CN117788841A - 一种基于双谱分析和cnn的永磁电机退磁故障诊断方法 - Google Patents
一种基于双谱分析和cnn的永磁电机退磁故障诊断方法 Download PDFInfo
- Publication number
- CN117788841A CN117788841A CN202410199524.1A CN202410199524A CN117788841A CN 117788841 A CN117788841 A CN 117788841A CN 202410199524 A CN202410199524 A CN 202410199524A CN 117788841 A CN117788841 A CN 117788841A
- Authority
- CN
- China
- Prior art keywords
- permanent magnet
- demagnetizing
- fault
- neural network
- convolutional neural
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004458 analytical method Methods 0.000 title claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 62
- 230000005347 demagnetization Effects 0.000 claims abstract description 30
- 238000001228 spectrum Methods 0.000 claims abstract description 21
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 230000009977 dual effect Effects 0.000 claims description 6
- 230000005404 monopole Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000001351 cycling effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000005355 Hall effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000010349 pulsation Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Measuring Magnetic Variables (AREA)
Abstract
本发明公开了一种基于双谱分析和CNN的永磁电机退磁故障诊断方法，属于永磁电机故障诊断技术领域，所述方法包括：采集待诊断的永磁电机的电流信号；将采集到的电流信号进行双谱分析得到双谱图像；从双谱图像中选择可以灵敏反映永磁体退磁程度的区域，经过处理后得到故障特征图像；将故障特征图像输入预先训练好的卷积神经网络模型用于永磁电机退磁故障诊断分析，得出永磁体的退磁程度诊断结果。本发明中，电流信号的检测具有非侵入性，且电流信号在工程应用中极易获取。本发明将电流信号进行双谱分析得到双谱图像，且经过处理后不同退磁程度时的故障特征图像区分明显，提高了电流信号诊断退磁故障的灵敏度与效率。
Description
技术领域
本发明涉及永磁电机故障诊断技术领域，特别是指一种基于双谱分析和CNN的永磁电机退磁故障诊断方法。
背景技术
永磁电机由于具有高电磁转矩、高效率以及高功率因数等优势，在电动汽车和航空航天等领域得到了广泛应用。然而，永磁电机由永磁体励磁，由于电枢反应、工作温度及自然寿命等原因，永磁体容易发生不可逆退磁故障。永磁体退磁后不仅降低输出转矩，还会引起电磁转矩脉动和转速脉动。因此，必须对永磁电机退磁故障早期进行诊断，以避免退磁程度加深引起严重后果。
目前，永磁电机的退磁故障诊断方法分为侵入式和非侵入式两种。侵入式方法需要使用高斯计、探测线圈或霍尔效应传感器在电机内部检测磁通信号，存在以下缺点：使用高斯计需要拆卸电机、使用探测线圈和霍尔效应传感器需要在电机出厂前安装、使用霍尔效应传感器增大了电机的体积。而电流信号的检测具有非侵入性，且电流信号在工程应用中极易获取。现有技术公开了若干退磁故障诊断方法，如发明专利申请CN105974312A公开了永磁同步电机退磁故障诊断方法，CN108594143A公开了一种永磁同步电机退磁故障诊断方法，CN111398811A公开了基于终端电流代价敏感学习的PMSM退磁故障诊断方法，但是，目前基于电流信号的退磁故障诊断方法存在诊断灵敏度低和诊断效率低的缺点，所以如何提高使用电流信号诊断永磁电机退磁故障的灵敏度与效率是目前的研究热点。
