CN117741429A - 确定船舶交流电机健康指数的方法、装置、介质及设备 - Google Patents
确定船舶交流电机健康指数的方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN117741429A CN117741429A CN202311738129.8A CN202311738129A CN117741429A CN 117741429 A CN117741429 A CN 117741429A CN 202311738129 A CN202311738129 A CN 202311738129A CN 117741429 A CN117741429 A CN 117741429A
- Authority
- CN
- China
- Prior art keywords
- current
- standard
- determining
- signal
- motor
- 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.)
- Granted
Links
- 230000036541 health Effects 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000010586 diagram Methods 0.000 claims abstract description 72
- 238000013528 artificial neural network Methods 0.000 claims abstract description 61
- 238000003745 diagnosis Methods 0.000 claims abstract description 32
- 238000006243 chemical reaction Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 53
- 238000009499 grossing Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Landscapes
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
Abstract
本发明提供一种确定船舶交流电机健康指数的方法、装置、介质及设备,方法包括:利用克拉克变换将三相电流信号转换为标准定子电流圆形信号散点图;获取待测交流电机的多个待测三相电流信号,将多个待测三相电流信号转换为对应的待测定子电流圆形信号散点图;利用GRNN神经网络诊断模型对待测定子电流圆形信号散点图进行诊断,得到多个当前半径;基于多个标准半径确定参考标准差,基于多个当前半径确定当前标准差;根据公式确定交流电机的健康指数ξ;如此,基于采集的定子电流,利用克拉克变换,结合GRNN神经网络,对采集的电流信号进行分析,量化出交流电机的健康指数,从而根据健康指数准确评估电机的健康状态,降低电机故障带来的损失。
Description
技术领域
本申请涉及船舶交流电机状态监测技术领域,尤其涉及一种确定船舶交流电机健康指数的方法、装置、介质及设备。
背景技术
作为船舶辅机设备最重要的动力源之一,交流电机发挥着及其重要的作用。然而船舶工作在高温高湿高盐霉菌的环境中,复杂多变的工况使得交流电机负载频变,易导致交流电机出现故障,船舶交流电机一旦发生运行故障,不仅会造成极大的经济损失,严重的甚至还会威胁船员的生命安全,将直接影响船舶的正常运行,因此有必要对交流电机进行状态监测与故障诊断,及早发现问题,避免重大事故发生。
现有技术中一般基于信号处理诊断法对电机故障进行诊断和定位,进而对电机的健康度进行评价。但是该方法对实测信号的要求较高,需要高精度的传感器和采样设备,增加了诊断成本。而且特征提取和选择过程中,需要根据电机的实际情况和故障特征进行合理的选择和判断,对操作者的经验要求较高。并且该方法对故障特征的准确性和完整性有一定的依赖,如果已知的故障特征不全或不准确,可能会导致诊断结果的误判。
基于此,可以看出目前无法准确确定出船舶交流电机的工作状态和故障状态,导致无法准确评估电机的健康状态。
发明内容
针对现有技术存在的问题,本发明实施例提供了一种确定船舶交流电机健康指数的方法、装置、介质及设备,以解决或者部分解决现有技术中无法准确地确定出船舶交流电机的工作状态和故障状态,导致无法准确评估电机的健康状态的技术问题。
本发明的第一方面,提供一种确定船舶交流电机健康指数的方法,所述方法包括:
获取正常交流电机的多个无故障三相电流信号,利用克拉克变换将所述多个无故障三相电流信号转换为标准定子电流圆形信号散点图;
基于所述标准定子电流圆形信号散点图构建样本数据,利用所述样本数据对预先构建的广义回归神经网络(GRNN,General Regression Neural Network)进行训练,获得GRNN神经网络诊断模型;
获取待测交流电机的多个待测三相电流信号,将所述多个待测三相电流信号转换为待测定子电流圆形信号散点图;
