CN116432117A - 一种基于多源信息融合的电机故障分类方法及装置 - Google Patents
一种基于多源信息融合的电机故障分类方法及装置 Download PDFInfo
- Publication number
- CN116432117A CN116432117A CN202310310020.8A CN202310310020A CN116432117A CN 116432117 A CN116432117 A CN 116432117A CN 202310310020 A CN202310310020 A CN 202310310020A CN 116432117 A CN116432117 A CN 116432117A
- Authority
- CN
- China
- Prior art keywords
- characteristic signal
- motor
- characteristic
- information fusion
- source information
- 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 58
- 230000004927 fusion Effects 0.000 title claims abstract description 42
- 238000003745 diagnosis Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000009467 reduction Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 230000036541 health Effects 0.000 claims description 10
- 238000004804 winding Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000001845 vibrational spectrum Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000555745 Sciuridae Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明提供一种基于多源信息融合的电机故障分类方法及装置，属于电机设备故障诊断技术领域，所述方法包括：获取电机的第一特征信号；所述第一特征信号包含多个不同类型的特征值；根据预设隶属度函数，对所述第一特征信号的特征值进行模糊化处理，获取第二特征信号；将所述第二特征信号输入朴素贝叶斯模型，输出所述第二特征信号对应的运行状态，以对所述电机进行故障诊断；所述朴素贝叶斯模型是根据特征信号样本以及所述特征信号样本对应的运行状态标签训练获取的。本发明采用了模糊化的方法对多源信息进行融合，并且利用朴素贝叶斯模型对故障进行分类，提高了电机故障诊断精度，实现了故障的自动化分类和智能诊断。
Description
技术领域
本发明涉及电机设备故障诊断技术领域，尤其涉及一种基于多源信息融合的电机故障分类方法及装置。
背景技术
目前电机故障诊断技术的关键之一在于电机包括电磁场、温度场、机械场多类型信号在内的数据处理。如何根据不同工况下电机的特征信号，准确且快速地识别出电机出现的故障类型，或进一步做到故障预警，是当前研究的重点。机器学习算法是实现这一目的的有效途径。
机器学习算法是从已有数据集中学习，可用于状态预测与模式识别，而分类器算法是机器学习及数据挖掘中的热点研究领域之一，由于其高自动化、高精度的特点逐渐被应用于各个领域的装备故障诊断策略中，典型算法包括神经网络算法、支持向量机算法、k近邻算法等等。
但是，单纯利用上述机器学习算法进行电机的故障分类，会有电机故障诊断精度较低的缺陷。
发明内容
本发明提供一种基于多源信息融合的电机故障分类方法及装置，用以解决现有技术中电机故障诊断精度较低的缺陷，提高了电机故障诊断精度，实现了故障的自动化分类和智能诊断。
第一方面，本发明提供一种基于多源信息融合的电机故障分类方法，包括：获取电机的第一特征信号；所述第一特征信号包含多个不同类型的特征值；根据预设隶属度函数，对所述第一特征信号的特征值进行模糊化处理，获取第二特征信号；将所述第二特征信号输入朴素贝叶斯模型，输出所述第二特征信号对应的运行状态，以对所述电机进行故障诊断；所述朴素贝叶斯模型是根据特征信号样本以及所述特征信号样本对应的运行状态标签训练获取的。
根据本发明提供的一种基于多源信息融合的电机故障分类方法，所述特征信号样本的获取步骤包括：利用仿真软件建立电机健康模型以及不同故障状态的电机故障模型；利用所述电机健康模型，获取电机在正常运行状态下的特征信号样本；利用不同故障状态的电机故障模型，获取电机在不同故障状态下的特征信号样本。
根据本发明提供的一种基于多源信息融合的电机故障分类方法，在将所述第二特征信号输入朴素贝叶斯模型，输出所述第二特征信号对应的运行状态，以对所述电机进行故障诊断之前，还包括：对所述第二特征信号进行降维处理。
根据本发明提供的一种基于多源信息融合的电机故障分类方法，所述预设隶属度函数为基于梯形隶属度函数构建的。
根据本发明提供的一种基于多源信息融合的电机故障分类方法，所述预设隶属度函数具体为：
其中，μC(z)∈[0,2]，z∈[0,1]，Z1、Z2、Z3以及Z4为预设参数。
根据本发明提供的一种基于多源信息融合的电机故障分类方法，所述降维处理的算法为主成分降维算法。
根据本发明提供的一种基于多源信息融合的电机故障分类方法，多个不同类型的特征值包括：三相相电压有效值、电压总谐波畸变率、每槽绕组温度、振动频谱中的25Hz分量、向不平衡力变化周期和径向不平衡力平均值。