近年来，卷积神经网络（CNN）在图像相关任务上表现突出。比如，图像分类、图像检索、目标检测等计算机视觉问题。同时，双谱分析作为一种现代信号处理方法，能够自动消除信号中的高斯噪声，并且可以将信号中存在二次相位耦合关系的谐波频率以图像的形式直观地显示出来，迎合了卷积神经网络在图像任务中的突出表现。基于上述背景，有必要提出一种基于双谱分析和CNN的永磁电机退磁故障诊断方法，以提高使用电流信号诊断永磁电机退磁故障的灵敏度与效率。
发明内容
本发明要解决的技术问题是提供一种基于双谱分析和CNN的永磁电机退磁故障诊断方法，以解决目前基于电流信号的退磁故障诊断方法灵敏度低和效率低的问题。
为解决上述技术问题，本发明提供技术方案如下：
一种基于双谱分析和CNN的永磁电机退磁故障诊断方法，包括：
步骤1：采集待诊断的永磁电机的电流信号；
步骤2：将采集到的电流信号进行双谱分析得到双谱图像；
步骤3：从双谱图像中选择可以灵敏反映永磁体退磁程度的区域，经过处理后得到故障特征图像；
步骤4：将故障特征图像输入预先训练好的卷积神经网络模型用于永磁电机退磁故障诊断分析，得出永磁体的退磁程度诊断结果。
本发明具有以下有益效果：
本发明的基于双谱分析和CNN的永磁电机退磁故障诊断方法，首先采集待诊断的永磁电机的电流信号，然后将采集到的电流信号进行双谱分析得到双谱图像，之后从双谱图像中选择可以灵敏反映永磁体退磁程度的区域，经过处理后得到故障特征图像，最后将故障特征图像输入预先训练好的卷积神经网络模型用于永磁电机退磁故障诊断分析，得出永磁体的退磁程度诊断结果。本发明中，电流信号的检测具有非侵入性，且电流信号在工程应用中极易获取。本发明将电流信号进行双谱分析得到双谱图像，且经过处理后不同退磁程度时的故障特征图像区分明显，提高了电流信号诊断退磁故障的灵敏度与效率。
附图说明
图1为本发明的基于双谱分析和CNN的永磁电机退磁故障诊断方法的流程图；
图2a至图2b为本发明实施例的研究对象永磁电机的结构模型图，其中图2a为剖视图，图2b为分解结构图；
图3a至图3d为本发明实施例的单极永磁体不同退磁程度故障下的电流波形图，其中图3a对应退磁0%，图3b对应退磁20%，图3c对应退磁40%，图3d对应退磁100%；
图4a至图4d为本发明实施例的单极永磁体不同退磁程度故障下的电流双谱图，其中图4a对应退磁0%，图4b对应退磁20%，图4c对应退磁40%，图4d对应退磁100%；
图5为本发明实施例的卷积神经网络模型图；
图6为本发明实施例的卷积神经网络模型训练流程图；
图7为本发明实施例的永磁电机不同负载下的故障特征图；
图8为本发明实施例的学习率η对卷积神经网络模型诊断准确度的影响图；
图9为本发明实施例的批次大小B对卷积神经网络模型诊断准确度的影响图；
图10为本发明实施例的卷积神经网络模型的训练和测试结果图；
图11a至图11b为本发明实施例的测试图像数据集诊断结果的混淆矩阵图，其中图11a显示了卷积神经网络模型对电机是否发生单极永磁体退磁故障的诊断准确度，图11b显示了卷积神经网络模型对电机单极永磁体不同退磁程度故障下的诊断准确度。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明提供一种基于双谱分析和CNN的永磁电机退磁故障诊断方法，如图1所示，包括：
步骤1：采集待诊断的永磁电机的电流信号；
步骤2：将采集到的电流信号进行双谱分析得到双谱图像；
步骤3：从双谱图像中选择可以灵敏反映永磁体退磁程度的区域，经过处理后得到故障特征图像；
步骤4：将故障特征图像输入预先训练好的卷积神经网络（故障诊断）模型用于永磁电机退磁故障诊断分析，得出永磁体的退磁程度诊断结果。
作为一种可选的实施例，所述步骤4中，卷积神经网络模型的训练方法可以包括：
步骤A1：采集与待诊断的永磁电机相同的永磁电机其单极永磁体不同退磁程度下的电流信号；
本步骤具体实施时，永磁电机结构模型可以如图2a至图2b所示，该电机转子永磁体有28极。单极永磁体不同退磁程度故障下的电流波形如图3a至图3d所示，一共包含单极永磁体退磁0%(Normal)，20%(Dg20%)，40%(Dg40%)，100%(Dg100%)4种退磁程度。
步骤A2：将采集到的电流信号进行双谱分析得到双谱图像；
作为一种可选的实施例，本步骤A2中，双谱分析可以采用非参数化双谱估计中的直接法进行求解得到双谱图像，步骤如下：
步骤A2.1：将步骤A1采集得到的电流信号x(0)，x(1)，…，x(N-1)进行零均值化处理，并分成K段，每段含M个数值，记作x (k)(0)，x (k)(1)，…，x (k)(M-1)，其中k=1，…，K，这里允许相邻两段之间有样本重叠；
步骤A2.2：计算离散傅里叶变换系数X (k)(λ)：
其中，λ=0，1，…，M-1；k=1，…，K；
步骤A2.3：计算离散傅里叶变换系数的三重相关：
其中，λ 1=0，1，…，M-1；λ 2=0，1，…，M-1；f s为采样频率；
步骤A2.4：计算x(0)，x(1)，…，x(N-1)的双谱估计：
上式也可以用角频率表示为：
