CN116626491B - 一种五相永磁电机匝间短路故障诊断方法 - Google Patents
一种五相永磁电机匝间短路故障诊断方法 Download PDFInfo
- Publication number
- CN116626491B CN116626491B CN202310921759.2A CN202310921759A CN116626491B CN 116626491 B CN116626491 B CN 116626491B CN 202310921759 A CN202310921759 A CN 202310921759A CN 116626491 B CN116626491 B CN 116626491B
- Authority
- CN
- China
- Prior art keywords
- layer
- turn
- short circuit
- attention
- data
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000001360 synchronised effect Effects 0.000 claims abstract description 12
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 230000007786 learning performance Effects 0.000 claims abstract description 5
- 230000002708 enhancing effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 230000003213 activating effect Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 2
- 238000007906 compression Methods 0.000 claims description 2
- 230000005284 excitation Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 8
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种五相永磁电机匝间短路故障诊断方法，首先，使用带有通道注意力的多尺度卷积层突出故障特征；其次，开发一个带有空间注意力的残差层来缓解梯度消失现象，增强特征图中的故障特征，进一步提高特征学习性能；最后，采用自注意力层减少对外部信息的依赖，捕捉特征的内部相关性，进一步提高网络模型可解释性。本发明能在五相永磁同步电机复杂工况下从获取的信号中获得足够的故障特征，然后通过提取电流信号故障特征实现不同短路情况下的早期匝间短路故障（ITSC）诊断，具有诊断精度高的优点。
Description
技术领域
本发明涉及多相电机匝间故障诊断技术领域，特别涉及一种五相永磁电机匝间短路故障诊断方法。
背景技术
相比于传统的三相电机，五相永磁电机因其具有高效、高功率密度、高转矩惯量比等特点而受到越来越广泛的研究。在实际应用时，绕组匝间短路故障作为电机诸多电气故障中发生概率较高的一种故障，一旦发生将会使整个电驱动系统的性能急剧下降，严重时甚至将导致整个电驱动系统崩溃。但若能在匝间短路故障早期阶段及时有效诊断出故障程度，配合相应的容错控制策略，就能大幅提高整个电驱动系统的可靠性。因此五相永磁同步电机匝间短路故障诊断方法的研究，对于提高电动汽车和风力发电机等电驱动系统的容错运行能力具有重要意义。
目前三相永磁同步电机匝间短路故障诊断方法，可以归纳为三大类：采用信号分析、采用模型以及采用AI智能的方法。现有的信号分析方法，如快速傅里叶变换(FFT)、短时傅里叶变换、希尔伯特-黄变换(HHT)、小波分析和扩展帕克矢量分析(EPVA)等，采用特定的电流和电压故障特征来诊断故障。然而，信号分析方法对信号稳定性要求高，需要相关的先验知识来实现和解释。基于模型的诊断方法主要是通过构建电路模型、有限元分析模型和不同类型的观测器来分析各种电机参数的磁场分布和波形，从而在故障发生时实现故障检测。但该类方法需要极其精确的电机参数。然而，在电机运行过程中，电感和电阻参数不可避免地随着温度的升高而发生变化，这对准确估计故障程度有很大影响。基于人工智能的方法是利用机器学习、推理和决策来实现故障诊断，对永磁电机数学模型的依赖性较小，对相关先验知识的约束也有所减少，在一定程度上解决了前两种方法的问题。因此应用得越来越广泛。
近年来，国内外学者对于三相永磁同步电机匝间短路故障诊断进行了深入的研究，并取得了丰富的成果。但针对多相电机尤其是五相永磁同步电机的匝间短路故障诊断研究相对较少。
发明内容
为了解决上述技术问题，本发明提出了一种五相永磁电机匝间短路故障诊断方法，能够减少无用故障特征对诊断性能的干扰，提高鲁棒性和捕获特征的能力；克服传统深度网络中出现的性能下降问题。
为达到技术目的，本发明采用如下技术方案：
