基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法技术方案

本发明专利技术公开了一种基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法，属于驱动系统故障诊断领域。本发明专利技术将无监督学习算法应用在变流器故障诊断这一应用场景下，自动从原始数据提取有效特征，解决了基于专家知识的手工设计特征的难题；同时考虑到不同转速工况下导致的电流周期的变动，引入了转速反馈，对定频率采样的电流进行二次采样，保证了输入到深度稀疏滤波网络的信号长度为一个基波周期，更好的去除了原始数据中的冗余信息，减轻了计算负担，对诊断算法的准确性以及快速性有一定的提升。升。升。

【技术实现步骤摘要】
基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法


[0001]本专利技术属于驱动系统故障诊断领域，更具体地，涉及一种基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法。

技术介绍

[0002]电机驱动系统是能量转换的纽带，在航空航天、军事、电动汽车、船舶推进等许多领域发挥着重要作用。在电机驱动系统中，变流器由于工作环境较恶劣：高dv/dt、过电压、热应力等，最容易发生故障，其中短路、断路故障是最常见的故障类型。其中短路故障一旦发生，可能会在极短的时间内导致异常过电流，例如10μs，这可能会对变流器造成直接损害。通常，在商用产品中设有硬件方法来隔离短路故障，如保险丝、断路器或di/dt反馈方法。然而，开路故障可能不会使驱动系统崩溃，但可能会降低系统的性能，如带来电流畸变和电磁转矩波动。它可能不会立即引起保护装置作用，但可能导致二次故障，甚至引起驱动系统停机。因此，驱动系统变流器开关管的开路故障诊断得到了广泛的研究。
[0003]这些诊断方法可分为三类：基于模型的方法、基于信号的方法和基于机器学习的方法。基于模型的方法，使用数学模型描述电机正常工作条件，根据实际系统的测量输出与数学模型的预测输出的一致性来反映系统的运行状态，开发诊断算法。该类方法需要对系统进行精确建模，而实际系统由于运行环境噪声等影响，精确建模存在困难，容易出现误诊断。基于信号的方法，通常使用时域分析、频域分析或者时频域分析方法对信号进行处理以获取故障指标。该类方法不需要一个明确的或完整的系统模型，但在未知或不平衡的条件下工作时，性能可能会下降。相比之下，基于机器学习的方法是通过从历史数据中学习故障特征和故障模式之间的映射知识关系来实现故障诊断的，它独立于系统模型且不受系统负载变化的影响。
[0004]目前，基于机器学习的变流器故障诊断方法常见的为监督学习算法，其特点为根据专家知识人为地设计出故障特征。常见的技术主要包括基于支持向量机(SVM)的方法、基于k
‑
近邻(KNN)的方法、基于模糊逻辑的方法等，他们通常都需要借助快速傅里叶变换(FFT)，小波变化等数据处理方法去设计特征，仍然需要借助专家知识，智能化程度有待提高，且泛化能力较弱。