利用所述GRNN神经网络诊断模型对所述待测定子电流圆形信号散点图进行诊断,得到多个当前半径;
获取所述标准定子电流圆形信号散点图中每个参考信号点的标准半径,基于所述多个标准半径确定参考标准差以及基于所述多个当前半径确定当前标准差;
根据公式确定所述交流电机的健康指数ξ;其中,所述σ1为所述参考标准差,所述σ2为所述当前标准差。
上述方案中,所述三相电流信号包括:a相电流信号Ia、b相电流信号Ib和c相电流信号Ic;所述将所述多个无故障三相电流信号转换为对应的标准定子电流圆形信号,包括:
针对任一无故障三相电流信号,根据公式将所述三相电流信号转换为正交轴的d轴分量Id;
根据公式将所述三相电流信号转换为正交轴的q轴分量Iq;
建立正交坐标系,以各无故障三相电流的d轴分量Id为横坐标,以各无故障三相电流的q轴分量Iq为纵坐标绘制对应的标准电子电流圆形信号。
上述方案中,所述基于所述标准定子电流圆形信号散点图构建样本数据,包括:
获取所述标准定子电流圆形信号散点图中各参考信号点在正交坐标系中的横坐标及纵坐标;
根据公式确定每个所述参考信号点的标准半径Rk1;
基于各所述横坐标及所述纵坐标构建样本输入集,基于对应的标准半径构建样本输出集;
根据所述样本输入集和所述样本输出集构建所述样本数据;其中,
所述k1为所述标准定子电流圆形信号散点图中的信号点序号,所述xk1为第k1个参考信号点的归一化后的横坐标,所述yk1为第k1个参考信号点的归一化后的纵坐标,所述x0为标准定子电流圆形信号散点图的原点横坐标,所述y0为标准定子电流圆形信号散点图的原点纵坐标。
上述方案中,所述基于所述多个标准半径确定参考标准差,包括:
基于公式确定多个标准半径的第一半径均值/>
根据公式确定所述第一半径均值与每个标准半径的第一偏差Rak1;
根据公式确定所述第一偏差的参考标准差σ1;所述第一偏差的参考标准差为标准定子电流圆形信号的偏差的标准差;其中,
所述k1为所述标准定子电流圆形信号散点图中参考信号点的序号,所述n1为所述参考信号点的总数量,所述为各所述第一偏差的均值。
上述方案中,所述基于所述多个当前半径确定当前标准差,包括:
基于公式确定多个当前半径的第二半径均值/>
根据公式确定所述第二半径均值与每个当前半径的第二偏差Ra′k2;
根据公式确定所述第二偏差的参考标准差σ2;所述第二偏差的参考标准差为待测定子电流圆形信号的偏差的标准差;其中,
所述k2为所述待测定子电流圆形信号中当前信号点的序号,所述n2为所述当前信号点的总数量,所述为各所述第二偏差的均值。
上述方案中,所述利用所述样本数据对预先构建的GRNN神经网络进行训练,获得GRNN神经网络诊断模型,包括:
确定所述GRNN神经网络的目标平滑因子及获取预先设置的训练参数;所述训练参数包括:学习率、权重衰减、迭代次数、优化器及损失函数;
对所述样本数据划分为训练集和测试集;所述训练集包括训练样本和学习样本;
基于所述训练集对参数设定好的所述GRNN神经网络进行训练;
利用所述测试集对训练后的所述GRNN神经网络进行测试,若确定所述训练后的所述GRNN神经网络的精度达到预设精度阈值,则输出训练好的GRNN神经网络诊断模型。
上述方案中,所述确定所述交流电机的健康指数后,所述方法还包括:
若确定所述健康指数大于或等于预设的健康阈值,则确定所述交流电机的健康状态良好。
本发明的第二方面,提供一种确定船舶交流电机健康指数的装置,所述装置包括:
转换单元,用于获取正常交流电机的多个无故障三相电流信号,利用克拉克变换将所述多个无故障三相电流信号转换为对应的标准定子电流圆形信号散点图;获取待测交流电机的多个待测三相电流信号,将所述多个待测三相电流信号转换为待测定子电流圆形信号散点图;
训练单元,用于以基于所述标准定子电流圆形信号散点图构建样本数据,利用所述样本数据对预先构建的GRNN神经网络进行训练,获得GRNN神经网络诊断模型;
诊断单元,用于利用所述GRNN神经网络诊断模型对各所述待测定子电流圆形信号进行诊断,得到多个当前半径;
确定单元,用于获取所述标准定子电流圆形信号散点图中每个参考信号点的标准半径,基于所述多个标准半径确定参考标准差以及基于所述多个当前半径确定当前标准差;根据公式确定所述交流电机的健康指数ξ;其中,所述σ1为所述参考标准差,所述σ2为所述当前标准差。
本发明的第三方面,提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面中任一项所述方法的步骤。
本发明的第四方面,提供一种计算机设备,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第一方面中任一项所述方法的步骤。
