一种用于变频器电机的故障诊断方法与流程

1.本发明涉及变频器电机的故障诊断技术领域，特别是一种用于变频器电机的故障诊断方法。


背景技术：

2.在电机上使用变频器通常具有以下好处，1)可以实现电机软启动，对机械设备冲击小。2)启动电流较小，在频繁启动的工况下更节能。3)实现无级变速，满足平稳变速的工作要求。4)便于自动化控制，实现多速度选择。5)保护完善，可以对电机进行过电压保护、欠电压保护、过电流保护、缺相保护、反相保护、过负荷保护、接地保护、短路保护、超频保护和失速保护等。由于使用变频器电机的场景众多，下面以纺织行业中纺织机械上使用的变频器电机进行说明。
3.纺织包括纺纱与织布，其用到的纺织机械包含大量的变频器设备。选用变频器较多的纺织设备主要有细纱机、粗纱机、精梳机等。这些设备都要求精确速度控制、多单元同步传动或比例同步(牵伸)传动等，应用变频器可以提高工艺要求、提升产品质量，同时减轻了人工的劳动强度、提高了生产效率。变频器作为纺织设备的配套部件，在提高纺织设备的性能、改善纺织工艺、节约能源等方面意义重大。
4.以纺纱环节的梳棉机为例，一台梳棉机包含道夫、上给棉、下给棉、刷辊、盖板、锡林等部件，这些部件通常使用带有变频器的电机，各部件之间根据生产过程前后衔接。这里所说的变频器是指包含变频器的电机以及变频器，是一个整体。前置环节的变频器运行状态有可能会影响后置环节的变频器的运行。比较常见的故障是变频器的卡阻故障，实际生产过程中，经常会塞入小棉花，小碎屑等物品导致变频器卡阻。一旦某一环节发生卡阻，会导致前置工序继续旋转，整个生产流程会发生混乱。发生卡阻时，可以通过变频器输出的电流值或者输出的功率值判断是否发生故障。难点在于生产不同的品种需要设定不同的参数，在不同的设定参数下，电机的电流值、功率值不一样。
5.目前常见的方式是以固定的变频器输出电流和变频器输出功率为基准，在基准值上设置超上限百分比阈值和超下限百分比阈值。
6.以梳棉机为例，梳棉机结构图见图1。影响梳棉每个部件变频器输出电流值和输出功率值的因素有：变频器输出转矩、变频器母线电压、变频器输出电压和变频器的输出频率。同时由于各部件之前相互衔接，影响因素还包括前后环节部件的变频器输出转矩、变频器母线电压、变频器输出电压和变频器的输出频率。
7.在上面提到的多维因素影响下，梳棉机在不同设定参数下进行生产时，各部件变频器输出的基准电流值和基准功率值变化较多。实际情况中，难以将设定参数与变频器输出基准电流值和变频器输出基准功率值一一对应。并且同一型号的梳棉机其电流值和功率值表现也不一样。


技术实现要素：

8.本发明的目的是为了解决上述问题，设计了一种用于变频器电机的故障诊断方法。
9.一种用于变频器电机的故障诊断方法，该方法包括如下步骤：
10.步骤一，对采集的数据进行清洗和预处理；采集数据并建立数据集，在数据清洗前，要对数据集进行探索性分析以了解数据的情况，将数据集中的影响因素作为自变量，变频器输出频率或变频器输出功率作为因变量，了解影响因素间的相互关系以及影响因素与变频器输出电流和变频器输出功率之间的关系；
11.数据的清洗和预处理包括：数据集缺失值：对于缺失值较少的情况，可以将前置数据或者一组前置数据的平均值作为插值进行补充，对于缺失值较多的情况，一般需要移除此维度；数据集异常值：通过箱线图、直方图等方式找出异常值并删除；数据差异性：一般通过方差大小来查看自变量数据差异性是否足够大，如果差异性太小，则意味着数据基本一致，那么此影响维度对没有显著影响；相关性检查：通过皮尔逊相关系检查线性相关性或者散点图、折线图等可视化方式，查看自变量与自变量、自变量与因变量之间的趋势关系；
12.步骤二，对数据进行筛选；筛选与变频器输出电流或变频器输出功率相关性较强的因素和与变频器输出电流或变频器输出功率相关性较高的因素，将其作为影响变频器输出电流或变频器输出功率的关键影响维度；在模型的构建中，去除对变频器输出电流或变频器输出功率相关性不高的变化因素，去除影响因素之间强相关的因素并保留其一；
13.步骤三，预测模型构建；使用线性回归、树模型、支持向量回归和神经网络分别建立模型，挑选其中最优的模型；
