[發(fā)明專利]一種基于深度學習的永磁同步電機故障診斷方法

在審

• 申請?zhí)枺?/td>: 202010928125.6
• 申請日: 2020-09-07
• 公開（公告）號: CN112052796A
• 公開（公告）日: 2020-12-08
• 發(fā)明（設(shè)計）人: 陳勇;梁思遠;王成棟;陳章勇;李猛;劉越智
• 申請（專利權(quán)）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08;G01R31/72;G01R31/54;G01R31/52;G01R31/34;G01R15/20;G01M15/00;G01M13/045;G01M13/04;G01M13/00;G01H11/08
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 溫利平

本發(fā)明公開了一種基于深度學習的永磁同步電機故障診斷方法，其中永磁同步電機的主要故障包括定子繞組開路、定子繞組短路、偏心、退磁、轉(zhuǎn)軸彎曲、軸承故障等。該方法通過電流傳感器、振動傳感器和聲音傳感器分別采集電機的定子電流信號、振動信號和噪聲信號。該方法包括如下步驟：1)信號預處理；2)提取信號的時域、頻域和時頻特征；3)基于特征大數(shù)據(jù)訓練深度神經(jīng)網(wǎng)絡；4)基于深度學習診斷永磁同步電機的故障類型。本發(fā)明融合了多傳感器和多故障特征，比同類方法有更高的適用性。

技術(shù)領(lǐng)域

本發(fā)明屬于電機狀態(tài)檢測與故障診斷技術(shù)領(lǐng)域，更為具體地講，涉及一種基于深度學習的永磁同步電機故障診斷方法。

背景技術(shù)

永磁同步電機電機結(jié)構(gòu)簡單、體積更小、重量更輕，轉(zhuǎn)子無發(fā)熱問題，且過載能力大、轉(zhuǎn)動慣量小、轉(zhuǎn)矩脈動小，又實現(xiàn)了無刷化，提高了電機的效率。因此永磁同步電機現(xiàn)已廣泛應用于電梯、電動汽車和船舶電力推進等領(lǐng)域。

然而，由于運行環(huán)境復雜和材料壽命、制造缺陷或斷續(xù)操作等原因，永磁同步電機不可避免地會發(fā)生定子繞組匝間短路、偏心、軸承故障等多種故障類型。此外，由于用永磁體代替了勵磁繞組，永磁同步電機還會出現(xiàn)特有的退磁故障。這些故障將影響設(shè)備的正常使用，嚴重時甚至會威脅到相關(guān)產(chǎn)業(yè)的財產(chǎn)和人員安全。因此，對永磁同步電動機的故障進行檢測和診斷，以保證系統(tǒng)的穩(wěn)定性從而減少事故，具有重要的意義。

在之前的故障診斷方法研究中，國內(nèi)專門針對永磁同步電機的研究還比較少，而且大多只研究最常見的定子繞組匝間短路故障，只采集定子電流或振動的單一信號，而很少使用多傳感器綜合、多特征融合的方法。此外，之前的故障診斷技術(shù)通常只提取信號的頻域或時頻特征進行分析，大數(shù)據(jù)和深度學習等技術(shù)還很少被用在永磁同步電機的故障診斷中。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種永磁同步電機故障診斷方法，克服背景技術(shù)中提到的不足。

為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

基于深度學習的永磁同步電機故障診斷方法，包括如下步驟：

步驟1，通過電流傳感器、振動傳感器和聲音傳感器分別采集正常和故障永磁同步電機的定子電流信號、振動信號和噪聲信號；

步驟2，對采集的信號進行預處理，實行降噪；

步驟3，提取信號的時域、頻域和時頻特征，并組建數(shù)據(jù)庫；

步驟4，基于特征大數(shù)據(jù)訓練深度神經(jīng)網(wǎng)絡模型；

步驟5，利用完成的基于深度學習的人工智能識別系統(tǒng)診斷永磁同步電機故障類型及狀態(tài)。

所述永磁同步電機的故障類型分別為：定子繞組開路故障、不同嚴重程度的定子繞組短路故障、偏心、退磁、轉(zhuǎn)軸彎曲、軸承故障；

所述提取的信號特征包括時域、頻域和時頻特征，并針對不同電機、不同信號組建綜合的電機故障信號數(shù)據(jù)庫，進行大數(shù)據(jù)分析。

所述的時域特性包括，電流信號的峰值、均值、均方根，振動和噪聲信號的峰值指標、峭度指標、脈沖指標、裕度指標等。頻域特性包括，頻域信號分別在基頻、諧波頻率和故障特征頻率范圍內(nèi)的幅值、能量、功率等。時頻特性包括，特定信號的頻率成份和出現(xiàn)的時間位置；

所述的基于特征大數(shù)據(jù)訓練深度神經(jīng)網(wǎng)絡模型，是通過建立深度神經(jīng)網(wǎng)絡模型，利用大數(shù)據(jù)進行訓練，理解不同故障類型和狀態(tài)分別在原始信號、頻譜圖和時頻圖中對應的特征，完成對數(shù)據(jù)的正確識別和分類。

所述基于深度學習診斷永磁同步電機故障類型的具體步驟為：采集任一永磁同步電機的任一信號，通過時域、頻域和時頻分析，由基于深度學習的人工智能識別系統(tǒng)進行識別，根據(jù)輸出結(jié)果判斷永磁同步電機是否故障及相應的故障類型和嚴重程度，同時加入數(shù)據(jù)庫，在實際操作中積累大數(shù)據(jù)，提高人工智能識別系統(tǒng)的準確性。