基于卷积神经网络术的制造技术

本发明专利技术公开了基于卷积神经网络术的

【技术实现步骤摘要】
基于卷积神经网络术的IPMSM转子退磁和偏心故障诊断方法


[0001]本专利技术属
IPMSM
转子退磁和偏心故障诊断
，涉及基于卷积神经网络术的
IPMSM
转子退磁和偏心故障诊断方法
。

技术介绍

[0002]永磁同步电机
(PMSMs)
由于其广泛的恒功率速度范围
、
更好的动态性能和易于维护等多种优点，被应用于航天科技
、
电动汽车和工业机器人等行业中
。
因此，对
PMSM
的故障进行分析与诊断，具有重要的社会经济意义
。
[0003]目前电机的故障诊断方法主要可以归纳为三类：基于模型的方法
、
基于信号的方法
、
基于数据驱动的方法
。
其中基于模型的方法需要首先建立故障电机的数学模型，建模方法有：基于经典的状态估计或过程参数估计的方法
、
基于有限元法等
。
这种方法在模型的基础上进行故障分析，优点是深入电机运行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于卷积神经网络术的
IPMSM
转子退磁和偏心故障诊断方法，其特征在于：该方法为：先利用有限元仿真软件建立正常电机和退磁故障电机模型，以及非对称偏心故障模型；与
MATLAB
进行联合仿真，得到
IPMSM
定子电流数据；再通过快速傅里叶变换提取
IPMSM
定子电流数据中的频域特征数据，再通过基于自相关矩阵的图像转换法将频域特征数据转化为灰度图像数据；基于灰度图像数据建立图像数据集，搭建基于跳跃链接与空洞卷积空间池化金字塔的卷积神经网络模型
‑
GCNN
，并将图像数据集导入
GCNN
进行训练
。2.
根据权利要求1所述的基于卷积神经网络术的
IPMSM
转子退磁和偏心故障诊断方法，其特征在于：退磁故障电机模型的构建方法为：将
IPMSM
的定子中心与转子轴心的坐标
Or、Os
分别设置为
(0.06,0)
和
(0,0)
，使得定子中心与转子轴心距离为
0.06mm
，得到
10
％静态偏心故障的电机模型；将
IPMSM
的定子中心与转子轴心的坐标
Or、Os
分别设置为
(0.12,0)
和
(0.0)
，使得定子中心与转子轴心距离为
0.12mm
，得到
20
％静态偏心故障的电机模型，然后在机械属性中，将转子旋转中心设置为
(0.0)
，使得转子旋转中心和转子轴心重合，获得
10
％与
20
％的静态偏心故障的
IPMSM
模型；非对称偏心故障模型的构建方法为：定义三条磁性曲线，分别为正常
(He)、25
％
(De25)
和
50
％
(De50)
退磁材料的磁性曲线建立了一个极对上永磁体带不同程度退磁故障的
IPMSM
模型；将正常永磁体的剩磁
Br
设定为
1.2T
，磁导率设定为
1.05
；
25
％和
50
％退磁的永磁体的剩磁
Br
分别设定为
0.9T
和
0.6T
，而磁导率不变
。3.
根据权利要求2所述的基于卷积神经网络术的
IPMSM
转子退磁和偏心故障诊断方法，其特征在于：与
MATLAB
进行联合仿真的方法为：将有限元仿真软件
Altair Flux
建立的
IPMSM
有限元模型导入到
MATLAB
‑
Simulink
环境中的矢量控制系统中，而后进行在环实时仿真，矢量控制系统中电流策略采用
i
d
＝0，并且使用空间矢量脉宽调制算法调制电机供电电压矢量
。4.
根据权利要求1所述的基于卷积神经网络术的
IPMSM
转子退磁和偏心故障诊断方法，其特征在于：通过快速傅里叶变换提取
IPMSM
定子电流数据中的频域特征数据的方法为：对于一个长度为
N
的时域离散信号
x(n)
，其
DFT
变换结果为
X(k)
，则：如果做如下定义：如果做如下定义：则
X(k)
表示为
5.
根据权利要求4所述的基于卷积神经网络术的
IPMSM
转子退磁和偏心故障诊断方法，其特征在于：基于自相关矩阵的图像转换法将频域特征数据转化为灰度图像数据方法为：将电机电流时域信号经过
FFT
变换之后得到的频域信号通过求取其自相关矩阵的方法转换为一个二维矩阵，将数据散落到灰度值值域的映射函数设定为一维高斯分布函数，如公式
(5)
所示：
式中，
x
ij
表示自相关矩阵中第
i
行，第
j
列的元素；
μ
为原始数据的均值；
σ2为原始数据的方差；若用
P(i,j)
表示生成的第
i
行
、
第
j
列的像素点的强度，
S(i,1)
表示原始频域信号中第
i
个数据点，则有：
P(i,j)
＝
S
T
(1,j)*S(i,1)+f(x
ij
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)。6.
根据权利要求5所述的基于卷积神经网络术的
IPMSM
转子退磁和偏心故障诊...

【专利技术属性】
技术研发人员：吴钦木，郭又铭，
申请(专利权)人：贵州大学，
类型：发明
国别省市：