，/>
步骤A2.5：计算双谱估计的幅值，即双谱幅值/>：
步骤A2.6：以ω 1为X轴，以ω 2为Y轴，以步骤A2.5得到的双谱幅值为Z轴，生成XY面的投影图，即为双谱图像。
具体实施时，步骤A1采集得到的电流信号经过步骤A2后，得到的单极永磁体不同退磁程度故障下的电流双谱图像如图4a至图4d所示。
前述步骤2的执行可以参考上述步骤A2，此处不再赘述。
步骤A3：从双谱图像中选择可以灵敏反映永磁体退磁程度的区域，经过处理后得到故障特征图像数据集；
作为一种可选的实施例，本步骤A3可以包括：
步骤A3.1：从步骤A2得到的双谱图像中选择可以灵敏反映永磁体退磁程度的区域，用于构造故障特征图像数据集；
具体实施时，对比图4a和图4b可以得出，当单极永磁体仅发生20%的微弱退磁故障时，双谱图像中(35.7Hz，50Hz)和(50Hz，35.7Hz)这两个频率点及其邻域内双谱幅值变化最为明显。对比图4b-4d三幅图，当单极永磁体发生不同退磁程度故障时，双谱图像中同样是这两个频率点及其邻域内的双谱幅值区分度最为明显。由于双谱图像的对称性，本实例可以仅选用一个频率点(35.7Hz，50Hz)及其邻域用于构造故障特征图像数据集。也就是说，可以选择双谱幅值区分度最为明显的频率点及其邻域用于构造故障特征图像数据集。
步骤A3.2：以所选区域在永磁体未发生退磁故障时的双谱幅值A Normal为参考，计算所选区域在永磁体不同退磁程度时的双谱幅值增加量A Diff：
其中，A Dam表示永磁体退磁故障时的双谱幅值；
步骤A3.3：对所选区域的双谱幅值增加量A Diff进行归一化处理，得到A Nor：
步骤A3.4：以所选区域的ω 1为X轴，以所选区域的ω 2为Y轴，以步骤A3.3中得到的A Nor值为Z轴，生成XY面的投影图；
步骤A3.5：将步骤A3.4生成的投影图进行压缩处理，得到故障特征图像数据集。
具体实施时，步骤A3中，构建的故障特征图像数据集可以一共包含4种电机退磁程度，对每一种退磁程度赋予类别标签，从而将退磁程度判别问题转换为分类问题。其中，每种退磁程度可以包含4种负载，每种负载包含3相电流，每相电流采集相等长度的50个数据段。因此，共生成4×4×3×50=2400张图像作为故障特征图像数据集。其中，可以将2160张作为训练图像数据集，将240张作为测试图像数据集。永磁电机不同负载下的故障特征图可以如图7所示。
前述步骤3的执行可以参考上述步骤A3，此处不再赘述。
步骤A4：设计卷积神经网络模型；
具体实施时，如图5所示，设计的卷积神经网络模型可以包括2个3×3的卷积层，2个2×2的池化层，1个全连接层，总共可以有1544个参数；每个卷积层使用的激活函数是ReLU，在全连接层前加入Dropout（比例可以为0.5）避免网络过拟合，最后通过Softmax函数输出每种故障（即退磁程度）的概率。
步骤A5：使用步骤A3中故障特征图像数据集对步骤A4中卷积神经网络模型进行训练，并不断调整超参数，得到训练好的卷积神经网络模型。
本步骤中，使用步骤A3中故障特征图像数据集对步骤A4中卷积神经网络模型进行训练，并不断调整超参数，使模型收敛速度更快且准确度更高，最终得到训练好的卷积神经网络模型。
优选的，卷积神经网络模型训练前可以先进行参数初始化；其中卷积层和全连接层的权重参数分别采用凯明初始化和正态分布初始化，偏置参数全部初始化为0。
优选的，卷积神经网络模型的目标函数可以为交叉熵损失函数；优化器为SGDM（带动量的随机梯度下降）；调整的超参数为学习率和批次大小；在下一轮训练开始前将训练图像数据集随机打乱来提高模型的收敛速度和泛化能力。
具体实施时，学习率η对卷积神经网络模型诊断准确度的影响如图8所示。可以看出，若η取值过大η=0.1，模型的诊断准确度明显下降，只有50%左右；若η取值过小η=0.0001，模型达到最大准确度的速度太慢，相比于η=0.01需要更多的训练轮数才能达到最大准确度。对比η=0.01和η=0.001，可以看出，最大准确度相同，但是η=0.01比η=0.001训练速度稍快，因此当η=0.01时模型训练效果最佳。
在卷积神经网络训练过程中，由于训练图像数据集太大，不可能让所有图像同时在网络上进行训练。因此，需要将图像数据集分批次进行训练，批次大小B对卷积神经网络模型诊断准确度的影响如图9所示。可以看出，批次大小B太大(B=32)或太小(B=4)都会使CNN的诊断准确度降低。当B=16时，诊断准确度最高。
因此，最终选择的超参数组合优选为学习率η=0.01，批次大小B=16。
优选的，在每一轮训练结束之后计算当前模型在测试图像数据集上的准确度，如果准确度大于当前保存的最高准确度，则保存当前的卷积神经网络模型，并将该准确度作为当前的最高准确度；不断循环，直至达到设定的训练轮数。卷积神经网络模型训练流程图可以如图6所示。
至此，卷积神经网络模型搭建及训练完成，在使用过程中执行前述步骤4时，将故障特征图像输入该预先训练好的卷积神经网络模型用于永磁电机退磁故障诊断分析，即可得出永磁体的退磁程度诊断结果。
