The invention discloses a method for predicting motor fault and forecast system, forecast method includes: obtaining the parameters of signal operation of the motor parameter signal includes at least one current, electromagnetic torque and speed; variable parameters of the signal is decomposed by wavelet packet, obtain the characteristic parameters of variable signal value; a wavelet neural network prediction the characteristic value of input model; wavelet neural network prediction model, the prediction results obtained for motor fault. The invention provides a method of predicting and forecasting system, when the output prediction model of wavelet neural network results in critical fault mark motor running state, can advance the initiative to take corresponding measures, such as cutting off or switching to the motor inverter fault tolerant operation mechanism, so as to avoid motor failure due to a system crash. Moreover, the invention turns the traditional passive processing fault into an active way to avoid failure, which can improve the reliability of the whole system and minimize the waste of resources caused by the fault handling at the same time.
【技术实现步骤摘要】
一种电机故障的预测方法及预测系统
本专利技术涉及故障诊断领域,特别是涉及一种电机故障的预测方法及预测系统。
技术介绍
永磁同步电机具有转矩密度高、转矩脉动小、效率高、控制自由度高等优点,被广泛应用在海上风力发电、电动汽车驱动和船舶动力推进等领域。在以上应用环境中,都希望在电机发生故障前能够进行故障预测,在故障发生后能及时确定故障类型,避免因故障进一步扩散而引发系统崩溃。但是,现有技术只能在故障发生后确定故障类型,无法在发生故障前进行故障预测。因此,如何在电机发生故障前进行故障预测,成为本领域技术人员亟需解决的技术问题。
技术实现思路
本专利技术的目的是提供一种电机故障的预测方法及预测系统,能够在电机发生故障前进行故障预测。为实现上述目的,本专利技术提供了如下方案:一种电机故障的预测方法,所述预测方法包括:获取电机运行的参数变量信号,所述参数变量信号包括:电流、电磁转矩和转速中至少一者;对所述参数变量信号进行小波包分解,获得所述参数变量信号的特征值;建立小波神经网络预测模型;将所述特征值输入所述小波神经网络预测模型,得到电机故障预测结果。可选的,建立所述小波神经网络预测模型的方法具体包括:获取第一训练样本数据集;所述第一训练样本数据集包括:第一组电机正常状态的参数变量信号集和标定的正常状态;第一组电机故障状态的参数变量信号集和标定的故障状态;第一组电机临界故障状态的参数变量信号集和标定的临界故障状态,其中,所述临界故障状态为电机将要发生故障的状态;将所述第一训练样本数据集输入神经网络结构进行训练,获得神经网络预测模型。可选的,所述将所述第一训练样本数据集输入神经 ...
【技术保护点】
一种电机故障的预测方法,其特征在于,所述预测方法包括:获取电机运行的参数变量信号,所述参数变量信号包括:电流、电磁转矩和转速中至少一者;对所述参数变量信号进行小波包分解,获得所述参数变量信号的特征值;建立小波神经网络预测模型;将所述特征值输入所述小波神经网络预测模型,得到电机故障预测结果。
【技术特征摘要】
1.一种电机故障的预测方法,其特征在于,所述预测方法包括:获取电机运行的参数变量信号,所述参数变量信号包括:电流、电磁转矩和转速中至少一者;对所述参数变量信号进行小波包分解,获得所述参数变量信号的特征值;建立小波神经网络预测模型;将所述特征值输入所述小波神经网络预测模型,得到电机故障预测结果。2.根据权利要求1所述的预测方法,其特征在于,建立所述小波神经网络预测模型的方法具体包括:获取第一训练样本数据集;所述第一训练样本数据集包括:第一组电机正常状态的参数变量信号集和标定的正常状态;第一组电机故障状态的参数变量信号集和标定的故障状态;第一组电机临界故障状态的参数变量信号集和标定的临界故障状态,其中,所述临界故障状态为电机将要发生故障的状态;将所述第一训练样本数据集输入神经网络结构进行训练,获得神经网络预测模型。3.根据权利要求2所述的预测方法,其特征在于,所述将所述第一训练样本数据集输入神经网络结构进行训练,获得神经网络预测模型之后,还包括:获取第一校验样本数据集;所述第一校验样本数据集包括:第二组电机正常状态的参数变量信号集和标定的正常状态;第二组电机故障状态的参数变量信号集和标定的故障状态;第二组电机临界故障状态的参数变量信号集和标定的临界故障状态,其中,所述临界故障状态为电机将要发生故障的状态;利用所述第一校验样本数据集对所述神经网络预测模型进行校验,如果所述神经网络预测模型输出的预测结果的正判率大于或等于设定的第一正判率阈值,将所述神经网络预测模型作为最终的神经网络预测模型;如果所述神经网络预测模型输出的预测结果的正判率小于设定的第一正判率阈值,则根据校验结果的收敛程度调整所述神经网络结构的权重系数及收敛阈值,获得修正的神经网络预测模型,并利用所述第一校验样本数据集重新对所述修正的神经网络预测模型进行校验。4.根据权利要求1所述的预测方法,其特征在于,所述将所述特征值输入小波神经网络预测模型后,当电机故障预测结果表示电机已经存在故障时,还包括:建立小波机器学习分类模型;将所述特征值输入所述小波机器学习分类模型,得到电机故障位置。5.根据权利要求4所述的预测方法,其特征在于,所述建立小波机器学习系统,具体包括:获取第二训练样本数据集;所述第二训练样本数据集包括:第三组电机故障状态的参数变量信号集和标定的故障位置;将所述第二训练样本数据集输入机器学习分类器进行训练,获得小波机器学习分类模型。6.一种电机故障的预测系统,其特征在于,所述预测系统包括:信号获取模块,用于获取...
【专利技术属性】
技术研发人员:姚钢,周荔丹,张昊宇,
申请(专利权)人:上海交通大学,
类型:发明
国别省市:上海,31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。