技术实现思路

[0005]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法，其目的在于简化变流器开关管故障诊断的过程，同时提高故障诊断准确度。
[0006]为实现上述目的，本专利技术提供了一种基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法，包括：
[0007]S1.采样变流器不同健康状态下的电流信号和转速信号；
[0008]S2.根据SF网络输入维度和转速信号对电流信号进行二次采样；
[0009]S3.对二次采样后的电流信号进行归一化，作为训练数据集；
[0010]S4.采用训练数据集训练故障诊断网络；所述故障诊断网络包括稀疏滤波网络和Softmax分类器；
[0011]S5.采样变流器当前运行状态下的电流信号和转速信号，利用步骤S2、S3的过程对采样得到的电流信号进行处理，将处理后的信号输入到上述训练好的故障诊断网络，实现故障信号的特征提取以及自动诊断。
[0012]进一步地，不同健康状态包括正常工况、单相上管故障、单相下管故障、单相断相四种状态。
[0013]进一步地，步骤S2具体包括：
[0014]a.根据采样得到的转速信号估算出电流信号的基波周期其中，n为测得的转速，p为电机的极对数；
[0015]b.根据SF网络的输入维度确定一个基波周期对应的采样频率f其中，N
in
为DSF网络的输入维度，T为估算出的电流信号的基波周期；
[0016]c.确定电流信号的二次采样间隔其中，f
s
为电流信号的定频率采样时的采样频率，f为SF网络输入维度对应的采样频率。
[0017]进一步地，步骤S3具体为对二次采样后的电流信号进行min
‑
max归一化：
[0018][0019]x
min
表示数据的最小值，x
max
表示数据的最大值。
[0020]进一步地，稀疏滤波网络具体采用深度稀疏滤波网络。
[0021]进一步地，所述深度稀疏滤波网络包括两层稀疏滤波子网络；第一层稀疏滤波子网络将输入数据从输入空间映射到特征空间第二层稀疏滤波子网络将特征从空间映射到更抽象的特征空间
[0022]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果。
[0023](1)本专利技术将无监督学习算法应用在变流器故障诊断这一应用场景下，自动从原始数据提取有效特征，解决了基于专家知识的手工设计特征的难题；同时考虑到不同转速工况下导致的电流周期的变动，引入了转速反馈，对定频率采样的电流进行二次采样，保证了输入到深度稀疏滤波网络的信号长度为一个基波周期，更好的去除了原始数据中的冗余信息，减轻了计算负担，对诊断算法的准确性以及快速性有一定的提升。
[0024](2)采用的深度稀疏滤波网络，其相较于其他的非监督学习算法而言，稀疏滤波算法需要调整的超参数的优点个数少(只有模型的输出维度)、网络调试难度相对较小、能自动提取抽象的特征。且深度稀疏滤波较于稀疏滤波网络而言，其特征能力进一步提升，能更好的去除原始数据中的冗余信息。
[0025](3)本专利技术方法可以拓展应用到三相及多相电机驱动系统的故障诊断中，还可以扩展到预测系统的健康状况，这对系统的良好运行有着更为深刻的意义。
附图说明
[0026]图1是本专利技术的方法流程图；
[0027]图2是稀疏滤波结构示意图；
[0028]图3是本专利技术中深度稀疏滤波的算法结构图。
具体实施方式
[0029]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0030]机器学习的方法中，在故障特征提取阶段，无监督学习近些年来得到了广泛关注，该方法直接将原始信号作为输入，通过一系列的线性或非线性变换自动提取原始信号的特征，解决了依赖经验知识手工设计特征的难题。在故障模式分类阶段，将得到的特征表征直接送入训练好的分类器中实现故障分类，softmax分类器是一种经典的多分类器，由于其实现简单且分类精度高而被广泛应用。而对于故障特征提取算法，稀疏滤波网络(SF)由于其可调的超参数个数少(只有模型的输出维度)、能自动提取抽象的特征等优点得到广泛应用。
[0031]然而，原始的SF特征提取能力有限，并且对于变流器开关管故障诊断采用电流信号作为SF输入时，相较振动信号而言，电流信号是一个低频信号，由于SF网络的输入点数恒定，如果对于不同转速工况下仍本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法，其特征在于，包括：S1.采样变流器不同健康状态下的电流信号和转速信号；S2.根据SF网络输入维度和转速信号对电流信号进行二次采样；S3.对二次采样后的电流信号进行归一化，作为训练数据集；S4.采用训练数据集训练故障诊断网络；所述故障诊断网络包括稀疏滤波网络和Softmax分类器；S5.采样变流器当前运行状态下的电流信号和转速信号，利用步骤S2、S3的过程对采样得到的电流信号进行处理，将处理后的信号输入到上述训练好的故障诊断网络，实现故障信号的特征提取以及自动诊断。2.根据权利要求1所述的一种基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法，其特征在于，不同健康状态包括正常工况、单相上管故障、单相下管故障、单相断相四种状态。3.根据权利要求2所述的一种基于自适应稀疏滤波的电机驱动系统变流器故障诊断方法，其特征在于，步骤S2具体包括：a.根据采样得到的转速信号估算出电流信号的基波周期其中，n为测得的转速，p为电机的极对数；b.根据SF网络的输入维度确定一个基波周期对应的采样频率f其中，N
in
为DSF网络的输入维度，T为估算出的电流信号的基波周期；c.确定电流信号的二次采样间隔其中，f
s
为电流信...

【专利技术属性】
技术研发人员：刘自程，方兰岚，闫涉，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：