【技术实现步骤摘要】
本专利技术属于电流传感器故障诊断领域，具体涉及一种基于多通道卷积神经网络的电流传感器故障诊断方法。
技术介绍
1、永磁同步电机(pmsm)具有结构简单、功率密度高、效率高等优点，在交流调速驱动领域得到了广泛的应用。在pmsm的各种控制策略中，如磁场定向控制(foc)、模型预测控制(mpc)和直接转矩控制(dtc)等，电流传感器可为闭环控制系统提供反馈信号。然而，电流传感器容易受到外部环境和电热应力的影响，导致测量信号丢失或偏差，影响了电机控制的性能，甚至导致系统停机故障。此外，不同类型的电流传感器故障会直接影响后续容错和维护的效率。因此，为了保证电机驱动系统稳定、安全地运行，为容错控制和维修决策提供基础，电流传感器故障检测与诊断(fdd)成为一大研究热点。
2、目前，主流的电流传感器的故障诊断方法大致分为：基于模型的方法、基于信号的方法和数据驱动的方法。基于模型的方法侧重于建立驱动系统的等效数学模型来生成预测信号，通过比较残差和预定义的诊断阈值来检测故障，但该方法对模型参数的依赖性较强，模型自适应能力较差，随着高速列车牵引传动系统变得越来越复杂，很难建立精确的数学模型。基于信号的方法不需要考虑数学模型，而是对测量的信号进行处理，提取能够识别故障的特征，再根据先验知识做出诊断决策。此方法通常只对特定的故障类型有效，并且依赖于先验知识，鲁棒性较差。因此，需要开发一种更简单、更准确、更通用的故障检测与诊断算法。
3、随着人工智能的发展，卷积神经网络(cnn)作为深度学习的代表之一，已经在自然语言处理、图像识别、
技术实现思路
1、针对上述不足，本专利技术提供一种基于多通道卷积神经网络的电流传感器故障诊断方法。
2、本专利技术的一种基于多通道卷积神经网络的电流传感器故障诊断方法，包括以下步骤：
3、步骤1：建立永磁电机数学模型和电流传感器断线、卡滞、增益和零偏移四种典型故障模式下的数学模型。搭建基于矢量控制的三电平逆变器馈电的永磁电机驱动系统模型，通过matlab/simulink仿真获得正常模式和四种典型故障模式下的原始三相电流数据ia、ib、ic，接着对数据进行标签，组成数据集，用于后续网络的训练和测试。
4、步骤2：对数据集进行预处理，首先将数据进行[-1，1]范围内的归一化处理，接着采用随机重叠抽样的方法进行数据扩充，生成一个新的数据样本；按比例将新的数据样本划分为训练集、交叉验证集和测试集，分别用于网络训练、网络参数设计和评价网络性能。
5、步骤3：构建三通道全局池化一维卷积神经网络，将划分好标签的三相电流数据作为输入，每个故障类别正确预测分类的概率作为输出，根据数据集和adam算法训练网络，以交叉熵代价函数作为评价指标调节网络结构和超参数，选取指标最优网络。
6、步骤4：在实验平台上获取不同电机转速和负载工况下的数据，按照步骤2进行处理，将划分好的数据集放入训练后的模型中进行测试，实现不同工况下的高精度故障诊断，同时验证在不同工况下的准确性和鲁棒性。
7、进一步的，步骤1中永磁电机数学模型和四种典型故障数学模型的建立具体为：
8、以三电平有源中点箝位型逆变器馈电的永磁电机为控制对象，建立同步旋转参考坐标系(dq)下永磁电机的数学模型，表示为：
9、
10、
11、其中，ud和uq表示dq轴定子电压分量，id和iq为dq轴定子电流分量，rs为定子电阻，ωe为转子电角速度，ld和lq为dq轴定子电感，为永磁体磁链。
12、将永磁电机的数学模型解耦，其电磁转矩方程表示为：
13、
14、其中，pn为电机极对数。
15、根据电流传感器反馈信号的输出特性，将传感器故障分为四种典型模式，即断线故障、卡滞故障、增益故障和偏移故障。
16、以a相电流传感器发生故障为例，正常运行情况下，电流传感器输出电流ia表示为：
17、ia＝imcos(ωet+θ0)
18、4种典型故障模式下的电流传感器输出电流信号表示为：
19、(1)电流传感器断线故障模型：
20、
