曳引机退磁诊断方法技术

本申请提供一种曳引机退磁诊断方法

【技术实现步骤摘要】
曳引机退磁诊断方法、装置、电子设备及存储介质


[0001]本专利技术涉及故障诊断
，具体而言，涉及一种曳引机退磁诊断方法
、
装置
、
电子设备及存储介质
。

技术介绍

[0002]伴随着高层建筑的修筑量逐渐增多，电梯已成为人们起居中必不可少的工具
。
永磁同步曳引机具有低转速输出扭矩大
、
结构紧凑
、
所占空间小和易于安装等优点，常用于电梯的动力装置
。
但永磁同步曳引机在驱动力
、
磁场
、
热应力耦合影响下，易造成永磁体材料稳定性突变，出现退磁现象
。
[0003]由于曳引机永磁体安装在转子上，在电梯日常运行维护中，进行失磁故障判别必须拆卸永磁曳引机，其安装拆卸均需要专门的工具，且工序繁复，这就为现场进行失磁检测带来极大不便
。

技术实现思路

[0004]有鉴于此，本申请实施例的目的在于提供一种曳引机退磁诊断方法
、
装置
、
电子设备及存储介质，能够改善当下曳引机退磁诊断不便
、
成本高昂的问题
。
[0005]为实现上述技术目的，本申请采用的技术方案如下：
[0006]第一方面，本申请实施例提供了一种曳引机退磁诊断方法，所述方法包括：
[0007]获取表征待诊断曳引机运行工况的特征参数，所述特征参数包括所述待诊断曳引机的相电流参数
、/>曳引轮输入转速脉动
、
所述待诊断曳引机正常运行时的曳引轮的动态输出扭矩参数和机身震动参数；
[0008]对所述特征参数进行预处理，以得到经过预处理的特征参数；
[0009]通过预设的诊断模型对所述经过预处理的特征参数进行退磁诊断，以得到表征所述待诊断曳引机退磁情况的诊断结果
。
[0010]结合第一方面，在一些可选的实施方式中，对所述特征参数进行预处理，以得到经过预处理的特征参数，包括：
[0011]对所述特征参数进行归一化，如下：
[0012][0013]式中，
y
i
表示归一化序列，
x
i
表示序列信号，
n
表示特征信号长度，以得到所述经过预处理的特征参数
。
[0014]结合第一方面，在一些可选的实施方式中，所述诊断结果包括健康
、
轻度退磁
、
中度退磁和重度退磁
。
[0015]结合第一方面，在一些可选的实施方式中，在通过预设的诊断模型对所述经过预处理的特征参数进行退磁诊断，以得到表征所述待诊断曳引机退磁情况的诊断结果之前，所述方法还包括：
[0016]将所述经过预处理的特征参数输入预设生成模型，以生成表征所述待诊断曳引机运行工况且与所述经过预处理的特征参数相似的扩充样本；
[0017]将所述扩充样本并入所述经过预处理的特征参数，以拓展所述经过预处理的特征参数的数据量
。
[0018]结合第一方面，在一些可选的实施方式中，在获取表征待诊断曳引机运行工况的特征参数之前，所述方法还包括：
[0019]以
WGAN
生成模型为网络结构，定义
CW
‑
GAN
生成模型，其中，所述
CW
‑
GAN
生成模型的代价函数为：
[0020][0021]式中，为
gradient penalty
项，
λ
表示惩罚因子，表示随机线性差值
P
G
和
P
data
得到的实际惩罚区域，
P
G
表示生成数据分布，
P
data
表示真实数据分布，
G
表示生成器，
D
表示鉴别器；
[0022]对所述
CW
‑
GAN
生成模型进行训练，得到经过训练的
CW
‑
GAN
生成模型，以作为所述预设生成模型
。
[0023]结合第一方面，在一些可选的实施方式中，对所述
CW
‑
GAN
生成模型进行训练，得到经过训练的
CW
‑
GAN
生成模型，以作为所述预设生成模型，包括：
[0024]A1
：获取预设训练参数，所述预设训练参数包括学习速率
、
权重区间参数
、
批量大小
、
每次生成器迭代时对应鉴别器的迭代次数
、
鉴别器网络初始权重
、
生成器网络初始权重；
[0025]A2
：根据所述预设训练参数，从所述真实数据分布中抽取第一批量样本
、
所述第一批量样本对应的第一标签，并对所述第一批量样本和所述第一标签进行配对，得到第一训练样本；
[0026]A3
