一种基于机器学习的异步电机转子断条故障检测方法技术

本发明专利技术公开了一种基于机器学习的异步电机转子断条故障检测方法，包括：在ANSYS仿真软件中对待检测的异步电机进行建模，获取异步电机模型；模拟不同故障类型与故障程度，得到故障电机的模型；对电机模型进行仿真，得到异步电机再正常运行条件下和各种故障类型条件下的电流数据；对仿真得到的各种运行条件下的电流数据进行整理，并利用Park矢量轨迹方法对数据进行分析，获取相应的Park矢量轨迹图；对得到的Park矢量轨迹图采用LBP特征提取算法，进行图形特征提取，降低数据维数，形成特征向量；对得到的特征向量，借助SVM算法进行智能分类，从而识别出电机故障类型。本发明专利技术可以应用于异步电机转子断条故障检测领域。步电机转子断条故障检测领域。步电机转子断条故障检测领域。

A machine learning based method for detecting broken bar fault of asynchronous motor rotor

【技术实现步骤摘要】
一种基于机器学习的异步电机转子断条故障检测方法


[0001]本专利技术属于故障诊断
，具体涉及一种异步电机转子断条故障检测方法。

技术介绍

[0002]异步电机因其结构简单、使用寿命长、成本低廉等特点，被广泛的用作电动机来拖动机械进行生产，常见于风机、机床、泵等，是目前用途最广，使用量最大的电机之一。异步电机的健康状态将直接影响整个系统的正常运行，所以对其常见的故障进行检测并以此在故障早期就做出应对措施是十分重要的，直接关系到人身及财产安全。对预防重大事故发生，减少过剩维修，提高生产效率等具有重要的理论意义和经济价值。
[0003]目前，电机故障诊断方法大致可分为：基于过程模型的方法、基于信号处理的方法、基于人工智能的方法三大类。基于过程模型的方法通常利用机理模型来判断电机运行状态，虽然在理论方面已经比较成熟，但很难获得电机比较精确的模型；基于信号处理的方法，主要通过特定的算法去分析电机的电压、电流、磁通、温度等信号，以提取处故障特征来为人工辨别故障类型提供依据；基于人工智能的方法，一般采用数据驱动的方式建立诊断模型，实现电机故障的分类和严重程度的评估，由于不需要准确的电机模型，因此该类方法不受电机种类、结构特征的影响，同时还具有自学习的功能，是当前电机故障诊断方法研究的热点和趋势。
[0004]机器视觉、机器学习，是近年来人工智能发展的产物，已广泛应用于各行各业，如人脸识别、车辆或行人检测等