第二方面，本发明还提供一种基于多源信息融合的电机故障分类装置，包括：获取模块，用于获取电机的第一特征信号；所述第一特征信号包含多个不同类型的特征值；模糊化处理模块，用于根据预设隶属度函数，对所述第一特征信号的特征值进行模糊化处理，获取第二特征信号；故障诊断模块，用于将所述第二特征信号输入朴素贝叶斯模型，输出所述第二特征信号对应的运行状态，以对所述电机进行故障诊断；所述朴素贝叶斯模型是根据特征信号样本以及所述特征信号样本对应的运行状态标签训练获取的。
第三方面，本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述基于多源信息融合的电机故障分类方法的步骤。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述基于多源信息融合的电机故障分类方法的步骤。
本发明提供的基于多源信息融合的电机故障分类方法及装置，采用了模糊化的方法对多源信息进行融合，并且利用朴素贝叶斯模型对故障进行分类，提高了电机故障诊断精度，实现了故障的自动化分类和智能诊断。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的基于多源信息融合的电机故障分类方法的流程示意图；
图2是本发明提供的三态阶梯型隶属度函数的示意图；
图3是本发明提供的基于多源信息融合的电机故障分类装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。
需要说明的是，在本发明实施例的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。
下面结合图1-图4描述本发明实施例所提供的基于多源信息融合的电机故障分类方法和装置。
图1是本发明提供的基于多源信息融合的电机故障分类方法的流程示意图，如图1所示，包括但不限于以下步骤：
步骤101：获取电机的第一特征信号。
其中，所述第一特征信号包含多个不同类型的特征值。不同类型的特征值包括但不限于电压特征、电流特征、温度特征以及振动特征等。
具体地，多个不同类型的特征值包括：三相相电压有效值、电压总谐波畸变率(电压THD)、每槽绕组温度、振动频谱中的25Hz分量、向不平衡力变化周期和径向不平衡力平均值。
步骤102：根据预设隶属度函数，对所述第一特征信号的特征值进行模糊化处理，获取第二特征信号。
由于电机健康状态和各类故障之间没有明确边界且存在一定重叠范围，具有模糊性。因此，本发明通过对第一特征信号的特征值进行模糊化处理，获取第二特征信号，以提高故障识别精度。
可选地，定义给定域Z内的某模糊子集C，由该域Z上的一个映射如下式所表示的集合：
μC:Z→[0,1]
z|→μC(z)∈[0,2]
其中，对于所有z∈Z，表示特征值，总存在与其对应的μC(z)，表示模糊化处理后的特征值，且μC(z)∈[0,2]。按惯例将μC(z)称为z对C的隶属度，μC称为C的隶属度函数。
步骤103：将所述第二特征信号输入朴素贝叶斯模型，输出所述第二特征信号对应的运行状态，以对所述电机进行故障诊断。
其中，所述朴素贝叶斯模型是根据特征信号样本以及所述特征信号样本对应的运行状态标签训练获取的。其中运行状态标签可以理解为故障类别标签。
采用朴素贝叶斯算法进行故障分类处理，该算法的主要思想是先计算每个故障类别(运行状态)的先验概率，然后通过贝叶斯定理计算某一样本对应的不同类别的后验概率，以最大后验概率所属类别作为最终类别。利用朴素贝叶斯模型进行故障诊断的，主要步骤包括：
(1)准备阶段，对后续的分类做必要的准备，结合具体情况确定合适的特征，然后将已知类别的数据集作为训练样本进行训练。参见步骤101和步骤102。
(2)训练阶段，先计算每个故障类别的先验概率P(bi)，再按照贝叶斯定理对每个类别计算它在所有训练样本中出现的概率及各类特征属性中对所有分类类别的条件概率，P(a|bi)为特征集a在bi故障下出现的概率，P(bi|)为在给定特征集a的情况下属于bi故障类别的概率，通常也称为后验概率，P(a)为出现特征集a的概率。P(bi|)可通过下式计算：
其中d为属性数目，ak为a在第k个属性上的取值。
(3)自动化分类应用阶段，对待分类的事件进行分类，具体为对每个特征集计算计算P(bi|)并进行比对，以P(bi|)最大项对应的故障类型作为分类结果。
本发明提供的基于多源信息融合的电机故障分类方法，采用了模糊化的方法对多源信息进行融合，并且利用朴素贝叶斯模型对故障进行分类，提高了电机故障诊断精度，实现了故障的自动化分类和智能诊断。
基于上述实施例的内容，作为一种可选的实施例，本发明提供的基于多源信息融合的电机故障分类方法，获取所述特征信号样本的步骤包括：利用仿真软件建立电机健康模型以及不同故障状态的电机故障模型；利用所述电机健康模型，获取电机在正常运行状态下的特征信号样本；利用不同故障状态的电机故障模型，获取电机在不同故障状态下的特征信号样本。
具体地，获取目标电机的结构参数与电气参数，以在ANSYS Maxwell仿真软件中建立二维有限元模型，即电机健康模型。
进一步地，通过对电机健康模型的参数进行特定的修改，建立故障工况下的电机模型，如异步电机鼠笼导条电导率设置为0模拟断条故障，某槽绕组部分短路模拟匝间短路故障，给定转轴中心相对于定子中心的位移量模拟气隙偏心故障。
在有限元仿真中，采用相同的边界条件、网格等参数，运行所有仿真模型(包括电机健康模型以及不同故障状态的电机故障模型)，获得健康运行、匝间短路、气隙偏心状态下的仿真样本，即特征信号样本。
本发明结合理论分析与有限元仿真，可以更加高效便捷的获取不同运行状态下的特征信号样本。
