CN115859702A - 一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断方法及系统 - Google Patents

Abstract

本发明提供的一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断方法及系统，包括以下步骤：步骤1，分别搭建得到永磁同步风力发电机单个永磁体不同程度退磁故障模型以及恒转矩局部退磁故障模型；步骤2，获取永磁同步风力发电机单个永磁体不同退磁程度故障模型和不同退磁程度的恒转矩局部退磁故障模型分别对应的定子电流数据；步骤3，将得到的定子电流数据转化为电流信号图像；步骤4，将得到的电流信号图像作为预设的深度卷积神经网络模型的输入，获取得到永磁同步风力发电机退磁故障的诊断结果；本发明解决了复杂的永磁同步风力发电机永磁体退磁故障诊断问题。

Description

一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断 方法及系统

技术领域

本发明属于风力发电技术领域，具体涉及一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断方法及系统。

背景技术

现阶段对于永磁同步风力发电机的退磁故障诊断方法不是特别成熟,在电机发生故障的早期难以及时检测出来,在发生故障后对于区分故障发生的程度和类别难以进行判断,无法及时处理,容易发生工业事故,造成更大的经济损失。

同时，目前永磁同步风力发电机的故障识别时的故障特征提取过程较为复杂,易受高频噪声干扰和运行工况的影响,造成一定的误差,无法精准定位永磁体局部退磁的位置，在故障识别时存在小样本下识别率低的情况。

发明内容

本发明的目的在于提供一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断方法及系统，解决了现有技术中存在上述不足。

为了达到上述目的，本发明采用的技术方案是：

本发明提供的一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断方法，包括以下步骤：

步骤1，分别搭建得到永磁同步风力发电机单个永磁体不同程度退磁故障模型以及恒转矩局部退磁故障模型；

步骤2，获取永磁同步风力发电机单个永磁体不同退磁程度故障模型和不同退磁程度的恒转矩局部退磁故障模型分别对应的定子电流数据；

步骤3，将得到的定子电流数据转化为电流信号图像；

步骤4，将得到的电流信号图像作为预设的深度卷积神经网络模型的输入，获取得到永磁同步风力发电机退磁故障的诊断结果。

优选地，步骤1中，搭建得到永磁同步风力发电机单个永磁体不同退磁程度故障模型，具体方法是：

构建永磁同步风力发电机的有限元模型；

在永磁同步风力发电机的有限元模型的基础上，利用Maxwell2D建立得到永磁同步风力发电机单个永磁体不同退磁程度故障模型。

优选地，所述永磁同步风力发电机单个永磁体不同退磁程度故障模型包括永磁同步风力发电机单个永磁体20％退磁程度故障模型、永磁同步风力发电机单个永磁体50％退磁程度故障模型和永磁同步风力发电机单个永磁体80％退磁程度故障模型。

优选地，步骤1中，搭建得到不同退磁程度的恒转矩局部退磁故障模型，具体方法是：

构建永磁同步风力发电机的有限元模型；

在永磁同步风力发电机有限元模型的基础上，利用Maxwell2D建立得到不同退磁程度的恒转矩局部退磁故障模型。

优选地，所述不同退磁程度的恒转矩局部退磁故障模型包括25％退磁程度的恒转矩局部退磁故障模型、50％退磁程度的恒转矩局部退磁故障模型和75％退磁程度的恒转矩局部退磁故障模型。

优选地，步骤3中，根据得到的定子电流数据，获取得到电流信号图像，具体方法是：

利用二维高斯分布将得到的定子电流数据转换为二维图片样本；

在得到的二维图片样本中引入高斯分布及概率密度函数，得到电流信号图像。

优选地，预设的深度卷积神经网络模型，具体构建方法是：

分别获取永磁同步风力发电机单个永磁体不同退磁程度故障模型、不同退磁程度的恒转矩局部退磁故障模型和永磁同步风力发电机健康状况下对应的定子电流数据；

根据得到的定子电流数据转换得到电流信号图像；

利用训练样本对深度卷积神经网络进行训练，得到训练好的深度卷积神经网络。

一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断系统，包括：

模型搭建单元，用于分别搭建永磁同步风力发电机单个永磁体不同程度退磁故障模型以及恒转矩局部退磁故障模型；

数据获取单元，用于获取永磁同步风力发电机单个永磁体不同退磁程度故障模型和不同退磁程度的恒转矩局部退磁故障模型分别对应的定子电流数据；获取永磁同步风力发电机健康状况下的定子电流数据；