技术实现思路

[0005]为了克服现有技术的不足，为了克服现有技术的不足，本专利技术提供了一种基于机器学习的异步电机转子断条故障检测方法，包括：在ANSYS仿真软件中对待检测的异步电机进行建模，获取异步电机模型；模拟不同故障类型与故障程度，得到故障电机的模型；对电机模型进行仿真，得到异步电机再正常运行条件下和各种故障类型条件下的电流数据；对仿真得到的各种运行条件下的电流数据进行整理，并利用Park矢量轨迹方法对数据进行分析，获取相应的Park矢量轨迹图；对得到的Park矢量轨迹图采用LBP特征提取算法，进行图形特征提取，降低数据维数，形成特征向量；对得到的特征向量，借助SVM算法进行智能分类，从而识别出电机故障类型。本专利技术可以应用于异步电机转子断条故障检测领域。
[0006]本专利技术解决其技术问题所采用的技术方案包括如下步骤：
[0007]步骤1：对待检测的异步电机进行建模，获取异步电机模型；
[0008]步骤2：在步骤1的异步电机模型基础上，模拟不同的异步电机故障类型与故障程度，得到故障电机的模型；
[0009]步骤3：对步骤1建立的异步电机模型与步骤2建立的故障电机模型进行仿真，得到异步电机在正常运行条件下及步骤2模拟的不同的故障类型与故障程度运行条件下的电流数据；
[0010]步骤4：利用Park矢量轨迹方法对步骤3仿真得到的电流数据进行分析，获取相应的Park矢量轨迹图；
[0011]步骤5：对步骤4得到的Park矢量轨迹图采用LBP特征提取算法，进行图形特征提取，降低数据维度，形成特征向量
[0012]步骤6：对步骤5得到的特征向量，使用SVM算法进行分类，识别电机故障类型。
[0013]进一步地，所述对待检测的异步电机进行建模采用ANSYS仿真软件。
[0014]进一步地，所述步骤2中，模拟不同的异步电机故障类型与故障程度包括：
[0015]模拟转子断条故障类型，故障程度从转子断条1根至转子断条9根，共9种故障电机模型。
[0016]进一步地，所述步骤4利用Park矢量轨迹方法对步骤3仿真得到的电流数据进行分析，获取相应的Park矢量轨迹图，具体为：
[0017]对步骤3得到的电流数据，采用Park矢量轨迹分析方法，将电机定子电流从(A,B,C)三相静止坐标系转换到(D,Q)两相静止坐标中，其中(D,Q)两相静止坐标分别对应的电流分类i
D
和i
Q
构成一个Park矢量；i
D
和i
Q
与定子三相电流(i
A
,i
B
,i
C
)之间的转换关系如下：
[0018][0019]当定子三相电流相互平衡时，Park矢量具有下列形式：
[0020][0021]由上式推导出：其中i
M
为电源相电流幅值；ω为电源角频率；t为时间。
[0022]进一步地，所述步骤5具体如下：
[0023]步骤5
‑
1：将Park矢量轨迹图划分为16
×
16的小区域，每个小区域设为一个cell；
[0024]步骤5
‑
2：计算每个像素点的LBP特征值：
[0025][0026][0027]其中，(x
c
,y
c
)为中心像素的坐标，p为邻域的第p个像素，i
p
为邻域像素的灰度值，i
c
为中心像素的灰度值，s(x)为符号函数，P表示邻域的像素总数；
[0028]步骤5
‑
3：计算每个cell的LBP特征值直方图，然后对该直方图进行归一化处理；
[0029]步骤5
‑
4：将得到的每个cell的直方图连接成为一个特征向量，得到此Park矢量轨迹图的LBP特征向量。
[0030]进一步地，所述步骤6中，使用SVM算法进行分类，具体如下：
[0031]SVM算法是求解最优化问题：
[0032][0033]s.t.y
i
(w
T
x
i
+b)≥1
‑
ξ
i
[0034]ξ
i
≥0,i＝1,2,
…
,N
[0035]其中w是超平面的法向量，b为偏移量，C为惩罚系数，ξ
i
为松弛变量,T为训练集，x＝{x1,...,x
N
}和y＝{y1,...,y
N
}代表给定的输入数据和学习目标；
[0036]定义此优化问题为原问题，根据拉格朗日乘子：α＝{α1,
…
,α
N
}，μ＝{μ1,
…
,μ
N
}可得到其拉格朗日函数：
[0037][0038]令拉格朗日函数对优化目标w,b,ξ的偏导数为0，可得到：
[0039][0040]将其带入拉格朗日函数后得到原问题的对偶问题：
[0041][0042][0043]求解此凸二次规划问题，获得最优解选取位于开区间(0，C)中的α
*
和分量，计算进而构造最优分类函数：
[0044][0045]采用最优分类函数识别电机故障类型。
[0046]本专利技术的有益效果如下：
[0047]本专利技术提出的异步电机转子断条故障检测方法，具有省时省力的特点，该方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的异步电机转子断条故障检测方法，其特征在于，包括如下步骤：步骤1：对待检测的异步电机进行建模，获取异步电机模型；步骤2：在步骤1的异步电机模型基础上，模拟不同的异步电机故障类型与故障程度，得到故障电机的模型；步骤3：对步骤1建立的异步电机模型与步骤2建立的故障电机模型进行仿真，得到异步电机在正常运行条件下及步骤2模拟的不同的故障类型与故障程度运行条件下的电流数据；步骤4：利用Park矢量轨迹方法对步骤3仿真得到的电流数据进行分析，获取相应的Park矢量轨迹图；步骤5：对步骤4得到的Park矢量轨迹图采用LBP特征提取算法，进行图形特征提取，降低数据维度，形成特征向量步骤6：对步骤5得到的特征向量，使用SVM算法进行分类，识别电机故障类型。2.根据权利要求1所述的一种基于机器学习的异步电机转子断条故障检测方法，其特征在于，所述对待检测的异步电机进行建模采用ANSYS仿真软件。3.根据权利要求1所述的一种基于机器学习的异步电机转子断条故障检测方法，其特征在于，所述步骤2中，模拟不同的异步电机故障类型与故障程度包括：模拟转子断条故障类型，故障程度从转子断条1根至转子断条9根，共9种故障电机模型。4.根据权利要求3所述的一种基于机器学习的异步电机转子断条故障检测方法，其特征在于，所述步骤4利用Park矢量轨迹方法对步骤3仿真得到的电流数据进行分析，获取相应的Park矢量轨迹图，具体为：对步骤3得到的电流数据，采用Park矢量轨迹分析方法，将电机定子电流从(A,B,C)三相静止坐标系转换到(D,Q)两相静止坐标中，其中(D,Q)两相静止坐标分别对应的电流分类i
D
和i
Q
构成一个Park矢量；i
D
和i
Q
与定子三相电流(i
A
,i
B
,i
C
)之间的转换关系如下：当定子三相电流相互平衡时，Park矢量具有下列形式：由上式推导出：其中i
M
为电源相电流幅值；ω为电源角频率；t为时间。5.根据权利要求4所述的一种基于机器学习的异步电机转子断条故障检测方法，其特征在于，所述步骤5具体如下：步...

【专利技术属性】
技术研发人员：刘景林，乔琰，陈颖康，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：