System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及pmsm故障诊断,具体涉及基于多传感器视觉特征融合pmsm故障诊断方法及系统。
技术介绍
1、永磁同步电动机(pmsm)是重要的机电能量转换器,因为其重量轻、运行可靠、噪声低、效率高等性能优势,在各种工业应用中发挥着至关重要的作用。典型的应用包括自动化生产线中的包装机、钻床、切割机、注塑机等。在这些应用中,pmsm以高惯量驱动负载并频繁启动。
2、由于pmsm本身存在的制造缺陷以及运行中出现的磨损、形变和腐蚀等现象的影响,pmsm的性能会随着零件性能的恶化而逐渐衰退,会触发安全隐患,严重时甚至会发生停机事故,造成重大的经济损失。因此,准确的电机故障诊断算法至关重要。
3、传统的电机故障诊断研究在特征提取阶段主要采用时域、频域或时频域等信号处理方法对测得的信号进行分析提取相应状态的故障特征。然而上述方法往往存在故障诊断精度不高、适用范围不广问题,相关研究存在仅提取单一维度信号细节特征的局限性。然而,电机运行状态信号均可通过多维数据融合高维视觉知识方法转换到二维或高维度的空间以全面展示出隐含的多维信息。
4、灰度图编码方法一定程度上能反映振动信号的特征,但在编码过程中会造成振动信号时间信息的缺失从而造成故障特征信息的缺失。格拉姆角场可将序列信号转换成二维图像,克服了灰度图编码信息缺失的不足,通过相应位置的颜色、点、线等不同特征对信号进行完整映射。
5、图像特征提取方法主要是基于底层和中层特征的人工提取技术,通过考虑图像的局部或全局的各种特征,根据其纹理、形状和空间结构等信
6、机器学习已经成为一种流行的技术,并在电机故障检测领域得到了广泛的应用。在模式识别阶段利用提取到的故障特征对相应的机器学习模型进行训练如支持向量机、人工神经网络和极限学习机等。随机森林(rf)算法由于其稳定性和抗过拟合性而具有强大的优势。rf在处理高维数据方面具有很大的优势,并且对数据集具有很高的适应性。其次,rf的优点是训练速度快。然而,rf算法的主要应用是感应电机的故障检测,很少应用于pmsm故障分类。
技术实现思路
1、为了弥补现有技术的不足,解决上述的技术问题;本专利技术提出了基于多传感器视觉特征融合pmsm故障诊断方法及系统。
2、基于多传感器视觉特征融合pmsm故障诊断方法,所述方法包括:
3、s1:获取pmsm多种状态下不同转速和负载工况下的电机不同位置(电机的轴向、径向和机座)的振动信号样本,将采集的振动信号样本通过格拉姆角差场矩阵的形式表现出来;
4、s2:三个不同位置的加速度信号分别与rgb三个通道对应,通过图像视觉转化方法转化成多信号格拉姆角差场二维图像;
5、s3:分别通过tamura纹理特征,hog纹理特征与lbp特征对图像进行求解,将图像从整体到局部进行表征,将提取的特征进行pca特征空间降维;
6、s4:进行多维特征融合,训练蜣螂算法优化的随机森林的网络参数,生成诊断模型;
7、s5:针对待检测的加速度信号,经过s2、s3处理后,输入s4训练后的诊断模型,获取被检测pmsm的诊断结果。
8、可选的,s1中包括如下步骤:
9、s11:利用格拉姆角差场将时间序列数据转换成二维图像,通过将时间序列x={x1,x2,…,x4}缩放至区间[-1,1],其表达式为:
10、
11、上式中,xi为采集的振动信号,max(x)为当前信号样本加速度的最大值,min(x)为当前信号样本加速度的最小值;
12、s12:将缩放后的振动信号数值编码为角余弦,将时间戳编码为半径r,然后重新转化为极坐标的时间序列,
13、
14、上式中,ti为时间戳,n为正则化极坐标系统生成空间的常数因子,θ为极坐标系的角度;
15、其中,格拉姆角差场矩阵基于正弦函数,其定义分别为:
16、
17、上式中,i为单位行向量[1,1,1…1];为x的转置向量。
18、可选的,s2中需要三个不同位置的加速度信号得到的格拉姆角差场矩阵分别与rgb三个通道对应,包括如下步骤:
19、s21:计算每一个加速度传感器采集信号经过预处理后的格拉姆角差场矩阵,gr,gg,gb分别代表三个不同位置的加速度传感器采集信号经过预处理后的格拉姆角差场矩阵
20、
21、
22、
23、s22:将矩阵内部的每一个数缩放至0-255之间得到色彩特征矩阵
24、
25、
26、
27、s23:通过色彩特征矩阵转化生成二维图像。
28、可选的,s3中需要计算的tamura纹理特征包括粗糙度、对比度、方向度、线性度、规整度和粗略度。