一种五相永磁电机匝间短路故障诊断方法，包括如下步骤：
步骤S1：构建五相永磁同步电机实验平台；
步骤S2：在电机实验平台上，通过数据采集系统，收集不同工况下电机正常运行数据与匝间短路故障数据，并构成样本数据集；
步骤S3：整理所述步骤2的样本数据集，将样本数据集分为训练集和测试集两部分；
步骤S4：设计Tensflow下的匝间短路故障诊断神经网络模型，所述匝间短路故障诊断神经网络模型包括带有通道注意力的多尺度卷积层、带有空间注意力的残差层、自注意力层和分类层；使用带有通道注意力的多尺度卷积层突出故障特征；然后通过带有空间注意力的残差层增强特征学习能力；再采用自注意力层减少外部信息的依赖，捕捉特征的内部相关性；最后采用分类层输出结果；
步骤S5：使用训练集进行神经网络模型训练，迭代过程中利用交叉熵损失函数计算并诊断分类层输出结果与真实类别之间的误差，对神经网络结构和超参数进行调整，重复上述过程进行多次训练，直至超过迭代次数确定最优神经网络参数；
步骤S6：使用测试集进行故障诊断，将测试集中的样本输入到最优结构的神经网络中，得到最终的诊断结果；若测试集中的样本准确率大于95％，则测试集能满足五相永磁同步电机早期匝间短路故障诊断的要求。
进一步的，所述步骤S2中收集不同工况下电机正常运行数据与匝间短路故障数据时，分别采集两种不同转速下电机正常、匝间短路1.4％、7.1％、14.2％的数据。
进一步的，所述步骤S3中整理所述步骤2的样本数据集时，首先采用数据增强的方法提取有效特征，并进行归一化处理；使用等间隔滑动窗口的数据增强方法对原始数据进行重叠采样，获得样本数据集；再将样本数据集分为训练集和测试集两部分，训练集由960个样本组成，测试集由240个样本组成，比例为4:1，每个样本由2048组数据构成。
进一步的，所述步骤S4中的匝间短路故障诊断神经网络模型在匝间故障发生后，采用算法剔除无用故障特征的干扰，增强特征学习性能，提高网络模型可解释性；具体包括如下步骤：
步骤S41：采用多尺度卷积网络平衡网络的深度和宽度；同时突出信息通道并抑制无效通道，在每个分支的最大池化层后面加入通道注意力层，形成带有通道注意力的多尺度卷积层；表达式如下：
其中，yl i,j为第l层的第i个数据的第j个特征值；wl i,j为权重系数；bl j为偏差值；*为卷积运算；f(.)为ReLU(Rectified Linear Units)激活函数；M为池化层大小；uc(l)第l层池化后的结果；zc为uc(l)池化后的平均值；zc ’为经历两次激活函数后的映射矩阵；uc ’为经过压缩和激励后的特征图；激活函数σ(.)为sigmod函数；
步骤S42：将残差学习与空间注意力相结合，选择浅层结构中的有效特征进行加权跳跃连接；形成带有空间注意力的残差层，具体表达式如下：
其中，ac(l)为原始特征图；zc1为原始映射矩阵池化后的平均值；zc2为原始映射矩阵池化后的最大值；zc3为zc1、zc2拼接后经历一次卷积和激活函数后的映射矩阵；wl i,j为权重系数；b为偏置；激活函数σ(.)为sigmod函数；zc4为经过空间注意力后的特征图；
步骤S43：引入自注意力机制调整不同特征向量的注意力权重，根据全局上下文信息对每个实体进行编码来捕获输入序列的交互，形成自注意力层；表达式如下：
其中，分别是查询、键和值矩阵；ni是输入矩阵的长度；dk、dv是嵌入维度；
步骤S44：将从自注意力层输出的不同特征向量汇聚输入到分类层传递到Softmax输出层，得到最终的诊断结果。
本发明采用以上技术方案与现有技术相比，具有以下有益效果：
1、本发明将带有注意力机制的多尺度卷积残差网络用于五相永磁同步电机早期匝间短路故障，为五相永磁同步电机匝间短路故障诊断提供新的可能性；
2、本发明采用带有注意力机制的多尺度卷积层、带有空间注意力的残差层、自注意力层，提高鲁棒性和捕获特征的能力；克服了传统深度网络中出现的性能下降问题，进一步增强特征图中的故障特征；减少对外部信息的依赖，提高了网络模型可解释性；
3、本发明解决了传统方法依赖于专家经验，耗时大的问题，进一步提高了匝间短路故障诊断准确率。
附图说明
图1为本发明一种五相永磁电机匝间短路故障诊断方法算法框图；
图2为本发明中带有通道注意力的多尺度卷积层图；
图3为本发明中带有空间注意力的残差层图；
图4为本发明中自注意力层图；
图5为本发明中匝间短路故障诊断结果图；
图6为本发明中不同神经网络算法准确率对比图。
具体实施方式
下面将结合说明书附图，对本发明实施例中的技术方案进行清楚、完整地描述。
一种五相永磁电机匝间短路故障诊断方法，其算法框图如图1所示，图中的J1，J2，J3，J4为4个卷积层；Z1，Z2，Z3，Z4为4个最大池化层，T1，T2，T3，T4为4个通道注意力，D为特征融合。本发明的具体步骤如下：
步骤S1：构建五相永磁同步电机实验平台。匝间短路故障设置在A相，被测电机将A相绕组外接，通过短接A相线圈的不同匝数的引线点来实现的不同的匝间短路故障严重程度。