具体实施时，卷积神经网络模型的训练和测试结果如图10所示。总共训练了25轮，最终训练准确度和测试准确度为0.996，训练损失为0.081，测试损失为0.033。测试图像数据集诊断结果的混淆矩阵如图11a-11b所示。由图11a可以看出，卷积神经网络模型对电机是否发生单极永磁体退磁故障的诊断准确度为100%；由图11b可以看出，卷积神经网络模型对电机正常、退磁40%、退磁100%这三种状态的诊断准确度为100%，对退磁20%这种状态的诊断准确度为98.33%。因此，经过计算，测试图像数据集的诊断准确度为99.58%。
本实例研究的永磁电机有28极永磁体，退磁故障只发生在单极永磁体上。因此，本发明提出的基于双谱分析和CNN的永磁电机退磁故障诊断方法提高了使用电流信号诊断退磁故障的灵敏度。本实例设计的卷积神经网络模型结构简单，仅有1544个参数。在不使用GPU的情况下，只训练了25轮，训练准确率和测试准确率即可达到最高且稳定。因此，本发明提出的基于双谱分析和CNN的永磁电机退磁故障诊断方法提高了使用电流信号诊断退磁故障的效率。
与现有技术相比，本发明的有益效果为：
（1）本发明提出的基于双谱分析和CNN的永磁电机退磁故障诊断方法，使用电流信号进行退磁故障诊断。电流信号的检测具有非侵入性，且电流信号在工程应用中极易获取，克服了侵入式方法在电机内部检测信号的困难。
（2）本发明提出的基于双谱分析和CNN的永磁电机退磁故障诊断方法，提高了使用电流信号诊断退磁故障的灵敏度。现有使用电流信号进行退磁故障诊断的方法最大程度只能诊断含8极永磁体的永磁电机其中2极永磁体发生退磁故障，诊断灵敏度低。本发明对电流信号进行双谱分析，能够自动消除电流信号中的高斯噪声，并且可以将退磁后电流信号中出现的具有二次相位耦合关系的谐波频率以图像的形式直观地显示出来，将故障特征可视化，从而提高了退磁故障诊断的灵敏度，能够诊断含28极永磁体的永磁电机仅单极永磁体发生退磁故障。
（3）本发明提出的基于双谱分析和CNN的永磁电机退磁故障诊断方法，提高了使用电流信号诊断退磁故障的效率。由于单极永磁体不同退磁程度故障下的故障特征图像区分明显，使得本发明运用简单的卷积神经网络模型即可得到永磁电机永磁体退磁程度的诊断结果，弥补了复杂卷积神经网络模型训练轮数多、诊断效率低的缺点。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于双谱分析和CNN的永磁电机退磁故障诊断方法，其特征在于，包括：
步骤1：采集待诊断的永磁电机的电流信号；
步骤2：将采集到的电流信号进行双谱分析得到双谱图像；
步骤3：从双谱图像中选择可以灵敏反映永磁体退磁程度的区域，经过处理后得到故障特征图像；
步骤4：将故障特征图像输入预先训练好的卷积神经网络模型用于永磁电机退磁故障诊断分析，得出永磁体的退磁程度诊断结果。
2.根据权利要求1所述的方法，其特征在于，所述步骤4中，卷积神经网络模型的训练方法包括：
步骤A1：采集与待诊断的永磁电机相同的永磁电机其单极永磁体不同退磁程度下的电流信号；
步骤A2：将采集到的电流信号进行双谱分析得到双谱图像；
步骤A3：从双谱图像中选择可以灵敏反映永磁体退磁程度的区域，经过处理后得到故障特征图像数据集；
步骤A4：设计卷积神经网络模型；
步骤A5：使用步骤A3中故障特征图像数据集对步骤A4中卷积神经网络模型进行训练，并不断调整超参数，得到训练好的卷积神经网络模型。
3.根据权利要求2所述的方法，其特征在于，所述步骤A2中，双谱分析采用非参数化双谱估计中的直接法进行求解得到双谱图像，步骤如下：
步骤A2.1：将步骤A1采集得到的电流信号x(0)，x(1)，…，x(N-1)进行零均值化处理，并分成K段，每段含M个数值，记作x (k)(0)，x (k)(1)，…，x (k)(M-1)，其中k=1，…，K，这里允许相邻两段之间有样本重叠；
步骤A2.2：计算离散傅里叶变换系数X (k)(λ)：
其中，λ=0，1，…，M-1；k=1，…，K；
步骤A2.3：计算离散傅里叶变换系数的三重相关：
其中，λ 1=0，1，…，M-1；λ 2=0，1，…，M-1；f s为采样频率；
步骤A2.4：计算x(0)，x(1)，…，x(N-1)的双谱估计：
上式用角频率表示为：
，/>
步骤A2.5：计算双谱估计的幅值，即双谱幅值/>：
步骤A2.6：以ω 1为X轴，以ω 2为Y轴，以步骤A2.5得到的双谱幅值为Z轴，生成XY面的投影图，即为双谱图像。
4.根据权利要求3所述的方法，其特征在于，所述步骤A3包括：
步骤A3.1：从步骤A2得到的双谱图像中选择可以灵敏反映永磁体退磁程度的区域，用于构造故障特征图像数据集；
步骤A3.2：以所选区域在永磁体未发生退磁故障时的双谱幅值A Normal为参考，计算所选区域在永磁体不同退磁程度时的双谱幅值增加量A Diff：
其中，A Dam表示永磁体退磁故障时的双谱幅值；
步骤A3.3：对所选区域的双谱幅值增加量A Diff进行归一化处理，得到A Nor：
