【技术实现步骤摘要】
本专利技术涉及电机故障诊断，特别涉及一种异步电机故障诊断方法及相关设备。
技术介绍
1、电机作为工业中使用最广泛的动力设备之一，电机故障对生产效率和安全性都有很大的影响，故障诊断是现代生产中的一项重要任务。常见的电机故障包括转子断条、轴承故障、气隙偏心等。
2、目前，传统的电机故障诊断方法和近年来兴起的一些新的方法都取得了长足的发展，例如故障树诊断法在电机故障诊断中的应用取得了一些显著地成果，还有将模糊技术和故障树分析法结合起来，提出一种模糊故障树的电机故障诊断方法，并将其应用于发电机组系统的温度故障诊断，实验研究表明这一方法可行、有效；还有在传统支持向量机的基础上，通过集成模糊聚类技术和支持向量机算法，构造了一种适合于电机故障诊断的多级二叉树分类器。
3、传统的电机故障诊断方法主要基于振动信号的信号处理方法，如频域分析、时域分析、小波分析等；应用频谱法和小波神经网络对水电机组的振动故障进行诊断的方法简单有效。然而，在电机实际工作情况下采集的振动信号可能包含着大量的噪声，仅仅通过时频域分析方法难以检测电机的运转状态和准确地识别电机的故障类型。
技术实现思路
1、本专利技术提供了一种异步电机故障诊断方法及相关设备，其目的是为了提高故障类型诊断的准确性。
2、为了达到上述目的，本专利技术提供了一种异步电机故障诊断方法，包括：
3、步骤1，采集目标异步电机的原始振动信号；
4、步骤2，通过广义对数稀疏正则化对原始振动信号进行降噪
5、步骤3，通过改进的自适应噪声集合经验模态分解对降噪后的振动信号进行分解，得到多个本征模态分量；
6、步骤4，计算每个本征模态分量的峭度值，并以预设峭度为评价指标，通过评价指标筛选得到最优本征模态分量；
7、步骤5，对最优本征模态分量进行时频域熵值特征提取，得到多个特征向量矩阵；
8、步骤6，通过改进的鲸鱼优化算法对支持向量机模型进行优化训练，得到训练后的支持向量机模型；
9、步骤7，将多个特征向量矩阵输入训练后的支持向量机模型进行故障诊断，得到目标异步电机的故障诊断结果。
10、进一步来说，步骤2包括：
11、通过拉普拉斯小波对原始振动信号构建稀疏字典；
12、通过下界卷积平滑方法对原始振动信号信号进行初步降噪，得到初步降噪后的振动信号并计算初步降噪后的振动信号的软阈值；
13、通过初步降噪后的振动信号构造g-log惩罚；
14、基于稀疏字典、g-log惩罚、软阈值和前向后向分裂算法寻找稀疏解；
15、利用稀疏解对初步降噪后的振动信号进行重组，得到降噪后的振动信号。
16、进一步来说，拉普拉斯小波的表达式ψ(f,ζ,τ)(t)为：
17、
18、其中，f表示频率，ζ表示阻尼比，τ表示时间索引，ws表示小波支撑长度。
19、进一步来说，下界卷积平滑方法的表达式为：
20、
21、其中，表示平滑核，μ表示平滑参数，x表示稀疏表示系数，v表示卷积核的索引变量。
22、进一步来说，g-log惩罚的表达式ψg-log(x)为：
23、
24、其中，b表示保持函数凸性的矩阵。
25、进一步来说，前向后向分裂算法的表达式为：
26、
27、
28、其中，sgn表示集合值符号，
29、进一步来说，改进的自适应噪声集合经验模态分解包括：
30、将高斯白噪声添加给定义的原始信号，得到
31、x(i)＝x+β0e1[w(i)]
32、其中e1[w(i)]为高斯白噪声，x为原始信号，x(i)为添加高斯白噪声后所构造的信号序列，β0为高斯白噪声的加权系数；
33、使用经验模态分解算法计算x(i)的局部均值，通过计算得到第一个残差r1为：
34、
35、其中i为原始信号x中数据点数，m[*]为基于经验模态分解算法所产生信号的局部均值；
36、计算第一个本征模态函数imf值为：
37、
38、第二个残差r2计算公式为：
39、
40、第二个本征模态函数imf值计算公式为：
41、
42、同理，第k个残差rk：
43、
44、以及计算第k个本征模态函数imf值
45、
46、直到得到所有的本征模态函数imf值以及对应的残差，停止迭代，分解结束。
47、本专利技术还提供了一种异步电机故障诊断装置，包括：
48、采集模块，用于采集目标异步电机在正常工作和不同故障状态时的原始振动信号；