本发明提供了一种确定船舶交流电机健康指数的方法、装置、介质及设备,方法包括:获取正常交流电机的多个无故障三相电流信号,利用克拉克变换将所述多个无故障三相电流信号转换为标准定子电流圆形信号散点图;基于所述标准定子电流圆形信号散点图构建样本数据,利用所述样本数据对预先构建的GRNN神经网络进行训练,获得GRNN神经网络诊断模型;获取待测交流电机的多个待测三相电流信号,将所述多个待测三相电流信号转换为对应的待测定子电流圆形信号;利用所述GRNN神经网络诊断模型对所述待测定子电流圆形信号散点图进行诊断,得到多个当前半径;获取所述标准定子电流圆形信号散点图中每个参考信号点的标准半径,基于所述多个标准半径确定参考标准差以及基于所述多个当前半径确定当前标准差;根据公式确定所述交流电机的健康指数ξ;其中,所述σ1为所述参考标准差,所述σ2为所述当前标准差;如此,基于采集的定子电流,利用克拉克变换,结合GRNN神经网络,对采集的电流信号进行分析,根据参考标准差和当前标准差量化出交流电机的健康指数,从而根据健康指数准确评估电机的健康状态,降低电机故障带来的损失。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。
在附图中:
图1示出了根据本发明一个实施例的确定船舶交流电机健康指数的方法流程示意图;
图2示出了根据本发明一个实施例的无故障三相交流信号的波形图;
图3示出了根据本发明一个实施例的无故障三相交流信号对应的标准定子电流圆形信号散点图;
图4示出了根据本发明一个实施例的GRNN神经网络结构示意图;
图5~图11示出了根据本发明一个实施例交流电机在出现不同种类故障时对应的待测定子电流圆形信号散点图;
图12示出了示出了根据本发明一个实施例标准定子电流圆形信号散点图对应的第一偏差的参考标准差与其他几种待测待测定子电流圆形信号散点图对应的第二偏差的当前标准差的对比示意图;
图13示出了根据本发明一个实施例的确定船舶交流电机健康指数的装置结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本说明书实施例提供一种确定船舶交流电机健康指数的方法,如图1所示,所述方法包括以下步骤:
S110,获取交流电机的多个无故障三相电流信号,利用克拉克变换将所述多个无故障三相电流信号转换为标准定子电流圆形信号散点图。
本说明书实施例中可以是基于预设的采集频率,利用电流互感器进行对无故障交流电机的信号进行采集获得交流电机的多个无故障三相电流信号(U、V、W信号),也可以是通过仿真实验得到多个无故障三相电流信号,不作限制。其中,三相电流信号的波形图如图2所示。
然后利用利用克拉克变换将多个无故障三相电流信号转换为标准定子电流圆形信号散点图。克拉克变换是一种将三相电压或电流转换为两个正交轴上的分量的数学变换方法,目的是将三相电压或电流的复杂变化转换为两个正交轴上的简单变化,以便更准确地进行分析和计算,提高后续数据处理的稳定性和处理效率。
在一种实施方式中,将多个无故障三相电流信号转换为标准定子电流圆形信号散点图,包括:
针对任一无故障三相电流信号,根据公式将三相电流信号转换为正交轴的d轴分量Id;
根据公式将三相电流信号转换为正交轴的q轴分量Iq;
建立正交坐标系,以各无故障三相电流的d轴分量Id为横坐标,以各无故障三相电流的q轴分量Iq为纵坐标绘制对应的标准电子电流圆形信号散点图。
具体来讲,假设三相电流信号I包括:a相电流信号Ia、b相电流信号Ib和c相电流信号Ic,那么可以将表示为一个复数矢量:
I=Ia+jIb+j2Ic (1)
在公式(1)中,j为虚数单位。
然后将复数矢量进行变换,将复数矢量转换为两个正交轴上的分量,其中,正交轴包括d轴和q轴。
首先,定义d轴分量为三相电流的平均值,即:
然后,定义q轴分量为三相电流的不平衡度,即:
按照上述方式对所有采样点对应的无故障三相电流信号进行克拉克变换,得到每个无故障三相电流信号的d轴分量和q轴分量,本文将d轴信号作为Alpha信号,q轴信号作为Beta信号。再将Alpha信号作为横坐标,将Beta信号作为纵坐标绘制出对应的标准定子电流圆形信号散点图,如图3所示。
S111,基于所述标准定子电流圆形信号散点图构建样本数据,利用所述样本数据对预先构建的广义回归神经网络GRNN进行训练,获得GRNN神经网络诊断模型。
可以理解的是,每个无故障三相电流信号经过克拉克变换后,在图3中是以信号点的形式存在,也即图3中的标准定子电流圆形信号散点图中包含有所有无故障三相电流信号对应的参考信号点,每个参考信号点所在的正交坐标系中存在对应的横坐标、纵坐标和标准半径。
其中,横坐标和纵坐标可以直接获取到,而标准半径需要根据横坐标和纵坐标确定得出。因此本说明书实施例中,基于标准定子电流圆形信号散点图构建样本数据,包括:
获取标准定子电流圆形信号散点图中各标准定子电流圆形信号在正交坐标系中的横坐标及纵坐标;
根据公式(4)确定每个标准定子电流圆形信号的标准半径Rk1;
其中,k1标准定子电流圆形信号散点图中的参考信号点的序号,xk1为第k1个参考信号点的归一化后的横坐标,yk1为第k1个参考信号点的归一化后的纵坐标,x0为标准定子电流圆形信号散点图的原点横坐标,y0为标准定子电流圆形信号散点图的原点纵坐标。
再基于各横坐标及纵坐标构建样本输入集,基于对应的标准半径构建样本输出集;
根据样本输入集和样本输出集构建样本数据。
也即,在利用样本数据对预先构建的GRNN神经网络进行训练时,将各横坐标及纵坐标作为GRNN神经网络输入层的参数值,将半径作为GRNN神经网络输出层的参数值,从而对GRNN神经网络进行训练。
