CN117218374A - 电机故障诊断方法及系统 - Google Patents
电机故障诊断方法及系统 Download PDFInfo
- Publication number
- CN117218374A CN117218374A CN202311283336.9A CN202311283336A CN117218374A CN 117218374 A CN117218374 A CN 117218374A CN 202311283336 A CN202311283336 A CN 202311283336A CN 117218374 A CN117218374 A CN 117218374A
- Authority
- CN
- China
- Prior art keywords
- motor
- fault diagnosis
- fault
- convolutional neural
- neural network
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 11
- 239000011229 interlayer Substances 0.000 claims abstract description 7
- 239000010410 layer Substances 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000008520 organization Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims 1
- 230000005347 demagnetization Effects 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 9
- 238000004458 analytical method Methods 0.000 abstract description 8
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 16
- 238000000605 extraction Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 238000003475 lamination Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000012774 diagnostic algorithm Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 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
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Landscapes
- Control Of Electric Motors In General (AREA)
Abstract
本发明提供电机故障诊断方法及系统，方法包括：采集电机定子电流数据，转化得到定子电流图像，以对空心杯电机的定子三相电流进行Park变换，得到d，q轴坐标下电流，根据预置图像故障关系，获取Park矢量合成图形；设置卷积神经网络参数、层间连接关系，构建修正型故障诊断卷积神经网络，其中，引入Inception模块，供在修正型故障诊断卷积神经网络的输出通道之间，进行信息组合；将Park矢量合成图形划分为训练集、测试集，根据训练集，训练得到适用诊断模型，将测试集输入适用诊断模型，诊断得到空心杯电机的故障诊断结果。本发明解决了损伤电机、易受环境因素干扰、依赖人工经验、分析效率低以及设计难度大导致通用性低的技术问题。
Description
技术领域
本发明涉及计算机视觉以及电机故障诊断领域，具体涉及电机故障诊断方法及系统。
背景技术
目前，用于电机定转子故障检测和识别的方法有基于振动信号、基于温度信号、基于磁通信号和基于定子电压电流信号等，故障识别方法则是基于各种电机信号和智能分类算法以识别电机故障。在故障早期能够对故障进行快速准确的识别对于永磁同步电机系统有着至关重要的作用。一方面可以避免对电机乃至整个系统造成损失，使系统能够平稳运行；一方面可以节约后续维护维修成本。当前永磁同步电机故障诊断方法大致可以分为基于数学模型的故障诊断方法、基于信号分析的故障诊断方法以及基于人工智能的故障诊断方法。