：以及，从低维噪声分布中抽取第二批量样本以及所述第二批量样本对应的第二标签，对所述第二批量样本和所述第二标签进行配对，以得到第二训练样本；
[0027]A4
：对所述第一训练样本和所述第二训练样本进行编码融合，并输入所述生成器，以得到所述生成器生成的第一生成数据；
[0028]A5
：锁定所述生成器的网络参数，将所述第一生成数据和所述真实样本数据分布交替输入所述鉴别器，以对所述鉴别器进行训练，并在每次所述鉴别器训练结束后对所述鉴别器的网络权重进行限制，直至所述鉴别器的代价函数最大化；
[0029]A6
：锁定所述鉴别器的网络参数，并将编码融合后的所述第一训练样本和所述第二训练样本输入所述生成器，以得到所述生成器生成的第二生成数据；
[0030]A7
：通过所述第二生成数据更新所述低维噪声分布，并重复步骤
A2
到
A6
，直至所述
CW
‑
GAN
生成模型的代价函数趋于稳定并收敛为
0。
[0031]结合第一方面，在一些可选的实施方式中，所述方法还包括：
[0032]当所述诊断结果为所述轻度退磁
、
所述中度退磁或所述重度退磁时，发出表征所述轻度退磁
、
所述中度退磁或所述重度退磁的提示信息
。
[0033]第二方面，本申请实施例还提供一种曳引机退磁诊断装置，所述装置包括：
[0034]获取单元，用于获取表征待诊断曳引机运行工况的特征参数，所述特征参数包括
所述待诊断曳引机的相电流参数
、
曳引轮输入转速脉动
、
所述待诊断曳引机正常运行时的曳引轮的动态输出扭矩参数和机身震动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种曳引机退磁诊断方法，其特征在于，所述方法包括：获取表征待诊断曳引机运行工况的特征参数，所述特征参数包括所述待诊断曳引机的相电流参数
、
曳引轮输入转速脉动
、
所述待诊断曳引机正常运行时的曳引轮的动态输出扭矩参数和机身震动参数；对所述特征参数进行预处理，以得到经过预处理的特征参数；通过预设的诊断模型对所述经过预处理的特征参数进行退磁诊断，以得到表征所述待诊断曳引机退磁情况的诊断结果
。2.
根据权利要求1所述的方法，其特征在于，对所述特征参数进行预处理，以得到经过预处理的特征参数，包括：对所述特征参数进行归一化，如下：式中，
y
i
表示归一化序列，
x
i
表示序列信号，
n
表示特征信号长度，以得到所述经过预处理的特征参数
。3.
根据权利要求1所述的方法，其特征在于，所述诊断结果包括健康
、
轻度退磁
、
中度退磁和重度退磁
。4.
根据权利要求1所述的方法，其特征在于，在通过预设的诊断模型对所述经过预处理的特征参数进行退磁诊断，以得到表征所述待诊断曳引机退磁情况的诊断结果之前，所述方法还包括：将所述经过预处理的特征参数输入预设生成模型，以生成表征所述待诊断曳引机运行工况且与所述经过预处理的特征参数相似的扩充样本；将所述扩充样本并入所述经过预处理的特征参数，以拓展所述经过预处理的特征参数的数据量
。5.
根据权利要求4所述的方法，其特征在于，在获取表征待诊断曳引机运行工况的特征参数之前，所述方法还包括：以
WGAN
生成模型为网络结构，定义
CW
‑
GAN
生成模型，其中，所述
CW
‑
GAN
生成模型的代价函数为：式中，为
gradient penalty
项，
λ
表示惩罚因子，表示随机线性差值
P
G
和
P
data
得到的实际惩罚区域，
P
G
表示生成数据分布，
P
data
表示真实数据分布，
G
表示生成器，
D
表示鉴别器；对所述
CW
‑
GAN
生成模型进行训练，得到经过训练的
CW
‑
GAN
生成模型，以作为所述预设生成模型
。6.
根据权利要求5所述的方法，其特征在于，对所述
CW
‑
GAN
生成模型进行训练，得到经过训练的
CW
‑
GAN
生成模型，以作为所述预设生成模型，包括...

【专利技术属性】
技术研发人员：邱勇军，康笃刚，康立贵，黄崧，马琳，彭燕，杨恒，黄艳芸，张宁静，罗晓蓉，何煦，何晓华，龙美宏，陈欣，
申请(专利权)人：太原科技大学，
类型：发明
国别省市：