步骤A3.4：以所选区域的ω 1为X轴，以所选区域的ω 2为Y轴，以步骤A3.3中得到的A Nor值为Z轴，生成XY面的投影图；
步骤A3.5：将步骤A3.4生成的投影图进行压缩处理，得到故障特征图像数据集。
5.根据权利要求4所述的方法，其特征在于，所述步骤A3中，构建的故障特征图像数据集一共包含4种电机退磁程度，对每一种退磁程度赋予类别标签，从而将退磁程度判别问题转换为分类问题。
6.根据权利要求5所述的方法，其特征在于，所述步骤A3中，每种退磁程度包含4种负载，每种负载包含3相电流，每相电流采集相等长度的50个数据段，因此，共生成4×4×3×50=2400张图像作为故障特征图像数据集，其中，2160张作为训练图像数据集，240张作为测试图像数据集。
7.根据权利要求2-6中任一所述的方法，其特征在于，所述步骤A4中，卷积神经网络模型包括2个3×3的卷积层，2个2×2的池化层，1个全连接层；每个卷积层使用的激活函数是ReLU，在全连接层前加入Dropout避免网络过拟合，最后通过Softmax函数输出每种故障的概率。
8.根据权利要求7所述的方法，其特征在于，所述步骤A5中，卷积神经网络模型训练前先进行参数初始化；其中卷积层和全连接层的权重参数分别采用凯明初始化和正态分布初始化，偏置参数全部初始化为0。
9.根据权利要求8所述的方法，其特征在于，所述步骤A5中，卷积神经网络模型的目标函数为交叉熵损失函数；优化器为SGDM；调整的超参数为学习率和批次大小；在下一轮训练开始前将训练图像数据集随机打乱来提高模型的收敛速度和泛化能力。
10.根据权利要求9所述的方法，其特征在于，所述步骤A5中，卷积神经网络模型的超参数组合为学习率η=0.01，批次大小B=16；
和/或，所述步骤A5中，在每一轮训练结束之后计算当前模型在测试图像数据集上的准确度，如果准确度大于当前保存的最高准确度，则保存当前的卷积神经网络模型，并将该准确度作为当前的最高准确度；不断循环，直至达到设定的训练轮数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410199524.1A CN117788841B (zh) | 2024-02-23 | 2024-02-23 | 一种基于双谱分析和cnn的永磁电机退磁故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410199524.1A CN117788841B (zh) | 2024-02-23 | 2024-02-23 | 一种基于双谱分析和cnn的永磁电机退磁故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117788841A true CN117788841A (zh) | 2024-03-29 |
| CN117788841B CN117788841B (zh) | 2024-05-17 |
Family
ID=90394775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410199524.1A Active CN117788841B (zh) | 2024-02-23 | 2024-02-23 | 一种基于双谱分析和cnn的永磁电机退磁故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117788841B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108572075A (zh) * | 2018-04-28 | 2018-09-25 | 河北工业大学 | 基于小波包能量谱和调制双谱分析的滚动轴承故障诊断方法 |
| CN109165678A (zh) * | 2018-07-28 | 2019-01-08 | 中国人民解放军战略支援部队信息工程大学 | 基于双谱三维图像纹理特征的辐射源识别方法及装置 |
| CN110907826A (zh) * | 2019-11-14 | 2020-03-24 | 中车株洲电力机车研究所有限公司 | 一种基于卷积神经网络滤波的电机故障诊断方法及系统 |
| CN112285554A (zh) * | 2020-09-18 | 2021-01-29 | 江苏大学 | 基于信息融合的永磁同步电机退磁故障诊断方法与装置 |
| US20210153808A1 (en) * | 2018-06-22 | 2021-05-27 | Ai Medical Service Inc. | Diagnostic assistance method, diagnostic assistance system, diagnostic assistance program, and computer-readable recording medium storing therein diagnostic assistance program for disease based on endoscopic image of digestive organ |
