴的电流,Ld、Lq为永磁同步电机d轴和q轴的电感,ψf为磁链的基波幅值。
3.根据权利要求1所述的基于神经网络技术的永磁同步电机匝间短路故障检测方法,其特征在于,所述获取不同工况下永磁同步电机电流和电压包括以下步骤:
31)将线性变化的转速N、线性变化的转矩T和四种故障程度u进行组合,以此作为永磁同步电机匝间短路故障的仿真工况,转速N、转矩T、故障程度u的具体取值如下:
N=300n,其中n=0、1、2…、10,
T=[0,1,2,3,4,5,6,7,8,9,10],
u=[0,0.1,0.2,0.3];
32)根据永磁同步电机匝间短路故障模型,并结合所设置的永磁同步电机匝间短路故障的仿真工况进行仿真;
根据仿真结果,获取到永磁同步电机匝间短路状态下的A相电流ia和B、C相电流ib、ic,A相电压ua和B、C相电压ub、uc,其具体表达式如下:
ia(k)=(ia(1),ia(2)...ia(n)),
ib(k)=(ib(1),ib(2)...ib(n)),
ic(k)=(ic(1),ic(2)...ic(n)),
ua(k)=(ua(1),ua(2)...ua(n)),
ub(k)=(ub(1),ub(2)...ub(n)),
uc(k)=(uc(1),uc(2)...uc(n)),
其中,k为序列数,取值范围为1、2、…、n。
4.根据权利要求1所述的基于神经网络技术的永磁同步电机匝间短路故障检测方法,其特征在于,所述小波变换提取三次谐波包括以下步骤:
41)设小波变换算法其具体表达式如下:
将基本小波ψ(t)进行伸缩和平移,得到小波函数族ψa,b(t):
其中,t是自变量,a是伸缩因子,b是平移因子;
则对于任意函数x(t)的连续小波变换表示为:
考虑到A相电流ia为离散数据,故将连续小波变换离散化,表达式为:
采用二进制离散形式,即取a0=2、b0=1,则二进离散小波变换表示为:
ψj,k(t)=2-j/2ψ(2-jt-k),
离散小波变换表示为:
42)将获得的A相电流ia进行离散小波变换,变换后的信号组成具有如下关系:
ia=An+Dn+Dn-1+...+D1,
其中,An为第n层的近似信号,DnDn-1....D1为n层细节信号;
43)设故障特征包含在离散小波变换后的细节信号中,细节信号包含的频率范围如下所示:
其中,fn是要提取信号的频率、f是信号采样频率、n为分解的层数,freq(Dj)为细节信号Dj的频率、j为常数其取值范围为[1,n];
44)根据细节信号所包含的频率范围freq(Dj)及其对应的层数n,便得到A相电流的三次谐波幅值Ia_3h,并将其作为故障特征,其具体表达式为:
Ia_3h(k)=(ia3h(1),ia3h(2)...ia3h(n)),
其中,k为序列数,其取值范围为[1,n]。
5.根据权利要求1所述的基于神经网络技术的永磁同步电机匝间短路故障检测方法,其特征在于,所述负序电流优化算法计算故障负序电流包括以下步骤:
51)结合获得的A相、B相、C相电流ia、ib、ic,得负序电流I-的计算公式如下:
其中,ia、ib、ic为A相、B相、C相电流,I+、I-为正序和负序电流的幅值,ω为电流的基频,φ1、φ2为正序和负序电流的相位角,α为运算子,α=ej2π/3即120°;
未发生匝间短路时:
发生匝间短路时:
其中,V-为负序电压,I-为负序电流,ua、ub、uc为A相、B相、C相电压,ia、ib、ic为A相、B相、C相电流,Z-为负序阻抗,α为运算子,α=ej2π/3即120°,为误差负序电流,为故障负序电流;
其中,k为序列数,其取值范围为[1,n]。
6.根据权利要求1所述的基于神经网络技术的永磁同步电机匝间短路故障检测方法,其特征在于,所述卷积神经网络的训练包括以下步骤:
61)制作训练数据集,具体包括以下步骤:
62)进行卷积神经网络的搭建,步骤如下:
设定卷积神经网络架构共11层,由输入层、卷积层、激活函数、池化层、全连接层、输出层构成;其中:
第一层为输入层,设置该层输入特征维度为2;
第二层为卷积层,设置该层卷积核大小为3*3、卷积核数量为64;
第三层为激活函数,所搭建的卷积神经网络采用Relu激活函数,其表达式如下:
第四层为标准化层,用于防止过拟合和梯度爆炸,提高卷积神经网络的训练效率;
第五层为池化层,所搭建的卷积神经网络采用最大池化,最大池化指选取特征区域的最大值作为该区域池化后的值;
第六层为卷积层,设置该层卷积核大小为3*3、卷积核数量为128;
第七层为激活函数层,采用Relu激活函数;
第八层为池化层,采用最大池化;
第九层为全连接层,设置该层特征维度为4;
第十层为Softmax层,Softmax层输出分类情况下各个类型概率,所输出概率和为1,通过概率值大小得到该数据特征属于某种类型;
第十一层为输出层,所搭建的卷积神经网络用于实现永磁同步电机匝间短路故障分类,故采用classification;
63)将训练数据集输入到所搭建的卷积神经网络中进行训练,其具体训练步骤如下:
卷积神经网络训练设置每轮训练的最小批次为15,共训练1000轮,训练共包含以下三个阶段:
第一阶段为权重初始化过程,采用均值为0,方差为0.01的高斯分布随机初始化权值;
第二阶段为前向传播过程,输入的训练集经过卷积层、池化层不断降低特征维度,进行特征提取最终输入至全连接层,其具体过程如下:
卷积运算表示如下:
xl=f(xl-1*Wl+bl)
池化运算表示如下:
xl=pooling(xl-1)
全连接层的输出结果为:
xl=f(Wlxl-1+bl)
其中,xl为第l层的输出,Wl为第l层的权重,bl为第l层的偏置,f()为激活函数,pooling()为池化操作;
第三阶段为反向传播过程,将输出值与真实值进行比较并用损失函数表示误差情况,训练采用的误差函数为交叉熵函数,其具体表达式为:
其中,n为训练集的样本的数量,m(i)为真实样本分布,w(i)为预测分布,L(y,f(x))为交叉熵函数损失误差值;
将交叉熵函数损失误差值L(y,f(x))反向传播至全连接层、池化层以及卷积层,以便更新权重和偏置,进而继续前向传播过程,该三个阶段反复迭代训练使损失函数降到最低,此时表明该卷积神经网络达到收敛条件,进一步训练直至卷积神经网络达到迭代终止条件,结束训练;得到训练后的卷积神经网络。
7.根据权利要求1所述的基于神经网络技术的永磁同步电机匝间短路故障检测方法,其特征在于,所述待检测数据的获得包括以下步骤:
71)获取实际工况下的三次谐波幅值Ia_3h′,具体包括以下步骤:
将监测得到的永磁同步电机实际工况下的A相电流ia′进行步骤41)、42)、43)中的离散小波变换,得到实际工况下A相电流ia′的三次谐波幅值Ia_3h′,其具体表达式为:
Ia_3h′(k)=(ia′3h(1),ia′3h(2)...ia′3h(n)),
其中,k为序列数,其取值范围为[1,n];
