一种三相鼠笼式异步电机转子断条故障诊断方法技术

本发明专利技术公开了一种三相鼠笼式异步电机转子断条故障诊断方法

【技术实现步骤摘要】
一种三相鼠笼式异步电机转子断条故障诊断方法


[0001]本专利技术属于异步电机转子故障诊断
，特别涉及一种三相鼠笼式异步电机的转子断条故障诊断
。

技术介绍

[0002]三相异步电机因其结构简单
、
运行可靠
、
维护方便
、
高效率等特点，在各种工业场景中已经取得了广泛的应用
。
然而鼠笼式异步电机，尤其是大型鼠笼式异步电机，在运行过程中转子导条会受到径向电磁力
、
旋转电磁力
、
热弯曲扰动力等各种外力影响，容易发生转子导条断裂故障
。
转子断条故障约占所有故障的
10
％，是异步电机常见的主要故障类型之一
。
在某些工业应用场合，例如核电站，当大型电机发生转子断条故障后立即进行停机检查会造成大量人力
、
物力和经济损失
。
因此，如果能够及时诊断出转子断条故障并估计故障严重程度，对后续的故障处理措施和电机检查维修都具有十分重要的意义
。
[0003]目前，对于鼠笼式异步电机转子断条故障的诊断方法主要可以分为三类：基于信号分析的方法
、
基于模型的方法和基于人工智能的方法
。
基于信号分析的方法利用傅里叶变换
、
小波变换
、
希尔伯特变换等时频转换方法，将时域的电流信号转换到频域并进行频谱分析从而提取故障特征
。
但是，基于信号分析的方法需要大量的先验知识，并且受电机运行工况及环境的影响较大
。
基于模型的方法需要首先建立电机的数学模型，通过将测量到的实际电机信号与模型中的电机信号进行对比分析来检测故障
。
然而，基于模型的方法十分依赖于数学建模的准确性，并且该方法鲁棒性较差，当电机发生参数波动时诊断准确率会明显下降
。
近年来，随着人工智能技术的发展，基于人工智能的故障诊断技术也成为了研究热点
。
基于人工智能的方法不需要大量的先验知识，同时能够在训练过程中滤除噪声，强化故障特征的表达，具有较强的鲁棒性
。
[0004]近年来，对于采用人工智能方法实现转子断条故障诊断，已有国内外学者进行了一定的研究，并取得了理想的成果
。
但是，大多数研究仅针对转子断条故障于其他故障的分类诊断，并不能够对于转子断条的严重程度进行估计
。
同时，对于早期轻微的转子断条故障的诊断研究也较少