| US20220084732A1 (en) * | 2020-09-15 | 2022-03-17 | Hunan University Of Science And Technology | PMSM Demagnetization Fault Diagnosis Method Based on Fuzzy Intelligent Learning of Torque Signals |
| 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 |
| WO2022116570A1 (zh) * | 2020-12-04 | 2022-06-09 | 东北大学 | 一种基于麦克风阵列的工业设备故障信号定位与识别方法 |
| CN114692490A (zh) * | 2022-03-16 | 2022-07-01 | 天水师范学院 | 清晰化双谱图和改进卷积神经网络旋转机械故障诊断方法 |
| CN115267531A (zh) * | 2022-07-21 | 2022-11-01 | 南京理工大学 | 一种基于深度学习的永磁同步电机均匀退磁故障诊断方法 |
| CN115859702A (zh) * | 2022-08-30 | 2023-03-28 | 西安热工研究院有限公司 | 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 |
| CN116304905A (zh) * | 2023-02-03 | 2023-06-23 | 中国人民解放军92942部队 | 一种在多负载工况下的永磁同步电机退磁故障诊断方法 |
| CN116975763A (zh) * | 2023-07-25 | 2023-10-31 | 同济大学 | 一种基于双谱和卷积神经网络的供水管网异常诊断方法 |
| CN117269754A (zh) * | 2023-08-17 | 2023-12-22 | 贵州大学 | 基于卷积神经网络术的ipmsm转子退磁和偏心故障诊断方法 |
| CN117540192A (zh) * | 2023-12-13 | 2024-02-09 | 青岛明思为科技有限公司 | 一种融合傅里叶双谱注意力机制的滚动轴承故障诊断方法 |
-
2024
- 2024-02-23 CN CN202410199524.1A patent/CN117788841B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108572075A (zh) * | 2018-04-28 | 2018-09-25 | 河北工业大学 | 基于小波包能量谱和调制双谱分析的滚动轴承故障诊断方法 |
| US20210153808A1 (en) * | 2018-06-22 | 2021-05-27 | Ai Medical Service Inc. | Diagnostic assistance method, diagnostic assistance system, diagnostic assistance program, and computer-readable recording medium storing therein diagnostic assistance program for disease based on endoscopic image of digestive organ |
| CN109165678A (zh) * | 2018-07-28 | 2019-01-08 | 中国人民解放军战略支援部队信息工程大学 | 基于双谱三维图像纹理特征的辐射源识别方法及装置 |
| CN110907826A (zh) * | 2019-11-14 | 2020-03-24 | 中车株洲电力机车研究所有限公司 | 一种基于卷积神经网络滤波的电机故障诊断方法及系统 |
| US20220084732A1 (en) * | 2020-09-15 | 2022-03-17 | Hunan University Of Science And Technology | PMSM Demagnetization Fault Diagnosis Method Based on Fuzzy Intelligent Learning of Torque Signals |
| CN112285554A (zh) * | 2020-09-18 | 2021-01-29 | 江苏大学 | 基于信息融合的永磁同步电机退磁故障诊断方法与装置 |
| WO2022116570A1 (zh) * | 2020-12-04 | 2022-06-09 | 东北大学 | 一种基于麦克风阵列的工业设备故障信号定位与识别方法 |
