[发明专利]一种基于卷积神经网络的无刷直流电机传感器故障检测方法

说明书

本发明公开一种基于卷积神经网络的无刷直流电机传感器故障检测方法。其具体如下：获取无刷直流电机运行时的原始数据；通过小波变换，将原始数据转换为时‑频谱图作为样本集；对训练集中样本标记故障种类以及故障程度，作为数据样本的已知标签；建立卷积神经网络，将训练集中的时‑频谱图输入卷积神经网络并提取分类前一层的特征；根据前面给定的标签和提取的特征，训练多类SVM分类器；训练完成后，得到SVM分类器对每一类故障的预测率；最后对无刷直流电机系统状态进行分析，对可能存在的故障进行预示。本发明可以定性和定量地评价被监测无刷直流电机传感器的运行状态，并预测其发展趋势；使得故障诊断过程更加智能化，检测的准确性更高。

技术领域

本发明属于电机传感器故障检测领域，具体是指一种基于卷积神经网络的无刷直流电机传感器故障检测方法。

背景技术

无刷直流电机凭着其体积小，效率高，结构简单，运行稳定，便于控制等诸多优点，广泛的应用于航空航天、工业汽车、家用电器等诸多领域。传统直流电机换相是通过机械换相的方式进行，因此在换向过程有火花，噪声的产生，从而使得电机寿命比较短，而无刷直流电机的换相控制需要位置传感器来获得转子的位置信号，通常电机工作在三相六状态的情况下，需要在一个运行周期内获得6个转子的位置信号来控制换相过程，获得6个转子的位置信号来控制换相过程。在实际生产中，考虑到传感器成本、体积等具体因素，无刷直流电机上使用最为普遍的位置传感器是霍尔传感器，然而霍尔传感器在高温、潮湿、电磁干扰等工作环境中很容易发生故障，一旦霍尔传感器发生故障，将导致无刷直流电机工作异常，从而影响整个控制系统的稳定性。

人工神经网络是近几十年来得到迅速发展的一个前沿课题。由于其能够进行大规模并行处理，且具有高容错性、高自组织性、自适应性及逼近任意非线性函数的能力，其在突破现有瓶颈，更深入地探索和研究非线性现象时发挥了重要的作用。将人工神经网络应用于传感器故障检测是现在的研究热点，但现有的基于人工神经网络的霍尔传感器故障诊断方法多是基于BPNN这一经典的人工神经网络，而且在针对传感器故障检测上，往往只能解决一个或两个传感器故障的问题，对于单相传感器易出现的其他故障情况，现并未对此进行过多深入的讨论，且在现有检测方法相对复杂，应用场合受限。

而卷积神经网络是当前图像识别领域的研究热点。它的权值共享网络架构使之更类似于生物神经网络，降低了网络模型的复杂性，减少了权值的数量。该优点在网络的输入是多维图像时更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移/比例缩放/倾斜或者共他形式的变形具有高度不变性。在传感器故障检测中运用卷积神经网络，会有突破性进展。

发明内容

本发明的目的是为了克服现有技术存在的缺点和不足，而提供一种基于卷积神经网络的无刷直流电机传感器故障检测方法。该方法可以为无刷直流电机传感器提供在线检测，同时推动了无刷直流电机传感器故障检测的智能化发展，提高故障预检测的精确性和快速性。

为了实现上述目的，本发明采用的技术方案是包括有以下步骤：

S1:获取无刷直流电机的原始数据，并对该原始数据进行降噪处理；

S2:通过小波变换，将原始数据转换为时-频谱图作为样本集，并对样本集中的时-频谱图进行预处理；

S3:将样本集中的时-频谱图分为训练集和测试集，对训练集中样本标记故障种类以及故障程度，作为数据样本的已知标签；

S4:建立卷积神经网络，将训练集中的时频谱图输入卷积神经网络并提取分类前一层的特征；

S5:根据步骤S3中的所述标签和步骤S4中提取的所述特征，训练多类支持向量机分类器；

S6:训练完成后，得到支持向量机分类器对每一类故障的预测率；