21、(2)电流传感器卡滞故障模型：
22、
23、(3)电流传感器增益故障模型：
24、
25、(4)电流传感器偏移故障模型：
26、
27、其中，假设c1、c2、c3为常数，c1为卡滞故障的输出，c2为增益因子，c3为偏移量，t0为故障发生的时刻，im为定子电流的幅值，ωe为转子电角速度，θ0为a相电流的初始角。
28、搭建基于矢量控制的三电平逆变器馈电的永磁电机驱动系统模型，通过matlab/simulink仿真获得三相电流传感器正常模式和四种典型故障模式下的原始输出电流数据ia、ib、ic，并进行标签，组成数据集，用于后续网络的训练和测试。
29、进一步的，步骤2对数据集进行预处理，并按比例划分数据集用于网络训练和性能评估具体为：
30、在负载大小不同或电机转速变化时，输出电流的幅值可能不在同一单位量纲，为了提高泛化能力，将故障原始数据归一化到[-1,1]范围内，消除量纲对网络训练的影响，mapminmax归一化函数定义为：
31、
32、其中，ymin和ymax表示期望的归一化区间，即ymin＝-1，ymax＝1，x为输入数据，xmin和xmax分别表示输入数据中的最小值和最大值，y为归一化后的个体值。
33、接着，采用随机重叠采样方法进行数据扩充，l为原始数据的总长度，n为窗口大小，即新样本的长度，s为滑动窗口的步长；每当窗口滑动通过原始长时间序列数据时，就会生成一个新的故障样本组成数据集，新的样本总量表示为：
34、
35、其中，fix函数表示向零取整。
36、将处理后的数据集按照样本总量的80％作为训练集和验证集，剩下的20％作为测试集，用于后续网络的训练和性能评估。
37、进一步的，步骤3构建的三通道全局池化一维卷积神经网络具体为：
38、包括一个输入层、三个卷积模块、一个全局最大池化层和一个输出层；卷积模块由卷积层、激活函数层、批归一化层和池化层组成。
39、卷积层的信息传递公式表示为：
40、
41、其中，*表示卷积运算；k表示该层的索引；i表示核的索引；表示第k层第i个特征输出；xk-1表示第k-1层的输出；和分别为第k层的第i个卷积核的权重和偏差。
42、激活函数层relu的信息传递公式表示为：
43、
44、批归一化层的信息传递公式表示为：
45、
本文档来自技高网...
【技术保护点】
1.一种基于多通道卷积神经网络的电流传感器故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求书1所述的一种基于多通道卷积神经网络的电流传感器故障诊断方法，其特征在于，所述步骤1中永磁电机数学模型和四种典型故障数学模型的建立具体为：
3.根据权利要求书1所述的一种基于多通道卷积神经网络的电流传感器故障诊断方法，其特征在于，所述步骤2对数据集进行预处理，并按比例划分数据集用于网络训练和性能评估具体为：
4.根据权利要求书1所述的一种基于多通道卷积神经网络的电流传感器故障诊断方法，其特征在于，所述步骤3构建的三通道全局池化一维卷积神经网络具体为：
5.根据权利要求书1所述的一种基于多通道卷积神经网络的电流传感器故障诊断方法，其特征在于，所述步骤4验证在不同工况下的准确性和鲁棒性具体为：
【技术特征摘要】
1.一种基于多通道卷积神经网络的电流传感器故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求书1所述的一种基于多通道卷积神经网络的电流传感器故障诊断方法，其特征在于，所述步骤1中永磁电机数学模型和四种典型故障数学模型的建立具体为：
3.根据权利要求书1所述的一种基于多通道卷积神经网络的电流传感器故障诊断方法，其特征在于，所述步骤2对数据集...
【专利技术属性】
技术研发人员：徐帅，吴思佳，马光同，姚春醒，张涵，周鹏博，
申请(专利权)人：西南交通大学，
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。