| 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 |
| CN114692490A (zh) * | 2022-03-16 | 2022-07-01 | 天水师范学院 | 清晰化双谱图和改进卷积神经网络旋转机械故障诊断方法 |
| CN115267531A (zh) * | 2022-07-21 | 2022-11-01 | 南京理工大学 | 一种基于深度学习的永磁同步电机均匀退磁故障诊断方法 |
| CN115859702A (zh) * | 2022-08-30 | 2023-03-28 | 西安热工研究院有限公司 | 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 |
| CN116304905A (zh) * | 2023-02-03 | 2023-06-23 | 中国人民解放军92942部队 | 一种在多负载工况下的永磁同步电机退磁故障诊断方法 |
| CN116975763A (zh) * | 2023-07-25 | 2023-10-31 | 同济大学 | 一种基于双谱和卷积神经网络的供水管网异常诊断方法 |
| CN117269754A (zh) * | 2023-08-17 | 2023-12-22 | 贵州大学 | 基于卷积神经网络术的ipmsm转子退磁和偏心故障诊断方法 |
| CN117540192A (zh) * | 2023-12-13 | 2024-02-09 | 青岛明思为科技有限公司 | 一种融合傅里叶双谱注意力机制的滚动轴承故障诊断方法 |
Non-Patent Citations (6)
| Title |
|---|
| YUANFENG NIU; YINQUAN YU; CHENGXIANG ZHANG; YONG HAO: "Demagnetization Fault Diagnosis of Traction Motor of New Energy Vehicles Based on Back-EMF Image Data with Improved AM-CNN Model", 《2023 IEEE 6TH INTERNATIONAL ELECTRICAL AND ENERGY CONFERENCE (CIEEC)》, 10 July 2023 (2023-07-10) * |
| 方成;薛质;: "基于全双谱和卷积神经网络的信号分类方法", 计算机应用研究, no. 12, 12 December 2017 (2017-12-12) * |
| 朱常青;王秀和;杨玉波;张冉;: "磁通可控永磁同步电动机的磁化", 电工技术学报, no. 12, 26 December 2009 (2009-12-26) * |
| 李恒;张氢;秦仙蓉;孙远韬;: "基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法", 振动与冲击, no. 19, 15 October 2018 (2018-10-15) * |
| 王丽华;谢阳阳;周子贤;张永宏;赵晓平;: "基于卷积神经网络的异步电机故障诊断", 振动.测试与诊断, no. 06, 15 December 2017 (2017-12-15) * |
| 王春雷;路小娟;: "一种基于深度学习的电机轴承故障诊断方法", 兰州交通大学学报, no. 02, 15 April 2020 (2020-04-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117788841B (zh) | 2024-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Quiroz et al. | Fault detection of broken rotor bar in LS-PMSM using random forests | |
| Li et al. | Diagnosis of inter-turn short circuit of permanent magnet synchronous motor based on deep learning and small fault samples | |
| US6590362B2 (en) | Method and system for early detection of incipient faults in electric motors | |
| Song et al. | On Bayesian optimization-based residual CNN for estimation of inter-turn short circuit fault in PMSM | |
