一种在多负载工况下的永磁同步电机退磁故障诊断方法技术

本发明专利技术提供一种在多负载工况下的永磁同步电机退磁故障诊断方法，包括采集永磁同步电机振动信号，还包括以下步骤：将所述永磁同步电机振动信号拓展为二维时频信号；提取二维时频图故障特征；一组带标签的负载工况下的数据样本作为源域，另一组未知标签的负载工况下的数据样本作为目标域，同时将源域和目标域的数据样本输入到诊断模型的特征提取器和分类器。本发明专利技术提出了一种在多负载工况下的永磁同步电机退磁故障诊断方法，将多负载工况下的一维时域信号转换时频图像，该图像对多负载工况具备较强的不变适应性；通过卷积注意力结合残差网络提升了特征的有效性，并使用多层子域自适应方法对齐数据分布实现故障诊断。应方法对齐数据分布实现故障诊断。应方法对齐数据分布实现故障诊断。

【技术实现步骤摘要】
一种在多负载工况下的永磁同步电机退磁故障诊断方法


[0001]本专利技术涉及永磁同步电机故障诊断的
，特别是一种在多负载工况下的永磁同步电机退磁故障诊断方法。

技术介绍

[0002]电机作为工业生产和国民生活的动力之源，被广泛应用在电力、石化、冶金、矿山、煤炭等行业。其中永磁同步电机由于其各种性能都比较优异而越来越受到重视。永磁同步电机的永磁体都是由钕铁硼这些金属材料构成，其居里温度较低。在电机的运行过程中当永磁体失磁后，剩余磁感应强度会下降，当负载不发生变化时，电机损耗和发热都会增加，如果不及时加以改善则可能引起电机停摆甚至烧坏。严重时甚至会造成财产损失和人员伤亡。因此对电机进行故障诊断是十分必要的。
[0003]在测量的电机状态信号中不仅包含了电机故障特征，同时还混杂着冗余信号和其他干扰信号。因此在电机的故障诊断过程中对于故障特征的提取显得尤为重要。现有的理论和方法集中于时域、频域或者小波域中的特征提取。主要的特征提取方法有快速傅里叶变换(FFT)、连续小波变换(CWT)、希尔伯特变换(HHT)、S变换，Teager
–
Kaiser energy operator(TKEO)等方法。但是这些方法只能从一维时域信号中提取故障特征，而无法获得电机状态信号中的二维特征。将电机的状态信号拓展到二维图像，更有利于进行故障诊断。
[0004]将故障特征提取与智能分类模型结合可以用来来实现故障识别与分类。目前被广泛使用的智能分类模型主要包括神经网络、支持向量机(SVM)、随机森林、决策树、以及K最近邻(KNN)，极限学习机(ELM)等。这些智能分类模型的诊断准确性很大程度上取决于从原始信号中提取的故障特征。由于采集的故障信号容易被环境噪声污染，特征提取困难且需要花费大量时间。
[0005]深度学习的快速发展极大地弥补了机器学习在故障诊断方面的不足。与深度学习相关的算法不需要人工提取特征，其可以自动学习故障信号的特征，并且能够取得很好的诊断效果。但是使用基于深度学习的诊断模型需要大量的训练样本以及足够多的样本种类，且训练样本和测试样本满足同分布和独立分布。然而在实际应用中，电机通常存在多负载工况下，而在多负载工况下收集具有足够标记的样本是困难的，这导致了训练样本与测试样本的分布不一致，极大降低了诊断模型在不同工况下的泛化能力。
[0006]现有的诊断方法，大多数只是在固定负载下有效，针对于旋转电机的退磁故障诊断，目前还没有深入的实际研究。因此，亟需研究一种在多负载工况下的永磁同步电机退磁故障诊断方法。
[0007]公开号为CN114264953A的专利技术专利申请公开了一种永磁同步电机退磁故障诊断方法和系统以及诊断装置，其中，方法包括以下步骤：获取三相电流信号，所述三相电流信号至少包括各相电流的幅值和相位；将所述三相电流信号进行二维图像化预处理，预处理所得图像样本录入样本库，所述图像样本包括训练样本和测试样本；以训练样本对卷积神经网络模型进行训练；以测试样本输入经过训练的卷积神经网络模型，获得退磁故障类型。
该方法虽然采用了卷积神经网络进行判断，然后方法相对简单，并不能准确诊断故障。

