[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

说明书

本发明公开了一种基于深度学习的永磁同步电机故障诊断方法，其中永磁同步电机的主要故障包括定子绕组开路、定子绕组短路、偏心、退磁、转轴弯曲、轴承故障等。该方法通过电流传感器、振动传感器和声音传感器分别采集电机的定子电流信号、振动信号和噪声信号。该方法包括如下步骤：1)信号预处理；2)提取信号的时域、频域和时频特征；3)基于特征大数据训练深度神经网络；4)基于深度学习诊断永磁同步电机的故障类型。本发明融合了多传感器和多故障特征，比同类方法有更高的适用性。

技术领域

本发明属于电机状态检测与故障诊断技术领域，更为具体地讲，涉及一种基于深度学习的永磁同步电机故障诊断方法。

背景技术

永磁同步电机电机结构简单、体积更小、重量更轻，转子无发热问题，且过载能力大、转动惯量小、转矩脉动小，又实现了无刷化，提高了电机的效率。因此永磁同步电机现已广泛应用于电梯、电动汽车和船舶电力推进等领域。

然而，由于运行环境复杂和材料寿命、制造缺陷或断续操作等原因，永磁同步电机不可避免地会发生定子绕组匝间短路、偏心、轴承故障等多种故障类型。此外，由于用永磁体代替了励磁绕组，永磁同步电机还会出现特有的退磁故障。这些故障将影响设备的正常使用，严重时甚至会威胁到相关产业的财产和人员安全。因此，对永磁同步电动机的故障进行检测和诊断，以保证系统的稳定性从而减少事故，具有重要的意义。

在之前的故障诊断方法研究中，国内专门针对永磁同步电机的研究还比较少，而且大多只研究最常见的定子绕组匝间短路故障，只采集定子电流或振动的单一信号，而很少使用多传感器综合、多特征融合的方法。此外，之前的故障诊断技术通常只提取信号的频域或时频特征进行分析，大数据和深度学习等技术还很少被用在永磁同步电机的故障诊断中。

发明内容

本发明的目的在于提供一种永磁同步电机故障诊断方法，克服背景技术中提到的不足。

为实现上述目的，本发明提供如下技术方案：

基于深度学习的永磁同步电机故障诊断方法，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正常和故障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，并组建数据库；

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。

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；

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。

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；

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。

所述基于深度学习诊断永磁同步电机故障类型的具体步骤为：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。