本發(fā)明屬于永磁同步電機(jī)故障診斷，涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)和對(duì)稱點(diǎn)模式的永磁電機(jī)退磁故障診斷方法。

背景技術(shù)：

1、永磁同步電機(jī)(permanent?magnet?synchronous?motor，pmsm)具有結(jié)構(gòu)簡(jiǎn)單、運(yùn)行穩(wěn)定、功率密度高、調(diào)速范圍寬等優(yōu)點(diǎn)，在數(shù)控機(jī)床、電梯控制、航空航天和新能源汽車等領(lǐng)域得到了廣泛關(guān)注與應(yīng)用。

2、然而，在復(fù)雜和惡劣的工作環(huán)境中，轉(zhuǎn)子永磁體如燒結(jié)永磁材料易受到如高溫、散熱條件差和機(jī)械與電磁振動(dòng)的影響導(dǎo)致產(chǎn)生不可逆退磁現(xiàn)象。轉(zhuǎn)子永磁體退磁所產(chǎn)生的嚴(yán)重后果對(duì)pmsm及其控制系統(tǒng)的影響是災(zāi)難性的。當(dāng)pmsm發(fā)生退磁故障時(shí)轉(zhuǎn)子永磁體磁通量減小，由于pmsm的電磁轉(zhuǎn)矩正比于電流矢量與永磁磁鏈?zhǔn)噶康牟娉?，且在相同?fù)載轉(zhuǎn)矩約束下故障電機(jī)的電樞電流必須高于健康電機(jī)的電樞電流以此來(lái)保證pmsm電磁轉(zhuǎn)矩的正常輸出，因此在此前提下會(huì)產(chǎn)生更嚴(yán)重的電樞反應(yīng)，從而使電機(jī)的溫度與損耗增加，最后導(dǎo)致電機(jī)停機(jī)或完全損壞。因此，及時(shí)有效的診斷pmsm退磁故障具有重大實(shí)際意義。

3、目前已經(jīng)提出了一些方法診斷退磁故障，主要包括基于模型驅(qū)動(dòng)、數(shù)據(jù)驅(qū)動(dòng)和高頻信號(hào)注入三類方法。在基于模型驅(qū)動(dòng)的退磁故障診斷方法中pmsm有限元模型應(yīng)用相對(duì)廣泛，其可通過(guò)對(duì)永磁磁鏈的準(zhǔn)確獲取和定量分析進(jìn)行故障診斷。然而，該類方法存在計(jì)算量大、泛化性差等缺點(diǎn)，多用于預(yù)防永磁體退磁的電機(jī)設(shè)計(jì)與優(yōu)化工作?；跀?shù)據(jù)驅(qū)動(dòng)的退磁故障診斷方法是將pmsm的電流、電壓和振動(dòng)與噪聲信號(hào)等作為分析對(duì)象，通過(guò)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(duì)時(shí)域信號(hào)進(jìn)行頻域或時(shí)頻域分析，提取故障特征，實(shí)現(xiàn)退磁故障診斷，但是該類方法對(duì)于微弱的故障特征信號(hào)難以進(jìn)行分析和提取，因此限制了此類方法在實(shí)際工程中的推廣與應(yīng)用?；诟哳l信號(hào)注入的退磁故障診斷方法需要根據(jù)退磁嚴(yán)重程度的不同疊加高頻電流，無(wú)法實(shí)現(xiàn)pmsm退磁故障的在線診斷與退磁故障程度的實(shí)時(shí)監(jiān)測(cè)。

4、隨著深度學(xué)習(xí)在學(xué)術(shù)界和工業(yè)界的迅猛發(fā)展，學(xué)者們?cè)絹?lái)越關(guān)注其在電機(jī)故障診斷技術(shù)領(lǐng)域的應(yīng)用。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)已經(jīng)廣泛應(yīng)用于電機(jī)故障診斷領(lǐng)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(jìn)行故障特征的選取與提取，這將導(dǎo)致其高度依賴于輸入向量中的信息質(zhì)量，影響電機(jī)故障診斷的精確度。而基于深度學(xué)習(xí)的電機(jī)故障診斷模型可以自適應(yīng)提取原始信號(hào)中的信息特征，無(wú)需過(guò)多的人工干預(yù)，從而避免了人為特征提取的不確定性。

5、針對(duì)傳統(tǒng)方法中的這些問(wèn)題本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(convolutionalneural?network，cnn)和對(duì)稱點(diǎn)模式(symmetrized?dot?pattern，sdp)的永磁電機(jī)退磁故障診斷方法

技術(shù)實(shí)現(xiàn)思路

1、為克服現(xiàn)有技術(shù)的不足，本發(fā)明旨在提供一種基于卷積神經(jīng)網(wǎng)絡(luò)和對(duì)稱點(diǎn)模式的永磁電機(jī)退磁故障診斷方法，該方法可靠性強(qiáng)、診斷精度高，避免了人工特征提取所帶來(lái)的不確定性，實(shí)現(xiàn)了pmsm退磁故障的診斷，同時(shí)在實(shí)際工程領(lǐng)域更加方便實(shí)現(xiàn)。