步骤S2：在电机实验平台上，通过数据采集系统收集电机电流数据，构成样本数据集，包括电机正常运行数据与匝间短路故障数据。在固定负载1N·m的情况下，分别采用两种不同的转速工况，将故障电阻设置为0.1Ω，采样频率为20kHz。训练和测试使用的故障数据集如表1所示。标签根据匝间短路故障的严重程度分为8种。其中，“HLA”和“HLB”分别代表两种转速下的电机的健康状态，“A1”、“A2”、“A3”、“B1”、“B2”、“B3”分别对应两种转速下1.4％、7.1％、14.2％短路匝数比。
表1训练和测试使用的故障数据集
步骤S3：整理所述步骤2的样本数据集，将样本数据集分为训练集和测试集两部分。为了能够充分利用数据，提取更有效的特征，采用数据增强，并进行归一化处理。该方法使用等间隔滑动窗口的数据增强方法对原始数据进行重叠采样，获得样本数据集。根据表1，训练集由960个样本组成，测试集由240个样本组成，比例为4:1，每个样本由2048组数据构成。
步骤S4：设计Tensflow下的匝间短路故障诊断神经网络模型，所述基于注意力机制的多尺度卷积残差神经网络模型包括带有通道注意力的多尺度卷积层、带有空间注意力的残差层、自注意力层和分类层；采集的电流信号中或多或少存在干扰信号与谐波，通过算法让无用的故障特征减少对诊断性能的干扰，并加强提高特征学习性能，减少对外部信息的依赖，提高网络模型可解释性。
步骤S41：传统的CNN网络每经历过一次卷积操作，都会从原始数据中提取不同层次的的特征，如果层数太少，网络就无法提取到足够有效的特征。但网络的层数过多会导致参数爆炸式增长和过拟合。因此，采用多尺度卷积网络平衡网络的深度和宽度，解决尺度变化问题。如图2所示，首先构建四个平行的卷积层分支，同一平行结构下的的卷积层有四个大小不同的的卷积核。卷积层通过卷积核对整段数据进行卷积运算，分别计算出数据的权重与偏差；并通过激活函数进行非线性变换来拟合其复杂的映射关系，建立数据与其所属类别间的联系。在每个分支的卷积层之后立即连接一个池化层。池化层是上层数据的缩放映射，它本质上是二次采样。同时为了提高模型对输入数据的关注度，突出信息通道并抑制无效通道，提高模型性能，在每个分支的最大池化层后面加入了通道注意力层，从而形成了带有通道注意力的多尺度卷积层。表达式如下：
其中，yl i,j为第l层的第i个数据的第j个特征值；wl i,j为权重系数；bl j为偏差值；*为卷积运算；f(.)为ReLU激活函数；M为池化层大小；uc(l)第l层池化后的结果；zc为uc(l)池化后的平均值；zc ’为经历两次激活函数后的映射矩阵；uc ’为经过压缩和激励后的特征图；激活函数σ(.)为sigmod函数；
步骤S42：使用长一维的电流信号作为分析对象就需要更深的网络架构，去提取复杂的特征，然而深度网络存在退化问题。残差学习提供了一个新颖的框架来简化深度网络的训练过程从而避免梯度下降甚至退化的问题。如图3所示，将残差学习与空间注意力相结合，选择浅层结构中的有效特征进行加权跳跃连接，可以加强网络对故障特征的学习能力。主要操作是将特征图分别进行全局平均池化和最大池化，再将两个池化的特征图进行拼接得到一个全新的特征图，再将该特征图经过一个卷积层和激活函数sigmod函数与原有的特征图按通道方向进行相乘，得到全新的特征图，最后与原始特征图相加。空间注意力可以自适应地学习每个空间区域的重要性，从而更好地关注输入数据中的重要部分。在目标检测任务中，可以提高模型对目标边界和细节的感知度。它们表达式如下：
其中，ac(l)为原始特征图；zc1为原始映射矩阵池化后的平均值；zc2为原始映射矩阵池化后的最大值；zc3为zc1、zc2拼接后经历一次卷积和激活函数后的映射矩阵；wl i,j为权重系数；b为偏置；激活函数σ(.)为sigmod函数；zc4为经过空间注意力后的特征图；
步骤S43：特征矩阵中不同特征向量对匝间短路故障诊断输出准确率的贡献不同，而有效特征向量选择的关键在于将不同特征进行不同权重的融合。因此，通过引入自注意力机制(Self-Attention,SA)调整不同特征向量的注意力权重，根据全局上下文信息对每个实体进行编码来捕获输入序列的交互，如图4所示，给定一个输入序列，首先通过矩阵乘法计算出三个向量：查询向量、键向量和值向量。然后，计算每个查询与所有键之间的相似度，使用softmax归一化将这些相似度转换为概率分布，并将其作为注意力权重。最后，使用这些注意力权重加权平均值作为输出值，即为自注意力机制的输出。它的表达式如下：
其中，分别是查询、键和值矩阵；ni是输入矩阵的长度；dk、dv是嵌入维度；
步骤S44：将从自注意力层输出的故障特征汇聚输入分类层传递到Softmax输出层，得到最终的诊断结果。所述网络的具体参数设置如表2所示。
表2网络参数设置
步骤S5：使用训练集进行神经网络模型训练，迭代过程中利用交叉熵损失函数计算诊断结果与真实类别之间的误差，对神经网络结构和超参数进行调整，重复上述过程进行多次训练，直至超过迭代次数确定最优神经网络参数。最终该模型使用Adam优化算法，批次大小(batch size)设定为32，迭代次数(Epoch)设定为80次，学习率初始值设置为1e-3。