基于上述实施例的内容，作为一种可选的实施例，本发明提供的基于多源信息融合的电机故障分类方法，所述预设隶属度函数为基于梯形隶属度函数构建的。
本发明中的预设隶属度函数为三态阶梯型隶属度函数，具体为：
其中，μC(z)∈[0,2]，z∈[0,1]，Z1、Z2、Z3以及Z4为预设参数。
图2是本发明提供的三态阶梯型隶属度函数的示意图，参照图2所示，选取(Z2,Z3]作为绝对健康状态，即μC(z)＝1，选取(0,Z1]区域作为第一类绝对故障状态，即μC(z)＝0，选取(4,∞)区域作为第二类绝对故障状态，即μC(z)＝2，其余界限不清晰的部分按照线性关系计算对应映射结果。
基于上述实施例的内容，作为一种可选的实施例，本发明提供的基于多源信息融合的电机故障分类方法，在将所述第二特征信号输入朴素贝叶斯模型，输出所述第二特征信号对应的运行状态，以对所述电机进行故障诊断之前，还包括：对所述第二特征信号进行降维处理。
可选地，本发明采用主成分降维算法对第二特征信号(以及特征信号样本)进行降维处理，保证在特征信息损失尽可能最小的情况下对高维数据进行降维。下面以特征信号样本为例，对本发明中利用主成分降维算法进行降维的过程进行说明。
具体的，假设一共n个特征信号样本，即：
其中，每一个特征信号样本xi∈Rp，为包含电压、电流、温度、振动等多种类型的特征值的特征信号，R为实数集，p为维度数，对特征信号降维可以通过以矩阵变换得到：
yi＝Wxi
yi∈Rq，为实现降维目的，q<p，则W矩阵为：
将式yi表达式展开得到：
不同的ωi之间是线性无关的，现假设有一个ω，将其与特征信号样本的点积展开有：
ωTx＝ω·x＝|ω||x|cosθ
其中θ为上式中两向量的夹角，约束ω使其模长为1，即|ω|＝1(ωTω＝1)，可得到：
ωTx＝|x|cosθ
即ω与特征信号样本的点积就是样本在ω上的投影，为尽可能保留样本信息，应使所有样本在ω上的投影尽可能散开，对应的，特征信号样本在ω上的投影后的方差应取最大。定义以下变量：均值
样本映射后的均值μ，以及变量Δ。
求解特征信号样本在ω上投影后的方差σ2并进一步化简得到：
要求ω满足以下条件：
结合对ω的约束条件构造拉格朗日法构造目标函数：
L(ω,λ)＝ωTΔω+λ(1-ωTω)
另上式偏导为0，可以得到：
Δω＝λω
即λ是Δ的特征值，而ω是对应的特征向量，主成分降维就是将特征值排序后选择前q项最大特征值对应的特征向量，即可得到变换矩阵W。
可以理解的是，对第二特征信号进行降维的过程，参见上述实施例即可，这里不在赘述。
综上所述，本发明结合了理论分析与有限元仿真，采用了基于多源信息模糊化融合的电机朴素贝叶斯故障分类方法，提高了电机故障诊断精度，实现了故障的自动化分类和智能诊断。
需要说明的是，本发明提出的基于多源信息模糊化融合以及朴素贝叶斯模型对电机故障进行分类的方法，分类结果精确度达到95％以上，并且容错性与鲁棒性都有所增强。
图3是本发明提供的基于多源信息融合的电机故障分类装置的结构示意图，如图3所示，所述装置包括：获取模块301，模糊化处理模块302以及故障诊断模块303。
所述获取模块301，用于获取电机的第一特征信号。
其中，所述第一特征信号包含多个不同类型的特征值。
所述模糊化处理模块302，用于根据预设隶属度函数，对所述第一特征信号的特征值进行模糊化处理，获取第二特征信号；
所述故障诊断模块303，用于将所述第二特征信号输入朴素贝叶斯模型，输出所述第二特征信号对应的运行状态，以对所述电机进行故障诊断。
其中，所述朴素贝叶斯模型是根据特征信号样本以及所述特征信号样本对应的运行状态标签训练获取的。
需要说明的是，本发明实施例提供的基于多源信息融合的电机故障分类装置，在具体运行时，可以执行上述任一实施例所述的基于多源信息融合的电机故障分类方法，对此本实施例不作赘述。
图4是本发明提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行基于多源信息融合的电机故障分类方法，该方法包括：获取电机的第一特征信号；所述第一特征信号包含多个不同类型的特征值；根据预设隶属度函数，对所述第一特征信号的特征值进行模糊化处理，获取第二特征信号；将所述第二特征信号输入朴素贝叶斯模型，输出所述第二特征信号对应的运行状态，以对所述电机进行故障诊断；所述朴素贝叶斯模型是根据特征信号样本以及所述特征信号样本对应的运行状态标签训练获取的。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各实施例所提供的基于多源信息融合的电机故障分类方法，该方法包括：获取电机的第一特征信号；所述第一特征信号包含多个不同类型的特征值；根据预设隶属度函数，对所述第一特征信号的特征值进行模糊化处理，获取第二特征信号；将所述第二特征信号输入朴素贝叶斯模型，输出所述第二特征信号对应的运行状态，以对所述电机进行故障诊断；所述朴素贝叶斯模型是根据特征信号样本以及所述特征信号样本对应的运行状态标签训练获取的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于多源信息融合的电机故障分类方法，该方法包括：获取电机的第一特征信号；所述第一特征信号包含多个不同类型的特征值；根据预设隶属度函数，对所述第一特征信号的特征值进行模糊化处理，获取第二特征信号；将所述第二特征信号输入朴素贝叶斯模型，输出所述第二特征信号对应的运行状态，以对所述电机进行故障诊断；所述朴素贝叶斯模型是根据特征信号样本以及所述特征信号样本对应的运行状态标签训练获取的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于多源信息融合的电机故障分类方法，其特征在于，包括：
获取电机的第一特征信号；所述第一特征信号包含多个不同类型的特征值；