2、本發(fā)明所采用的技術(shù)方案是：首先，采集在id＝0控制算法下的pmsm正常和退磁狀態(tài)下的輸出轉(zhuǎn)矩信號(hào)；其次，采用sdp算法，使笛卡爾坐標(biāo)系下的pmsm輸出轉(zhuǎn)矩信號(hào)變換到極坐標(biāo)系下，使得隨機(jī)分布的原始輸出轉(zhuǎn)矩信號(hào)轉(zhuǎn)換為可以直觀描述輸出轉(zhuǎn)矩信號(hào)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(zhuǎn)換為二維黑白圖像，以此增強(qiáng)圖像特征；再次，采用中值了濾波算法對(duì)二維黑白圖像進(jìn)行降噪處理去除非特征部分；最后，將處理后的pmsm輸出轉(zhuǎn)矩信號(hào)的sdp特征圖像作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，完成退磁故障的診斷。

3、本發(fā)明基于卷積神經(jīng)網(wǎng)絡(luò)和對(duì)稱點(diǎn)模式的永磁電機(jī)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(zhuǎn)速的pmsm正常運(yùn)行時(shí)和退磁故障時(shí)的輸出轉(zhuǎn)矩信號(hào)，控制算法原理如圖1所示；

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

6、sdp數(shù)學(xué)表達(dá)式如下式所示：

7、

8、式中，k為時(shí)域信號(hào)的離散采樣點(diǎn)；xk為第k個(gè)離散采樣點(diǎn)處時(shí)域信號(hào)的幅值；xmax和xmin分別為時(shí)域信號(hào)上的最大與最小值；l為滯后系數(shù)；θ為圖像的參考起始角度；ζ為開合增益；rk為第k個(gè)離散采樣點(diǎn)在極坐標(biāo)系上的半徑；αk和βk分別為第k個(gè)離散采樣點(diǎn)變換后的上、下兩個(gè)角度；

9、第3步：將第2步中sdp圖像進(jìn)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(shù)和列數(shù)；hnm為h矩陣中第n行第m列的灰度值，其中hnm的數(shù)值范圍應(yīng)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(jìn)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(diǎn)的灰度值；t為灰度級(jí)；若當(dāng)前像素值大于或等于t時(shí)灰度值為255，否則為0，當(dāng)圖中所有像素點(diǎn)的灰度值經(jīng)過(guò)上式處理后，此時(shí)圖像轉(zhuǎn)變?yōu)楹诎讏D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(diǎn)的灰度值設(shè)置為該點(diǎn)某領(lǐng)域窗口內(nèi)所有像素點(diǎn)灰度值的中間值。以圖4為例介紹中值濾波算法原理，設(shè)其領(lǐng)域窗口為3×3正方形對(duì)其3×3領(lǐng)域窗口內(nèi)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(shù)值為93，因此用該值替換3×3領(lǐng)域窗口中心位置處的像素值78，作為新像素值，以此達(dá)到濾波效果。

16、中值濾波算法數(shù)學(xué)表達(dá)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(lǐng)域窗口內(nèi)所有像素點(diǎn)灰度值的中間值；w為領(lǐng)域窗口，通常為3×3或5×5的方陣；j和l是領(lǐng)域窗口中任意常數(shù)；

19、第6步：將第5步中處理后的黑白圖像錄入樣本庫(kù)，樣本庫(kù)中包括訓(xùn)練集樣本與測(cè)試集樣本，具體數(shù)據(jù)集說(shuō)明如表1所示：

20、表1數(shù)據(jù)集說(shuō)明

21、

22、表中，n表示電機(jī)運(yùn)行轉(zhuǎn)速；

23、第7步：建立卷積神經(jīng)網(wǎng)絡(luò)模型，并利用訓(xùn)練集樣本進(jìn)行相應(yīng)的訓(xùn)練，卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示；

24、第8步：將測(cè)試集樣本輸入到訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)模型中完成pmsm退磁故障診斷；

25、相較于現(xiàn)有技術(shù)方案，本發(fā)明的技術(shù)方案所帶來(lái)的有益效果是：

26、本發(fā)明將pmsm原始輸出轉(zhuǎn)矩信號(hào)通過(guò)sdp算法轉(zhuǎn)換為包含幅度和頻率信息的二維sdp圖像，通過(guò)灰度化和二值化算法對(duì)sdp二維圖像進(jìn)行特征增強(qiáng)處理并采用中值濾波算法對(duì)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(jīng)網(wǎng)絡(luò)對(duì)pmsm退磁故障進(jìn)行診斷識(shí)別。該方法將基于笛卡爾坐標(biāo)系的pmsm輸出轉(zhuǎn)矩信號(hào)進(jìn)行sdp轉(zhuǎn)換后，增強(qiáng)了信號(hào)的可視化，加強(qiáng)了原始信號(hào)中的特征信息，更加有利于卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)于pmsm輸出轉(zhuǎn)矩信號(hào)的特征提取，且無(wú)需過(guò)多的人工干預(yù)，提升了pmsm退磁故障診斷的精確度。