1.一种基于双谱分析和CNN的永磁电机退磁故障诊断方法,其特征在于,包括:步骤1:采集待诊断的永磁电机的电流信号;
步骤2:将采集到的电流信号进行双谱分析得到双谱图像;
步骤3:从双谱图像中选择可以灵敏反映永磁体退磁程度的区域,经过处理后得到故障特征图像;
步骤4:将故障特征图像输入预先训练好的卷积神经网络模型用于永磁电机退磁故障诊断分析,得出永磁体的退磁程度诊断结果。
2.根据权利要求1所述的方法,其特征在于,所述步骤4中,卷积神经网络模型的训练方法包括:步骤A1:采集与待诊断的永磁电机相同的永磁电机其单极永磁体不同退磁程度下的电流信号;
步骤A2:将采集到的电流信号进行双谱分析得到双谱图像;
步骤A3:从双谱图像中选择可以灵敏反映永磁体退磁程度的区域,经过处理后得到故障特征图像数据集;
步骤A4:设计卷积神经网络模型;
步骤A5:使用步骤A3中故障特征图像数据集对步骤A4中卷积神经网络模型进行训练,并不断调整超参数,得到训练好的卷积神经网络模型。
3.根据权利要求2所述的方法,其特征在于,所述步骤A2中,双谱分析采用非参数化双谱估计中的直接法进行求解得到双谱图像,步骤如下:步骤A2.1:将步骤A1采集得到的电流信号x(0),x(1),…,x(N‑1)进行零均值化处理,并(k) (k) (k)分成K段,每段含M个数值,记作x (0),x (1),…,x (M‑1),其中k=1,…,K,这里允许相邻两段之间有样本重叠;
(k)
步骤A2.2:计算离散傅里叶变换系数X (λ):
其中,λ=0,1,…,M‑1;k=1,…,K;
步骤A2.3:计算离散傅里叶变换系数的三重相关 :其中,λ1=0,1,…,M‑1;λ2=0,1,…,M‑1;fs为采样频率;
步骤A2.4:计算x(0),x(1),…,x(N‑1)的双谱估计 :上式用角频率表示为:
,
步骤A2.5:计算双谱估计 的幅值,即双谱幅值 :步骤A2.6:以ω1为X轴,以ω 2为Y轴,以步骤A2.5得到的双谱幅值 为Z轴,生成XY面的投影图,即为双谱图像。
4.根据权利要求3所述的方法,其特征在于,所述步骤A3包括:步骤A3.1:从步骤A2得到的双谱图像中选择可以灵敏反映永磁体退磁程度的区域,用于构造故障特征图像数据集;
步骤A3.2:以所选区域在永磁体未发生退磁故障时的双谱幅值ANormal为参考,计算所选区域在永磁体不同退磁程度时的双谱幅值增加量ADiff:其中,ADam表示永磁体退磁故障时的双谱幅值;
步骤A3.3:对所选区域的双谱幅值增加量ADiff进行归一化处理,得到ANor:步骤A3.4:以所选区域的ω1为X轴,以所选区域的ω2为Y轴,以步骤A3.3中得到的ANor值为Z轴,生成XY面的投影图;
步骤A3.5:将步骤A3.4生成的投影图进行压缩处理,得到故障特征图像数据集。
5.根据权利要求4所述的方法,其特征在于,所述步骤A3中,构建的故障特征图像数据集一共包含4种电机退磁程度,对每一种退磁程度赋予类别标签,从而将退磁程度判别问题转换为分类问题。
6.根据权利要求5所述的方法,其特征在于,所述步骤A3中,每种退磁程度包含4种负载,每种负载包含3相电流,每相电流采集相等长度的50个数据段,因此,共生成4×4×3×
50=2400张图像作为故障特征图像数据集,其中,2160张作为训练图像数据集,240张作为测试图像数据集。
7.根据权利要求2‑6中任一所述的方法,其特征在于,所述步骤A4中,卷积神经网络模型包括2个3×3的卷积层,2个2×2的池化层,1个全连接层;每个卷积层使用的激活函数是ReLU,在全连接层前加入Dropout避免网络过拟合,最后通过Softmax函数输出每种故障的概率。
8.根据权利要求7所述的方法,其特征在于,所述步骤A5中,卷积神经网络模型训练前先进行参数初始化;其中卷积层和全连接层的权重参数分别采用凯明初始化和正态分布初始化,偏置参数全部初始化为0。
9.根据权利要求8所述的方法,其特征在于,所述步骤A5中,卷积神经网络模型的目标函数为交叉熵损失函数;优化器为SGDM;调整的超参数为学习率和批次大小;在下一轮训练开始前将训练图像数据集随机打乱来提高模型的收敛速度和泛化能力。
10.根据权利要求9所述的方法,其特征在于,所述步骤A5中,卷积神经网络模型的超参数组合为学习率η=0.01,批次大小B=16;
和/或,所述步骤A5中,在每一轮训练结束之后计算当前模型在测试图像数据集上的准确度,如果准确度大于当前保存的最高准确度,则保存当前的卷积神经网络模型,并将该准确度作为当前的最高准确度;不断循环,直至达到设定的训练轮数。