图像获取单元，用于根据得到的定子电流数据，获取得到电流信号图像；

网络训练单元，用于将得到电流信号图像划分为训练样本和测试样本；再利用训练样本对深度卷积神经网络进行训练，得到训练好的深度卷积神经网络；

诊断单元，用于将测试样本输入至训练好的深度卷积神经网络中，获取得到永磁同步风力发电机退磁故障的诊断结果。

一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断设备，包括处理器、以及能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述方法的步骤

与现有技术相比，本发明的有益效果是：

本发明提供的一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断方法，在永磁同步风力发电机的有限元建模基础上,通过一种将电流信号图像和卷积神经网络结合的退磁故障诊断方法，用于永磁同步风力发电机的退磁故障诊断；采用图形处理方法，对数据进行预处理，将原始数据信号图形化处理，转变成二维图片样本；利用CNN网络自动识别并提取图片样本所包含的特征信息，通过卷积神经网络在特征提取以及模式分类的过程中，直接读取图像中包含的多维向量信息，实现对不同退磁程度的识别，解决复杂的永磁同步风力发电机永磁体退磁故障诊断问题。

附图说明

图1以卷积模型为基础的永磁同步风力发电机退磁故障诊断流程图；

图2卷积神经网络分类框图；

图3卷积神经网络训练过程。

具体实施方式

下面结合具体的实施例和说明书附图对本发明作进一步的解释说明。

本发明提供的一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断方法，包括以下步骤：

步骤1，搭建得到永磁同步风力发电机有限元模型；

步骤2，在步骤1中得到的永磁同步风力发电机有限元模型的基础上，分别搭建得到永磁同步风力发电机单个永磁体不同程度退磁故障模型以及恒转矩局部退磁故障模型；

步骤3，获取永磁同步风力发电机单个永磁体不同退磁程度故障模型和不同退磁程度的恒转矩局部退磁故障模型分别对应的定子电流数据；获取永磁同步风力发电机健康状况下的定子电流数据；

步骤4，根据得到的定子电流数据，获取得到电流信号图像；

步骤5，将得到电流信号图像划分为训练样本和测试样本；

步骤6，利用训练样本对深度卷积神经网络进行训练，得到训练好的深度卷积神经网络；

步骤7，将测试样本输入至训练好的深度卷积神经网络中，获取得到永磁同步风力发电机退磁故障的诊断结果。

本发明提供的一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断系统，包括：

模型搭建单元，用于分别搭建永磁同步风力发电机单个永磁体不同程度退磁故障模型以及恒转矩局部退磁故障模型；

数据获取单元，用于获取永磁同步风力发电机单个永磁体不同退磁程度故障模型和不同退磁程度的恒转矩局部退磁故障模型分别对应的定子电流数据；获取永磁同步风力发电机健康状况下的定子电流数据；

图像获取单元，用于根据得到的定子电流数据，获取得到电流信号图像；

网络训练单元，用于将得到电流信号图像划分为训练样本和测试样本；再利用训练样本对深度卷积神经网络进行训练，得到训练好的深度卷积神经网络；

诊断单元，用于将测试样本输入至训练好的深度卷积神经网络中，获取得到永磁同步风力发电机退磁故障的诊断结果。

本发明还提供的一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断设备，可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断设备可包括，但不仅限于，处理器、存储器。……。

所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。……。

实施例1

如图1至图3所示，本发明提供的一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断方法，具体包括以下步骤：

步骤1，以永磁同步风力发电机为例，通过了解其内部电磁关系，搭建出永磁同步风力发电机有限元模型；

步骤2，研究永磁同步风力发电机局部退磁故障，首先对永磁同步风力发电机单个永磁体进行失磁故障研究，通过对永磁体进行不同程度的失磁处理，搭建出永磁同步风力发电机单个永磁体不同程度退磁故障模型，单永磁体失磁故障研究的具体步骤如下：

S21，建立三种不同退磁程度的单永磁体退磁故障模型，其中，三种不同退磁程度分别设为20％、50％、80％。

在Maxwell2D中新建一个RMxprt工程,选择电机类型为Line-StartPermanent-MagnetSynchronousMotor,在新建工程中对永磁同步电机的电阻、电感、定子、转子、绕组以及永磁体材料等相关材料进行设置,然后输入电机所需各项基本参数。

