【技术实现步骤摘要】
本专利技术属于电机，涉及一种基于图像色彩特征的pmsm故障诊断方法及系统。
技术介绍
1、永磁同步电动机(pmsm)以其重量轻、运行可靠、噪声低、效率高等性能优势，在新能源汽车中得到了广泛的应用。由于车用pmsm本身存在的制造缺陷以及车辆运行中出现的磨损、形变和腐蚀等现象的影响，车用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。周期性的间歇运行和频繁起动，容易引发电机绕组过热，导致绝缘失效。车用pmsm常见的故障类型有绕组短路、退磁故障、机械故障等，其中，匝间短路故障、不均匀退磁故障和偏心故障的故障特征较为相近，现有研究很难将这三者区分。由于匝间短路故障、不均匀退磁故障和偏心故障的加速度信号具有一定的相似性和重叠性，使用单一传感器时域信号进行区分有一定难度。因此，准确诊断单一传感器信号差异较小的故障具有一定的研究意义。
2、近年来，对称点阵图(sdp)作为一种直观的信号表示方法，被广泛应用于故障诊断领域。与传统方法不同的是，sdp可以简单地将原始信号转化为镜像对称的雪花图像，计算量较小。sdp方法通过分析图像的振幅和频率差异，实现了对信号的识别和鉴别。因此，sdp方法被认为是一种有效且可靠的故障诊断方法。然而，这些运用sdp的方法中，所研究的案例均为时域信号差异较大的不同故障类型，在故障时域信号差异较小的情况下，转化的sdp具有较高的相似度，容易造成误诊断。单一时域或者时频域维度的信息，不能完整的体现故障的特有信息，可能需要将两个维度的信息相结合，以弥补单
3、深度学习方法在故障诊断方面取得了显著进展，具有能够自动学习判别特征，而不依赖于专业知识的优势。然而，目前大多数深度学习方法只能在特定的工作条件下运行，无法满足实际需求。为了解决这个问题，近年来出现了许多非平稳条件下的智能故障诊断方法。尽管这些方法具有一定的优点，但由于传统的时频方法对工作环境存在严格的要求，它们仍然存在以下缺陷：(1)这些算法只适用于速度变化较小的情况。(2)当速度处于瞬态时，算法性能会大幅下降。
技术实现思路
1、本专利技术的目的在于针对上述现有技术中的问题，提供一种基于图像色彩特征的pmsm故障诊断方法及系统，诊断精确度高，具有非侵入、高鲁棒性的特点，可以实现对永磁同步电机匝间短路故障进行快速诊断，而且具有良好的泛化能力和抗干扰能力。
2、为了实现上述目的，本专利技术有如下的技术方案：
3、第一方面，提供一种基于图像色彩特征的pmsm故障诊断方法，包括：
4、获取待测电机在不同状态及多种工况下的原始振动信号；
5、将原始振动信号进行经验模态分解，求解不同层级本征模态函数得到不同层级信号分量；
6、按照不同层级信号分量将原始振动信号转化生成rgb三个通道的对称点阵图；
7、通过融合scse模块改进densenet学习图像的形状分布及色彩特征，构建分类网络模型；
8、将rgb三个通道的对称点阵图输入分类网络模型，输出故障诊断结果。
9、作为一种优选方案，所述获取待测电机在不同状态及多种工况下的原始振动信号包括：
10、构建故障模拟实验台，预置匝间短路故障、不均匀退磁故障、偏心故障和正常的电机；
11、采集每一台电机以下工况的加速度信号片段：
12、稳态9种工况：转速分别为1000r/min、1500r/min、2000r/min，负载分别为空载、半载和额定负载；瞬态6种工况：负载分别为空载、半载和额定负载时的加减速工况；
13、将每一种加速度信号片段划分为数据子集，将数据子集划分为训练集、验证集和测试集。
14、作为一种优选方案，所述将原始振动信号进行经验模态分解，求解不同层级本征模态函数得到不同层级信号分量包括：
15、将预处理后的原始振动信号进行经验模态分解，求解不同层级本征模态函数；
16、对所有分解后前三层经验模态分解的信号进行索引，求解所有采样点绝对值的最大值z。
17、作为一种优选方案，所述按照不同层级信号分量将原始振动信号转化生成rgb三个通道的对称点阵图包括：
18、将原始振动信号的时域特征由图像的形状和分布表示，时频域特征由图像的rgb色彩特征表示；对不同层级信号分量转化为rgb色彩特征在图像上显示出来，选用前三层信号分量的大小分别与rgb三个通道对应，从不同的时间尺度对信号特有的故障特征进行表征。
19、作为一种优选方案，所述按照不同层级信号分量将原始振动信号转化生成rgb三个通道的对称点阵图包括：
20、对于时间序列信号x，xi是时间序列信号x的第i个采样点数值，xi+t是相邻时间ωsq间隔t后的采样点数值；当时域点xi变换到极坐标空间s(r(i),θ(i),φ(i))，表示为：