基于振动信号的检测方法需要安装传感器，需要将电机打开并且会对电机造成一些伤害；基于温度信号的检测方法受周围环境影响较大；基于磁通信号的检测方法容易受周围电磁干扰的影响，并且安装的探测线圈不易实现；而基于定子电压电流的检测方法中，电压电流传感器不仅成本低，而且可被设计成非侵入式，故此方法渐渐成为检测电机定转子故障的主流手段。在现存的基于定子电压电流信号的电机故障检测方法中，检测结果过度依靠技术人员或专家的分析判断，诊断手段较为单调，且人工分析的效率较为低下，不能实现故障的自动检测。目前的电机故障识别方法中，电机故障信号虽能获取，但智能分类算法所需数据较多，这在实际应用中难以满足。基于信号的故障检测方法较多，从图形出发检测定转子故障方法提出相对较少。机器视觉、机器学习是近年来人工智能发展的产物，已广泛应用于各行各业，如人脸识别、车辆或行人检测等，但借助机器视觉和机器学习技术用于实现电机故障自动识别的研究目前并未出现。
公布号为CN116643164A的现有发明专利申请文献《一种基于探测线圈的电机转子故障诊断方法及系统》该现有方法包括以下步骤：步骤一、数据采集：通过采样电路、旋转变压器采集电机运行过程中的转速信号，以及环绕在电机圆周上探测线圈的端电压信号，获取电机内部磁场的变化特征，以时间序列将采集得到的所有数据构建电机运行的状态特征数据库；步骤二、信号处理：根据步骤一采集到的数据，利用转速信号处理和计算出的电机转子转速，对采集到的探测线圈端电压信号进行分析和处理；再利用傅里叶变换处理端电压信号，获取各次谐波幅值作为特征；得到的特征用于后续构建随机森林模型；步骤三、训练转子故障诊断模型：根据电机在不同转子状态下的6个探测线圈端电压离线数据；训练第一个随机森林模型完成对电机转子状态的分类识别；训练第二个随机森林完成识别故障类型；步骤四、转子异常检测与故障分离：利用构建好的转子故障诊断模型，对采集得到的数据进行实际的转子异常检测和故障分离。以及公布号为CN116559655A的现有发明专利申请文献《一种风力发电机定子故障检测方法、装置及故障预警系统》该现有方法包括：获取待诊断风力发电机定子的运行数据集；基于所述运行数据集，经过频率跟踪算法和预设计算方法，得到所述待诊断风力发电机定子的故障特征量和相位差；基于所述故障特征量判断所述待诊断风力发电机定子是否发生定子绕组不对称故障；当所述待诊断风力发电机定子发生所述定子绕组不对称故障，基于所述相位差确定所述待诊断风力发电机定子的故障相。前述采用传统智能算法特征提取+特征降维+分类器的诊断算法，对专家经验要求高，设计耗时且不能保证通用性，已经不能满足电机大数据的要求。因此，提出使用基于卷积神经网络智能诊断算法，通过端到端的方式，来自动完成特征提取以及故障识别。
综上，现有技术存在损伤电机、易受环境因素干扰、依赖人工经验、分析效率低以及设计难度大导致通用性低的技术问题。
发明内容
本发明所要解决的技术问题在于：如何解决现有技术中损伤电机、易受环境因素干扰、依赖人工经验、分析效率低以及设计难度大导致通用性低的技术问题。
本发明是采用以下技术方案解决上述技术问题的：电机故障诊断方法及系统包括：
S1、采集空心杯电机的定子电流数据，据以转化得到定子电流图像；
S2、根据定子电流图像，对空心杯电机的定子三相电流进行Park变换，以得到d，q轴坐标下电流，根据预置图像故障关系，获取Park矢量合成图形；
S3、设置卷积神经网络参数、层间连接关系，据以构建修正型故障诊断卷积神经网络，其中，修正型故障诊断卷积神经网络包括：Inception模块，供在修正型故障诊断卷积神经网络的输出通道之间，进行信息组合；
S4、将Park矢量合成图形划分为训练集、测试集，根据训练集，训练修正型故障诊断卷积神经网络，据以获取适用诊断模型，将测试集输入适用诊断模型，据以诊断得到空心杯电机的故障诊断结果。
本发明使用基于卷积神经网络智能诊断算法，通过端到端的方式，来自动完成特征提取以及故障识别。不同于传统的需要大量标签来学习，本方案可以实现不需要通过采用带标签的数据来训练。本发明采用的特征提取方式不需要提取海量数据，减少了对专家经验的要求，设计方便，提高了系统的通用性，能够满足电机大数据的要求。因此，本发明通过端到端的方式，来自动完成特征提取以及故障识别。
在更具体的技术方案中，步骤S1包括：利用下述逻辑，将定子三相电流ia，ib，ic，从abc坐标转换成d，q轴坐标下电流：id,iq：
在更具体的技术方案中，步骤S1还包括：
S11、在理想状态下，利用空心杯电机的相电流、供电电源角频率，转换得到d，q轴坐标下电流；
S12、根据d，q轴坐标下电流，在(d,q)二项坐标系中，形成的矢量轨迹，以及预置图像故障关系，获取Park矢量合成图形。
本发明将电机运行状态中的定子电流数据转化为Park矢量图像之后，通过图像识别方法，如卷积神经网络方法，可以自动提取图像特征，能够准确进行图像识别，以达到对电机故障诊断的目的。
在更具体的技术方案中，步骤S11中，在理想状态下，利用空心杯电机的相电流、供电电源角频率，转换得到d，q轴坐标下电流：
式中，Im为相电流最大值；ω为供电电源角频率，r为Park合成矢量。
