欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024116403326
申请人: 湖南科技大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于特征选择和多尺度残差网络的匝间短路故障诊断方法,其特征在于,包括以下步骤:步骤一,数据采集和预处理:收集永磁同步电机内部绝缘故障中匝间短路故障条件下的永磁同步电机的电流信号,并对永磁同步电机匝间短路故障电流信号进行预处理,得到训练集和测试集;

所述步骤一中,对永磁同步电机匝间短路故障电流信号进行预处理的过程为:S11:通过多重同步压缩变换MSST进行时频分析及谱分析得到信号样本,构建原始特征集;

同步压缩变换的原理为:在线性时频信号处理算法的基础上,经过时频重排运算,以集中能量分布,但同步压缩变换忽略了高阶分量的影响,进而导致非稳态信号中部分时变信号特征的丢失;因此在MSST的基础上通过补充分析瞬时幅值的一次项、瞬时相位的二次项,然后加入多重的瞬时频率估计运算以增强时频聚集性:;

;

其中,N为迭代的次数,为瞬时频率的估计值,为第N次迭代瞬时频率的估计值,为瞬时相位估计值的一次导数,为瞬时相位估计值的二次导数, 为狄拉克函数;为频率变量,为频率重排算子,为时频系数,为第N次迭代同步压缩时频系数矩阵;

S12:通过改进调整互信息标准差AMISR进行特征选择;

所述步骤S12具体过程为:

S121:对所有统计特征进行FCM聚类分析:

;

其中,OF为原始特征集,为故障类型为Z时第n个信号样本第m种特征的集合;

S122:采用调整互信息AMI作为评价指标对聚类结果进行分析;

某一特征的 AMI 值越接近于 1 表示其与故障类别的相关度越高,同时也越有利于后续对故障类型的判断;标准差用来描述样本数据点的离散程度,而对于特征集,标准差越小其类内聚合度越高,因此将标准差引入 AMI 中,用来表征不同统计特征的类内聚合度,OF中的行元素表示同种电机状态,则OF中第m种特征的标准差表示为:;

;

其中,为观测值的数量,为故障类型为Z时第m种特征的标准差,为特征S的第k个观测值,为特征S的平均值;

在计算出全部M种统计特征的AMI值和标准差后,定义出调整互信息标准差AMISR的计算公式,得到 AMISR 值序列:;

其中,为调整互信息标准差序列,为调整互信息,为标准差;

利用AMISR特征选择方法,对原始特征集中的多种特征进行分析,提取出与故障状态相关的统计特征;

步骤二,构建基于多尺度一维卷积残差网络的永磁同步电机匝间短路故障诊断模型,采用训练集对永磁同步电机匝间短路故障诊断模型训练后,保留永磁同步电机匝间短路故障诊断模型的最优结构;

步骤三,将测试集放入训练好的永磁同步电机匝间短路故障诊断模型中进行特征学习,然后再输入Softmax分类器中进行故障诊断。

2.根据权利要求1所述的基于特征选择和多尺度残差网络的匝间短路故障诊断方法,其特征在于:所述步骤一中,对于星形连接的正常三相永磁同步电机,其三相反电势表示为:;

其中,θ为转子位置角,、、分别为正常三相永磁同步电机的a、b、c相反电势,为狄拉克函数,正常三相永磁同步电机每相均包含基波和第v次谐波项,正常三相永磁同步电机每相幅值相等,相位相差120°;为第v次谐波与基波的相位差;当v=3时,三相的3次谐波、、分别为:;

三相的3次谐波之和为:

;

同理,三相的9、15、21次谐波之和分别为:

;

由此可见,三相的3次及其奇数倍谐波由于幅值和相位相同,在中性线没有通路的情况下无法闭合,因而零序分量为0;当定子绕组中某一相发生匝间短路故障时,会破坏电机的三相平衡关系,在短路支路中产生回流,进而引起零序分量的异常变化;

当永磁同步电机出现定子绕组故障时,定子电流中的谐波分量明显增强,导致电机电流的频率随之产生变化,因此将电流信号作为能够直接反映电机故障状态的有效数据源。

3.根据权利要求2所述的基于特征选择和多尺度残差网络的匝间短路故障诊断方法,其特征在于,所述步骤二中,构建基于多尺度一维卷积残差网络的匝间短路故障诊断模型的过程为:原始电流信号输入一个多种尺寸卷积核的卷积层经过激活函数得到一组特征图,然后经过池化层降采样,用于提取原始电流信号中的短时特征;再次重复卷积池化操作后,传递到残差框架中,结合多尺度框架,构建多尺度一维卷积残差网络,从而得到匝间短路故障诊断模型。

4.根据权利要求3所述的基于特征选择和多尺度残差网络的匝间短路故障诊断方法,其特征在于:所述步骤二中,将原始信号输入第一个卷积层经过激活函数得到一组特征图,运算过程为:;

其中,表示第j个输入特征图,表示第层网络的第i个卷积核的输入特征图,表示第层网络第i个卷积核的第j个权重值,表示第层网络第j个神经元的加性偏置,为ReLU激活函数,,表示卷积运算,最后输出为第l层的第j个特征图;

然后经过池化层降采样,运算过程为:

;

其中,为第l层网络第j个神经元的乘性偏置,down(·)表示采样函数。

5.根据权利要求4所述的基于特征选择和多尺度残差网络的匝间短路故障诊断方法,其特征在于:所述步骤二中,多尺度框架的每一层均采用不同尺寸的卷积核构成,自上而下,卷积核大小分别为5×1、7×1、9×1,并且每一层拥有 3 组相同的卷积层和池化层,用于提取同一尺度特征,然后通过一个 16×1 的池化层对特征进行降采样,最后通过torch.cat()函数进行多尺度特征融合,具体计算过程如下:;

其中, 、、分别表示不同尺度卷积核网络层的输出,表示多尺度融合特征。

6.根据权利要求5所述的基于特征选择和多尺度残差网络的匝间短路故障诊断方法,其特征在于:所述步骤二中,将残差网络加入卷积神经网络中,得到故障诊断模型,计算过程表示为:;

其中,x和y分别表示残差模块的输入和输出,表示要学习的残差映射。

7.根据权利要求6所述的基于特征选择和多尺度残差网络的匝间短路故障诊断方法,其特征在于:所述步骤三中,Softmax函数表示为:其中,为第个节点的输出值,h为输出节点的序数,H为输出节点的总数,即类别个数。