电机故障诊断方法及系统技术方案

本发明专利技术提供电机故障诊断方法及系统，方法包括：采集电机定子电流数据，转化得到定子电流图像，以对空心杯电机的定子三相电流进行

【技术实现步骤摘要】
电机故障诊断方法及系统


[0001]本专利技术涉及计算机视觉以及电机故障诊断领域，具体涉及电机故障诊断方法及系统
。

技术介绍

[0002]目前，用于电机定转子故障检测和识别的方法有基于振动信号
、
基于温度信号
、
基于磁通信号和基于定子电压电流信号等，故障识别方法则是基于各种电机信号和智能分类算法以识别电机故障
。
在故障早期能够对故障进行快速准确的识别对于永磁同步电机系统有着至关重要的作用
。
一方面可以避免对电机乃至整个系统造成损失，使系统能够平稳运行；一方面可以节约后续维护维修成本
。
当前永磁同步电机故障诊断方法大致可以分为基于数学模型的故障诊断方法
、
基于信号分析的故障诊断方法以及基于人工智能的故障诊断方法
。
[0003]基于振动信号的检测方法需要安装传感器，需要将电机打开并且会对电机造成一些伤害；基于温度信号的检测方法受周围环境影响较大；基于磁通信号的检测方法容易受周围电磁干扰的影响，并且安装的探测线圈不易实现；而基于定子电压电流的检测方法中，电压电流传感器不仅成本低，而且可被设计成非侵入式，故此方法渐渐成为检测电机定转子故障的主流手段
。
在现存的基于定子电压电流信号的电机故障检测方法中，检测结果过度依靠技术人员或专家的分析判断，诊断手段较为单调，且人工分析的效率较为低下，不能实现故障的自动检测
。
目前的电机故障识别方法中，电机故障信号虽能获取，但智能分类算法所需数据较多，这在实际应用中难以满足
。
基于信号的故障检测方法较多，从图形出发检测定转子故障方法提出相对较少
。
机器视觉
、
机器学习是近年来人工智能发展的产物，已广泛应用于各行各业，如人脸识别
、
车辆或行人检测等，但借助机器视觉和机器学习技术用于实现电机故障自动识别的研究目前并未出现
。
[0004]公布号为
CN116643164A
的现有专利技术专利申请文献
《
一种基于探测线圈的电机转子故障诊断方法及系统
》
该现有方法包括以下步骤：步骤一
、
数据采集：通过采样电路
、
旋转变压器采集电机运行过程中的转速信号，以及环绕在电机圆周上探测线圈的端电压信号，获取电机内部磁场的变化特征，以时间序列将采集得到的所有数据构建电机运行的状态特征数据库；步骤二
、
信号处理：根据步骤一采集到的数据，利用转速信号处理和计算出的电机转子转速，对采集到的探测线圈端电压信号进行分析和处理；再利用傅里叶变换处理端电压信号，获取各次谐波幅值作为特征；得到的特征用于后续构建随机森林模型；步骤三
、
训练转子故障诊断模型：根据电机在不同转子状态下的6个探测线圈端电压离线数据；训练第一个随机森林模型完成对电机转子状态的分类识别；训练第二个随机森林完成识别故障类型；步骤四
、
转子异常检测与故障分离：利用构建好的转子故障诊断模型，对采集得到的数据进行实际的转子异常检测和故障分离
。
以及公布号为
CN116559655A
的现有专利技术专利申请文献
《
一种风力发电机定子故障检测方法
、
装置及故障预警系统
》
该现有方法包括：获取待诊断风力发电机定子的运行数据集；基于所述运行数据集，经过频率跟踪算法和预设计算
方法，得到所述待诊断风力发电机定子的故障特征量和相位差；基于所述故障特征量判断所述待诊断风力发电机定子是否发生定子绕组不对称故障；当所述待诊断风力发电机定子发生所述定子绕组不对称故障，基于所述相位差确定所述待诊断风力发电机定子的故障相
。
前述采用传统智能算法特征提取
+
特征降维
+
分类器的诊断算法，对专家经验要求高，设计耗时且不能保证通用性，已经不能满足电机大数据的要求
。
因此，提出使用基于卷积神经网络智能诊断算法，通过端到端的方式，来自动完成特征提取以及故障识别
。
[0005]综上，现有技术存在损伤电机
、
易受环境因素干扰
、
依赖人工经验
、
分析效率低以及设计难度大导致通用性低的技术问题
。