29、可选的,设定gasf和gadf图像的粗糙度特征为tcoa1和tcoa2,粗糙度的计算公式为:
30、
31、上式中,m和n分别为图像的长和宽;l的取值为每个像素点在水平和垂直两个方向上未重叠窗口间的平均强度差最大时,设置窗口的最佳尺寸sbest(i,j)=2l;平均强度差的计算公式分别为
32、el,h(x,y)=∣cl(x+2l-1,y)-cl(x-2l-1,y)∣
33、el,v(x,y)=∣cl(x,y+2l-1)-cl(x,y-2l-1)∣
34、上式中,cl为位于该坐标像素点的灰度值,x,y为图像的横纵坐标;
35、设定gasf和gadf图像的对比度特征为tcon1和tcon2,对比度的计算公式为:
36、
37、上式中,其中μ4为四次矩;σ4为方差;
38、设定gasf和gadf图像的方向度特征为tdir1和tdir2,方向度的计算公式为:
39、
40、上式中,np为直方图峰值数目;p(p>0)为直方图的峰值;ωp为峰值量化范围;为ωp中最大直方图中的量化值;
41、设定gasf和gadf图像的线性度特征为tlin1和tlin2,线性度的计算公式为:
42、
43、上式中,pa为m×m局部方向共生矩阵的距离点;
44、设定gasf和gadf图像的规整度特征为treg1和treg2,本文档来自技高网...
【技术保护点】
1.基于多传感器视觉特征融合PMSM故障诊断方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于多传感器视觉特征融合PMSM故障诊断方法,其特征在于,S1中包括如下步骤:
3.根据权利要求1所述的基于多传感器视觉特征融合PMSM故障诊断方法,其特征在于,S2中需要三个不同位置的加速度信号得到的格拉姆角差场矩阵分别与RGB三个通道对应,包括如下步骤:
4.根据权利要求1所述的基于多传感器视觉特征融合PMSM故障诊断方法,其特征在于,S3中需要计算的Tamura纹理特征包括粗糙度、对比度、方向度、线性度、规整度和粗略度。
5.根据权利要求1所述的基于多传感器视觉特征融合PMSM故障诊断方法,其特征在于,设定GASF和GADF图像的粗糙度特征为Tcoa1和Tcoa2,粗糙度的计算公式为:
6.根据权利要求1所述的基于多传感器视觉特征融合PMSM故障诊断方法,其特征在于,S3中需要计算的HOG特征包括以下步骤:
7.根据权利要求1所述的基于多传感器视觉特征融合PMSM故障诊断方法,其特征在于,S3中需要计算
8.根据权利要求1所述的基于多传感器视觉特征融合PMSM故障诊断方法,其特征在于,S4中蜣螂优化算法对随机森林分类模型的优化过程为:
9.根据权利要求1所述的基于多传感器视觉特征融合PMSM故障诊断方法,其特征在于,S4中选择合适的目标函数评价每组参数的优劣:
10.基于多传感器视觉特征融合PMSM故障诊断系统,其特征在于,所述系统包括:
11.基于多传感器视觉特征融合PMSM故障诊断装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
12.一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
...【技术特征摘要】
1.基于多传感器视觉特征融合pmsm故障诊断方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于多传感器视觉特征融合pmsm故障诊断方法,其特征在于,s1中包括如下步骤:
3.根据权利要求1所述的基于多传感器视觉特征融合pmsm故障诊断方法,其特征在于,s2中需要三个不同位置的加速度信号得到的格拉姆角差场矩阵分别与rgb三个通道对应,包括如下步骤:
4.根据权利要求1所述的基于多传感器视觉特征融合pmsm故障诊断方法,其特征在于,s3中需要计算的tamura纹理特征包括粗糙度、对比度、方向度、线性度、规整度和粗略度。
5.根据权利要求1所述的基于多传感器视觉特征融合pmsm故障诊断方法,其特征在于,设定gasf和gadf图像的粗糙度特征为tcoa1和tcoa2,粗糙度的计算公式为:
6.根据权利要求1所述的基于多传感器视觉特征融合pmsm故障诊断方法,其...
【专利技术属性】
技术研发人员:孟德安,马建,王建平,郭钿祥,张凯,赵轩,
申请(专利权)人:长安大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。