[发明专利]一种基于深度学习的永磁同步电机故障诊断方法

权利要求书

1.一种基于深度学习的永磁同步电机故障诊断方法，其特征在于，包括如下步骤：

步骤1，通过电流传感器、振动传感器和声音传感器分别采集永磁同步电机的定子电流信号、振动信号和噪声信号；

步骤2，对采集的信号进行预处理，实行降噪；

步骤3，提取信号的时域、频域和时频特征，组建数据库进行大数据分析；

步骤4，基于特征大数据训练深度神经网络模型；

步骤5，利用完成的基于深度学习的人工智能识别系统诊断永磁同步电机故障类型及状态。

2.根据权利要求1所述基于深度学习的永磁同步电机故障诊断方法，其特征在于：步骤1所述永磁同步电机的故障类型分别为：定子绕组开路故障、不同严重程度的定子绕组短路故障、偏心、退磁、转轴弯曲、轴承故障等。

3.根据权利要求1所述基于深度学习的永磁同步电机故障诊断方法，其特征在于：步骤3所述提取的信号特征包括时域、频域和时频特征，并针对不同电机、不同信号组建综合的电机故障信号数据库，进行大数据分析。

4.根据权利要求1所述基于深度学习的永磁同步电机故障诊断方法，其特征在于：步骤3所述的时域特性包括，电流信号的峰值、均值、均方根，振动和噪声信号的峰值指标、峭度指标、脉冲指标、裕度指标等。频域特性包括，频域信号分别在基频、谐波频率和故障特征频率范围内的幅值、能量、功率等。时频特性包括，特定信号的频率成份和出现的时间位置。

5.根据权利要求1所述基于深度学习的永磁同步电机故障诊断方法，其特征在于：步骤4所述的基于特征大数据训练深度神经网络模型，是通过建立深度神经网络模型，利用大数据进行训练，理解不同故障类型和状态分别在原始信号、频谱图和时频图中对应的特征，完成对数据的正确识别和分类。

6.根据权利要求1所述基于深度学习的永磁同步电机故障诊断方法，其特征在于，所述步骤5的具体步骤为：采集任一永磁同步电机的任一信号，通过时域、频域和时频分析，由基于深度学习的人工智能识别系统进行识别，根据输出结果判断永磁同步电机是否故障及相应的故障类型和严重程度，同时加入数据库，在实际操作中积累大数据，提高人工智能识别系统的准确性。