【技术实现步骤摘要】
本专利技术涉及永磁同步电机故障诊断，具体来说是基于变分模态分解融合深度学习的电机匝间短路故障检测方法。
技术介绍
1、永磁同步电机是新能源汽车电驱动系统的核心零部件，其工作的可靠性直接影响新能源汽车的安全。由于电机长期运行在高温高压的环境中，线圈极易老化，进而引发匝间短路故障。当故障发生后，若未及时检测出故障回路中的短路电流，短路电流将产生大量的热量进一步破坏线圈绝缘，导致电机局部烧毁，这将威胁到驾驶员的生命财产安全。因此，对新能源汽车电机匝间短路故障诊断的研究具有重要意义。
2、新能源汽车电机匝间短路故障诊断大多通过故障引起的状态参数来判断故障是否发生。但匝间短路初期故障特征不明显，并且电机发生故障后运行不平稳受到震动噪声等其他谐波的干扰，导致故障特征精度低，严重影响故障诊断的准确率。
3、目前所使用的信号处理方法如傅里叶变换、小波变换等，存在提取信号带宽高，无法剔除特征频率范围内的噪声谐波，导致精度较低的问题。传统的卷积神经网络具有特征提取不充分、神经元节点数过多导致网络梯度消失等缺陷。
技术实现思路
1、本专利技术的目的是为了解决现有技术中匝间短路故障诊断精度低、效率慢的缺陷，提供一种基于变分模态分解融合深度学习的电机匝间短路故障检测方法来解决上述问题。
2、为了实现上述目的，本专利技术的技术方案如下：
3、一种基于变分模态分解融合深度学习的电机匝间短路故障检测方法，包括以下步骤：
4、11)建立永磁同步电机故障模型
5、12)变分模态分解算法提取故障特征：根据永磁同步电机故障模型的仿真结果得到电机故障相电流与零序电压，分别输入变分模态分解算法中进行自适应模态分解，获取故障相电流三次谐波与零序电压基波作为匝间短路故障特征；
6、13)麻雀搜索算法优化变分模态分解参数：通过麻雀搜索算法在既定的范围对变分模态分解过程中的惩罚因子α与分解层数k进行优化，得到故障相电流三次谐波与零序电压基波的最佳分解结果；
7、14)建立深度金字塔池化残差卷积神经网络模型：建立深度金字塔池化网络、残差卷积神经网络，采用深度金字塔池化网络优化残差卷积神经网络模型，即spp-rescnn网络，通过消融试验调整融合后spp-rescnn网络的结构和参数；
8、15)spp-rescnn网络的训练：将经麻雀搜索算法优化变分模态分解得到的故障相电流三次谐波与零序电压基波最佳分解结果制作成训练集与测试集，输入spp-rescnn网络中进行训练，通过消融试验调整学习率、最大训练轮数、最小训练批次，使网络损失函数降至最低；
9、16)永磁同步电机匝间短路故障的实时诊断：实时监测永磁同步电机电流与零序电压，将其输入麻雀搜索算法优化的变分模态分解算法中提取故障相电流三次谐波与零序电压基波最佳分解结果，并将其制作成待检测数据集，输入训练好的spp-rescnn网络中进行匝间短路故障程度的诊断。
10、所述建立永磁同步电机故障模型包括以下步骤：
11、21)设定永磁同步电机在自然坐标系下a相、b相、c相电压ua、ub、uc与a相、b相、c相电流ia、ib、ic和故障电流if之间的方程如下：
12、
13、其中，ua、ub、uc为a相、b相、c相电压，η为故障程度，定义η为a相定子绕组的短路匝数与其定子绕组总匝数的比值，rs为定子电阻，rf为故障电阻，ψf为磁链的基波幅值，θ为转子电角度，ia、ib、ic、if分别为a相、b相、c相定子绕组的电流和故障电流，l、m分别为定子绕组的自感和互感；
14、22)将自然坐标系下的电压方程经坐标变换至旋转坐标系得到永磁同步电机故障模型，便于匝间短路故障特征提取，坐标变换矩阵t如下：
15、
16、t的逆矩阵为：
17、
18、将坐标变换矩阵t应用到电机自然坐标系下的电压电流方程中得到：
19、
20、式中：
21、[udq0f]＝[ud uq -un 0]t
22、[idq0f]＝[id iq 0 if]t
23、[ψdq0f]＝[ψf 0 ψ3hcos3θ ηψa]t
24、整理得：
25、
26、式中：
27、