14.所述挑选模型的方法为：将数据集分为2部分，将70％的数据用于模型训练，其余30％用于测试训练结果；通过k折交叉验证和网格搜索的寻找最优的超参数；k折交叉验证将样本集分为k份，其中k-1份作为训练数据集，而另外的1份作为验证数据集，用验证集来验证模型的输出结果，挑选的最有模型为支持向量回归模型，该模型的表示式为：f(x)＝a1*x12+a2*x22+a3*x1*x2+a4*x1+a5*x2+c，其中其中f(x)代表变频器电流值，ax代表各项系数，x1代表电机频率，x2代表母线电压，c代表常数项；
15.步骤四，对模型进行评估；采用决定系数r2、平均绝对误差mae、均方误差mse、均方根误差rmse、平均绝对百分比误差mape作为评估指标；
16.决定系数r2是对模型进行回归后，评价回归模型系数的拟合优度；拟合优度越大，自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比高，r2值越大越好，r2值最大为1，其定义如下：
[0017][0018]
平均绝对误差mae是观测值与真实值的误差绝对值的平均值，mae越小表示模型越好，其定义如下：
[0019]
[0020]
均方误差mse，mse越小表示模型越好，其定义如下：
[0021][0022]
均方根误差rmse是在mse的基础之上开根号而来，rmse越小表示模型越好，其定义如下：
[0023][0024]
平均绝对百分比误差mape和mae类似，只是在mae的基础上做了标准化处理，mape越小表示模型越好，其定义如下：
[0025][0026]
通过评估最终确定支持向量回归模型(多项式核)作为最终模型使用。
[0027]
步骤五，避免模型过拟合；如果模型在训练集上误差非常低，在一个全新的测试集上,模型的误差又非常大，那么模型很可能会过拟合，这样的模型泛化能力很差，最终导致模型无法投入实际生产使用；产生过拟合有两种原因：a)训练集和测试集特征分布不一致；b)模型过于复杂，拟合了所有变化特征；
[0028]
对于a)在数据集不变的情况下，通过前面所述的k折交叉验证能够最大限度的解决；
[0029]
对于b)解决方法通常有如下方式：
[0030]
方式一，正则化方式，这个方法将取决于使用的模型类型；例如，在树模型中可以修剪树，在神经网络上使用dropout，在回归中向目标函数添加惩罚参数；
[0031]
方式二，及时终止学习；当模型迭代至一定次数之前，新的迭代会不断改进模型；但是之后，模型的泛化能力会随着训练数据开始过拟合而减弱；在迭代到一定次数后强行终止模型学习；
[0032]
方式三，使用集成方法，将多个不同模型的预测组合在一起，共同完成预测任务；常见的集成方法有：bagging和boosting；bagging使用复杂的基础模型，bagging代表算法有随机森林；而boosting使用简单的基础模型；boosting代表算法有adaboost、xgboost。
[0033]
所述步骤一中数据集的数据包括变频器输出转矩、变频器母线电压、变频器输出电压。
[0034]
所述步骤三中最优模型选择树类模型，树类模型的可解释性与对模型特征的筛选作用，使得其在解释特征在模型中的重要性与工业优化方面更有优势。
[0035]
所述步骤三中挑选过程需要循环k次，直到所有k份数据全部被选择一遍为止；对于小数据集增大k值，对于大数据集减小k值。
[0036]
所述步骤三中挑选过程可结合网络搜索，网格搜索是一种执行超参数优化的方
法，网格搜索需要结合k折交叉验证一起使用。
[0037]
有益效果
[0038]
利用本发明的技术方案制作的一种用于变频器电机的故障诊断方法，其具有如下优势：
[0039]
通过本方法将模型集成到实时数据接收端，并设置超上限百分比阈值和超下限百分比阈值，设置上下限百分比阈值是为了屏蔽模型对变频器的预测值与接收到的实际值的误差所带来的影响，将实时数据接收端集成模型后可以实现变频器电机故障实时报警的效果。
附图说明
[0040]
图1是本发明所述一种用于变频器电机的故障诊断方法的流程示意图；
[0041]
图2是本发明所述数据相关性检查中给棉变频器的输出电流随着梳棉机工作参数的调整产生的变化图；
[0042]
图3是本发明所述数据相关性检查中锡林变频器的输出电流随着梳棉机工作参数的调整产生的变化图；
具体实施方式
[0043]
下面结合附图对本发明进行具体描述，如图1-3所示；