技术实现思路

[0008]为了解决上述的技术问题，本专利技术提出了一种在多负载工况下的永磁同步电机退磁故障诊断方法，将多负载工况下的一维时域信号转换时频图像，该图像对多负载工况具备较强的不变适应性；通过卷积注意力结合残差网络提升了特征的有效性，并使用多层子域自适应方法对齐数据分布实现故障诊断。
[0009]本专利技术提供一种在多负载工况下的永磁同步电机退磁故障诊断方法，包括采集永磁同步电机振动信号，还包括以下步骤：
[0010]步骤1：将所述永磁同步电机振动信号拓展为二维时频信号；
[0011]步骤2：提取二维时频图故障特征；
[0012]步骤3：一组带标签的负载工况下的数据样本作为源域，另一组未知标签的负载工况下的数据样本作为目标域，同时将源域和目标域的数据样本输入到诊断模型的特征提取器和分类器。
[0013]优选的是，所述步骤1包括将所述永磁同步电机振动信号采用离散小波变换方法转换为二维时频信号，其中，采用离散小波变换方法转换为二维时频信号为一维振动信号。
[0014]在上述任一方案中优选的是，所述步骤2包括采用基于卷积注意力模块的残差网络架构提取源域和目标域的故障特征。
[0015]在上述任一方案中优选的是，所述卷积注意力模块由通道注意力模块和空间注意力模块两个模块串联组成。
[0016]在上述任一方案中优选的是，对于一个给定的中间特征图G，依次经过所述通道注意力模块和所述空间注意力模块之后，得到的输出G2为：
[0017][0018][0019]C(G)＝ε(MLP(Avgpool(G)+Maxpool(G)))
[0020]S(G1)＝ε(f7×7[Avgpool(G1),Maxpool(G1)])
[0021]其中，表示矩阵按位乘，ε表示Sigmoid激活函数，MLP是有一个隐含层的卷积层，f7×7表示滤波器的大小为7
×
7的卷积运算。
[0022]在上述任一方案中优选的是，所述残差网络架构由不同数量的残差模块堆叠而成，不同的残差网络架构都是一层特征提取、四层残差结构，区别在于每层残差结构的深度。
[0023]在上述任一方案中优选的是，在所述残差模块中，通过快捷连接实现恒等映射，所述残差模块的输出被添加到堆叠层的输出中，所述残差模块的输出被定义为：
[0024]y＝f(x,{w
i
})+x
[0025]其中，x为从上一层接收的输入特征映射，f(x,{w
i
})表示要学习的残差映射函数。
[0026]在上述任一方案中优选的是，对于不同深度的残差网络架构，残差映射函数f有两层或者多层，当所述输入特征映射x和残差映射函数f的维度不相等时，通过快捷连接执行线性投影w
s
以匹配尺寸，经过维度匹配之后，输出变为：
[0027]y＝f(x,{w
i
})+w
s
x。
[0028]在上述任一方案中优选的是，所述步骤3包括以下子步骤：
[0029]步骤31：将源域和目标域的数据样本通过两个相同的故障诊断模型进行训练，训练次数达到设置的阀值时结束训练，保留最后一次训练的模型参数；
[0030]步骤32：将目标域的数据样本输入至训练完成的诊断模型采用softmax分类器进行分类。
[0031]在上述任一方案中优选的是，所述步骤31包括以下子步骤：
[0032]步骤311：采用基于多核局部最大平均差异的多层子域自适应增强特征表示的可移植性；
[0033]步骤312：采用一个全连接层的激活函数和CBAM用于减小在不同工况下同一故障类别相关子域间的分布差异；
[0034]步骤313：采用损失总和作为训练的标准，使得源域与目标域的分布本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种在多负载工况下的永磁同步电机退磁故障诊断方法，包括采集永磁同步电机振动信号，其特征在于，还包括以下步骤：步骤1：将所述永磁同步电机振动信号拓展为二维时频信号；步骤2：提取二维时频图故障特征；步骤3：一组带标签的负载工况下的数据样本作为源域，另一组未知标签的负载工况下的数据样本作为目标域，同时将源域和目标域的数据样本输入到诊断模型的特征提取器和分类器。2.如权利要求1所述的在多负载工况下的永磁同步电机退磁故障诊断方法，其特征在于，所述步骤1包括将所述永磁同步电机振动信号采用离散小波变换方法转换为二维时频信号，其中，采用离散小波变换方法转换为二维时频信号为一维振动信号。3.如权利要求2所述的在多负载工况下的永磁同步电机退磁故障诊断方法，其特征在于，所述步骤2包括采用基于卷积注意力模块的残差网络架构提取源域和目标域的故障特征。4.如权利要求3所述的在多负载工况下的永磁同步电机退磁故障诊断方法，其特征在于，所述卷积注意力模块由通道注意力模块和空间注意力模块两个模块串联组成，对于一个给定的中间特征图G，依次经过所述通道注意力模块和所述空间注意力模块之后，得到的输出G2为：为：C(G)＝ε(MLP(Avgpool(G)+Maxpool(G)))S(G1)＝ε(f7×7[Avgpool(G1),Maxpool(G1)])其中，表示矩阵按位乘，ε表示Sigmoid激活函数，MLP是有一个隐含层的卷积层，f7×7表示滤波器的大小为7
×
7的卷积运算。5.如权利要求4所述的在多负载工况下的永磁同步电机退磁故障诊断方法，其特征在于，所述残差网络架构由不同数量的残差模块堆叠而成，不同的残差网络架构都是一层特征提取、四层残差结构，区别在于每层残差结构的深度，在所述残差模块中，通过快捷连接实现恒等映射，所述残差模块的输出被添加到堆叠层的输出中，所述残差模块的输出被定义为：y＝f(x,{w
i
})+x其中，x为从上一层接收的输入特征映射，f(x,{w
i
})表示要学习的残差映射函数。6.如权利要求5所述的在多负载工况下的永磁同步电机退磁故障诊断方法，其特征在于，对于不同深度的残差网络架构，残差映射函数f有两层或者多层，当所述输入特征映射x和残差映射函数f的维度不相等时，通过快捷连接执行线性投影w
s
以匹配尺寸，经过维度匹配之后，输出变为：y＝f(x...

【专利技术属性】
技术研发人员：徐东，张晓飞，王岩磊，程红伟，黄金娥，杜贻群，刘鹏鹏，刘隆波，张扬，熊玲，王大翊，马力，王新鹏，
申请(专利权)人：中国人民解放军九二九四二部队，
类型：发明
国别省市：