S22，分析电机内部的磁感应强度，通过对磁感应强度的分布进行对比分析，可以观测到永磁同步风力发电机发生单永磁体不同程度退磁故障后电机内部的磁场变化，也可验证实验所建立的退磁故障模型是否正确。

不同退磁故障模型中的磁感应强度分布不同，通过对不同退磁故障模型中磁感应强度图进行对比分析可以判断出永磁同步电机的大概退磁程度，以及故障的严重性。

步骤3，建立恒转矩局部退磁故障模型，具体步骤如下：

建立三种不同退磁程度的恒转矩局部退磁故障模型，将永磁同步风力发电机对应的三种不同退磁程度分别设为25％、50％、75％，具体地：

在Maxwell2D中新建一个RMxprt工程,选择电机类型为Line-StartPermanent-MagnetSynchronousMotor,在新建工程中对永磁同步电机的电阻、电感、定子、转子、绕组以及永磁体材料等相关材料进行设置,然后输入电机所需各项基本参数。

步骤4，分别获取不同退磁程度恒转矩局部退磁故障模型和永磁同步风力发电机单个永磁体不同退磁程度故障模型的定子电流数据；

磁力线可用于表示磁场密度，越靠近绕组的磁力线颜色越深，越靠近定子绕组磁场密度越大。这是由于磁力线是以定子绕组为中心而形成的封闭曲面，所以定子绕组周围流过的磁力线是最多的，故磁密度最高。

转子内永磁体区域磁力线均匀分布，当对永磁体进行退磁处理使电机呈25％退磁程度时，转子内永磁体区域磁力线减少且不再呈均匀分布，退磁的永磁体周围磁力线明显减少；而当永磁同步电机呈50％、75％退磁情况时，这种变化更加明显，尤其当退磁程度达到75％时，电机内部磁力线变得非常稀薄，说明电机退磁十分严重，会极大的影响电机运行性能。

定子电流作为永磁同步电机运行过程中重要的信号量，为了分析永磁同步电机的退磁故障，对电流的分析是一个重要的方法。工作中的电机的定子电流是动态变化的，其受到电源电压和转子磁场的影响。

当电机发生退磁故障时，通过步骤2和步骤3中得到的模型可以得到永磁体在不同退磁程度的磁场情况，其磁场的变化进一步也会引起电流的变化，电机的电流波形和幅值大小均会受到影响。

步骤5，获取永磁同步风力发电机健康状况下的定子电流数据，将该定子电流数据与步骤4中得到的不同退磁程度下的定子电流数据组合形成定子电流数据样本；

将得到的定子电流数据样本进行预处理，直接将原始数据信号图形化处理，转变成二维图片样本；具体步骤如下：

S51，通过信号-图像转换方法，即利用二维高斯分布将一维电流数据转化为二维图形样本进行故障诊断，结合图像处理技术使用深度卷积神经网络诊断检测，最大程度保留原信号的特征。

高斯分布是一种非常常见的连续型分布，其函数形式为：

X～N(μ，σ²)

其概率密度函数为：

S52，为了使二维图像样本充分包含发生退磁故障时的三相电流数据幅值和相位信息，引入高斯分布及概率密度函数，其具体步骤如下：

S521，以A相为基准将A相的峰值距离作为360度圆周，将时间序列分布的三相数据转换为以角度序列分布的实验数据，即为电流值与角度对应。

S522，分别将其他两相与A相的距离作为B、C相的相对位置，将三相电流数据分别转化；可以将每相电流看作以a，b，c为中心的周期分布。

S523，在电机发生退磁的故障时，三相电流大小会随着退磁类型及退磁程度的不同发生相应的变化；将三相电流的位置关系及数值看作一种分布，则发生退磁故障时其分布中包含的信息也会发生变化，在高斯分布的基础上，求其概率密度函数，其具体步骤如下：

S5231，三相电流数据值均对应角度分布，则概率密度函数f(x)值即为电流对角度的概率分布值。根据三相电流之间互为120°的相位分布特点可引入均值向量E(X)，使在生成的图像样本中成对称分布，将样本中心点作为均值向量：

E(X)＝(E(X₁),...,E(X_n))^T

根据角度和电流值组成的数组得到协方差矩阵：

cov(X,Y)＝E[(X-E(X))(Y-E(Y))^T]

S5232，由均值向量和协方差矩阵通过MATLAB得出分布图，所得图像样本即为电流分布的概率密度，其中，三个圆的位置包含三相电流相位分布信息；圆心到图像边缘位置半径表示三相电流幅值大小特征；圆心之间的距离表示相位距离。

