异步电机的故障诊断方法及计算机可读存储介质与流程

本发明涉及故障监测，特别是涉及一种异步电机的故障诊断方法及计算机可读存储介质。

背景技术：

1、异步电机作为一种动力装置将电能转化为机械能的设备，在居民日常生活和工业生产诸多领域都有着广泛应用，其数量占所有机电原动力设备数量的90％。电机结构复杂，组成零部件精密，其机械质地、电磁结构，特别是绝缘材料在长期使用中会逐渐老化。此外，电机处在高压、高速、高负荷条件下运行，再加上工作环境大多较为恶劣，上述这些因素很容易导致电机出现故障。电机一旦发生故障，不仅会对电机结构，更会对电机相关生成线产生重大影响，带来巨大的经济损失，乃至危及人身安全。因此，采用先进的科学技术方法对电机运行过程进行状态监测，并对出现的常见故障进行诊断，可实现对设备故障的早期发现，有利于提高电机生产的可靠性，降低维修成本，对电机检测维护也具有重大的实际意义。

2、目前很多情况下，电机的早期故障表现的不是很明显，就会出现监测不到的情况，从而进一步导致更到的损失。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种异步电机的故障诊断方法及计算机可读存储介质，很好的实现早期故障的判断，提升了整体的安全性。

2、本发明提供一种异步电机的故障诊断方法，包括如下步骤：

3、获取异步电机的运行数据，其中，所述运行数据包括电机转子的三相电流信号和电机轴承处的振动信号；

4、将所述三相电流信转换到park坐标下，以获得电流park矢量，对所述振动信号进行经验模式分解处理，以获得imf分量；

5、将电流park矢量及imf分量输入到搭建的初始卷积神经网络模型中进行训练得到最终卷积神经网络模型，通过所述最终卷积神经网络模型对所述电流park矢量及imf分量进行特征提取；

6、搭建融合网络模型并进行训练，将提取的特征输入到训练好的所述融合网络模型，以获取数据融合特征；

7、将所述数据融合特征输入到softmax分类器，以获得故障诊断结果。

8、在一实施例中，所述将所述三相电流信转换到park坐标下，以获得电流park矢量的转换公式为：

9、

10、其中，iα,iβ为park坐标下电流分量，ia,ib,ic为电机三相电流，i为电流park矢量模，φ为相位角。

11、在一实施例中，所述将电流park矢量及imf分量输入到搭建的初始卷积神经网络模型中进行训练得到最终卷积神经网络模型，进一步包括：

12、将park矢量及imf分量输入到搭建的初始卷积神经网络模型中进行训练，以得到训练好的初始卷积神经网络模型；

13、将park矢量及imf分量输入到训练好的初始卷积神经网络模型中，获得预测结果；

14、将预测结果与真实标签进行对比，以获得损失函数；

15、通过损失函数计算训练好的初始卷积神经网络模型的模型参数的梯度参数；

16、根据梯度参数对训练好的初始卷积神经网络模型进行更新，以获得最终卷积神经网络模型。

17、在一实施例中，所述搭建融合网络模型并进行训练，进一步包括：

18、将提取的特征输入到搭建的融合网络模型进行训练；

19、训练完成后获得初始融合网络模型；

20、将提取的特征输入到初始融合网络模型，获取初始融合网络模型的重构误差；

21、根据重构误差对初始融合网络模型进行修正，以获得训练好的所述融合网络模型。

22、在一实施例中，所述搭建的融合网络模型为：

23、

24、其中，h1,h2,l,分别为第1,2，…mf个隐层神经元的数量，mf为融合网络模型的隐藏层数；θfushion＝{wfushion,bfushion}是网络参数，wfushion是权值矩阵，bfushion是偏置向量。

25、在一实施例中，所述重构误差的计算公式为：

26、

27、其中，是激活函数；wf′usion,i(i＝1,2,3)是隐藏输出层与第i个解码器之间的权值，b′fusion,i(i＝1,2,3)是第i个解码层的偏置。

28、在一实施例中，所述softma分类器为：

29、[netsoftmax,trsoftmax]＝feedforward(θsoftmax,hout,ffusion)

30、其中，θsoftmax是softmax层的网络参数；hout是softmax分类器输出神经元的数量；ffusion是融合后的数据融合特征。

31、在一实施例中，所述故障诊断结果为：

32、

33、

34、本发明还提供在一种计算机可读存储介质，所述存储介质中存储有至少一条计算机指令，所述计算机指令由处理器加载并执行以实现上述所述的故障诊断方法。

35、本发明提供的异步电机的故障诊断方法及计算机可读存储介质，通过对获取的三相电流信号及振动信号进行处理及特征提取，并将提取的特征进行融合，根据融合后的特征对故障状况进行判断，很好的实现早期故障的判断，提升了整体的安全性。

技术特征：

1.一种异步电机的故障诊断方法，其特征在于，包括如下步骤：

2.如权利要求1所述的异步电机的故障诊断方法，其特征在于，所述将所述三相电流信转换到park坐标下，以获得电流park矢量的转换公式为：

3.如权利要求2所述的异步电机的故障诊断方法，其特征在于，所述将电流park矢量及imf分量输入到搭建的初始卷积神经网络模型中进行训练得到最终卷积神经网络模型，进一步包括：

4.如权利要求3所述的异步电机的故障诊断方法，其特征在于，所述搭建融合网络模型并进行训练，进一步包括：

5.如权利要求4所述的异步电机的故障诊断方法，其特征在于，所述搭建的融合网络模型为：

6.如权利要求4所述的异步电机的故障诊断方法，其特征在于，所述重构误差的计算公式为：

7.如权利要求2所述的异步电机的故障诊断方法，其特征在于，所述softma分类器为：

8.如权利要求7所述的异步电机的故障诊断方法，其特征在于，所述故障诊断结果为：

9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条计算机指令，所述计算机指令由处理器加载并执行以实现权利要求1至8中所述的故障诊断方法。

技术总结一种异步电机的故障诊断方法及计算机可读存储介质，该异步电机的故障诊断方法包括如下步骤：获取异步电机的运行数据，将三相电流信转换到Park坐标下，以获得电流Park矢量，对振动信号进行经验模式分解处理，以获得IMF分量；将电流Park矢量及IMF分量输入到搭建的初始卷积神经网络模型中进行训练得到最终卷积神经网络模型，通过最终卷积神经网络模型对电流Park矢量及IMF分量进行特征提取；搭建融合网络模型并进行训练，将提取的特征输入到训练好的融合网络模型，以获取数据融合特征；将数据融合特征输入到Softmax分类器，以获得故障诊断结果。该异步电机的故障诊断方法及计算机可读存储介质，很好的实现早期故障的判断，提升了整体的安全性。技术研发人员：邹冬良,陈世金,李晨阳,蔡东明,王亚坤受保护的技术使用者：五冶集团上海有限公司技术研发日：技术公布日：2024/9/29