GRNN神经网络如图4所示,GRNN神经网络结构包括输入层、模式层、求和层和输出层。其中,
输入层主要实现数据的输入过程,并将输入数据传递至模式层,该层的节点数为输入数据的特征维度。
模式层一般使用高斯函数gi对输入数据进行处理,节点数为训练样本数据的个数,计算公式如下:
在公式(5)中,xi为训练样本,xj为学习样本,η为平滑因子。
求和层则假设输出样本维度为p,则该层节点数为p+1,其中一个节点输出SD为模式层输出的算术和,其余节点的输出SNi均为模式层输出的加权和,具体的计算公式如下:
其中,wij为加权系数,i为训练样本的序号,m为训练样本的数量。
那么输出层该层节点数为输出样本维度,输出层的输出值Oj主要根据上述算数和与加权和确定:
可以理解的是,本说明书实施例中Oj为半径。
通过上述描述可以发现,GRNN网络各种神经元之间的连接权重由所对应的训练样本决定。而且,训练样本中是否存在需要诊断的值对输出效果影响很大,尤其当训练样本中没有新值时,输出精度会极大降低。对于此网络,平滑因子η的选择对神经网络的训练精度有较大影响,若η选取过大,网络拟合过程会相对平滑,但是函数的比较误差会增大;若η选取过小,函数的比较会相对精确,但是网络拟合过程会变得很粗糙。不合适的平滑因子会导致网络出现过拟合以及适应性降低的情况,且易让网络陷入局部极值点。对此,本说明书实施例先将平滑因子η确定在一个区间范围,然后对此区间范围设置间隔步长,再把输入的样本数据集分成对应的两组,样本数据含量多的数据组作为训练组,数据含量少的数据组则用来进行结果诊断,按照平滑因子η的范围区间及其设置的间隔步长,将数据集不断代入网络中进行训练,最后将均方根误差作为结果输出值,输出结果中最小均方根误差对应的平滑因子取值为η的最优解。
基于上述描述,GRNN网络结构好之后,可利用样本数据对GRNN神经网络进行训练,获得GRNN神经网络诊断模型,包括:
确定GRNN神经网络的目标平滑因子及获取预先设置的训练参数;所述训练参数包括:学习率、权重衰减、迭代次数、优化器及损失函数;
对样本数据划分为训练集和测试集;训练集包括训练样本和学习样本;
基于训练集对参数设定好的GRNN神经网络进行训练;
利用测试集对训练后的GRNN神经网络进行测试,若确定训练后的GRNN神经网络的精度达到预设精度阈值,则输出训练好的GRNN神经网络诊断模型。
具体来讲,先对GRNN神经网络进行初始化,调整训练参数的值;对样本数据划分为训练集和测试集,并对训练集和测试集中的数据进行归一化处理;
确定平滑因子的取值范围区间,以间隔步长为0.001遍历取值范围区间获取光滑因子的各数值,再将各数值代入网络模型进行训练,根据最优解选取出对应的取值,作为平滑因子的目标取值。
然后基于训练集对参数设定好的GRNN神经网络进行训练;利用测试集对训练后的GRNN神经网络进行测试,若确定训练后的GRNN神经网络的精度达到预设精度阈值,结束迭代,输出对应的GRNN神经网络模型。
若确定训练后的GRNN神经网络的精度小于预设精度阈值,则调整训练参数获GRNN网络的层数,重新执行上述训练步骤,直至训练后的GRNN神经网络的精度达到预设精度阈值,输出对应的GRNN神经网络模型。
S112,获取待测交流电机的多个待测三相电流信号,将所述多个待测三相电流信号转换为待测定子电流圆形信号散点图;利用所述GRNN神经网络诊断模型对所述待测定子电流圆形信号散点图进行诊断,得到多个当前半径。
GRNN神经网络模型确定出之后,可以利用GRNN神经网络模型对交流电机的健康状态进行诊断,实现如下:
获取待测交流电机的多个待测三相电流信号,将多个待测三相电流信号转换为对应的待测定子电流圆形信号散点图;利用GRNN神经网络诊断模型对待测定子电流圆形信号散点图进行诊断,得到多个当前半径。
其中,将多个待测三相电流信号转换为对应的待测定子电流圆形信号散点图的方法可参考上文中将多个无故障三相电流信号转换为标准定子电流圆形信号散点图的方式,在此不再赘述。
其中,具有不同故障的交流电机对应的待测定子电流圆形信号散点图如图5~图11所示。可理解的是,针对同一故障的交流电机,利用不同时刻采样的电流数据确定的待测定子电流圆形信号会有所变化。
得到待测定子电流圆形信号散点图后,同样的,可获取到待测定子电流圆形信号散点图中每个当前信号点的横坐标和纵坐标,基于当前信号点的横坐标和纵坐标,利用GRNN神经网络诊断模型对每个当前信号点进行诊断,输出对应的当前半径。
S113,获取所述标准定子电流圆形信号散点图中每个参考信号点的标准半径,基于所述多个标准半径确定参考标准差以及基于所述多个当前半径确定当前标准差。
然后获取每个获取标准定子电流圆形信号散点图中每个参考信号点的标准半径,基于多个标准半径确定参考标准差以及基于多个当前半径确定当前标准差。
在一种实施方式中,基于多个标准半径确定参考标准差,包括:
基于公式确定多个标准半径的第一半径均值/>
根据公式确定第一半径均值与每个标准半径的第一偏差Rak1;
根据公式确定第一偏差的参考标准差σ1;第一偏差的参考标准差为标准定子电流圆形信号散点图的偏差的标准差;其中,
k1为标准定子电流圆形信号散点图中参考信号点的序号,Rak1为第k1个参考信号点的标准半径,n1为参考信号点的总数量,为各第一偏差的均值。