技术实现思路

[0005]针对三相异步电机转子断条故障诊断研究相对较少的现状，并且为了充分利用故障数据，实现不同故障程度的估计，本专利技术提出了一种双分支注意力特征融合的残差卷积神经网络的三相异步电机转子断条故障诊断方法
。
[0006]为达到技术目的，本专利技术采用如下技术方案：
[0007]一种采用双分支注意力特征融合的残差卷积神经网络的三相鼠笼式异步电机转子断条故障诊断方法，包括如下步骤：
[0008]步骤
S1
，搭建三相异步同步电机实验平台
。
[0009]步骤
S2
，在电机实验平台上，将故障电机设置为不同工况，并通过数据采集系统，
收集电机电流的历史数据，包括电机正常运行数据与不同工况下的转子断条故障数据
。
[0010]步骤
S3
，整理所述步骤2的样本数据集，将样本数据集分为训练集和测试集两部分
。
[0011]步骤
S4
，将数据样本进行希尔伯特变换求包络来突出故障特征，并利用
Pytorch
设计转子断条故障诊断神经网络模型
。
所述双分支注意力特征融合的残差卷积神经网络包括带有残差结构的残差模块
、
上采样模块
、
下采样模块
、
通道注意力融合模块和分类层
。
首先使用残差模块提取网络的故障特征，防止网络加深带来的退化问题，同时能加快网络收敛，防止过拟合；其次通过上采样模块和下采样模块分别对两个分支的特征进行特征对齐与偏移补偿，避免特征偏移与特征丢失；然后采用通道注意力机制融合不同层次和尺度的特征，强化有效特征，过滤噪声和无用特征；最后采用分类层输出结果
。
[0012]步骤
S5
，使用训练集进行神经网络模型训练，迭代过程中利用交叉熵损失函数计算诊断结果与真实类别之间的误差，并进行误差反向传播，对神经网络结构和超参数进行调整，重复上述过程进行多次训练，直至超过迭代次数确定最优神经网络参数
。
[0013]步骤
S6
，使用测试集对网络性能进行测试，将测试样本输入最优结构的神经网络中，得到最终的诊断结果
。
若测试样本的准确率大于
95
％，即满足实际诊断要求，实现三相鼠笼式异步电机的转子断条故障
(BRB)
诊断
。
[0014]进一步，所述步骤2中采集电机电流数据时，为了模拟不同严重程度的故障，分别采集
1Nm、2Nm
和
3Nm
三种负载下电机正常
、
转子断条半根，转子断条一根和转子断条三根共
12
种运行工况
。
[0015]进一步，所述步骤3中划分数据集时，为了能够充分利用数据，提取更有效的特征，采用数据增强，并进行归一化处理
。
该方法使用等间隔滑动窗口的数据增强方法对原始数据进行重叠采样，获得样本数据集
。
每种工况设置
1000
个样本，按照7：3划分为训练集和测试集，样本长度为
1024
个数据点
。
[0016]进一步，所述步骤4中转子断条故障发生后，采集的电流信号中存在噪音与谐波干扰且故障特征不明显，采用算法突出故障特征，抑制噪声与谐波，并对提取出的特征进行充分的利用，增强模型的学习能力
。
[0017]步骤
S41
：当电机发生转子断条故障后，电流中会出现频率为
(1
±
2s)f
的故障特征分量
。
由于电机运行时的转差率
s
和故障特征分量的幅值都很小，使得故障特征不易被提取
。
通过希尔伯特变换求包络可以滤去基频分量，突出故障特征
。
对于一个实值函数
x(t),
它的希尔伯特变换如下所示：
[0018][0019]其中，
f
为电机电源的供电频率；
s
为电机的转差率；
t
为函数的时间变量；
τ
为时间常数；
x(
τ
)
为以时间常数为变量的函数形本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种采用双分支注意力特征融合的残差卷积神经网络的三相异步电机转子断条故障诊断方法，其特征在于，包括如下步骤：步骤
S1
，搭建三相鼠笼式异步电机实验平台；步骤
S2
，在电机实验平台上，将故障电机设置为不同工况，并通过数据采集系统，收集电机电流的历史数据，包括电机正常运行数据与不同工况下的转子断条故障数据；步骤
S3
，整理所述步骤2的样本数据集，将样本数据集划分为训练集和测试集两部分；步骤
S4
，将数据样本进行希尔伯特变换求包络来突出故障特征，并利用
Pytorch
设计转子断条故障诊断神经网络模型；所述双分支注意力特征融合的残差卷积神经网络依次包括带有残差结构的残差层
、
上采样层
、
下采样层
、
通道注意力融合层和分类层；首先使用残差模块提取网络的故障特征，防止网络加深带来的退化问题，同时能加快网络收敛，防止过拟合；其次通过上采样模块和下采样模块分别对两个分支的特征进行特征对齐与偏移补偿，避免特征偏移与特征丢失；然后采用通道注意力机制融合不同层次和尺度的特征，强化有效特征，过滤噪声和无用特征；最后采用分类层输出结果；步骤
S5
，使用训练集进行神经网络模型训练，迭代过程中利用交叉熵损失函数计算诊断结果与真实类别之间的误差，并进行误差反向传播，对神经网络结构和超参数进行调整，重复上述过程进行多次训练，直至超过迭代次数确定最优神经网络参数；步骤
S6
，使用测试集对网络性能进行测试，将测试样本输入最优结构的神经网络中，得到最终的诊断结果；若测试样本的准确率大于
95
％，即满足实际诊断要求，实现三相鼠笼式异步电机的转子断条故障诊断
。2.
根据权利要求1所述的方法，其特征在于，所述步骤2中采集电机电流数据时，为了模拟不同严重程度的故障，分别采集
1Nm、2Nm
和
3Nm
三种负载下电机正常
、
转子断条半根
、
转子断条一根和转子断条三根的多种运行工况
。3.
根据权利要求1所述的方法，其特征在于，所述步骤3中划分数据集时，为了能够充分利用数据，提取更有效的特征，采用数据增强，并进行归一化处理；该方法使用等间隔滑动窗口的数据增强方法对原始数据进行重叠采样，获得样本数据集；每种工况设置
1000
个样本，按照7：3划分为训练集和测试集，样本长度为
1024
个数据点
。4.
根据权利要求1所述的方法，其特征在于，所述步骤4中转子断条故障发生后，采集的电流信号中存在噪音与谐波干扰且故障特征不明显，故采用算法突出故障特征，抑制噪声与谐波，并对提取出的特征进行充分的利用，增强模型的学习能力；具体步骤如下：步骤
S41
：当电机发生转子断条故障后，电流中会出现频率为
(1
±
2s)f
的故障特征分量；由于电机运行时的转差率
s
和故障特征分量的幅值都很小，使得故障特征不易被提取；通过希尔伯特变换求包络可以滤去基频分量，突出故障特征；对于一个实值函数
x(t),
它的希尔伯特变换如下所示：其中，
f
为电机电源的供电频率；
s
为电机的转差率；
t
为函数的时间变量；
τ
为时间常数；

【专利技术属性】
技术研发人员：王志坚，束煜晖，孙瑶，刘国海，吴震，宋向金，张文磊，陈琛，高凯，
申请(专利权)人：江苏大学，
类型：发明
国别省市：