[0044]
本技术的创造点在于，该方法包括如下步骤：
[0045]
步骤一，对采集的数据进行清洗和预处理；采集数据并建立数据集，在数据清洗前，要对数据集进行探索性分析以了解数据的情况，将数据集中的影响因素作为自变量，变频器输出频率或变频器输出功率作为因变量，了解影响因素间的相互关系以及影响因素与变频器输出电流和变频器输出功率之间的关系；
[0046]
数据的清洗和预处理包括：数据集缺失值：对于缺失值较少的情况，可以将前置数据或者一组前置数据的平均值作为插值进行补充，对于缺失值较多的情况，一般需要移除此维度；数据集异常值：通过箱线图、直方图等方式找出异常值并删除；数据差异性：一般通过方差大小来查看自变量数据差异性是否足够大，如果差异性太小，则意味着数据基本一致，那么此影响维度对没有显著影响；相关性检查：通过皮尔逊相关系检查线性相关性或者散点图、折线图等可视化方式，查看自变量与自变量、自变量与因变量之间的趋势关系；
[0047]
步骤二，对数据进行筛选；筛选与变频器输出电流或变频器输出功率相关性较强的因素和与变频器输出电流或变频器输出功率相关性较高的因素，将其作为影响变频器输出电流或变频器输出功率的关键影响维度；在模型的构建中，去除对变频器输出电流或变频器输出功率相关性不高的变化因素，去除影响因素之间强相关的因素并保留其一；
[0048]
步骤三，预测模型构建；使用线性回归、树模型、支持向量回归、神经网络分别建立：变频器电机正常工作电流值预测模型；
[0049]
建立的线性回归模型表示式为：f(x)＝a1*x1+a2*x2+c，其中f(x)代表变频器电流值，ax代表各项系数，x1代表电机频率，x2代表母线电压，c代表常数项。
[0050]
建立的支持向量回归模型(多项式核)表示式为：f(x)＝a1*x12+a2*x22+a3*x1*x2+a4*x1+a5*x2+c，其中其中f(x)代表变频器电流值，ax代表各项系数，x1代表电机频率，x2代
表母线电压，c代表常数项。
[0051]
根据树模型和神经网络模型的特性，建立相应的逻辑模型。
[0052]
然后，对建立模型的超参数进行调优；所述超参数调优的方法为：将数据集分为2部分，将70％的数据用于模型训练，其余30％用于测试训练结果；通过k折交叉验证和网格搜索的寻找最优的超参数；k折交叉验证将样本集分为k份，其中k-1份作为训练数据集，而另外的1份作为验证数据集，用验证集来验证模型的输出结果；
[0053]
通过上述调优过程得到的最优模型为支持向量回归模型，该模型的表示式为：f(x)＝a1*x12+a2*x22+a3*x1*x2+a4*x1+a5*x2+c，其中其中f(x)代表变频器电流值，ax代表各项系数，x1代表电机频率，x2代表母线电压，c代表常数项
[0054]
步骤四，对模型进行评估；采用决定系数r2、平均绝对误差mae、均方误差mse、均方根误差rmse、平均绝对百分比误差mape作为评估指标；
[0055]
决定系数r2是对模型进行回归后，评价回归模型系数的拟合优度；拟合优度越大，自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比高，r2值越大越好，r2值最大为1，其定义如下：
[0056][0057]
平均绝对误差mae是观测值与真实值的误差绝对值的平均值，mae越小表示模型越好，其定义如下：
[0058][0059]
均方误差mse，mse越小表示模型越好，其定义如下：
[0060][0061]
均方根误差rmse是在mse的基础之上开根号而来，rmse越小表示模型越好，其定义如下：
[0062][0063]
平均绝对百分比误差mape和mae类似，只是在mae的基础上做了标准化处理，mape越小表示模型越好，其定义如下：
[0064][0065]
通过评估最终确定支持向量回归模型(多项式核)作为最终模型使用。
[0066]
步骤五，避免模型过拟合；如果模型在训练集上误差非常低，在一个全新的测试集上,模型的误差又非常大，那么模型很可能会过拟合，这样的模型泛化能力很差，最终导致模型无法投入实际生产使用；产生过拟合有两种原因：a)训练集和测试集特征分布不一致；b)模型过于复杂，拟合了所有变化特征；
[0067]