步骤6，将得到的电流信号图像和卷积神经网络结合，将得到的在XOY平面的投影图像作为深度卷积神经网络的输入图片样本，提取图像中包含的三相电流自身和相互之间的幅值与相位等信息；用于诊断永磁同步风力发电机的退磁故障，基于卷积神经网络的退磁故障诊断具体步骤如下：

S61，在使用卷积神经网络进行永磁同步风力发电机退磁故障诊断过程中通过训练集样本训练退磁故障诊断模型，以获得满足分类需求的诊断模型；之后选择测试样本进行测试，以获得最终的分类结果，其具体分类过程如图2所示。

S62，卷积神经网络CNN主要由输入层、卷积层、池化层、全连接层和输出层组成，其中：

输入层输入的则是经过图像化处理之后的电流数据信号图像样本。

卷积层则是中间一层，也是最重要的一层，其主要作用就是对输入层输入的退磁故障电流信号图像样本进行特征提取。

卷积层之后与池化层相连，池化层拥有减小过拟合的作用。输入图像首先在卷积层中进行卷积运算，当卷积运算完成后，便会输出从电流信号图像样本中提取到的特征图，然后进入到池化层中。在池化层中经过信息过滤过程，然后依次进行特征选择过程，这一步至关重要。在池化过程中，压缩了信息数据，同时还减少了参数数量，使卷积神经网络的池化过程大大加快。

全连接层在整个网络中，相当于一个“分类器”，对经过前面各层的运算结果做出一个分类。全连接层在模型训练过程中不断更新权值，最后在故障诊断阶段根据权重和各层输出结果。

输出层是卷积神经网络的最后一层，在对永磁同步电机的退磁故障诊断中，主要作用就是对图像样本分类结果进行输出行加权求和输出。最后对各个输出值的大小进行比较，将其中最大的作为分类结果。

如图3所示，S63，对永磁同步风力发电机退磁故障诊断模型进行训练，其具体步骤如下：

S631，前向传播—将输入的用于退磁诊断的图像样本依次不断的顺序经过各层的传输计算，不断判断误差，直至输出为止。

S632，反向传播—方向与前向传播相反，主要负责的内容是消除与预期结果的误差，令损失函数最小。

S64，选取Adam优化算法与Dropout技术对退磁故障进行诊断。

S641，采用Adam优化算法训练数据不停地更新神经网络的权重，提高在处理非稳态和在线问题的优势。

Adam算法使用了动量变量v_t和小批量随机梯度加权移动平均变量s_t，且v_t和s_t的所有元素均零初始化，设立超参0≤β₁＜1(通常为0.9)。

将g_t作指数加权移动平均之后可以得到v_t：

v_t＝β₁v_t-1+(1-β₁)g_t

设超参数0≤β₂＜1(通常给定值0.999)。将小批量随机梯度作元素平方，得出g_tg_t项做指数加权移动平均值s_t：

s_t＝β₂s_t-1+(1-β₂)g_tg_t

将v₀和s₀中的元素都初始化为0，得到：

将各个权值相加：

当t较小时，需要做偏差修正：

然后，Adam算法更新参数中全部元素的学习率：

式中，η为学习率；ε是一个常数，作用是维持数值的稳定性。最后，利用'tg将自变量进行迭代：

x_t＝x_t-1-g′_t

S642，为了解决过拟合问题，在卷积神经网络中采用了Dropout技术，其计算公式为：

由于Dropout拥有的这些特性，使得其被广泛应用于全连接网络中。其给定值大小根据实际应用的不同设定值也不同，一般为0.5或0.3，本发明采用的Dropout算法失活概率设置为0.5。

步骤7，对本发明的永磁同步风力发电机退磁故障诊断方法进行实验验证，具体步骤如下：

S71，模拟永磁同步风力发电机局部退磁和均匀退磁两种退磁类型。对永磁同步风力发电机健康状态、局部退磁和均匀退磁三种故障实验下的三相电流信号进行采集记录处理。经过本发明提出的图像化处理方法构造故障图像样本库。

S72，取图片样本的80％输入训练模型，对卷积神经网络诊断模型进行训练。

S73，待模型训练完成后，将20％的剩余样本用于结果验证。

本发明的工作原理：

定子电流频谱分析法：先对电机的定子电流进行傅里叶变换然后对处理后的信息进行频谱分析，通过对比电机定子电流正常工况和故障状态下的谐波成分，找出故障特征向量，以此来判断电机故障状态以及故障类型。