技术实现思路

[0006]本专利技术所要解决的技术问题在于：如何解决现有技术中损伤电机
、
易受环境因素干扰
、
依赖人工经验
、
分析效率低以及设计难度大导致通用性低的技术问题
。
[0007]本专利技术是采用以下技术方案解决上述技术问题的：电机故障诊断方法及系统包括：
[0008]S1、
采集空心杯电机的定子电流数据，据以转化得到定子电流图像；
[0009]S2、
根据定子电流图像，对空心杯电机的定子三相电流进行
Park
变换，以得到
d
，
q
轴坐标下电流，根据预置图像故障关系，获取
Park
矢量合成图形；
[0010]S3、
设置卷积神经网络参数
、
层间连接关系，据以构建修正型故障诊断卷积神经网络，其中，修正型故障诊断卷积神经网络包括：
Inception
模块，供在修正型故障诊断卷积神经网络的输出通道之间，进行信息组合；
[0011]S4、
将
Park
矢量合成图形划分为训练集
、
测试集，根据训练集，训练修正型故障诊断卷积神经网络，据以获取适用诊断模型，将测试集输入适用诊断模型，据以诊断得到空心杯电机的故障诊断结果
。
[0012]本专利技术使用基于卷积神经网络智能诊断算法，通过端到端的方式，来自动完成特征提取以及故障识别
。
不同于传统的需要大量标签来学习，本方案可以实现不需要通过采用带标签的数据来训练
。
本专利技术采用的特征提取方式不需要提取海量数据，减少了对专家经验的要求，设计方便，提高了系统的通用性，能够满足电机大数据的要求
。
因此，本专利技术通过端到端的方式，来自动完成特征提取以及故障识别
。
[0013]在更具体的技术方案中，步骤
S1
包括：利用下述逻辑，将定子三相电流
ia
，
ib
，
ic
，从
abc
坐标转换成
d
，
q
轴坐标下电流：
id,iq
：
[0014][0015]在更具体的技术方案中，步骤
S1
还包括：
[0016]S11、
在理想状态下，利用空心杯电机的相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
电机故障诊断方法，其特征在于，所述方法包括：
S1、
采集空心杯电机的定子电流数据，据以转化得到定子电流图像；
S2、
根据所述定子电流图像，对所述空心杯电机的定子三相电流进行
Park
变换，以得到
d
，
q
轴坐标下电流，根据预置图像故障关系，获取
Park
矢量合成图形；
S3、
设置卷积神经网络参数
、
层间连接关系，据以构建修正型故障诊断卷积神经网络，其中，所述修正型故障诊断卷积神经网络包括：
Inception
模块，供在所述修正型故障诊断卷积神经网络的所述输出通道之间，进行信息组合；
S4、
将所述
Park
矢量合成图形划分为训练集
、
测试集，根据所述训练集，训练所述修正型故障诊断卷积神经网络，据以获取适用诊断模型，将所述测试集输入所述适用诊断模型，据以诊断得到所述空心杯电机的故障诊断结果
。2.
根据权利要求1所述的电机故障诊断方法，其特征在于，所述步骤
S1
包括：利用下述逻辑，将所述定子三相电流
ia
，
ib
，
ic
，从
abc
坐标转换成所述
d
，
q
轴坐标下电流：
id,iq
：
3.
根据权利要求1所述的电机故障诊断方法，其特征在于，所述步骤
S1
还包括：
S11、
在理想状态下，利用所述空心杯电机的相电流
、
供电电源角频率，转换得到所述
d
，
q
轴坐标下电流；
S12、
根据所述所述
d
，
q
轴坐标下电流，在
(d,q)
二项坐标系中，形成的矢量轨迹，以及预置图像故障关系，获取所述
Park
矢量合成图形
。4.
根据权利要求3所述的电机故障诊断方法，其特征在于，所述步骤
S11
中，在理想状态下，利用所述空心杯电机的相电流
、
供电电源角频率，转换得到所述
d
，
q
轴坐标下电流：式中，
Im
为相电流最大值；
omega
为供电电源角频率，
r
为
Park
合成矢量
。5.
根据权利要求3所述的电机故障诊断方法，其特征在于，所述步骤
S12
中，所述图像故障关系包括：在当所述空心杯电机出现退磁故障时，所述
Park
矢量合成图形的半径增大；在所述空心杯电机出现匝间短路故障时，所述
Park
矢量合成图形，由标准圆畸变为椭圆形
。6.
根据权利要求1所述的电机故障诊断方法，其特征在于，所述步骤
S112
中的所述图像故障关系还包括：所述
Park
矢量合成图形的
Park
合成矢量
r
最...

【专利技术属性】
技术研发人员：杜倩雯，代明光，窦满峰，
申请(专利权)人：江淮前沿技术协同创新中心，
类型：发明
国别省市：