对于a)在数据集不变的情况下，通过前面所述的k折交叉验证能够最大限度的解决；
[0068]
对于b)解决方法通常有如下方式：
[0069]
方式一，正则化方式，这个方法将取决于使用的模型类型；例如，在树模型中可以修剪树，在神经网络上使用dropout，在回归中向目标函数添加惩罚参数；
[0070]
方式二，及时终止学习；当模型迭代至一定次数之前，新的迭代会不断改进模型；但是之后，模型的泛化能力会随着训练数据开始过拟合而减弱；在迭代到一定次数后强行终止模型学习；
[0071]
方式三，使用集成方法，将多个不同模型的预测组合在一起，共同完成预测任务；常见的集成方法有：bagging和boosting；bagging使用复杂的基础模型，bagging代表算法有随机森林；而boosting使用简单的基础模型；boosting代表算法有adaboost、xgboost。
[0072]
本技术的创造点还在于，所述步骤一中数据集的数据包括变频器输出转矩、变频器母线电压、变频器输出电压，所述步骤三中最优模型选择树类模型，树类模型的可解释性与对模型特征的筛选作用，使得其在解释特征在模型中的重要性与工业优化方面更有优势，所述步骤三中挑选过程需要循环k次，直到所有k份数据全部被选择一遍为止；对于小数据集增大k值，对于大数据集减小k值，所述步骤三中挑选过程可结合网络搜索，网格搜索是一种执行超参数优化的方法，网格搜索需要结合k折交叉验证一起使用。
[0073]
本技术技术方案在实施过程中，1)数据清洗、数据预处理。采集到的数据可能存在重复、缺失、异常和噪音等情况。为了保证用于建立模型所用到的训练数据的正确性和有效性，需要对数据进行清洗。在数据清洗前，要对数据集进行探索性分析以了解数据的情况。数据集的维度包括变频器输出转矩、变频器母线电压、变频器输出电压、以及前后环节的变频器相关维度等，将这些影响因素作为自变量，变频器输出频率或变频器输出功率作为因变量。了解影响因素间的相互关系以及影响因素与变频器输出电流和变频器输出功率之间的关系，是进行特征处理和建立模型的重要基础。
[0074]
数据集缺失值：对于缺失值较少的情况，可以将前置数据或者一组前置数据的平均值作为插值进行补充。对于缺失值较多的情况，一般需要移除此维度。数据集异常值：通过箱线图、直方图等方式找出异常值并删除。数据差异性：一般通过方差大小来查看自变量数据差异性是否足够大，如果差异性太小，则意味着数据基本一致，那么此影响维度对没有显著影响。
[0075]
相关性检查：通过皮尔逊相关系检查线性相关性或者散点图、折线图等可视化方式，查看自变量与自变量、自变量与因变量之间的趋势关系，这是下一步特征处理的重要依据。图2、图3所示，在11时16分左右，随着梳棉机工作参数的调整，给棉变频器和锡林变频器的输出电流有所变化。
[0076]
2)筛选与变频器输出电流或变频器输出功率相关性较强的因素。与变频器输出电流或变频器输出功率相关性较高的因素，可以更好地反映变频器输出电流或变频器输出功
率的变化趋势，通常是影响变频器输出电流或变频器输出功率的关键影响维度。在模型的构建中，考虑将这些影响维度作为特征，去除对变频器输出电流或变频器输出功率相关性不高的变化因素，去除影响因素之间强相关的因素(保留其一)，可以有效降低建模维度，提高模型的准确度。常见相关性检查手段有：皮尔逊相关系数或者自带自变量重要性输出的模型，比如树模型。
[0077]
3)预测模型构建。模型的构建步骤大同小异，这里不区分具体算法，以通用方式描述。使用线性回归、树模型、支持向量回归和神经网络分别建立模型，进行评估后，挑选其中最优的模型。相比之下，树类模型的可解释性与对模型特征的筛选作用，使得其在解释特征在模型中的重要性与工业优化方面更有优势。
[0078]
首先将数据集分为2部分，将70％的数据用于模型训练，其余30％用于测试训练结果。
[0079]
通过k折交叉验证和网格搜索的寻找最优的超参数。k折交叉验证将样本集分为k份，其中k-1份作为训练数据集，而另外的1份作为验证数据集。用验证集来验证模型的输出结果。一般需要循环k次，直到所有k份数据全部被选择一遍为止。它可以最大化测试和训练数据。对于小数据集增大k值，对于大数据集减小k值。网格搜索是一种执行超参数优化的方法，是一种为给定模型寻找超参数的最佳组合的一种手段，网格搜索需要结合k折交叉验证一起使用。
