一種基于卷積神經網絡和對稱點模式的永磁電機退磁故障診斷方法

本發明屬于永磁同步電機故障診斷，涉及一種基于卷積神經網絡和對稱點模式的永磁電機退磁故障診斷方法。

背景技術：

1、永磁同步電機(permanent?magnet?synchronous?motor，pmsm)具有結構簡單、運行穩定、功率密度高、調速范圍寬等優點，在數控機床、電梯控制、航空航天和新能源汽車等領域得到了廣泛關注與應用。

2、然而，在復雜和惡劣的工作環境中，轉子永磁體如燒結永磁材料易受到如高溫、散熱條件差和機械與電磁振動的影響導致產生不可逆退磁現象。轉子永磁體退磁所產生的嚴重后果對pmsm及其控制系統的影響是災難性的。當pmsm發生退磁故障時轉子永磁體磁通量減小，由于pmsm的電磁轉矩正比于電流矢量與永磁磁鏈矢量的叉乘，且在相同負載轉矩約束下故障電機的電樞電流必須高于健康電機的電樞電流以此來保證pmsm電磁轉矩的正常輸出，因此在此前提下會產生更嚴重的電樞反應，從而使電機的溫度與損耗增加，最后導致電機停機或完全損壞。因此，及時有效的診斷pmsm退磁故障具有重大實際意義。

3、目前已經提出了一些方法診斷退磁故障，主要包括基于模型驅動、數據驅動和高頻信號注入三類方法。在基于模型驅動的退磁故障診斷方法中pmsm有限元模型應用相對廣泛，其可通過對永磁磁鏈的準確獲取和定量分析進行故障診斷。然而，該類方法存在計算量大、泛化性差等缺點，多用于預防永磁體退磁的電機設計與優化工作。基于數據驅動的退磁故障診斷方法是將pmsm的電流、電壓和振動與噪聲信號等作為分析對象，通過快速傅里葉分解(fast?fourier?transform，fft)、小波變換(wavelet?transform，wt)以及希爾伯特黃變換(hilbert-huang?transform，hht)對時域信號進行頻域或時頻域分析，提取故障特征，實現退磁故障診斷，但是該類方法對于微弱的故障特征信號難以進行分析和提取，因此限制了此類方法在實際工程中的推廣與應用。基于高頻信號注入的退磁故障診斷方法需要根據退磁嚴重程度的不同疊加高頻電流，無法實現pmsm退磁故障的在線診斷與退磁故障程度的實時監測。

4、隨著深度學習在學術界和工業界的迅猛發展，學者們越來越關注其在電機故障診斷技術領域的應用。傳統的神經網絡已經廣泛應用于電機故障診斷領域，然而若將其作為故障的診斷器或者是分類器，不可避免地需要人為進行故障特征的選取與提取，這將導致其高度依賴于輸入向量中的信息質量，影響電機故障診斷的精確度。而基于深度學習的電機故障診斷模型可以自適應提取原始信號中的信息特征，無需過多的人工干預，從而避免了人為特征提取的不確定性。

5、針對傳統方法中的這些問題本文提出了一種基于卷積神經網絡(convolutionalneural?network，cnn)和對稱點模式(symmetrized?dot?pattern，sdp)的永磁電機退磁故障診斷方法

技術實現思路

1、為克服現有技術的不足，本發明旨在提供一種基于卷積神經網絡和對稱點模式的永磁電機退磁故障診斷方法，該方法可靠性強、診斷精度高，避免了人工特征提取所帶來的不確定性，實現了pmsm退磁故障的診斷，同時在實際工程領域更加方便實現。

2、本發明所采用的技術方案是：首先，采集在id＝0控制算法下的pmsm正常和退磁狀態下的輸出轉矩信號；其次，采用sdp算法，使笛卡爾坐標系下的pmsm輸出轉矩信號變換到極坐標系下，使得隨機分布的原始輸出轉矩信號轉換為可以直觀描述輸出轉矩信號幅度和頻率變換的sdp圖像；然后，采用灰度化和二值化算法將sdp圖像轉換為二維黑白圖像，以此增強圖像特征；再次，采用中值了濾波算法對二維黑白圖像進行降噪處理去除非特征部分；最后，將處理后的pmsm輸出轉矩信號的sdp特征圖像作為卷積神經網絡的輸入，完成退磁故障的診斷。