在更具体的技术方案中，步骤S12中，图像故障关系包括：
在当空心杯电机出现退磁故障时，Park矢量合成图形的半径增大；
在空心杯电机出现匝间短路故障时，Park矢量合成图形，由标准圆畸变为椭圆形。
在更具体的技术方案中，步骤S112中的图像故障关系还包括：Park矢量合成图形的Park合成矢量r最大值的角度与故障关系，以及Park矢量合成图形的椭圆长轴角度与故障关系。
在更具体的技术方案中，步骤S3中，利用下述逻辑表达层间连接关系：
zl+1＝θl+al
al+1＝σ(zl+1)
式中，a表示元素、l为层序号，θl为元素间参数，σ是激活函数，z为神经元。
在更具体的技术方案中，步骤S3中，Inception模块包括：第一分支、第二分支、第三分支以及第四分支；
第一个分支对测试集进行1×1卷积，以得到跨通道组织信息；
第二个分支使用1×1卷积，连接4×4卷积，以对跨通道组织信息，进行两次特征变换；
第三分支使用1×1的卷积，连接5×5卷积，以得到第三分支卷积特征数据；
第四分支，利用4×4卷积，对第三分支特征数据，进行最大池化，再利用1×1卷积进行特征处理，以得到组合特征信息。
本发明引入Inception模块。该模块共有4个分支。其中，利用第一个分支目的是跨通道组织信息，提高网络的表达能力；Inception模块的引入可以大幅提高参数的利用效率。
本发明针对现有技术在需要提高积层表达能力时，需要增加输出通道数，面临计算量增大和过拟合的问题。本发明采用的模型与之前相比允许在输出通道之间进行信息组合，因此可以避免出现计算耗时长和过拟合的现象，从而提高网络性能。
本发明该模块使用1×1卷积方式对输入进行降维，大大减少了参数。该网络由于其参数量仅为传统的AlexNet网络模型的1/12，模型的计算量大幅减小，从而使图像分类的精度和效率有了很大的提高。
在更具体的技术方案中，步骤S4包括：
S41、初始化修正型故障诊断卷积神经网络的网络参数，据以进行网络训练，计算输出结果与预期值的误差；
S42、判断误差是否在阈值内；
S43、若是，则计算神经元误差；
S44、求梯度误差；
S45、更新参数，并跳转至步骤S41；
S46、若否，则获取并保存更新网络参数；
S47、根据更新网络参数，输出适用诊断模型。
在更具体的技术方案中，电机故障诊断系统包括：
电流数据转化模块，用以采集空心杯电机的定子电流数据，据以转化得到定子电流图像；
矢量特征获取模块，用以根据定子电流图像，对空心杯电机的定子三相电流进行Park变换，以得到d，q轴坐标下电流，根据预置图像故障关系，获取Park矢量合成图形，矢量特征获取模块与电流数据转化模块连接；
诊断模型构建模块，用以设置卷积神经网络参数、层间连接关系，据以构建修正型故障诊断卷积神经网络，其中，修正型故障诊断卷积神经网络包括：Inception模块，供在修正型故障诊断卷积神经网络的输出通道之间，进行信息组合；
模型训练及故障诊断模块，用以将Park矢量合成图形划分为训练集、测试集，根据训练集，训练修正型故障诊断卷积神经网络，据以获取适用诊断模型，将测试集输入适用诊断模型，据以诊断得到空心杯电机的故障诊断结果，模型训练及故障诊断模块与诊断模型构建模块以及矢量特征获取模块连接。
本发明相比现有技术具有以下优点：本发明使用基于卷积神经网络智能诊断算法，通过端到端的方式，来自动完成特征提取以及故障识别。不同于传统的需要大量标签来学习，本方案可以实现不需要通过采用带标签的数据来训练。本发明采用的特征提取方式不需要提取海量数据，减少了对专家经验的要求，设计方便，提高了系统的通用性，能够满足电机大数据的要求。因此，本发明通过端到端的方式，来自动完成特征提取以及故障识别。
本发明将电机运行状态中的定子电流数据转化为Park矢量图像之后，通过图像识别方法，如卷积神经网络方法，可以自动提取图像特征，能够准确进行图像识别，以达到对电机故障诊断的目的。
本发明引入Inception模块。该模块共有4个分支。其中，利用第一个分支目的是跨通道组织信息，提高网络的表达能力；Inception模块的引入可以大幅提高参数的利用效率。
本发明针对现有技术在需要提高积层表达能力时，需要增加输出通道数，面临计算量增大和过拟合的问题。本发明采用的模型与之前相比允许在输出通道之间进行信息组合，因此可以避免出现计算耗时长和过拟合的现象，从而提高网络性能。
本发明该模块使用1×1卷积方式对输入进行降维，大大减少了参数。该网络由于其参数量仅为传统的AlexNet网络模型的1/12，模型的计算量大幅减小，从而使图像分类的精度和效率有了很大的提高。
本发明解决了现有技术中存在的损伤电机、易受环境因素干扰、依赖人工经验、分析效率低以及设计难度大导致通用性低的技术问题。
附图说明
图1为本发明实施例1的空心杯电机故障诊断方法基本步骤示意图；
图2为本发明实施例1的电机正常运行状态下park矢量示意图；
