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】
本专利技术涉及核电站部件故障诊断,尤其涉及一种基于电流信号的电机故障诊断方法和装置。
技术介绍
1、随着科学技术的不断发展,工业生产也在不断地进步。电机作为工业生产中较常使用的电力设备,在其实际运行过程中,往往会因为各种影响而出现故障。其中,典型的电气故障包括定子匝间短路、单相接地、相间短路等故障。电机一旦发生电气故障,短路电流将会导致电机持续发热,严重时甚至会烧毁电机,对工业生产过程中设备运行的稳定性和人员的安全性造成了重大影响,因此需对电机运行过程的故障进行及时、精确的诊断。传统故障诊断中的破坏性检测方法会对电机的完整性和可用性造成影响,并且无法对设备的运行情况进行动态和周期性检测。目前,电流检测可用于监测电子元件的工作状态和故障诊断,能够对工业生产中的故障进行全面有效的诊断,对电机的维护具有重要的意义。
2、专利cn113743528公开了一种基于卷积神经网络的电压源逆变器故障诊断方法及系统,包括:获取待诊断电压源逆变器的故障电流数据,并将所述故障电流数据进行预处理,得到故障电流数据集;将故障电流数据集输入训练好的改进卷积神经网络模型中来对每个故障案例的特征进行分类。但是,该方法使用一维卷积神经网络模型直接进行故障诊断,网络输入采用电压源逆变器一维电流信号的时序向量特征,能够获取的电流信号特征数量受限,模型容易过拟合,无法适用于电机电气故障中样本数量较小的情况,将使得故障诊断准确性较低。专利cn115238785公开了一种基于图像融合和集成网络的旋转机械故障诊断方法和系统,包括:对电流传感器获取的3通道电流信号
技术实现思路
1、本专利技术旨在至少在一定程度上解决上述的技术问题之一。
2、为此,本专利技术的第一个目的在于提出一种基于电流信号的电机故障诊断方法,可更精准地描述三相电流的时变特性,有效提升网络训练速度并显著提高训练的便捷性,能够适用于工业生产电机电气故障诊断时样本数量较少的情况,并有效提高电机电气早期故障的诊断准确率。
3、本专利技术的第二个目的在于提出一种基于电流信号的电机故障诊断装置。
4、为达到上述目的,本专利技术第一方面实施例提出了基于电流信号的电机故障诊断方法,包括:
5、获取电机的三相电流信号;
6、对三相电流信号进行预处理,以获得对应的时域样本集和时频域样本集;
7、利用时域样本集训练得到三相电流信号的时域分类模型;
8、利用时频域样本集训练得到三相电流信号的时频域分类模型;
9、基于adaboost技术,将时域分类模型和时频域分类模型融合成电机故障诊断模型;
10、获取待检测电机电流信号,并将待检测电机电流信号输入至电机故障诊断模型,以确定电机故障类型。
11、可选的,对三相电流信号进行预处理,以获得对应的时域样本集和时频域样本集,包括:
12、利用小波阈值去噪法对三相电流信号进行去噪处理;
13、采用滑动窗口采样法对去噪处理后的三相电流信号进行采样,以获取去噪处理后的三相电流信号对应的一维时域信号;
14、对一维时域信号进行数据重构,以获取一维时域信号对应的二维时域信号,并生成时域样本集;
15、对一维时域信号进行时频变换,以获取一维时域信号对应的二维时频域信号,并生成时频域样本集。
16、可选的,利用小波阈值去噪法对三相电流信号进行去噪处理,包括:
17、对三相电流信号进行小波变换,以获得三相电流信号对应的小波信号;
18、利用预设阈值过滤小波信号;
19、获得小波信号的小波分解系数,并基于小波分解系数重构小波信号。
20、可选的,利用时域样本集训练得到三相电流信号的时域分类模型,包括:
21、建立基于时序矩阵的二维卷积神经网络模型;
22、初始化时域样本集中每个时序矩阵样本的权重;
23、将时序矩阵样本输入至基于时序矩阵的二维卷积神经网络模型进行训练,并计算出训练后的基于时序矩阵的二维卷积神经网络模型的第一误差率和对应的第一权重系数;
24、判断第一误差率是否小于等于第一预设误差率;
25、如果第一误差率小于等于第一预设误差率,则将训练后的基于时序矩阵的二维卷积神经网络模型作为时域分类模型;
26、如果第一误差率大于第一预设误差率,则根据第一权重系数调整时序矩阵样本的权重,并再次训练基于时序矩阵的二维卷积神经网络模型,直至训练后的基于时序矩阵的二维卷积神经网络模型的第一误差率小于等于第一预设误差率或者训练达到第一预设次数后,停止训练基于时序矩阵的二维卷积神经网络模型,并获取与训练次数相同的个数的训练后的基于时序矩阵的二维卷积神经网络模型。
