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: 2025120386370
申请人: 安徽大学
专利类型:发明专利
专利状态:已下证
专利领域: 测量;测试
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:

1.一种永磁同步电机多类型退磁故障诊断方法,其特征在于,包括:获取永磁同步电机在不同退磁故障下的气隙磁密信号;退磁故障包括故障类型和故障程度;

基于退磁故障的气隙磁密信号和基准气隙磁密信号,获取磁密差信号;其中,基准气隙磁密信号为健康状态永磁同步电机的气隙磁密信号;

将磁密差信号波形划分为若干波形区域,计算各磁极对应波形区域的面积,得到气隙磁密波形面积差;基于气隙磁密波形面积差,计算各磁极的故障特征量,得到多维故障特征向量;

基于多维特征向量和对应的故障类型,构建故障分类模型;其中,故障分类模型基于PSO-SVM故障分类模型构建;

以及,基于气隙磁密信号和对应的故障程度,构建退磁程度预测模型;其中,退磁程度预测模型基于CNN-Bilstm-Attention模型构建。

2.根据权利要求1所述的一种永磁同步电机多类型退磁故障诊断方法,其特征在于,所述获取永磁同步电机在不同退磁故障下的气隙磁密信号,包括:建立永磁同步电机有限元模型;

根据永磁体退磁原理,通过改变永磁同步电机有限元模型中的永磁体矫顽力,仿真不同退磁故障的有限元模型,并提取不同退磁故障的气隙磁密信号。

3.根据权利要求1所述的一种永磁同步电机多类型退磁故障诊断方法,其特征在于,所述获取磁密差信号,包括:将待诊断气隙磁密信号与所述基准气隙磁密信号的转子位置对齐,并将对应的转子位置的幅值相减,得到磁密差信号。

4.根据权利要求1所述的一种永磁同步电机多类型退磁故障诊断方法,其特征在于,所述将磁密差信号波形划分为若干波形区域的划分方法,包括:采用滑动窗口法,将一个机械周期内的磁密差信号划分为若干个连续且不重叠的时间窗口,得到若干波形区域;其中,时间窗口数与永磁同步电机的磁极数量相等。

5.根据权利要求1所述的一种永磁同步电机多类型退磁故障诊断方法,其特征在于,所述计算各磁极的故障特征量,包括:;

其中,为永磁电机铁芯的有效长度,A为永磁体磁芯横截面的面积,i为磁极序号,为第i磁极下气隙磁密波形面积差,t0为时间窗口的起始位置,t1为时间窗口的终止位置。

6.根据权利要求5所述的一种永磁同步电机多类型退磁故障诊断方法,其特征在于,所述第i磁极下气隙磁密波形面积差,包括:;

其中,j为采样点序号,为第个磁极对应的时间窗口内第个采样点的磁密差值,为第个采样点对应的角度间隔,N为第个磁极对应的时间窗口内的总采样点数。

7.根据权利要求1所述的一种永磁同步电机多类型退磁故障诊断方法,其特征在于,所述故障分类模型基于PSO-SVM故障分类模型构建,包括:从历史数据中提取若干故障状态下的多维特征向量和对应的故障类型标签,构建退磁故障样本库;

将退磁样本库中的多维特征向量作为PSO-SVM故障分类模型的输入数据,故障类型标签作为PSO-SVM故障分类模型的输出数据,通过输入数据和输出数据对PSO-SVM故障分类模型进行训练,得到故障分类模型。

8.根据权利要求1所述的一种永磁同步电机多类型退磁故障诊断方法,其特征在于,所述CNN-BiLSTM-Attention模型包括卷积神经网络层、双向长短期记忆网络层和注意力机制层;

卷积神经网络层,用于提取气隙磁密信号的局部特征;

双向长短期记忆网络层,用于学习经卷积神经网络层处理后特征的时序依赖关系;

注意力机制层,用于对双向长短期记忆网络层的输出序列分配差异化权重。

9.根据权利要求8所述的一种永磁同步电机多类型退磁故障诊断方法,其特征在于,所述退磁程度预测模型基于CNN-Bilstm-Attention模型构建,包括:从历史数据中获取永磁同步电机在不同退磁程度下的气隙磁密信号数据,并标注对应的退磁程度真值;

所述气隙磁密信号数据作为CNN-BiLSTM-Attention模型的输入数据,退磁程度真值作为CNN-BiLSTM-Attention模型的输出数据,通过输入数据和输出数据对CNN-BiLSTM-Attention模型进行训练,得到退磁程度预测模型。

10.一种永磁同步电机多类型退磁故障诊断系统,基于权利要求1-9任意一项所述的一种永磁同步电机多类型退磁故障诊断方法运行,其特征在于,包括获取模块(100),特征提取模块(200)和故障模型构建模块(300);

获取模块(100),用于获取永磁同步电机在不同退磁故障下的气隙磁密信号;

特征提取模块(200),用于基于退磁故障的气隙磁密信号和基准气隙磁密信号,获取磁密差信号;将磁密差信号波形划分为若干波形区域,计算各磁极对应波形区域的面积,得到气隙磁密波形面积差;基于气隙磁密波形面积差,计算各磁极的故障特征量,得到多维故障特征向量;

故障模型构建模块(300):基于多维特征向量和对应的故障类型,构建故障分类模型;以及,基于气隙磁密信号和对应的故障程度,构建退磁程度预测模型。