一种电机故障的预测方法及预测系统技术方案

本发明专利技术公开一种电机故障的预测方法及预测系统，预测方法包括：获取电机运行的参数变量信号，参数变量信号包括：电流、电磁转矩和转速中至少一者；对参数变量信号进行小波包分解，获得参数变量信号的特征值；建立小波神经网络预测模型；将特征值输入小波神经网络预测模型，得到电机故障预测结果。本发明专利技术提供的预测方法及预测系统，当小波神经网络预测模型的输出结果标记电机处于临界故障运行状态时，可提前主动采取相应措施，如切断逆变器或电机切换到容错运行机制，从而避免电机出现故障导致的系统崩溃。而且，本发明专利技术将传统的被动处理故障变为主动避免故障，能够在提高整个系统可靠性的同时最大限度地减少系统因故障处理而带来的资源浪费。

A prediction method and prediction system for motor failure

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。可选的，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。可选的，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。一种电机故障的预测系统，所述预测系统包括：信号获取模块，用于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；小波包分解模块，用于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；第一模型建立模块，用于建立小波神经网络预测模型；预测模块，用于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，所述第一模型建立模块具体包括：第一训练样本获取单元，用于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；第一训练单元，用于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，所述第一模型建立模块还包括：第一校验样本获取单元，用于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；第一校验单元，用于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，并将所述修正的神经网络预测模型发送给所述第一校验单元，所述第一校验单元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。可选的，所述预测系统还包括：第二模型建立模块，用于建立小波机器学习分类模型；故障定位模块，用于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。可选的，所述第二模型建立模块具体包括：第二训练样本获取单元，用于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；第二训练单元，用于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。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供的预测方法及预测系统，将电机运行的参数变量信号进行小波包分解后，获得参数变量信号的特征值，然后将特征值输入小波神经网络预测模型进行故障预测，小波神经网络预测模型的输出结果标记电机的不同运行状态，电机的不同运行状态包括：正常运行状态、将要发生故障的临界故障运行状态和故障运行状态。当小波神经网络预测模型的输出结果标记电机处于临界故障运行状态时，可提前主动采取相应措施，如切断逆变器或电机切换到容错运行机制，从而避免因电机故障而导致的系统崩溃。本专利技术提供的预测方法及预测系统，将传统的被动处理故障转变为主动避免故障，从而能够在提高整个系统可靠性的同时最大限度地减少因处理系统因故障而带来的资源浪费。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1为本专利技术实施例1提供的预测方法的流程图；图2为本专利技术实施例1中建立小波神经网络预测模型的流程图；图3为本专利技术实施例2提供的预测系统的结构框图；图4为本专利技术实施例2中第一模型建立模块的结构框图；图5为本专利技术实施例3提供的预测系统的结构框图；图6为本专利技术实施例3中预测系统的工作流程图；图7为本专利技术实施例3中正常工况和故障工况下转矩曲线的对比图；图8为本专利技术实施例3中正常工况和故障工况下转矩曲线小波包第四层能量距的直方图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部本文档来自技高网...

【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