27、可选的,利用时频域样本集训练得到三相电流信号的时频域分类模型,包括:
28、建立基于时频矩阵的二维卷积神经网络模型;
29、初始化时频域样本集中每个时频矩阵样本的权重;
30、将时频矩阵样本输入至基于时频矩阵的二维卷积神经网络模型进行训练,并计算出训练后的基于时频矩阵的二维卷积神经网络模型的第二误差率和对应的第二权重系数;
31、判断第二误差率是否小于等于第二预设误差率;
32、如果第二误差率小于等于第二预设误差率,则将训练后的基于时频矩阵的二维卷积神经网络模型作为时频域分类模型;
33、如果第二误差率大于第二预设误差率,则根据第二权重系数调整时频矩阵样本的权重,并再次训练基于时频矩阵的二维卷积神经网络模型,直至训练后的基于时频矩阵的二维卷积神经网络模型的第二误差率小于等于第二预设误差率或者训练达到第二预设次数后,停止训练基于时频矩阵的二维卷积神经网络模型,并获取与训练次数相同的个数的训练后的基于时频矩阵的二维卷积神经网络模型。
34、可选的,基于adaboost技术,将时域分类模型和时频域分类模型融合成电机故障诊断模型,包括:
35、利用公式一对时域分类模型和时频域分类模型进行融合,公式一:其中,tσ表示第σ个时域分类模型,表示第σ个时域分类模型对应的第一权重系数,fμ表示第μ个时频域分类模型,表示第μ个时频域分类模型对应的第二权重系数,m表示时域分类模型的总数,n表示时频域分类模型的总数。
36、可选的,将待检测电机电流信号输入至电机故障诊断模型,以确定电机故障类型,包括:
37、计算出待检测电机电本文档来自技高网...
【技术保护点】
1.一种基于电流信号的电机故障诊断方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,对所述三相电流信号进行预处理,以获得对应的时域样本集和时频域样本集,包括:
3.根据权利要求2所述的方法,其特征在于,利用小波阈值去噪法对所述三相电流信号进行去噪处理,包括:
4.根据权利要求1所述的方法,其特征在于,利用所述时域样本集训练得到所述三相电流信号的时域分类模型,包括:
5.根据权利要求1所述的方法,其特征在于,利用所述时频域样本集训练得到所述三相电流信号的时频域分类模型,包括:
6.根据权利要求1所述的方法,其特征在于,基于AdaBoost技术,将所述时域分类模型和所述时频域分类模型融合成电机故障诊断模型,包括:
7.根据权利要求1所述的方法,其特征在于,将所述待检测电机电流信号输入至所述电机故障诊断模型,以确定电机故障类型,包括:
8.一种基于电流信号的电机故障诊断装置,其特征在于,包括:
9.根据权利要求8所述的装置,其特征在于,所述预处理模块,用于:
1
11.根据权利要求8所述的装置,其特征在于,所述第一训练模块,用于:
12.根据权利要求8所述的装置,其特征在于,所述第二训练模块,用于:
13.根据权利要求8所述的装置,其特征在于,所述融合模块,用于:
14.根据权利要求8所述的装置,其特征在于,所述确定模块,用于:
...【技术特征摘要】
1.一种基于电流信号的电机故障诊断方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,对所述三相电流信号进行预处理,以获得对应的时域样本集和时频域样本集,包括:
3.根据权利要求2所述的方法,其特征在于,利用小波阈值去噪法对所述三相电流信号进行去噪处理,包括:
4.根据权利要求1所述的方法,其特征在于,利用所述时域样本集训练得到所述三相电流信号的时域分类模型,包括:
5.根据权利要求1所述的方法,其特征在于,利用所述时频域样本集训练得到所述三相电流信号的时频域分类模型,包括:
6.根据权利要求1所述的方法,其特征在于,基于adaboost技术,将所述时域分类模型和所述时频域分类模型融合成电机故障诊断模型,包...
【专利技术属性】
技术研发人员:黄倩,张荣勇,智一凡,李奇,张文杰,代丽,陈鸿毅,张真,姜新舒,赵雅卓,马璞月,付强,薛红涛,宋子为,
申请(专利权)人:中国核电工程有限公司,
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。