将监测得到的永磁同步电机实际工况下的A相、B相、C相电流ia′、ib′、ic′,A相、B相、C相电压ua′、ub′、uc′,进行步骤51)、52)中的负序电流计算及其优化,得到实际工况下负序电流其具体表达式为:
其中,k为序列数,其取值范围为[1,n];
8.根据权利要求1所述的基于神经网络技术的永磁同步电机匝间短路故障检测方法,其特征在于,所述永磁同步电机匝间短路故障检测包括以下步骤:
81)将待检测数据集data1′输入训练后的卷积神经网络中。
82)卷积神经网络进行步骤63)中的训练过程,直至卷积神经网络达到迭代终止条件。
83)输出待检测数据集data1′的分类结果,完成永磁同步电机匝间短路故障诊断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211285987.7A CN115656817A (zh) | 2022-10-20 | 2022-10-20 | 基于神经网络技术的永磁同步电机匝间短路故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211285987.7A CN115656817A (zh) | 2022-10-20 | 2022-10-20 | 基于神经网络技术的永磁同步电机匝间短路故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115656817A true CN115656817A (zh) | 2023-01-31 |
Family
ID=84988898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211285987.7A Pending CN115656817A (zh) | 2022-10-20 | 2022-10-20 | 基于神经网络技术的永磁同步电机匝间短路故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115656817A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116127856A (zh) * | 2023-04-03 | 2023-05-16 | 西北工业大学 | 一种基于深层神经网络的永磁同步电机故障诊断方法 |
CN116299051A (zh) * | 2023-05-19 | 2023-06-23 | 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 |
-
2022
- 2022-10-20 CN CN202211285987.7A patent/CN115656817A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116127856A (zh) * | 2023-04-03 | 2023-05-16 | 西北工业大学 | 一种基于深层神经网络的永磁同步电机故障诊断方法 |
CN116299051A (zh) * | 2023-05-19 | 2023-06-23 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115656817A (zh) | 基于神经网络技术的永磁同步电机匝间短路故障检测方法 | |
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
CN106443316B (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
Roy et al. | Detection, classification, and estimation of fault location on an overhead transmission line using S-transform and neural network | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN110596530A (zh) | 一种小电流接地故障选线方法 | |
CN115980514B (zh) | 一种基于多端行波频率矩阵的复杂配电网故障定位方法 | |
CN113705424A (zh) | 基于时间卷积降噪网络的演艺装备故障诊断模型构建方法 | |
CN113673630A (zh) | 配电网故障分类方法、系统及装置 | |
CN113655778B (zh) | 一种基于时频能量的水下推进器故障诊断系统及诊断方法 | |
CN111398814A (zh) | 一种软启动器控制的电机故障检测与智能快速诊断方法 | |
CN114936347A (zh) | 一种基于变模态分解和小波模极大值的故障行波检测方法 | |
CN114355100A (zh) | 配电网单相弧光接地故障选线方法、系统、设备及介质 | |
CN117171544B (zh) | 基于多通道融合卷积神经网络的电机振动故障诊断方法 | |
CN117314883A (zh) | 基于EWT和VGGNet的配电网故障选线方法及系统 | |
CN112946425A (zh) | 一种利用深度学习挖掘行波时-频域特征的故障定位方法 | |
CN117192358A (zh) | 基于卷积神经网络的永磁同步电机匝间短路故障诊断方法 | |
CN111337791A (zh) | 一种基于梯度提升树算法的配电网单相接地故障选线方法 | |
CN114019310B (zh) | 一种储能变流器的开路故障预判方法、设备及介质 | |
CN116127302A (zh) | 基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法 | |
Zhang et al. | Fault line selection method based on transfer learning depthwise separable convolutional neural network | |
CN109506936B (zh) | 基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法 | |
CN114593917A (zh) | 一种基于三元组模型的小样本轴承故障诊断方法 | |
Fei et al. | PMSM Interturn Short Fault Diagnosis Based on WPT and GWO-PNN | |
CN113218683A (zh) | 一种基于振动信号的石油井下电动套管切割器故障识别方法 |
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 |