[0080]
4)模型评估。对于预测类问题，通常结合决定系数r2、平均绝对误差mae、均方误差mse、均方根误差rmse、平均绝对百分比误差mape作为评估指标。
[0081]
决定系数r2是对模型进行回归后，评价回归模型系数的拟合优度。拟合优度越大，自变量对因变量的解释程度越高，自变量引起的变动占总变动的百分比高，r2值越大越好，r2值最大为1，其定义如下：
[0082][0083]
平均绝对误差mae是观测值与真实值的误差绝对值的平均值，mae越小表示模型越好，其定义如下：
[0084][0085]
均方误差mse，mse越小表示模型越好，其定义如下：
[0086][0087]
均方根误差rmse是在mse的基础之上开根号而来，rmse越小表示模型越好，其定义如下：
[0088][0089]
平均绝对百分比误差mape和mae类似，只是在mae的基础上做了标准化处理，mape越小表示模型越好，其定义如下：
[0090][0091]
5)避免模型过拟合。如果模型在训练集上误差非常低，在一个全新的测试集上,模型的误差又非常大，那么模型很可能会过拟合，这样的模型泛化能力很差，最终导致模型无法投入实际生产使用。产生过拟合有两种原因：a)训练集和测试集特征分布不一致。b)模型过于复杂，拟合了所有变化特征。
[0092]
对于a)在数据集不变的情况下，通过前面所述的k折交叉验证能够最大限度的解决。对于b)解决方法通常有如下方式：
[0093]
a)正则化方式，这个方法将取决于使用的模型类型。例如，在树模型中可以修剪树，在神经网络上使用dropout，在回归中向目标函数添加惩罚参数。b)及时终止学习。当模型迭代至一定次数之前，新的迭代会不断改进模型。但是之后，模型的泛化能力会随着训练数据开始过拟合而减弱。在迭代到一定次数后强行终止模型学习。c)使用集成方法，将多个不同模型的预测组合在一起，共同完成预测任务。常见的集成方法有：bagging和boosting。bagging使用复杂的基础模型，bagging代表算法有随机森林。而boosting使用简单的基础模型。boosting代表算法有adaboost、xgboost。
[0094]
经过筛选，选择最优算法，将筛选后的影响因素作为模型输入参数，预测变频器输出电流或变频器输出功率。将模型集成到实时数据接收端，并设置超上限百分比阈值和超下限百分比阈值，设置上下限百分比阈值是为了屏蔽模型对变频器的预测值与接收到的实际值的误差所带来的影响。实时数据接收端集成模型后可以实现变频器电机故障实时报警的效果。
[0095]
本发明通过机器学习方式，将多维影响因素：变频器输出转矩、变频器母线电压、变频器输出电压、变频器输出频率以及前后环节的变频器相关维度等因素作为模型自变量，根据实际情况，将变频器输出功率或变频器输出电流作为模型因变量。通过构建影响因素对变频器输出功率或变频器输出电流的预测模型。将模型动态计算出的值作为基准值，在此基础上设置超上限预警值或超下限预警值，以达到变频器电机故障诊断的目的。
[0096]
机器学习是众多算法的集合。从学习方法上来分，机器学习算法可以分为有监督学习、无监督学习。常见的算法有：决策树、随机森林、逻辑回归、多元线性回归、支持向量机、adaboost、xgboost、层次聚类、密度聚类等。
[0097]
深度学习是机器学习的一个分支。神经网络是实现深度学习的一种方式。神经网络是模拟人脑思维方式的一种数学模型。神经网络具有很强的学习能力，泛化能力以及非线性映射能力，可以避开传统复杂的建模过程。常见的算法有：深度神经网络、bp神经网络、
卷积神经网络、循环神经网络等。
[0098]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下。由语句“包括一个......限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素”。
[0099]
上述技术方案仅体现了本发明技术方案的优选技术方案，本技术领域的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理，属于本发明的保护范围之内。