图3为本发明实施例1的电机故障运行状态下park矢量示意图；
图4为本发明实施例1的基本卷积神经网络架构示意图；
图5为本发明实施例1采用的具体卷积神经网络架构示意图；
图6为本发明实施例1的离线获取训练好的模型的具体步骤示意图；
图7为本发明实施例1的卷积神经网络训练具体步骤示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例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。
实施例1
如图1所示，本发明提供的电机故障诊断方法，包括以下基本步骤：
S1、将电机采集到的定子电流数据转化为图像；
S2、Park矢量变换；
在本实施例中，将电机定子三相电流ia，ib，ic从abc坐标转换成(d,q)坐标下的电流id,iq，即，由park变换公式可得：
在本实施例中，对于理想状态下的电机，有：
其中，Im为相电流最大值；omega为供电电源角频率；r为Park合成矢量。
如图2所示，在本实施例中的(d,q)二项坐标系中，由id\iq形成的矢量轨迹为已以原点为中心的圆。
在本实施例中，图像和故障的关系包括：
由于材料，工艺等，正常电机的矢量轨迹为一接近圆的图形。但是，当电机出现故障时，电流信号发生变化，从而导致矢量发生变化，图形也发生变化。当电机出现退磁故障时，电机定子电流幅值增大，所以图形形状大致不变，圆的半径增大。当电机出现匝间短路故障时，由于电机出现负序电流分量，Park矢量合成图形畸变为椭圆形。
如图3所示，在本实施例中，Park合成矢量r最大值的角度与故障相有关，椭圆的长轴角度与故障相有关。
因此，将故障诊断转化为图像识别。
在本实施例中，将通过卷积神经网络来识别图像，进而识别故障。
S3、构建卷积神经网络；
在本实施例中，卷积神经网络原理：
如图4所示，在本实施例中，卷积神经网络包括但不限于：输入层、隐藏层以及输出层。在本实施例中，隐藏层可设为不少于2层，其中，各层间的单元通过参数θ和激活函数σ相连接，结构如下式所示：
表示第l层的i号元素；
表示连接第l+1层i号元素和第l层j号元素间的参数；
在本实施例中，各层之间的连接关系可表示为：
zl+1＝θl+al
al+1＝σ(zl+1)
如图5所示，在本实施例中，本发明采用的卷积神经网络架构，该修正型网络的计算量较小，准确率进一步提高，而且可以更好防止过拟合，提高网络的分类识别能力。该模型主要特点是引入了Inception模块。该模块共有4个分支。首先，第一个分支对输入进行1×1卷积，目的是跨通道组织信息，提高网络的表达能力；第二个分支先使用1×1卷积，然后连接4×4卷积，进行两次特征变换；第三个分支同样先是1×1的卷积，然后连接5×5卷积；最后一个分支则是4×4进行最大池化后直接使用1×1卷积。该模块的引入可以大幅提高参数的利用效率。以往卷积层要提高表达能力，需要增加输出通道数，而每一个输出通道对应一个滤波器，只能提取一类特征。这样一个输出通道只能处理一种对应的特征从而面临计算量增大和过拟合的问题。该模型与之前相比允许在输出通道之间进行信息组合，因此可以避免出现计算耗时长和过拟合的现象，从而提高网络性能。与此同时该模块使用1×1卷积方式对输入进行降维，大大减少了参数。该网络由于其参数量仅为传统的AlexNet网络模型的1/12，模型的计算量大幅减小，从而使图像分类的精度和效率有了很大的提高。
S4、离线获取训练好的模型；
如图6所示，在本实施例中，获取训练好的模型的步骤S4，还包括以下具体步骤：
S41、定子电流信号采集；
S42、电流数据预处理；
S43、将数据转化为图像；
S44、卷积神经网络训练；
S45、获取训练好的模型。
如图7所示，在本实施例中，卷积神经网络训练的步骤S44，还包括以下具体步骤：
S441、给定训练的数据集；
在本实施例中，通过有限元仿真完成定子电流信号的采集；提取定子电流数据并进行数据预处理；将三相定子电流数据通过Park矢量变换转化为图像；将图像样本分为训练集与测试集两部分；
S442、初始化参数；
S443、求网络各个单元的输出；
S444、求实际值与计算值的偏差；
在本实施例中，建立卷积神经网络模型，将参数(θ)初始化，确定具体网络参数；进行网络训练，计算输出结果与预期值的误差；
S445、判断是否在阈值内；
S446、若是，则计算神经元误差；
S447、求梯度误差；
S448、更新参数，并跳转至前述步骤S443。
在本实施例中，判断此时网络是否收敛，若在判定网络不收敛，则进入反向传播阶段，更新权重参数，直至网络收敛；
在本实施例中，若判定网络收敛，则判断是否到达迭代终止条件，即是否能满足实际要求，若满足，则继续往下执行，否则需要重新返回前述步骤S443，直至满足要求；
S449、若否，则保存参数；
S4410、输出已训练好的模型。