49、降噪模块，用于通过广义对数稀疏正则化对原始振动信号进行降噪，得到降噪后的振动信号；
50、分解模块，用于通过改进的自适应噪声集合经验模态分解对降噪后的振动信号进行分解，得到多个本征模态分量；
51、筛选模块，用于计算每个本征模态分量的峭度值，并以预设峭度为评价指标，通过评价指标筛选得到最优本征模态分量；
52、提取模块，用于对最优本征模态分量进行时频域熵值特征提取，得到多个的特征向量矩阵；
53、训练模块，用于通过改进的鲸鱼优化算法对支持向量机模型进行优化训练，得到训练后的支持向量机模型；
54、诊断模块，用于将在不同故障状态下的特征向量矩阵输入训练后的支持向量机模型进行故障诊断，得到目标异步电机的故障诊断结果。
55、本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，当该计算机程序被处理器执行时，实现异步电机故障诊断方法。
56、本专利技术还提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现异步电机故障诊断方法。
57、本专利技术的上述方案有如下的有益效果：
58、本专利技术采集目标异步电机的原始振动信号；通过广义对数稀疏正则化对原始振动信号进行降噪，得到降噪后的振动信号；通过改进的自适应噪声集合经验模态分解对降噪后的振动信号进行分解，得到多个本征模态分量；计算每个本征模态分量的峭度值，并以预设峭度为评价指标，通过评价指标筛选得到最优本征模态分量；对最优本征模态分量进行时频域熵值特征提取，得到多个特征向量矩阵；将多个特征向量矩阵输入训练后的支持向量机模型进行故障诊断，得到目标异步电机的故障诊断结果；与现有技术相比，通过广义对数稀疏能够增强稀疏性并减小噪声干扰；解决了异步电机在实际工作环境中采集的振动信号中包含大量噪声的情况下仅通过一般的时频域分析无法准确判断出准确的故障类型的问题，提高了故障类型诊断的准确性。
59、本专利技术的其它有益效果将在随后的具体实施方式本文档来自技高网...
【技术保护点】
1.一种异步电机故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的异步电机故障诊断方法，其特征在于，所述步骤2包括：
3.根据权利要求2所述的异步电机故障诊断方法，其特征在于，所述拉普拉斯小波的表达式ψ(f，ζ，τ)(t)为：
4.根据权利要求3所述的异步电机故障诊断方法，其特征在于，所述下界卷积平滑方法的表达式为：
5.根据权利要求4所述的异步电机故障诊断方法，其特征在于，所述G-log惩罚的表达式ΨG-log(x)为：
6.根据权利要求5所述的异步电机故障诊断方法，其特征在于，所述前向后向分裂算法的表达式为：
7.根据权利要求6所述的异步电机故障诊断方法，其特征在于，所述改进的自适应噪声集合经验模态分解包括：
8.一种异步电机故障诊断装置，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，当该计算机程序被处理器执行时，实现如权利要求1至7任一项所述的异步电机故障诊断方法。
10.一种终端设备，包括存储器、处理器以及存储在所述存储器
...【技术特征摘要】
1.一种异步电机故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的异步电机故障诊断方法，其特征在于，所述步骤2包括：
3.根据权利要求2所述的异步电机故障诊断方法，其特征在于，所述拉普拉斯小波的表达式ψ(f，ζ，τ)(t)为：
4.根据权利要求3所述的异步电机故障诊断方法，其特征在于，所述下界卷积平滑方法的表达式为：
5.根据权利要求4所述的异步电机故障诊断方法，其特征在于，所述g-log惩罚的表达式ψg-log(x)为：
6.根据权利要求5所述的异步电机故障诊断方法，其特征在于，所述前向后...
【专利技术属性】
技术研发人员：吴永红，谭志飞，李方升，吴国玺，
申请(专利权)人：中山格智美电器有限公司，
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。