步骤S6：使用测试集故障诊断，将测试样本输入最优结构的神经网络中，得到最终的诊断结果。断准确率变化情况如图5所示。随着迭代次数的增加，准确率快速上升且在迭代次数为35次时达到收敛，最终的故障准确率为98.8％。
图6所示为不同神经网络算法准确率对比图。选取传统卷积网络、残差网络和多尺度卷积残差网络算法进行对比分析，由图6可知，本发明提出的算法是五个算法中准确度最高的。本发明提供的五相电机匝间短路诊断方法，有效的减小了无用的故障特征对诊断性能的干扰，并加强提高特征学习性能，提高网络模型可解释性，有效提高了故障诊断准确率。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (3)
1.一种五相永磁电机匝间短路故障诊断方法，其特征在于，包括如下步骤：
步骤S1：构建五相永磁同步电机实验平台；
步骤S2：在电机实验平台上，通过数据采集系统，收集不同工况下电机正常运行数据与匝间短路故障数据，并构成样本数据集；
步骤S3：整理所述步骤S2的样本数据集，将样本数据集分为训练集和测试集两部分；
步骤S4：设计Tensflow下的匝间短路故障诊断神经网络模型，所述匝间短路故障诊断神经网络模型包括带有通道注意力的多尺度卷积层、带有空间注意力的残差层、自注意力层和分类层；使用带有通道注意力的多尺度卷积层突出故障特征；然后通过带有空间注意力的残差层增强特征学习能力；再采用自注意力层减少外部信息的依赖，捕捉特征的内部相关性；最后采用分类层输出结果；
步骤S5：使用训练集进行神经网络模型训练，迭代过程中利用交叉熵损失函数计算并诊断分类层输出结果与真实类别之间的误差，对神经网络结构和超参数进行调整，重复上述过程进行多次训练，直至超过迭代次数确定最优神经网络参数；
步骤S6：使用测试集进行故障诊断，将测试集中的样本输入到最优结构的神经网络中，得到最终的诊断结果；若测试集中的样本准确率大于95％，则测试集能满足五相永磁同步电机早期匝间短路故障诊断的要求；
所述步骤S4中的匝间短路故障诊断神经网络模型在匝间故障发生后，采用算法剔除无用故障特征的干扰，增强特征学习性能，提高网络模型可解释性；具体包括如下步骤：
步骤S41：采用多尺度卷积网络平衡网络的深度和宽度；同时突出信息通道并抑制无效通道，在每个分支的最大池化层后面加入通道注意力层，形成带有通道注意力的多尺度卷积层；表达式如下：
其中，yl i,j为第l层的第i个数据的第j个特征值；wl i,j为权重系数；bl j为偏差值；*为卷积运算；f(.)为ReLU激活函数；M为池化层大小；uc(l)第l层池化后的结果；zc为uc(l)池化后的平均值；zc ’为经历两次激活函数后的映射矩阵；uc ’为经过压缩和激励后的特征图；激活函数σ(.)为sigmod函数；
步骤S42：将残差学习与空间注意力相结合，选择浅层结构中的有效特征进行加权跳跃连接；形成带有空间注意力的残差层，具体表达式如下：
其中，ac(l)为原始特征图；zc1为原始映射矩阵池化后的平均值；zc2为原始映射矩阵池化后的最大值；zc3为zc1、zc2拼接后经历一次卷积和激活函数后的映射矩阵；wl i,j为权重系数；b为偏置；激活函数σ(.)为sigmod函数；zc4为经过空间注意力后的特征图；
步骤S43：引入自注意力机制调整不同特征向量的注意力权重，根据全局上下文信息对每个实体进行编码来捕获输入序列的交互，形成自注意力层；表达式如下：
其中，分别是查询、键和值矩阵；ni是输入矩阵的长度；dk、dv是嵌入维度；
步骤S44：将从自注意力层输出的不同特征向量汇聚输入到分类层传递到Softmax输出层，得到最终的诊断结果。
2.根据权利要求1所述的一种五相永磁电机匝间短路故障诊断方法，其特征在于，所述步骤S2中收集不同工况下电机正常运行数据与匝间短路故障数据时，分别采集两种不同转速下电机正常、匝间短路1.4％、7.1％、14.2％的数据。
3.根据权利要求1所述的一种五相永磁电机匝间短路故障诊断方法，其特征在于，所述步骤S3中整理所述步骤S2的样本数据集时，首先采用数据增强的方法提取有效特征，并进行归一化处理；使用等间隔滑动窗口的数据增强方法对原始数据进行重叠采样，获得样本数据集；再将样本数据集分为训练集和测试集两部分，训练集由960个样本组成，测试集由240个样本组成，比例为4:1，每个样本由2048组数据构成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310921759.2A CN116626491B (zh) | 2023-07-26 | 2023-07-26 | 一种五相永磁电机匝间短路故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310921759.2A CN116626491B (zh) | 2023-07-26 | 2023-07-26 | 一种五相永磁电机匝间短路故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116626491A CN116626491A (zh) | 2023-08-22 |
| CN116626491B true CN116626491B (zh) | 2023-11-03 |