在本实施例中，将测试集样本数据输入到建立好的卷积神经网络模型中；输出样本分类结果；根据分类结果，完成永磁同步电机故障诊断。
综上，本发明使用基于卷积神经网络智能诊断算法，通过端到端的方式，来自动完成特征提取以及故障识别。不同于传统的需要大量标签来学习，本方案可以实现不需要通过采用带标签的数据来训练。本发明采用的特征提取方式不需要提取海量数据，减少了对专家经验的要求，设计方便，提高了系统的通用性，能够满足电机大数据的要求。因此，本发明通过端到端的方式，来自动完成特征提取以及故障识别。
本发明将电机运行状态中的定子电流数据转化为Park矢量图像之后，通过图像识别方法，如卷积神经网络方法，可以自动提取图像特征，能够准确进行图像识别，以达到对电机故障诊断的目的。
本发明引入Inception模块。该模块共有4个分支。其中，利用第一个分支目的是跨通道组织信息，提高网络的表达能力；Inception模块的引入可以大幅提高参数的利用效率。
本发明针对现有技术在需要提高积层表达能力时，需要增加输出通道数，面临计算量增大和过拟合的问题。本发明采用的模型与之前相比允许在输出通道之间进行信息组合，因此可以避免出现计算耗时长和过拟合的现象，从而提高网络性能。
本发明该模块使用1×1卷积方式对输入进行降维，大大减少了参数。该网络由于其参数量仅为传统的AlexNet网络模型的1/12，模型的计算量大幅减小，从而使图像分类的精度和效率有了很大的提高。
本发明解决了现有技术中存在的损伤电机、易受环境因素干扰、依赖人工经验、分析效率低以及设计难度大导致通用性低的技术问题。
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.电机故障诊断方法，其特征在于，所述方法包括：
S1、采集空心杯电机的定子电流数据，据以转化得到定子电流图像；
S2、根据所述定子电流图像，对所述空心杯电机的定子三相电流进行Park变换，以得到d，q轴坐标下电流，根据预置图像故障关系，获取Park矢量合成图形；
S3、设置卷积神经网络参数、层间连接关系，据以构建修正型故障诊断卷积神经网络，其中，所述修正型故障诊断卷积神经网络包括：Inception模块，供在所述修正型故障诊断卷积神经网络的所述输出通道之间，进行信息组合；
S4、将所述Park矢量合成图形划分为训练集、测试集，根据所述训练集，训练所述修正型故障诊断卷积神经网络，据以获取适用诊断模型，将所述测试集输入所述适用诊断模型，据以诊断得到所述空心杯电机的故障诊断结果。
2.根据权利要求1所述的电机故障诊断方法，其特征在于，所述步骤S1包括：利用下述逻辑，将所述定子三相电流ia，ib，ic，从abc坐标转换成所述d，q轴坐标下电流：id,iq：
3.根据权利要求1所述的电机故障诊断方法，其特征在于，所述步骤S1还包括：
S11、在理想状态下，利用所述空心杯电机的相电流、供电电源角频率，转换得到所述d，q轴坐标下电流；
S12、根据所述所述d，q轴坐标下电流，在(d,q)二项坐标系中，形成的矢量轨迹，以及预置图像故障关系，获取所述Park矢量合成图形。
4.根据权利要求3所述的电机故障诊断方法，其特征在于，所述步骤S11中，在理想状态下，利用所述空心杯电机的相电流、供电电源角频率，转换得到所述d，q轴坐标下电流：
式中，Im为相电流最大值；omega为供电电源角频率，r为Park合成矢量。
5.根据权利要求3所述的电机故障诊断方法，其特征在于，所述步骤S12中，所述图像故障关系包括：
在当所述空心杯电机出现退磁故障时，所述Park矢量合成图形的半径增大；
在所述空心杯电机出现匝间短路故障时，所述Park矢量合成图形，由标准圆畸变为椭圆形。
6.根据权利要求1所述的电机故障诊断方法，其特征在于，所述步骤S112中的所述图像故障关系还包括：所述Park矢量合成图形的Park合成矢量r最大值的角度与故障关系，以及所述Park矢量合成图形的椭圆长轴角度与故障关系。
7.根据权利要求1所述的电机故障诊断方法，其特征在于，所述步骤S3中，利用下述逻辑表达所述层间连接关系：
zl+1＝θl+al
al+1＝σ(zl+1)
式中，a表示元素、l为层序号，θl为元素间参数，σ是激活函数，z为神经元。
8.根据权利要求1所述的电机故障诊断方法，其特征在于，所述步骤S3中，
所述Inception模块包括：第一分支、第二分支、第三分支以及第四分支；
所述第一个分支对所述测试集进行1×1卷积，以得到跨通道组织信息；
所述第二个分支使用1×1卷积，连接4×4卷积，以对所述跨通道组织信息，进行两次特征变换；
所述第三分支使用1×1的卷积，连接5×5卷积，以得到第三分支卷积特征数据；
所述第四分支，利用4×4卷积，对所述第三分支特征数据，进行最大池化，再利用1×1卷积进行特征处理，以得到组合特征信息。
9.根据权利要求1所述的电机故障诊断方法，其特征在于，所述步骤S4包括：
S41、初始化所述修正型故障诊断卷积神经网络的网络参数，据以进行网络训练，计算输出结果与预期值的误差；
S42、判断所述误差是否在阈值内；
S43、若是，则计算神经元误差；
S44、求梯度误差；
S45、更新参数，并跳转至所述步骤S41；
S46、若否，则获取并保存更新网络参数；
S47、根据所述更新网络参数，输出所述适用诊断模型。
10.电机故障诊断系统，其特征在于，所述系统包括：
电流数据转化模块，用以采集空心杯电机的定子电流数据，据以转化得到定子电流图像；
矢量特征获取模块，用以根据所述定子电流图像，对所述空心杯电机的定子三相电流进行Park变换，以得到d，q轴坐标下电流，根据预置图像故障关系，获取Park矢量合成图形，所述矢量特征获取模块与所述电流数据转化模块连接；
诊断模型构建模块，用以设置卷积神经网络参数、层间连接关系，据以构建修正型故障诊断卷积神经网络，其中，所述修正型故障诊断卷积神经网络包括：Inception模块，供在所述修正型故障诊断卷积神经网络的所述输出通道之间，进行信息组合；
模型训练及故障诊断模块，用以将所述Park矢量合成图形划分为训练集、测试集，根据所述训练集，训练所述修正型故障诊断卷积神经网络，据以获取适用诊断模型，将所述测试集输入所述适用诊断模型，据以诊断得到所述空心杯电机的故障诊断结果，所述模型训练及故障诊断模块与所述诊断模型构建模块以及所述矢量特征获取模块连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311283336.9A CN117218374A (zh) | 2023-09-28 | 2023-09-28 | 电机故障诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311283336.9A CN117218374A (zh) | 2023-09-28 | 2023-09-28 | 电机故障诊断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117218374A true CN117218374A (zh) | 2023-12-12 |
Family
ID=89046091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311283336.9A Pending CN117218374A (zh) | 2023-09-28 | 2023-09-28 | 电机故障诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117218374A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117741429A (zh) * | 2023-12-15 | 2024-03-22 | 广东海洋大学 | 确定船舶交流电机健康指数的方法、装置、介质及设备 |
| CN117890820A (zh) * | 2024-01-15 | 2024-04-16 | 江淮前沿技术协同创新中心 | 一种电源模块测试系统及方法 |
-
2023
- 2023-09-28 CN CN202311283336.9A patent/CN117218374A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117741429A (zh) * | 2023-12-15 | 2024-03-22 | 广东海洋大学 | 确定船舶交流电机健康指数的方法、装置、介质及设备 |
| CN117890820A (zh) * | 2024-01-15 | 2024-04-16 | 江淮前沿技术协同创新中心 | 一种电源模块测试系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117218374A (zh) | 电机故障诊断方法及系统 | |
| Wang et al. | Multilevel information fusion for induction motor fault diagnosis | |
| Jiménez-Guarneros et al. | Diagnostic of combined mechanical and electrical faults in ASD-powered induction motor using MODWT and a lightweight 1-D CNN | |
| WO2021213142A1 (zh) | 一种牵引电机故障诊断方法及装置 | |
