【技术实现步骤摘要】
一种基于振动的异步电机匝间局部放电故障诊断方法
[0001]本专利技术涉及的是高压电力设备的故障诊断
,具体是一种基于振动的异步电机匝间局部放电故障诊断方法。
技术介绍
[0002]电动机的使用和控制较为方便,具有自起动、加速、反转等能力,其中应用最广泛的是交流异步电动机。随着电力电子技术的发展,交流电动机的调速技术渐趋成熟,设备价格日益降低,已开始得到应用。然而,异步电机中由于绝缘缺陷等原因产生的局部放电(PD)现象常常伴随着电脉冲、超声波、电磁辐射等信号,影响电气设备的安全正常运行。
[0003]对于异步电机局部放电的故障类型识别方法,以往方法多采用海量的训练集对构建的深度学习算法模型进行优化修正,当数据量变少时,基于深度学习算法的局部放电故障类型识别的精度将降低、鲁棒性较差;对于PD的定位问题,虽然单一PD信号的故障定位方法在理论和实践中均取得了丰富的成果,但实际工业现场中,多个电气设备同时产生的PD信号难以保证定位方法的适用性。因此,针对训练集的数据量小及多源PD信号的定位困难的问题,亟需采用一种新的故障诊断方法以提高PD信号故障类型识别与定位的精度。
[0004]经对现有
的检索发现,中国专利申请号为202211569569.0,申请公告号为CN116223985A,专利名称为:一种用于电气设备局部放电缺陷的诊断方法及系统,该专利对采集到的PD信号使用经验模态分解后,对得到的若干个IMF分量进行二阶奇异差分谱降噪,该方法虽然可以滤除部分白噪声的干扰,但EMD方法易发生模态混叠现象 ...
【技术保护点】
【技术特征摘要】
1.一种基于振动的异步电机匝间局部放电故障诊断方法,其特征在于,包含以下步骤:步骤1:在试验平台中分别模拟异步电机绝缘层损伤、匝间异物和匝间气隙三种局部放电(PD)类型的振动信号,采集并建立PD振动信号的频谱样本数据集1;步骤2:使用监测模块监测PD引起的振动信号,并结合EMD和WT算法对PD振动信号进行降噪,其基本步骤为:S2
‑
1:对原PD振动信号使用经验模态(EMD)分解,得到一系列信号序列式中,c
i
(t)为第i个采用EMD分解的本征模态函数,i=1,2,...,n;S2
‑
2:将得到的信号序列x(t)分为低频信号序列X1(t)和高频信号序列X2(t),若为高频信号序列,则进入步骤S2
‑
3;若为低频信号序列,则进入步骤S2
‑
5;S2
‑
3:选取阈值λ为其中,μ=mediam(|ω|/0.681),median为中值函数;L为信号序列长度,j为分解系数;S2
‑
4:以λ为阈值进行3层sym4提升小波变换去噪,得到高频信号序列变换后的X
21
(t);S2
‑
5:将低频信号序列X1(t)和小波变换去噪后的高频信号序列X
21
(t)进行反变换重构,得到降噪后的PD振动信号结果X(t);步骤3:对降噪后的PD振动信号X(t)进行快速傅里叶变换以获得振动频谱,选取1500~5000Hz频段内以50Hz为倍数关系的频谱作为PD振动频谱特征,基于振动频谱特征识别PD故障类型的步骤为:S3
‑
1:将振动频谱特征样本数据集I按照不同放电类型等比例分为k个训练集和I
‑
k个测试集;S3
‑
2:构建PD振动信号ResNet101训练模型,初始化卷积层和池化层,卷积层的计算公式为:式中,X
i,m
‑1为m
‑
1层的特征图谱i,i=1,...,p;X
j,m
为m层的特征图谱j,j=1,...,q;c
j,m
为m层的偏置量j;K
ij,m
为m层特征图谱i的对应权值j;池化层的计算公式为:X
j,m
=β
j,m
down(X
j,m
‑1)+c
j,m
ꢀꢀꢀꢀ
式(2)式中,β
j,m
为m层的可训练参数j;down为池化层采样函数;S3
‑
3:将k个训练集分别输入初始化的模型,计算分类损失,分类损失...
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。