Family
ID=87597758
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310921759.2A Active CN116626491B (zh) | 2023-07-26 | 2023-07-26 | 一种五相永磁电机匝间短路故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116626491B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102189269B1 (ko) * | 2019-10-22 | 2020-12-09 | 경북대학교 산학협력단 | 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 |
| CN112834921A (zh) * | 2020-12-23 | 2021-05-25 | 浙江工业大学 | 一种基于残差图注意力网络的电机故障诊断方法 |
| US11220999B1 (en) * | 2020-09-02 | 2022-01-11 | Palo Alto Research Center Incorporated | Deep hybrid convolutional neural network for fault diagnosis of wind turbine gearboxes |
| CN115115000A (zh) * | 2022-07-19 | 2022-09-27 | 广东工业大学 | 一种多尺度特征关注的机电设备故障诊断方法 |
| KR20220139693A (ko) * | 2021-04-08 | 2022-10-17 | 서울대학교산학협력단 | 다채널 신호를 이용한 모터 고장 진단 방법 및 장치 |
| CN115688553A (zh) * | 2022-08-17 | 2023-02-03 | 南京理工大学 | 一种永磁同步电机不平衡样本匝间短路故障诊断方法 |
| CN116010900A (zh) * | 2023-01-06 | 2023-04-25 | 江南大学 | 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法 |
-
2023
- 2023-07-26 CN CN202310921759.2A patent/CN116626491B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102189269B1 (ko) * | 2019-10-22 | 2020-12-09 | 경북대학교 산학협력단 | 컨볼루션 신경망을 이용한 유도 모터의 결함 진단방법 및 시스템 |
| US11220999B1 (en) * | 2020-09-02 | 2022-01-11 | Palo Alto Research Center Incorporated | Deep hybrid convolutional neural network for fault diagnosis of wind turbine gearboxes |
| CN112834921A (zh) * | 2020-12-23 | 2021-05-25 | 浙江工业大学 | 一种基于残差图注意力网络的电机故障诊断方法 |
| KR20220139693A (ko) * | 2021-04-08 | 2022-10-17 | 서울대학교산학협력단 | 다채널 신호를 이용한 모터 고장 진단 방법 및 장치 |
| CN115115000A (zh) * | 2022-07-19 | 2022-09-27 | 广东工业大学 | 一种多尺度特征关注的机电设备故障诊断方法 |
| CN115688553A (zh) * | 2022-08-17 | 2023-02-03 | 南京理工大学 | 一种永磁同步电机不平衡样本匝间短路故障诊断方法 |
| CN116010900A (zh) * | 2023-01-06 | 2023-04-25 | 江南大学 | 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法 |
Non-Patent Citations (4)
| Title |
|---|
| A Simplified LPTN Model for a Fault-Tolerant Permanent Magnet Motor under Inter-Turn Short-Circuit Faults;Zexin Jia 等;《energies》(第15期);1-21 * |
| Online Diagnosis of Slight Interturn Short-Circuit Fault for a Low-Speed Permanent Magnet Synchronous Motor;Yecheng Zhang 等;《IEEE TRANSACTIONS ON TRANSPORTATION ELECTRIFICATION》;第7卷(第1期);104-113 * |