3、本發明基于卷積神經網絡和對稱點模式的永磁電機退磁故障診斷方法如圖3所示，包括以下步驟：

4、第1步：在id＝0控制算法下采集不同轉速的pmsm正常運行時和退磁故障時的輸出轉矩信號，控制算法原理如圖1所示；

5、第2步：根據采集到的pmsm輸出轉矩信號，繪制出sdp二維圖像。圖2展示了sdp圖像繪制原理。

6、sdp數學表達式如下式所示：

7、

8、式中，k為時域信號的離散采樣點；xk為第k個離散采樣點處時域信號的幅值；xmax和xmin分別為時域信號上的最大與最小值；l為滯后系數；θ為圖像的參考起始角度；ζ為開合增益；rk為第k個離散采樣點在極坐標系上的半徑；αk和βk分別為第k個離散采樣點變換后的上、下兩個角度；

9、第3步：將第2步中sdp圖像進行灰度化處理得到二維灰度圖，如下式所示：

10、h＝(hnm)m×n

11、式中，h為sdp圖像灰度化處理后得到的矩陣；m、n為h矩陣的行數和列數；hnm為h矩陣中第n行第m列的灰度值，其中hnm的數值范圍應在0～255之間；

12、第4步：將第3步中得到的sdp二維灰度圖采用固定門限二值化算法進行處理，如下式所示：

13、

14、式中，f(i，j)為二值化圖像上任意一點的灰度值；t為灰度級；若當前像素值大于或等于t時灰度值為255，否則為0，當圖中所有像素點的灰度值經過上式處理后，此時圖像轉變為黑白圖像；

15、第5步：采樣中值濾波算法將第4步所得到的黑白圖像中每一像素點的灰度值設置為該點某領域窗口內所有像素點灰度值的中間值。以圖4為例介紹中值濾波算法原理，設其領域窗口為3×3正方形對其3×3領域窗口內像素值按照升序排序后得到的序列值為：[66，78，90，91，93，94，95，97，101]。在該序列中，處于中間位置的數值為93，因此用該值替換3×3領域窗口中心位置處的像素值78，作為新像素值，以此達到濾波效果。

16、中值濾波算法數學表達式如下式所示：

17、h(x，y)＝med{f(x-j，y-l)，(j，l∈w)}

18、式中，f(x，y)和h(x，y)分別為原始和采取中值濾波算法處理后的黑白圖像；med為某領域窗口內所有像素點灰度值的中間值；w為領域窗口，通常為3×3或5×5的方陣；j和l是領域窗口中任意常數；

19、第6步：將第5步中處理后的黑白圖像錄入樣本庫，樣本庫中包括訓練集樣本與測試集樣本，具體數據集說明如表1所示：

20、表1數據集說明

21、

22、表中，n表示電機運行轉速；

23、第7步：建立卷積神經網絡模型，并利用訓練集樣本進行相應的訓練，卷積神經網絡結構如圖5所示；

24、第8步：將測試集樣本輸入到訓練后的卷積神經網絡模型中完成pmsm退磁故障診斷；

25、相較于現有技術方案，本發明的技術方案所帶來的有益效果是：

26、本發明將pmsm原始輸出轉矩信號通過sdp算法轉換為包含幅度和頻率信息的二維sdp圖像，通過灰度化和二值化算法對sdp二維圖像進行特征增強處理并采用中值濾波算法對處理后的圖像降噪去除非特征部分，將降噪后sdp二維圖像輸入到卷積神經網絡對pmsm退磁故障進行診斷識別。該方法將基于笛卡爾坐標系的pmsm輸出轉矩信號進行sdp轉換后，增強了信號的可視化，加強了原始信號中的特征信息，更加有利于卷積神經網絡模型對于pmsm輸出轉矩信號的特征提取，且無需過多的人工干預，提升了pmsm退磁故障診斷的精確度。