同样的,在一种实施方式中,基于多个当前半径确定当前标准差,包括:
基于公式确定多个当前半径的第二半径均值/>
根据公式确定第二半径均值与每个当前半径的第二偏差Ra′k2;
根据公式确定第二偏差的参考标准差σ2;第二偏差的参考标准差为待测定子电流圆形信号的偏差的标准差;其中,
所述k2为待测定子电流圆形信号中当前信号点的序号,Ra′k2为第k2个当前信号点的当前半径,n2为当前信号点的总数量,为各第二偏差的均值。
本说明书实施例中,由于待测定子电流圆形信号散点图对应的第二偏差Ra′k2是通过GRNN神经网络诊断模型计算得出的,而GRNN神经网络诊断模型又是利用标准定子电流圆形信号散点图中各参考信号点的坐标和半径训练得到的,因此若能确定出待测定子电流圆形信号与标准定子电流圆形信号的差异,那么可判断出交流电机的是否故障。
基于此,本发明确定出第一偏差的标准差和第二偏差的标准差后,从而可根据第一标准差和第二标准差表征待测定子电流圆形信号与标准定子电流圆形信号之间的差异。
图5至图11均为不同故障下的待测定子电流圆形信号散点图,可分别确定出上述7种定子电流圆形信号散点图对应的第二偏差的标准差,以及确定出标准定子电流圆形信号散点图对应的第一偏差的标准差。可参考图12,标准定子电流圆形信号散点图对应的第一偏差的参考标准差最小,图6中的待测定子电流圆形信号散点图第二偏差对应的当前标准差最大。
S114,根据公式确定所述交流电机的健康指数ξ。
为了可以准确评估交流电机的健康状态,这里根据第一偏差的参考标准差和第二偏差的当前标准差对健康状态进行量化。
具体为:
根据公式确定交流电机的健康指数ξ。
其中,σ1为参考标准差,σ2为当前标准差。
由此可得到交流电机的健康指数,指数越高,电机性能越好,故障可能性越小。健康指数越小,电机性能越差,故障可能性越高。
也即,确定交流电机的健康指数后,方法还包括:
若确定健康指数大于或等于预设的健康阈值,则确定交流电机的健康状态良好;
若确定健康指数小于预设的健康阈值,则确定交流电机的健康状态不佳。其中,健康阈值可基于实际情况确定,比如可以为60。
同样的,对图5至图11中的待测定子电流圆形信号散点图分别确定出的健康指数如表1所示:
表1
可以看出,图6和图11中对应的交流电机的健康指数小于健康阈值,因此说明图6和图11对应的交流电机的健康状态不佳。
根据上述计算出来的健康指数,可以很清晰的了解到不同电机健康状态。由此可以对交流电机进行健康评估,有效的监测和管理船舶交流电机的状态,提高了电机的性能和寿命,提高整个船舶系统的效率和可靠性,降低维修成本和停船时间、增强船舶性能和效率,实现智能化维护管理。
基于与前述实施例中同样的发明构思,本实施例还提供一种确定船舶交流电机健康指数的装置,如图13所示,装置包括:
转换单元131,用于转换单元,用于获取正常交流电机的多个无故障三相电流信号,利用克拉克变换将所述多个无故障三相电流信号转换为对应的标准定子电流圆形信号散点图;获取待测交流电机的多个待测三相电流信号,将所述多个待测三相电流信号转换为待测定子电流圆形信号散点图;
训练单元132,用于以基于所述标准定子电流圆形信号散点图构建样本数据,利用所述样本数据对预先构建的GRNN神经网络进行训练,获得GRNN神经网络诊断模型;
诊断单元133,用于利用所述GRNN神经网络诊断模型对所述待测定子电流圆形信号散点图进行诊断,得到多个当前半径;
确定单元134,用于获取所述标准定子电流圆形信号散点图中每个参考信号点的标准半径,基于所述多个标准半径确定参考标准差以及基于所述多个当前半径确定当前标准差;根据公式确定所述交流电机的健康指数ξ;其中,所述σ1为所述参考标准差,所述σ2为所述当前标准差。
由于本发明实施例所介绍的装置,为实施本发明实施例的确定船舶交流电机健康指数的方法所采用的装置,故而基于本发明实施例所介绍的方法,本领域所属人员能够了解该装置的具体结构及变形,故而在此不再赘述。凡是本发明实施例的方法所采用的装置都属于本发明所欲保护的范围。
基于同样的发明构思,本实施例提供一种计算机设备,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,处理器执行计算机程序时实现前文所述方法的任一步骤。
基于同样的发明构思,本实施例提供一种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前文任一所述方法的步骤。
通过本发明的一个或者多个实施例,本发明具有以下有益效果或者优点:
本发明提供了一种确定船舶交流电机健康指数的方法、装置、介质及设备,方法包括:获取正常交流电机的多个无故障三相电流信号,利用克拉克变换将所述多个无故障三相电流信号转换为标准定子电流圆形信号散点图;基于所述标准定子电流圆形信号散点图构建样本数据,利用所述样本数据对预先构建的广义回归神经网络GRNN进行训练,获得GRNN神经网络诊断模型;获取待测交流电机的多个待测三相电流信号,将所述多个待测三相电流信号转换为待测定子电流圆形信号散点图;利用所述GRNN神经网络诊断模型对所述待测定子电流圆形信号散点图进行诊断,得到多个当前半径;获取所述标准定子电流圆形信号散点图中每个参考信号点的标准半径,基于所述多个标准半径确定参考标准差以及基于所述多个当前半径确定当前标准差;根据公式确定所述交流电机的健康指数ξ;其中,所述σ1为所述参考标准差,所述σ2为所述当前标准差;如此,基于采集的定子电流,利用克拉克变换,结合GRNN神经网络,对采集的电流信号进行分析,根据参考标准差和当前标准差量化出交流电机的健康指数,从而根据健康指数准确评估电机的健康状态,降低电机故障带来的损失。