| 基于多尺度卷积神经网络的电机故障诊断方法研究;王威;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第第01期期);C042-373 * |
| 多源信息融合的电机小样本故障诊断;贾晗 等;《机械科学与技术》;1-10 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116626491A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Cascade convolutional neural network with progressive optimization for motor fault diagnosis under nonstationary conditions | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN111722145B (zh) | 一种同步电机励磁绕组匝间短路轻度故障诊断方法 | |
| Pan et al. | An approach for HVCB mechanical fault diagnosis based on a deep belief network and a transfer learning strategy | |
| CN110726898B (zh) | 一种配电网故障类型识别方法 | |
| CN113673346A (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
| Husari et al. | Early stator fault detection and condition identification in induction motor using novel deep network | |
| CN113723489A (zh) | 一种改进关系网络的滚动轴承故障识别方法 | |
| CN113887136A (zh) | 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法 | |
| CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
| CN112926728A (zh) | 一种永磁同步电机小样本匝间短路故障诊断方法 | |
| Bessam et al. | A novel method for induction motors stator inter-turn short circuit fault diagnosis based on wavelet energy and neural network | |
| Husari et al. | Sensitive inter-tum fault identifcation in induction motors using deep learning based methods | |
| 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 | |
| CN116626491B (zh) | 一种五相永磁电机匝间短路故障诊断方法 | |
| CN116597167B (zh) | 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 | |
| CN113009337A (zh) | 海上风电永磁直驱电机匝间短路故障识别方法 | |
| CN117118306A (zh) | 一种永磁同步电机转子温度预测方法和系统 | |
| CN116702060A (zh) | 一种多电平逆变器功率器件故障诊断方法 | |
| CN116738367A (zh) | 基于多尺度图Transformer的滚动轴承故障诊断方法 | |
| CN113884903B (zh) | 一种基于多层感知器神经网络的电池故障诊断方法 | |
| CN114818811A (zh) | 一种基于孪生网络度量学习的航空发动机滚动轴承故障诊断方法 | |
| CN116908679A (zh) | 一种五相永磁电机的匝间短路故障诊断方法 | |
| Xia et al. | Selective kernel prototypical network for few-shot motor fault diagnosis with unseen faults | |
| CN117332320B (zh) | 一种基于残差卷积网络的多传感器融合pmsm故障诊断方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |