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

本发明专利技术公开了一种基于振动的异步电机匝间局部放电故障诊断方法，包含了局部放电匝间振动信号的降噪、故障类型识别和故障定位三大功能，为相关检修人员提供一种新的综合诊断策略，节约时间和经济成本。首先使用基于EMD

【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，因此该专利所提出的降噪方法有待进一步提高。中国专利申请号为202310093505.6，申请公告号为CN116028780A，专利名称为：局部放电数据的快速滤波降噪方法及其系统，该专利根据提出的降噪系统设计快速滤波降噪的方法，实现更高的PD测量结果的准确度，但该专利采用的基于硬件装置的检测方法对测量现场的条件要求较高，易受外界环境的干扰。

技术实现思路

[0005]本专利技术的目的在于提出一种基于振动的异步电机匝间局部放电故障诊断方法，采用基于EMD
‑
WT的PD振动信号降噪方法，并基于该振动信号的频谱特征识别故障类型，之后使用基于FDTP
‑
GCC优化目标的算法对PD振动信号进行故障定位，以解决现有技术对异步电机匝间局部放电故障诊断方法可靠性不足的问题。
[0006]本专利技术具体采用以下技术方案：
[0007]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：
[0008]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I；
[0009]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：
[0010]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；
[0011]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；
[0012]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；
[0013]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X21(t)；
[0014]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)；
[0015]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：
[0016]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；
[0017]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：
[0018][0019]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；
[0020]池化层的计算公式为：
[0021]X
j，m
＝β
j，m
down(X
j，m
‑1)+c
j，m
ꢀꢀꢀꢀ
式(2)
[0022]式中，β
j，m
为m层的可训练参数j；down为池化层采样函数；
[0023]S3
‑
3：将k个训练集分别输入初始化的模型，计算分类损失，分类损失函数的计算公式为：
[0024][0025]式中，y
i
为期望值；ω和b分别为该训练集的权重和偏差；p
i
为预测概率；
[0026]S3
‑
4：重复步骤S3
‑
3的训练，待k次后得到训练后的PD振动信号分类识别模型；
[0027]S3
‑
5：将测试集I
‑
k中的数据输入至训练后的PD振动信号分类识别模型，若识别结果有偏差，对模型修正；否则进入步骤S3
‑
6；
[0028]S3
‑
6：将修正后的模型应用于降噪后获得的振动频谱，得到故障类型识别结果；
[0029]步骤4：使用基于FDTP
‑
GCC算法的优化目标，计算PD振动信号在异步电机中的具体故障空间位置，具体为：
[0030]S4
‑
1：记异步电机中粒子n(n＝1，...，N)的空间坐标为(x
n
，y
n
，z
n
)，传感器m(m＝1，...，M)的空间坐标为(x
m
，y
m
，z
m
)；
[0031]S4
‑
2：粒子n经过第一个传感器和第m个传感器的时间间隔τ
m1，n
为：
[0032][0033]式中，v为异步电机中的声速；本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：程俊，马宏忠，刘久付，
申请(专利权)人：河海大学，
类型：发明
国别省市：