本发明技术方案可以通过大量的实测数据进行训练和学习,使模型具有较高的诊断准确性和可靠性。还可以自动学习和适应电机的工作状态和故障特征,不需要依赖人工定义的规则和特征。当然处理复杂的非线性关系和高维数据也十分契合,适用于各种类型和结构的电机系统。完全可以实现实时监测和远程评估,提高船舶交流电机系统的可靠性和安全性。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的网关、代理服务器、系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种确定船舶交流电机健康指数的方法,其特征在于,所述方法包括:
获取正常交流电机的多个无故障三相电流信号,利用克拉克变换将所述多个无故障三相电流信号转换为标准定子电流圆形信号散点图;
基于所述标准定子电流圆形信号散点图构建样本数据,利用所述样本数据对预先构建的广义回归神经网络GRNN进行训练,获得GRNN神经网络诊断模型;
获取待测交流电机的多个待测三相电流信号,将所述多个待测三相电流信号转换为待测定子电流圆形信号散点图;
利用所述GRNN神经网络诊断模型对所述待测定子电流圆形信号散点图进行诊断,得到多个当前半径;
获取所述标准定子电流圆形信号散点图中每个参考信号点的标准半径,基于所述多个标准半径确定参考标准差以及基于所述多个当前半径确定当前标准差;
根据公式确定所述交流电机的健康指数ξ;其中,所述σ1为所述参考标准差,所述σ2为所述当前标准差。
2.如权利要求1所述的方法,其特征在于,所述三相电流信号包括:a相电流信号Ia、b相电流信号Ib和c相电流信号Ic;所述将所述多个无故障三相电流信号转换为对应的标准定子电流圆形信号,包括:
针对任一无故障三相电流信号,根据公式将所述三相电流信号转换为正交轴的d轴分量Id;
根据公式将所述三相电流信号转换为正交轴的q轴分量Iq;
建立正交坐标系,以各无故障三相电流的d轴分量Id为横坐标,以各无故障三相电流的q轴分量Iq为纵坐标绘制对应的标准电子电流圆形信号。
3.如权利要求1所述的方法,其特征在于,所述基于所述标准定子电流圆形信号散点图构建样本数据,包括:
获取所述标准定子电流圆形信号散点图中各参考信号点在正交坐标系中的横坐标及纵坐标;
根据公式确定每个所述参考信号点的标准半径Rk1;
基于各所述横坐标及所述纵坐标构建样本输入集,基于对应的标准半径构建样本输出集;
根据所述样本输入集和所述样本输出集构建所述样本数据;其中,
所述k1为所述标准定子电流圆形信号散点图中参考信号点的序号,所述xk1为第k1个参考信号点的归一化后的横坐标,所述yk1为第k1个参考信号点的归一化后的纵坐标,所述x0为标准定子电流圆形信号散点图的原点横坐标,所述y0为标准定子电流圆形信号散点图的原点纵坐标。
4.如权利要求1所述的方法,其特征在于,所述基于所述多个标准半径确定参考标准差,包括:
基于公式确定多个标准半径的第一半径均值/>
根据公式确定所述第一半径均值与每个标准半径的第一偏差Rak1;
根据公式确定所述第一偏差的参考标准差σ1;所述第一偏差的参考标准差为标准定子电流圆形信号散点图的偏差的标准差;其中,
所述k1为所述标准定子电流圆形信号散点图中参考信号点的序号,所述n1为所述参考信号点的总数量,所述为各所述第一偏差的均值。
5.如权利要求1所述的方法,其特征在于,所述基于所述多个当前半径确定当前标准差,包括:
基于公式确定多个当前半径的第二半径均值/>
根据公式确定所述第二半径均值与每个当前半径的第二偏差Ra′k2;
根据公式确定所述第二偏差的参考标准差σ2;所述第二偏差的参考标准差为待测定子电流圆形信号的偏差的标准差;其中,
所述k2为所述待测定子电流圆形信号中当前信号点的序号,所述n2为所述当前信号点的总数量,所述为各所述第二偏差的均值。
6.如权利要求1所述的方法,其特征在于,所述利用所述样本数据对预先构建的GRNN神经网络进行训练,获得GRNN神经网络诊断模型,包括:
确定所述GRNN神经网络的目标平滑因子及获取预先设置的训练参数;所述训练参数包括:学习率、权重衰减、迭代次数、优化器及损失函数;
对所述样本数据划分为训练集和测试集;所述训练集包括训练样本和学习样本;
基于所述训练集对参数设定好的所述GRNN神经网络进行训练;
利用所述测试集对训练后的所述GRNN神经网络进行测试,若确定所述训练后的所述GRNN神经网络的精度达到预设精度阈值,则输出训练好的GRNN神经网络诊断模型。
7.如权利要求1所述的方法,其特征在于,所述确定所述交流电机的健康指数后,所述方法还包括:
若确定所述健康指数大于或等于预设的健康阈值,则确定所述交流电机的健康状态良好。
8.一种确定船舶交流电机健康指数的装置,其特征在于,所述装置包括:
转换单元,用于获取正常交流电机的多个无故障三相电流信号,利用克拉克变换将所述多个无故障三相电流信号转换为对应的标准定子电流圆形信号散点图;获取待测交流电机的多个待测三相电流信号,将所述多个待测三相电流信号转换为待测定子电流圆形信号散点图;
训练单元,用于以基于所述标准定子电流圆形信号散点图构建样本数据,利用所述样本数据对预先构建的GRNN神经网络进行训练,获得GRNN神经网络诊断模型;
诊断单元,用于利用所述GRNN神经网络诊断模型对所述待测定子电流圆形信号散点图进行诊断,得到多个当前半径;
确定单元,用于获取所述标准定子电流圆形信号散点图中每个参考信号点的标准半径,基于所述多个标准半径确定参考标准差以及基于所述多个当前半径确定当前标准差;根据公式确定所述交流电机的健康指数ξ;其中,所述σ1为所述参考标准差,所述σ2为所述当前标准差。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
10.一种计算机设备,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,其特征在于,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311738129.8A CN117741429B (zh) | 2023-12-15 | 确定船舶交流电机健康指数的方法、装置、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311738129.8A CN117741429B (zh) | 2023-12-15 | 确定船舶交流电机健康指数的方法、装置、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117741429A true CN117741429A (zh) | 2024-03-22 |
CN117741429B CN117741429B (zh) | 2024-06-21 |
Family
ID=
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080141072A1 (en) * | 2006-09-21 | 2008-06-12 | Impact Technologies, Llc | Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life |
CN113642624A (zh) * | 2021-08-05 | 2021-11-12 | 厦门大学 | 移动通信网络故障的智能诊断方法及装置 |
CN113776818A (zh) * | 2021-08-10 | 2021-12-10 | 中国长江三峡集团有限公司 | 基于Park变换的海上风电机组齿轮系统故障诊断方法 |
CN114264953A (zh) * | 2021-12-01 | 2022-04-01 | 珠海格力电器股份有限公司 | 一种永磁同步电机退磁故障诊断方法和系统以及诊断装置 |
CN115526345A (zh) * | 2022-08-23 | 2022-12-27 | 共青科技职业学院 | 船舶维护管理方法、系统、可读存储介质及计算机设备 |
CN116595317A (zh) * | 2023-05-05 | 2023-08-15 | 淮阴工学院 | 基于正交定子电流ga分析及sfo-pnn的电机故障诊断方法 |
CN116792264A (zh) * | 2023-06-20 | 2023-09-22 | 重庆工商大学 | 一种基于gru的风力发电机多故障诊断方法 |
CN117056402A (zh) * | 2023-10-12 | 2023-11-14 | 国网浙江省电力有限公司余姚市供电公司 | 一种基于多源信号的电机诊断方法、装置及存储介质 |
CN117218374A (zh) * | 2023-09-28 | 2023-12-12 | 江淮前沿技术协同创新中心 | 电机故障诊断方法及系统 |
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080141072A1 (en) * | 2006-09-21 | 2008-06-12 | Impact Technologies, Llc | Systems and methods for predicting failure of electronic systems and assessing level of degradation and remaining useful life |
CN113642624A (zh) * | 2021-08-05 | 2021-11-12 | 厦门大学 | 移动通信网络故障的智能诊断方法及装置 |
CN113776818A (zh) * | 2021-08-10 | 2021-12-10 | 中国长江三峡集团有限公司 | 基于Park变换的海上风电机组齿轮系统故障诊断方法 |