根据预设隶属度函数，对所述第一特征信号的特征值进行模糊化处理，获取第二特征信号；
将所述第二特征信号输入朴素贝叶斯模型，输出所述第二特征信号对应的运行状态，以对所述电机进行故障诊断；所述朴素贝叶斯模型是根据特征信号样本以及所述特征信号样本对应的运行状态标签训练获取的。
2.根据权利要求1所述的基于多源信息融合的电机故障分类方法，其特征在于，所述特征信号样本的获取步骤包括：
利用仿真软件建立电机健康模型以及不同故障状态的电机故障模型；
利用所述电机健康模型，获取电机在正常运行状态下的特征信号样本；
利用不同故障状态的电机故障模型，获取电机在不同故障状态下的特征信号样本。
3.根据权利要求1所述的基于多源信息融合的电机故障分类方法，其特征在于，在将所述第二特征信号输入朴素贝叶斯模型，输出所述第二特征信号对应的运行状态，以对所述电机进行故障诊断之前，还包括：
对所述第二特征信号进行降维处理。
4.根据权利要求1所述的基于多源信息融合的电机故障分类方法，其特征在于，所述预设隶属度函数为基于梯形隶属度函数构建的。
5.根据权利要求4所述的基于多源信息融合的电机故障分类方法，其特征在于，所述预设隶属度函数具体为：
其中，μC(z)∈[0,2]，z∈[0,1]，Z1、Z2、Z3以及Z4为预设参数。
6.根据权利要求3所述的基于多源信息融合的电机故障分类方法，其特征在于，所述降维处理的算法为主成分降维算法。
7.根据权利要求1所述的基于多源信息融合的电机故障分类方法，其特征在于，多个不同类型的特征值包括：
三相相电压有效值、电压总谐波畸变率、每槽绕组温度、振动频谱中的25Hz分量、向不平衡力变化周期和径向不平衡力平均值。
8.一种基于多源信息融合的电机故障分类装置，其特征在于，包括：
获取模块，用于获取电机的第一特征信号；所述第一特征信号包含多个不同类型的特征值；
模糊化处理模块，用于根据预设隶属度函数，对所述第一特征信号的特征值进行模糊化处理，获取第二特征信号；
故障诊断模块，用于将所述第二特征信号输入朴素贝叶斯模型，输出所述第二特征信号对应的运行状态，以对所述电机进行故障诊断；所述朴素贝叶斯模型是根据特征信号样本以及所述特征信号样本对应的运行状态标签训练获取的。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可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至7任一项所述基于多源信息融合的电机故障分类方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于多源信息融合的电机故障分类方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310310020.8A CN116432117A (zh) | 2023-03-27 | 2023-03-27 | 一种基于多源信息融合的电机故障分类方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310310020.8A CN116432117A (zh) | 2023-03-27 | 2023-03-27 | 一种基于多源信息融合的电机故障分类方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116432117A true CN116432117A (zh) | 2023-07-14 |
Family
ID=87088341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310310020.8A Pending CN116432117A (zh) | 2023-03-27 | 2023-03-27 | 一种基于多源信息融合的电机故障分类方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116432117A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117195103A (zh) * | 2023-11-01 | 2023-12-08 | 浙江大学高端装备研究院 | 一种轴向柱塞泵故障源确定方法、装置和设备 |
-
2023
- 2023-03-27 CN CN202310310020.8A patent/CN116432117A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117195103A (zh) * | 2023-11-01 | 2023-12-08 | 浙江大学高端装备研究院 | 一种轴向柱塞泵故障源确定方法、装置和设备 |
| CN117195103B (zh) * | 2023-11-01 | 2024-02-27 | 浙江大学高端装备研究院 | 一种轴向柱塞泵故障源确定方法、装置和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111272429B (zh) | 一种轴承故障诊断方法 | |
| Haroun et al. | Multiple features extraction and selection for detection and classification of stator winding faults | |
| Aydin et al. | An approach for automated fault diagnosis based on a fuzzy decision tree and boundary analysis of a reconstructed phase space | |