21、
22、式中，xmin和xmax分别表示时域信号的最小值和最大值，以第n个镜像对称平面的角度θn作为极坐标的对称轴，形成扇形波瓣图像；θ(i)和φ(i)分别表示极坐标中沿第n个镜像对称平面的顺时针和逆时针旋转角度；随着放大因子ζ和时滞因子t的变化，时域信号的每个采样点均直观地在极坐标图像中展示出来，呈现不同的图像；
23、利用所有采样点绝对值的最大值z，求解rgb三通道特征序列tr(i)tg(i)tb(i)为：
24、
25、其中，imf1i为第一层经验模态分解分量，对应第i个数值，imf1i+t为第一层经验模态分解分量，对应第i+t个数值；
26、按照下式经过比例放缩，将rgb三通道特征序列对应至0-255的范围之内：
27、
28、其中，round()为舍入函数；k＝r，g，b表示图像颜色通道，r、g和b通道分别对应前三级本征模态分量；tk(i)表示rgb三通道特征序列；
29、将对称点阵图上的所有点对应的色彩特征在对称点阵图上显示出来。
30、作为一种优选方案，所述通过融合scse模块改进densenet学习图像的形状分布及色彩特征，构建分类网络模型的步骤，对输入特征图分别进行通道和空间上重要性程度的提取，并进行相加处理后，将同时具有重要通道和重要空间特征的特征子图进行加强激励，促使网络学习更有意义的特征信息。
31、作为一种优选方案，所述通过融合scse模块改进densenet学习图像的形状分布及色彩特征，构建分类网络模型包括：
32、输入特征图p＝[p1,p2,…,pn]，其中，通道l和w分别为特征图的高和宽；
33、通过全局池化层将全局空间特征嵌入到向量v中，其中，c为通道数；
34、将得到的向量v通过权重分别为ω1和ω2的全连接层，并依次经过relu激活函数和sigmoid归一化处理得到第i个通道pi的特本文档来自技高网...
【技术保护点】
1.一种基于图像色彩特征的PMSM故障诊断方法，其特征在于，包括：
2.根据权利要求1所述基于图像色彩特征的PMSM故障诊断方法，其特征在于，所述获取待测电机在不同状态及多种工况下的原始振动信号包括：
3.根据权利要求1所述基于图像色彩特征的PMSM故障诊断方法，其特征在于，所述将原始振动信号进行经验模态分解，求解不同层级本征模态函数得到不同层级信号分量包括：
4.根据权利要求1所述基于图像色彩特征的PMSM故障诊断方法，其特征在于，所述按照不同层级信号分量将原始振动信号转化生成RGB三个通道的对称点阵图包括：
5.根据权利要求4所述基于图像色彩特征的PMSM故障诊断方法，其特征在于，所述按照不同层级信号分量将原始振动信号转化生成RGB三个通道的对称点阵图包括：
6.根据权利要求1所述基于图像色彩特征的PMSM故障诊断方法，其特征在于，所述通过融合scSE模块改进DenseNet学习图像的形状分布及色彩特征，构建分类网络模型的步骤，对输入特征图分别进行通道和空间上重要性程度的提取，并进行相加处理后，将同时具有重要通道和重
7.根据权利要求6所述基于图像色彩特征的PMSM故障诊断方法，其特征在于，所述通过融合scSE模块改进DenseNet学习图像的形状分布及色彩特征，构建分类网络模型包括：
8.一种基于图像色彩特征的PMSM故障诊断系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述基于图像色彩特征的PMSM故障诊断方法。
...【技术特征摘要】
1.一种基于图像色彩特征的pmsm故障诊断方法，其特征在于，包括：
2.根据权利要求1所述基于图像色彩特征的pmsm故障诊断方法，其特征在于，所述获取待测电机在不同状态及多种工况下的原始振动信号包括：
3.根据权利要求1所述基于图像色彩特征的pmsm故障诊断方法，其特征在于，所述将原始振动信号进行经验模态分解，求解不同层级本征模态函数得到不同层级信号分量包括：
4.根据权利要求1所述基于图像色彩特征的pmsm故障诊断方法，其特征在于，所述按照不同层级信号分量将原始振动信号转化生成rgb三个通道的对称点阵图包括：
5.根据权利要求4所述基于图像色彩特征的pmsm故障诊断方法，其特征在于，所述按照不同层级信号分量将原始振动信号转化生成rgb三个通道的对称点阵图包括：
6.根据权利要求1所述基于图像色彩特征的pmsm故障诊...
【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。