一种异步电机转子复合故障的诊断方法技术

本发明专利技术公开了一种异步电机转子复合故障的诊断方法，首先模拟出异步电机正常情况和转子断条偏心复合故障下的定子单相电流，利用连续小波变换将电流信号中的各特征频率分量转换到时频分布空间；然后利用奇异值分解的方法将该时频空间中的各特征频率分解到不同的正交子空间中；随后对特征子空间的有选择性重构，滤除基频分量；对重构后的信号进行四层小波分解，并求出各层的能量作为特征向量输入神经网络中作为训练数据，训练完后对测试样本用训练完的神经网络来检测复合故障是否发生。

【技术实现步骤摘要】

本专利技术涉及一种异步电机转子复合故障的诊断方法，特别涉及一种基于小波奇异值分解和神经网络的转子复合故障的诊断方法，属于电机故障诊断领域。
技术介绍
随着科学技术的进步和生活水平的需求，电力电子技术和电子控制技术不断发展带动着铁路技术的快速发展，电力机车技术不断改进，结构更加复杂，功能也更加健全。在考虑机车的快速性、舒适性、适用经济性等性能指标中，机车的安全可靠性是不容忽视的，它是铁路系统的重要指标。机车的安全可靠运行是铁路系统得以顺利发展的生命基础，关系着铁路事业的发展前景。牵引电机是电力机车的重要部件之一，也是故障发生较多、危及行车安全较大的部件之一，它的安全运行关系到整个机车的运行安全，开展牵引电机的故障诊断研究具有重要的现实意义。此外，牵引电机的运行条件和工作坏境十分恶劣，要使电机在运行过程中保持良好状态，对其进行正确的操作和维护保养也很关键，定期的检修保养牵引电机，可以提高机车运转率及延长电机使用寿命。小波变换是20世纪80年代中期发展起来的一种时频分析方法，比DCT(DiscreteCosineTransform)这样的傅里叶变换的性能更优越，具有多分辨分析功能。奇异值分解(SingularValueDecomposition)是线性代数中一种重要的矩阵分解，是矩阵分析中正规矩阵酉对角化的推广。在信号处理、统计学等领域有重要应用。人工神经网络(ArtificialNeuralNetworks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(ConnectionModel)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
技术实现思路
本专利技术所要解决的技术问题是提供一种异步电机转子复合故障的诊断方法，。本专利技术为解决上述技术问题采用以下技术方案：本专利技术提供一种异步电机转子复合故障的诊断方法，具体步骤如下：步骤1，通过仿真软件分别获得异步电机正常情况和转子断条偏心复合故障下的定子单相电流：步骤2，采用Morlet小波对步骤1获得的定子单相电流进行分解，得到电流信号的小波系数矩阵；步骤3，利用奇异值分解的方法对步骤2得到的矩阵进行分解，得到一系列的奇异值和其对应的子矩阵；步骤4，在步骤3的基础上剔除小波系数值最大的分量，然后分别重构异步电机正常情况和转子断条偏心复合故障下的定子单相电流；步骤5，对步骤4重构后的电流进行小波分解，计算各层的能量值，构造元素为各层能量值的特征向量；步骤6，重复步骤1-5，获得若干组异步电机正常情况和转子断条偏心复合故障下的定子单相电流对应的特征向量作为训练样本对神经网络进行训练，其中，神经网络的输入为特征向量，输出为异步电机无故障、转子断条偏心复合故障；步骤7，实时采集异步电机的定子单相电流，根据步骤2-5的方法得到特征向量，输入步骤6训练完成的神经网络，从而完成故障诊断。作为本专利技术的进一步优化方案，步骤5中对步骤4重构后的电流进行四层小波分解。作为本专利技术的进一步优化方案，步骤5中特征向量T为：T＝[EaEd1Ed2Ed3Ed4]，其中，Ea为第四层分解后的低频段能量，Ed1为第一层分解后高频段的能量值，Ed2为第二层分解后高频段的能量值，Ed3为第三层分解后高频段的能量值，Ed4为第四层分解后高频段的能量值。作为本专利技术的进一步优化方案，步骤6中神经网络的输出为[11]、[00]，[11]表征异步电机无故障，[00]表征转子断条偏心复合故障。作为本专利技术的进一步优化方案，步骤6中重复步骤1-5的次数根据实际精度需求确定。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：1)本专利技术所提出的基于小波奇异值分解和神经网络的异步电机转子复合故障诊断方法，是基于数据的思想，将小波、奇异值分解和神经网络结合在一起来对复合故障的发生做出诊断；2)本专利技术只需考虑复合故障发生时的定子单相电流，无需考虑电压、转子电流等因素，方便快捷，减少工作量；3)本专利技术采用的神经网络，结合之前的小波和奇异值分解方法，能够有效地识别出复合故障的发生；4)通过本专利技术，只需将经过处理后的故障信息输入神经网络，就可以实别出复合故障是否发生。附图说明图1是本专利技术的方法流程图。图2是无故障下的定子仿真电流。图3是复合故障下的定子仿真电流。图4是滤除基波后无故障电流的重构图。图5是滤除基波后复合故障电流的重构图。图6是无故障情况下滤除基波后重构电流的四层小波分解图，其中，(a)为第4层高频分解，(b)为第4层低频分解，(c)为第3层高频分解，(d)为第3层低频分解，(e)为第2层高频分解，(f)为第2层低频分解，(g)为第1层高频分解，(h)第1层低频分解。图7是复合故障情况下滤除基波后重构电流的四层小波分解图，其中，(a)为第4层高频分解，(b)为第4层低频分解，(c)为第3层高频分解，(d)为第3层低频分解，(e)为第2层高频分解，(f)为第2层低频分解，(g)为第1层高频分解，(h)第1层低频分解。图8是神经网络的训练效果图。具体实施方式下面结合附图以及具体实施例对本专利技术的技术方案做进一步的详细说明：本专利技术设计一种基于小波奇异值分解和神经网络的异步电机转子复合故障的诊断方法，如图1所示，具体为：第一步：通过仿真软件分别获得异步电机正常情况和转子断条偏心复合故障下的定子单相电流，如图2和图3所示。第二步：采用Morlet小波对第一步中的定子单相电流进行分解，得到的电流信号的小波系数矩阵。该矩阵将不同的分量信息(电源频率、故障频率)分解到不同的尺度下。第三步：利用奇异值分解的方法对第二步得到的矩阵进行分解，得到一系列的奇异值和其对应的子矩阵。由正交性可知，矩阵中的各分量的时频信息被分解到一系列的正交特征子空间中。第四部：在第三步的基础上，剔除小波系数值最大的分量，然后分别重构定子无故障和复合故障下的定子单相电流，重构后的电流波形如图4和图5所示。第五步：对重构后的定子单相电流进行四层小波分解，如图6和图7所示，并计算各层的能量值。由各层的能量值构造特征向量T，T＝[EaEd1Ed2Ed3Ed4]，其中，Ea为第四层分解后的低频段能量，Ed1为第一层分解后高频段的能量值，Ed2为第二层分解后高频段的能量值，Ed3为第三层分解后高频段的能量值，Ed4为第四层分解后高频段的能量值。第六步：重复进行八次第一至五步，获得八组异步电机正常情况和转子断条偏心复合故障下的定子单相电流对应的特征向量，其中，四组作为训练样本，如表1所示；其余四组作为测试样本，如表2所示。采用训练样本对神经网络进行训练，训练效果图如图8所示。其中，神经网络的输入为特征向量，输出为对应的异步电机无故障的[11]和复合故障的[00]。表1训练样本样本EaEd1Ed2Ed3Ed4输出故障13.704176.658311.46765.06843.101700故障23.070777.521710.41865.75463.234500故障32.804676.617611.23476.44312.900000故障43.062774.654113.22676.82062.231500无故障14.749158.911319.630本文档来自技高网...

