[发明专利]基于多核SVM的永磁同步电机逆变器开路故障诊断方法

说明书

本发明公开了一种基于多核SVM的永磁同步电机逆变器开路故障诊断方法，该方法包括如下步骤：通过电流传感器采集逆变器开路和正常时三相电流信号；基于变分模态分解，将采集的三相电流信号分解重构，并构建样本数据集；任意选择组合核函数；通过EasyMKL多核学习算法构建样本数据分类间隔最大的数学优化问题并求解权重系数η；设置权重系数阈值p，将权重系数η小于阈值p的核函数裁剪掉，输出裁剪后组合核函数；根据组合核函数及SVM分类器实现对逆变器IGBT管开路故障诊断的目的。本发明在传统SVM分类方法的基础上引入了多核学习算法，比传统SVM方法有更高的故障诊断准确度。

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，涉及一种永磁同步电机逆变器开路故障诊断方法。

背景技术

永磁同步电机具有高效率、低噪声、体积小，重量轻,且过载能力大、转动惯量小、效率高、损耗小等优点。因此永磁同步电机现已被广泛应用于电动汽车、电梯、以及各类自动化设备、自动加工装置、机器人等领域。

然而，由于运行环境复杂，永磁同步电机易发生逆变器开路故障，电机逆变器开路故障会引起较大的电磁转矩脉动和严重的机械振动。检测到故障后如果不采取补救措施，永磁电机的连续运行可能会造成二次损害，甚至对整个系统造成灾难性的故障。近些年，基于机器学习的永磁同步电机故障诊断技术成为了研究热点，通过在故障数据集上训练神经网络模型，完成对永磁同步电机故障的识别检测，提高了故障诊断的智能性和稳定性。

在之前的基于SVM分类器的故障诊断方法研究中，国内应用多核学习框架的诊断方法还比较少，而且大多数基于SVM分类的诊断方法均是只选用高斯核函数，并通过组合优化方法，优化SVM以及高斯核函数的超参数，但这样忽略了核函数的选择带来的影响，且单一核函数SVM模型无法对复杂特征的数据建立分类超平面。事实上，核函数的选择比单一核函数超参数调优更能显著影响SVM分类器的性能。

发明内容

本发明的目的在于提供一种基于多核SVM的永磁同步电机逆变器开路故障诊断方法，克服背景技术中提到的不足。

实现本发明目的的技术方案为：

一种基于多核SVM的永磁同步电机逆变器开路故障诊断方法，包括以下步骤：

步骤1，通过电流传感器采集永磁同步电机逆变器开路和正常时三相电流信号数据；

步骤2，基于变分模态分解，将采集的三相电流信号分解，并对有效信号分量进行重构，并构建样本数据集；

步骤3，任意选择不同类型及参数的核函数，经过排列得到组合核函数K；

步骤4，基于构建的样本数据集及组合核函数K，通过EasyMKL多核学习算法构建样本数据分类间隔最大的数学优化问题；

步骤5，对步骤3中构建的数学优化问题求解，得到组合核函数的权重系数η；

步骤6，求解出的组合核函数权重系数η中，设置权重系数阈值p，将权重系数η小于阈值p的核函数取掉，裁减组合核函数，并修正有效核函数的权重系数η，输出裁剪后组合核函数newK；

步骤7，根据组合核函数newK通过SVM实现对逆变器IGBT管不同开路状态的判别，以达到开路故障诊断的目的。

本发明与现有技术相比，其显著优点：

(1)传统SVM中需要对逆变器三相电流样本数据集进行多次测试，并对比选取最合适的核函数，本发明只需任意选择不同类型及参数的核函数，并将其排列即可。

(2)在传统单核SVM模型中单一核函数无法对复杂特征的三相电流数据建立分类超平面，无法达到准确的故障诊断判断。本发明通过引入多核学习框架，可以在预设组合核函数的基础上，通过EasyMKL算法计算最佳的核函数组合方案，提高了逆变器开路故障诊断的准确度。