一种交流电机系统功率管开路故障诊断方法

1.本发明涉及电机故障诊断技术领域，尤其涉及一种交流电机系统功率管开路故障诊断方法。


背景技术：

2.在现今的生产活动和人们的日常生活中，交流电机已成为最重要的动力来源和驱动装置之一。如果电机系统发生任何故障，会对电机本身会造成损害，也会对整个运行系统造成一定的影响。为了保证系统的正常工作，有必要对电机系统进行故障诊断。逆变器是整个交流电机系统中容易发生故障的薄弱环节，为了提高电机系统的可靠性，开展逆变器开关管故障诊断研究具有重要的意义。
3.现有的交流电机系统故障诊断方法主要依赖于一些手工提取的特征，如时域或频域统计分析、快速傅立叶变换(fft)、短时傅立叶变换(stft)和小波变换(wt)，这些方法都需要一些专业知识，泛化性能较差，难以满足高精度、智能化的工业需求。


技术实现要素：

4.基于背景技术中存在的技术问题，本发明提出了一种交流电机系统功率管开路故障诊断方法。
5.本发明提出的一种交流电机系统功率管开路故障诊断方法，包括以下步骤：
6.s1、将交流电机三相电流变换到α-β坐标系中，得到i
α
和i
β
，将i
α
和i
β
进行电流归一化，得到电流矢量轨迹图；
7.s2、收集交流电机系统在正常、故障运行状态下归一化的电流矢量轨迹图，建立卷积神经网络，将归一化的电流矢量轨迹图作为样本数据输入到卷积神经网络进行训练；
8.s3、将采集到的电流矢量轨迹图输入到训练好的卷积神经网络，进行开路故障辨识与分类。
9.优选的，在步骤s1中，利用clark变换将电机三相电流变换到α-β坐标系中。
10.优选的，在步骤s2中，卷积神经网络包括输入层、多个隐层、激活层、全连接层、softmax层和输出层；输入层的输入对象为图像或向量形式的数据；隐层由卷积层和池化层组成，卷积层用于进行数据特征提取，池化层用于进行特征降维；激活层用于把卷积层输出结果做非线性映射，采用relu函数作为非线性函数，提取数据特征；进行多次卷积和池化后，在全连接层对所得的特征进行处理，并在softmax层得到各类别输出的概率，最后在输出层得到预测的故障类别作为最终结果输出。
11.优选的，卷积层的数字模型为：
[0012][0013]
式中：mj为输入特征；l表示第l网络；k表示卷积核；b为偏置；为第l层输出；为第l-1层输出，也为第l层输入。
[0014]
优选的，池化层的数字模型为：
[0015][0016]
其中：down(
·
)为池化函数，β为网络乘性偏置。
[0017]
优选的，在步骤s2中，卷积神经网络的损失函数为
[0018][0019]
式中：y(i)表示第i个样本的真实标签，表示第i个样本的预测标签。
[0020]
本发明提出的一种交流电机系统功率管开路故障诊断方法，卷积神经网络是一种典型的深度学习模型，该算法具有稀疏连通性、权值共享、局部域等特点，能够较好地提取深度特征，抑制网络过拟合；电流矢量轨迹图能够鲜明地反映交流电机系统的运行状态，结合卷积神经网络自适应提取图片特征，可实现小样本输入下交流电机系统功率管开路故障诊断，相比传统的机器学习故障诊断方法和传统的手工提取故障特征的方法，具有更高的诊断精度。本发明不需要结合其他的分类器，自适应地提取故障信号的特征，以原始故障信号作为输入，实现开关管开路故障的快速诊断，降低电机故障所带来的损失和影响。本发明能够有效地实现电机正常运行状态、单个开关管故障、两个开关管故障共22种情况的故障识别与分类，故障辨识准确率高；本发明所需样本数据少且不受运行工况的影响。
附图说明
[0021]
图1为本发明提出的一种交流电机系统功率管开路故障诊断方法的故障诊断框架图；
[0022]
图2为交流电机系统在正常以及故障运行状态下共22种电流矢量轨迹图。
具体实施方式
[0023]
参照图1，本发明提出一种交流电机系统功率管开路故障诊断方法，通过交流电机的电流矢量轨迹图和卷积神经网络判断交流电机系统功率管开路故障类型，包括以下步骤：
[0024]
s1、利用clark变换将交流电机三相电流变换到α-β坐标系中，得到i
α
和i
β
，电流空间矢量为：is＝i
α
ji
β
＝|is|《θs。然后将i
α
和i
β
进行电流归一化，得到电流矢量轨迹图。
[0025]
交流电机系统在正常状态下电流矢量轨迹为圆形；当逆变器单个开关管发生开路故障，依据不同的故障位置，电流矢量轨迹呈现出不同的半圆；当逆变器两个开关管发生开路故障，依据不同的故障位置，电流矢量轨迹分别呈现出不同的六分之一圆、三分之一圆和直线。
[0026]
s2、收集交流电机系统在正常、故障运行状态下归一化的电流矢量轨迹图，构建交流电机系统功率管在正常和故障情形下归一化的电流矢量轨迹图数据集。建立卷积神经网络，将归一化的电流矢量轨迹图作为样本数据输入到卷积神经网络进行训练。
[0027]
收集交流电机系统在正常以及故障运行状态下电流矢量轨迹图，一共22种，如图2所示，电流归一化后的电流矢量轨迹图不受工况的影响。
[0028]
卷积神经网络包括输入层、多个隐层、激活层、全连接层、softmax层和输出层。输
入层的输入对象为图像或向量形式的数据。
[0029]
隐层由卷积层和池化层组成，卷积层用于进行数据特征提取；池化层又称为子采样层，池化层用于进行特征降维，放在池化层之后，可以减小网络的参数以及计算量。
[0030]
卷积层的数字模型为：
[0031][0032]
式中：mj为输入特征；l表示第l网络；k表示卷积核；b为偏置；为第l层输出；为第l-1层输出，也为第l层输入。
[0033]
池化层的数字模型为：
[0034][0035]
其中：down(
·
)为池化函数，β为网络乘性偏置。
[0036]
激活层用于把卷积层输出结果做非线性映射，采用relu函数作为非线性函数，提取数据特征。进行多次卷积和池化后，在全连接层对所得的特征进行处理，并在softmax层得到各类别输出的概率，最后在输出层得到预测的故障类别作为最终结果输出。
[0037]
卷积神经网络的损失函数为
[0038][0039]
式中：y(i)表示第i个样本的真实标签，表示第i个样本的预测标签。
[0040]
s3、将采集到的被测交流电机的电流矢量轨迹图输入到训练好的卷积神经网络，进行开路故障辨识与分类。
[0041]
计算出网络的分类准确率，分类准确率越高，该方法的诊断精度就越高。
[0042]
交流电机系统在正常状态下电流矢量轨迹为圆形；当逆变器单个开关管发生开路故障，依据不同的故障位置，电流矢量轨迹呈现出不同的半圆；当逆变器两个开关管发生开路故障，依据不同的故障位置，电流矢量轨迹分别呈现出不同的六分之一圆、三分之一圆和直线。
[0043]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。