CN114264953A (zh) * | 2021-12-01 | 2022-04-01 | 珠海格力电器股份有限公司 | 一种永磁同步电机退磁故障诊断方法和系统以及诊断装置 |
CN115526345A (zh) * | 2022-08-23 | 2022-12-27 | 共青科技职业学院 | 船舶维护管理方法、系统、可读存储介质及计算机设备 |
CN116595317A (zh) * | 2023-05-05 | 2023-08-15 | 淮阴工学院 | 基于正交定子电流ga分析及sfo-pnn的电机故障诊断方法 |
CN116792264A (zh) * | 2023-06-20 | 2023-09-22 | 重庆工商大学 | 一种基于gru的风力发电机多故障诊断方法 |
CN117218374A (zh) * | 2023-09-28 | 2023-12-12 | 江淮前沿技术协同创新中心 | 电机故障诊断方法及系统 |
CN117056402A (zh) * | 2023-10-12 | 2023-11-14 | 国网浙江省电力有限公司余姚市供电公司 | 一种基于多源信号的电机诊断方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
黄亭树: "多参量转台健康监测系统设计与实现", 中国优秀硕士学位论文全文数据库, no. 10, 15 October 2022 (2022-10-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109164343B (zh) | 基于特征信息量化与加权knn的变压器故障诊断方法 | |
CN107992665B (zh) | 一种特高压换流站交流滤波器在线故障诊断分析方法 | |
CN111797365B (zh) | 一种换流变压器温度异常判断方法及系统 | |
CN104091056A (zh) | 一种实验室设备使用寿命预测系统和方法 | |
CN114692758A (zh) | 电力通信故障分析方法、装置、终端设备及介质 | |
CN113358993B (zh) | 一种多电平变换器igbt的在线故障诊断方法及系统 | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN113987294A (zh) | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 | |
CN113325357A (zh) | 基于输出时间序列差分的电压互感器误差评估方法及系统 | |
CN104949840A (zh) | 一种基于振动分析的柴油机故障诊断方法 | |
CN114462508A (zh) | 基于多模态神经网络的电力变压器健康状态评估方法 | |
CN115616470A (zh) | 电流互感器计量误差状态预测方法、系统、设备及介质 | |
CN111797566A (zh) | 一种表征变压器健康状态的关键特征量确定方法和系统 | |
CN112380782A (zh) | 一种基于混合指标和神经网络的旋转设备故障预测方法 | |
CN117741429B (zh) | 确定船舶交流电机健康指数的方法、装置、介质及设备 | |
CN105741184B (zh) | 一种变压器状态评估方法及装置 | |
CN117454324A (zh) | 风速风向仪故障预警方法、系统、电子设备及存储介质 | |
CN117741429A (zh) | 确定船舶交流电机健康指数的方法、装置、介质及设备 | |
CN116008733A (zh) | 一种基于集成深度神经网络的单相接地故障诊断方法 | |
WO2023065580A1 (zh) | 风电机组齿轮箱的故障诊断方法及装置 | |
CN113761792B (zh) | 一种基于神经网络的六脉冲整流器故障诊断方法 | |
Kolodenkova et al. | Selection of basic parameters for the diagnosis of industrial electrical equipment using computer technology | |
Deng et al. | A fractional hilbert transform order optimization algorithm based DE for bearing health monitoring | |
CN114814391A (zh) | 充电桩故障识别方法和存储介质 | |
Zheng et al. | Wavelet packet decomposition and neural network based fault diagnosis for elevator excessive vibration |
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 |