电机发生不同故障以及同一故障不同程度时定子电流中会出现特定的谐波含量，通过对定子电流中出现的特定谐波含量进行分析，可以对电机所属故障类型和故障发生程度进行诊断。

与传统的基于模型的技术相比可以对采集到的实时数据利用先进的信号处理技术进行分析处理，然后找出数据信号的故障特征，以此对故障进行识别和诊断；对线性和非线性系统都能很好的适用。

Claims (9)

1.一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断方法，其特征在于，包括以下步骤：

步骤1，分别搭建得到永磁同步风力发电机单个永磁体不同程度退磁故障模型以及恒转矩局部退磁故障模型；

步骤2，获取永磁同步风力发电机单个永磁体不同退磁程度故障模型和不同退磁程度的恒转矩局部退磁故障模型分别对应的定子电流数据；

步骤3，将得到的定子电流数据转化为电流信号图像；

步骤4，将得到的电流信号图像作为预设的深度卷积神经网络模型的输入，获取得到永磁同步风力发电机退磁故障的诊断结果。

2.根据权利要求1所述的一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断方法，其特征在于，步骤1中，搭建得到永磁同步风力发电机单个永磁体不同退磁程度故障模型，具体方法是：

构建永磁同步风力发电机的有限元模型；

在永磁同步风力发电机的有限元模型的基础上，利用Maxwell2D建立得到永磁同步风力发电机单个永磁体不同退磁程度故障模型。

3.根据权利要求2所述的一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断方法，其特征在于，所述永磁同步风力发电机单个永磁体不同退磁程度故障模型包括永磁同步风力发电机单个永磁体20％退磁程度故障模型、永磁同步风力发电机单个永磁体50％退磁程度故障模型和永磁同步风力发电机单个永磁体80％退磁程度故障模型。

4.根据权利要求1所述的一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断方法，其特征在于，步骤1中，搭建得到不同退磁程度的恒转矩局部退磁故障模型，具体方法是：

构建永磁同步风力发电机的有限元模型；

在永磁同步风力发电机有限元模型的基础上，利用Maxwell2D建立得到不同退磁程度的恒转矩局部退磁故障模型。

5.根据权利要求4所述的一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断方法，其特征在于，所述不同退磁程度的恒转矩局部退磁故障模型包括25％退磁程度的恒转矩局部退磁故障模型、50％退磁程度的恒转矩局部退磁故障模型和75％退磁程度的恒转矩局部退磁故障模型。

6.根据权利要求1所述的一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断方法，其特征在于，步骤3中，根据得到的定子电流数据，获取得到电流信号图像，具体方法是：

利用二维高斯分布将得到的定子电流数据转换为二维图片样本；

在得到的二维图片样本中引入高斯分布及概率密度函数，得到电流信号图像。

7.根据权利要求1所述的一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断方法，其特征在于，预设的深度卷积神经网络模型，具体构建方法是：

分别获取永磁同步风力发电机单个永磁体不同退磁程度故障模型、不同退磁程度的恒转矩局部退磁故障模型和永磁同步风力发电机健康状况下对应的定子电流数据；

根据得到的定子电流数据转换得到电流信号图像；

利用训练样本对深度卷积神经网络进行训练，得到训练好的深度卷积神经网络。

8.一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断系统，其特征在于，包括：

模型搭建单元，用于分别搭建永磁同步风力发电机单个永磁体不同程度退磁故障模型以及恒转矩局部退磁故障模型；

数据获取单元，用于获取永磁同步风力发电机单个永磁体不同退磁程度故障模型和不同退磁程度的恒转矩局部退磁故障模型分别对应的定子电流数据；获取永磁同步风力发电机健康状况下的定子电流数据；

图像获取单元，用于根据得到的定子电流数据，获取得到电流信号图像；

网络训练单元，用于将得到电流信号图像划分为训练样本和测试样本；再利用训练样本对深度卷积神经网络进行训练，得到训练好的深度卷积神经网络；

诊断单元，用于将测试样本输入至训练好的深度卷积神经网络中，获取得到永磁同步风力发电机退磁故障的诊断结果。

9.一种基于卷积神经网络的永磁同步风力发电机退磁故障诊断设备，包括处理器、以及能够在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-6中任一项所述方法的步骤。

Images