28、其中，ud、uq、un为d、q轴电压和中性点电压，id、iq为d、q轴电流，un为中性点电压，ψd、ψq、ψfault分别为d、q轴和故障相磁链，ψ3h、ψa、ψf分别为三次谐波、故障相电流磁链和基波磁链，laa为a相电感，labcf、rabcf为a、b、c相故障相的电感、电阻。
29、所述变分模态分解算法提取故障特征包括以下步骤：
30、31)根据22)步中得到的永磁同步电机故障模型，并设置转速1000r/min、转矩2n·m，以此得到故障相电流三次谐波和零序电压基波数据；
31、设定变分模态分解算法提取故障特征包括构造变分问题与求解变分问题两个过程，在变分约束的基础上迭代寻优，确定输入信号的中心频率大小和带宽范围，变分约束条件如下：
32、
33、s.t.∑kuk(t)＝f(t)
34、其中，{uk}、{wk}分别表示模态分量和中心频率，{uk}＝{u1,u2,...uk}，{wk}＝{w1,w2,...wk}；为对时间t的一阶偏导；δ(t)为狄拉克函数；*为卷积运算符；f(t)为输入信号；k为模态分量个数；
35、为求解上述变分约束问题，引入惩罚因子α和拉格朗日算子λ(t)将其转变为非约束性问题进行求解，得到变分模态分解的初始值，其表达式如下：
36、
37、采用乘法交替方向法，更新{uk}、{wk}求解拉格朗日函数的鞍点，最后得到的模态分量和中心频率为：
38、
39、
40、其中，为最后得到的经傅里叶变换后的模态；为最后得到的中心频率；
41、32)变分模态分解将输入信号分解为k个模态，每个模态包含不同的中心频率，输入信号分解的具体步骤如下：
42、步骤一：初始化λ1和n为0，设置迭代终止条件；
43、步骤二：令n＝n+1，执行外循环变分模态分解算法；
44、步骤三：令k＝k+1，执行内循环变分模态分解算法，即按照31)步骤中的乘法交替方向法更新{uk}、{wk}和λ，更新的规则如下：
45、
46、
47、
48、其中，ξ为判别精度；τ为噪声容限值，取1×10-6；
49、步骤四：重复步骤二、步骤三直至满足迭代终止条件，得到k的模态分量；
50、33)根本文档来自技高网...
【技术保护点】
1.一种基于变分模态分解融合深度学习的电机匝间短路故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于变分模态分解融合深度学习的电机匝间短路故障检测方法，其特征在于，所述建立永磁同步电机故障模型包括以下步骤：
3.根据权利要求1所述的基于变分模态分解融合深度学习的电机匝间短路故障检测方法，其特征在于，所述变分模态分解算法提取故障特征包括以下步骤：
4.根据权利要求1所述的基于变分模态分解融合深度学习的电机匝间短路故障检测方法，其特征在于，所述麻雀搜索算法优化变分模态分解参数包括以下步骤：
5.根据权利要求1所述的基于变分模态分解融合深度学习的电机匝间短路故障检测方法，其特征在于，所述建立深度金字塔池化残差卷积神经网络模型包括以下步骤：
6.根据权利要求1所述的基于变分模态分解融合深度学习的电机匝间短路故障检测方法，其特征在于，所述SPP-ResCNN网络的训练包括以下步骤：
7.根据权利要求1所述的基于变分模态分解融合深度学习的电机匝间短路故障检测方法，其特征在于，所述永磁同步电机匝间短路故
...【技术特征摘要】
1.一种基于变分模态分解融合深度学习的电机匝间短路故障检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于变分模态分解融合深度学习的电机匝间短路故障检测方法，其特征在于，所述建立永磁同步电机故障模型包括以下步骤：
3.根据权利要求1所述的基于变分模态分解融合深度学习的电机匝间短路故障检测方法，其特征在于，所述变分模态分解算法提取故障特征包括以下步骤：
4.根据权利要求1所述的基于变分模态分解融合深度学习的电机匝间短路故障检测方法，其特征在于，所述麻雀搜索算...
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。