| CN103926533A (zh) | 永磁同步电机失磁故障在线诊断方法及系统 | |
| CN112285554B (zh) | 基于信息融合的永磁同步电机退磁故障诊断方法与装置 | |
| Lu et al. | Wind turbine planetary gearbox condition monitoring method based on wireless sensor and deep learning approach | |
| Haroun et al. | Multiple features extraction and selection for detection and classification of stator winding faults | |
| Liu et al. | Multi-feature fusion for fault diagnosis of rotating machinery based on convolutional neural network | |
| Atta et al. | Broken bar fault detection and diagnosis techniques for induction motors and drives: State of the art | |
| Akin et al. | FPGA based intelligent condition monitoring of induction motors: Detection, diagnosis, and prognosis | |
| CN113608119B (zh) | 电机运行状态监测方法、装置、设备和存储介质 | |
| CN117788841B (zh) | 一种基于双谱分析和cnn的永磁电机退磁故障诊断方法 | |
| CN115345277A (zh) | 基于时序生成对抗网络的pmsm匝间短路诊断方法 | |
| CN114881071A (zh) | 基于多源信息的同步电机转子绕组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 | |
| 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 | |
| Radhi et al. | Faults diagnosis in stator windings of high speed solid rotor induction motors using fuzzy neural network | |
| Jankowska et al. | Effectiveness analysis of rolling bearing fault detectors based on self-organising kohonen neural network–A case study of PMSM drive | |
| Nandi et al. | Diagnosis of induction motor faults using frequency occurrence image plots—a deep learning approach | |
| Al-Greer et al. | Autonomous fault detection and diagnosis for permanent magnet synchronous motors using combined variational mode decomposition, the Hilbert-Huang transform, and a convolutional neural network | |
| Shu et al. | DBF-CNN: A double-branch fusion residual CNN for diagnosis of induction motor broken rotor bar | |
| Pashaee et al. | Fault Diagnosing Of An Induction Motor Based On Signal Fusion Using One-Dimensional Convolutional Neural Network | |
| Liang et al. | Fault diagnosis for induction motors using finite element method-A review | |
| Khelfi et al. | Temporal Envelope Estimation of Stator Current by Peaks Detection for IM Fault Diagnosis |
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 |