| Georgoulas et al. | Principal Component Analysis of the start-up transient and Hidden Markov Modeling for broken rotor bar fault diagnosis in asynchronous machines | |
| JP2020119605A (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
| Maraaba et al. | Convolutional neural network-based inter-turn fault diagnosis in LSPMSMs | |
| Aydin et al. | An adaptive artificial immune system for fault classification | |
| Saucedo-Dorantes et al. | Industrial data-driven monitoring based on incremental learning applied to the detection of novel faults | |
| Seera et al. | Application of the fuzzy min–max neural network to fault detection and diagnosis of induction motors | |
| Bilski | Application of support vector machines to the induction motor parameters identification | |
| CN116432117A (zh) | 一种基于多源信息融合的电机故障分类方法及装置 | |
| Pasqualotto et al. | A comprehensive approach to convolutional neural networks‐based condition monitoring of permanent magnet synchronous motor drives | |
| Delgado et al. | A novel condition monitoring scheme for bearing faults based on curvilinear component analysis and hierarchical neural networks | |
| Jafari et al. | Fault detection and isolation based on fuzzy‐integral fusion approach | |
| Cirrincione et al. | Growing curvilinear component analysis (GCCA) for stator fault detection in induction machines | |
| Mola et al. | ANFIS model based on fuzzy C‐mean, grid partitioning and subtractive clustering to detection of stator winding inter‐turn fault for PM synchronous motor | |
| CN116292130A (zh) | 基于协整分析的风力发电机状态监测系统及其方法 | |
| CN116880397A (zh) | 工艺控制参数优化方法、装置、电子设备和存储介质 | |
| Yang et al. | Fault diagnosis system of induction motors using feature extraction, feature selection and classification algorithm | |
| Tian et al. | Compound Fault Diagnosis of Stator Interturn Short Circuit and Air Gap Eccentricity Based on Random Forest and XGBoost | |
| Rutczyńska-Wdowiak | Replacement strategies of genetic algorithm in parametric identification of induction motor | |
| CN115936926A (zh) | 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质 | |
| Tao et al. | Multi-classifiers ensemble with confidence diversity for fault diagnosis in induction motors | |
| Han et al. | A new condition monitoring and fault diagnosis system of induction motors using artificial intelligence algorithms | |
| KR20220069782A (ko) | 전력 변압기 고장 진단을 위한 지능형 시스템 |
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 |