| Chen et al. | Deep attention relation network: A zero-shot learning method for bearing fault diagnosis under unknown domains | |
| CN110376522A (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
| Haroun et al. | Multiple features extraction and selection for detection and classification of stator winding faults | |
| CN114358077B (zh) | 一种永磁同步电机退磁故障诊断模型构建方法及故障诊断方法和系统 | |
| Rahnama et al. | Machine‐learning approach for fault detection in brushless synchronous generator using vibration signals | |
| Eker et al. | Demagnetization fault detection of permanent magnet synchronous motor with convolutional neural network | |
| CN113420837B (zh) | 基于多源压缩感知的故障诊断方法 | |
| CN117972561A (zh) | 一种基于多通道卷积神经网络的电流传感器故障诊断方法 | |
| Mahmoud et al. | Robust Multiple-Fault Diagnosis of PMSM Drives Under Variant Operations and Noisy Conditions | |
| Xue et al. | Diagnosis method based on hidden Markov model and Weibull mixture model for mechanical faults of in-wheel motors | |
| CN115186772B (zh) | 一种电力设备的局部放电的检测方法、装置及设备 | |
| Lai et al. | Fault diagnosis of motor based on low cost edge computing technology | |
| CN111027678B (zh) | 一种数据迁移方法及装置 | |
| Pashaee et al. | Fault Diagnosing Of An Induction Motor Based On Signal Fusion Using One-Dimensional Convolutional Neural Network | |
| Szabo et al. | ITSC Fault diagnosis in permanent magnet synchronous motor drives using shallow CNNs | |
| Pietrzak et al. | Application of continuous wavelet transform and convolutional neural networks in fault diagnosis of PMSM stator windings | |
| Patil et al. | Detection of Inter-Turn Short Circuit in Permanent Magnet Synchronous Motor using Machine Learning | |
| Ahamed et al. | Enhancing Supervised-Learning Fault Classification of Permanent Magnet Synchronous Motors with Feature Selections | |
| Kilic | Predictive diagnosis with artificial neural network for automated electric vehicle | |
| CN115951270B (zh) | 一种永磁同步电机外部线缆连接故障诊断方法 | |
| Dongare et al. | Incipient faults detection in induction motor using MLP-NN and RBF-NN-based fault classifier |
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 |