【技术保护点】
一种异步电机转子复合故障的诊断方法，其特征在于，具体步骤如下：步骤1，通过仿真软件分别获得异步电机正常情况和转子断条偏心复合故障下的定子单相电流：步骤2，采用Morlet小波对步骤1获得的定子单相电流进行分解，得到电流信号的小波系数矩阵；步骤3，利用奇异值分解的方法对步骤2得到的矩阵进行分解，得到一系列的奇异值和其对应的子矩阵；步骤4，在步骤3的基础上剔除小波系数值最大的分量，然后分别重构异步电机正常情况和转子断条偏心复合故障下的定子单相电流；步骤5，对步骤4重构后的电流进行小波分解，计算各层的能量值，构造元素为各层能量值的特征向量；步骤6，重复步骤1‑5，获得若干组异步电机正常情况和转子断条偏心复合故障下的定子单相电流对应的特征向量作为训练样本对神经网络进行训练，其中，神经网络的输入为特征向量，输出为异步电机无故障、转子断条偏心复合故障；步骤7，实时采集异步电机的定子单相电流，根据步骤2‑5的方法得到特征向量，输入步骤6训练完成的神经网络，从而完成故障诊断。

【技术特征摘要】
1.一种异步电机转子复合故障的诊断方法，其特征在于，具体步骤如下：步骤1，通过仿真软件分别获得异步电机正常情况和转子断条偏心复合故障下的定子单相电流：步骤2，采用Morlet小波对步骤1获得的定子单相电流进行分解，得到电流信号的小波系数矩阵；步骤3，利用奇异值分解的方法对步骤2得到的矩阵进行分解，得到一系列的奇异值和其对应的子矩阵；步骤4，在步骤3的基础上剔除小波系数值最大的分量，然后分别重构异步电机正常情况和转子断条偏心复合故障下的定子单相电流；步骤5，对步骤4重构后的电流进行小波分解，计算各层的能量值，构造元素为各层能量值的特征向量；步骤6，重复步骤1-5，获得若干组异步电机正常情况和转子断条偏心复合故障下的定子单相电流对应的特征向量作为训练样本对神经网络进行训练，其中，神经网络的输入为特征向量，输出为异步电机无故障、转子断条偏心复合故障；步骤7，实时采集异步电机的定子单相电流，根据步骤2...

【专利技术属性】
技术研发人员：陈复扬，殷俊，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32