剥离控制参数影响的交流电机故障诊断方法及装置与流程

1.本发明涉及交流电机故障诊断技术领域，具体涉及一种剥离控制参数影响的交流电机故障诊断方法及装置。


背景技术：

2.交流电机主要分为异步电机和同步电机。各类型的交流电机广泛应用于工业制造和生活生产中。交流电机可能发生的故障主要有绕组匝间短路或开路故障、相间短路或开路故障、接地故障、轴承偏心故障等。永磁电机还可能发生退磁、失磁等故障。电机发生故障后，电机系统如果不能准确检测、诊断故障并采取相应的措施则可能诱发电机产生更严重故障，损毁设备，甚至危害人员生命安全。
3.现有的交流电机故障诊断方案及相关难点或缺陷主要有如下几种：
4.1)在电机内部安装磁性传感器的方案。由于电机属于高速旋转的设备，大型电机还存在高压大电流等特点，改变电机结构安装传感器的方案不仅困难、不经济，还可能影响电机设计性能。
5.2)对电机故障建立对应的数学模型，通过数学模型来求解相关信息来判断电机故障的方案。由于电机可能发生故障的项点种类多，故障发生的位置也比较随机，因此实际应用中难以建立有效统一的电机故障数学模型。
6.3)对电机的电流、电压、声音等信息进行采集，然后利用频谱分析、神经网络等方法处理后来进行电机故障诊断的方案。该方案主要存在两个问题，一是传统的频谱分析或者普通的神经网络难以区分有效的故障特征，故障诊断率较低，误判断率较高；二是采集的电压、电流等信号受系统控制参数影响，控制参数调整的优劣完全影响故障诊断结果。


技术实现要素：

7.为了解决现有技术中存在的问题，第一方面，本技术提供一种剥离控制参数影响的交流电机故障诊断方法，包括：
8.获取预设的d轴电压常数值和q轴电压常数值；
9.利用待诊断交流电机对应的诊断矢量控制模型对预设的激励信号以及所述d轴电压常数值和q轴电压常数值进行处理，得到电机各相响应电流；所述激励信号为频率在第一范围内变化、幅值在第二范围内变化的变频变幅激励信号；
10.根据所述电机各相响应电流以及预先训练的卷积神经网络，得到待诊断交流电机的故障概率分布。
11.在一实施例中，所述利用待诊断交流电机对应的诊断矢量控制模型对预设的激励信号以及所述d轴电压常数值和q轴电压常数值进行处理，得到电机各相响应电流，包括：
12.将所述激励信号与所述d轴电压常数值叠加，得到叠加电压；
13.对所述叠加电压以及所述q轴电压常数值进行派克反变换，得到一第一电压和一第二电压；
14.对所述第一电压以及所述第二电压进行脉冲宽度调制，得到脉冲调制信号；
15.根据所述脉冲调制信号生成对应的功率电压并将所述功率电压施加到待诊断电机上，得到待诊断电机对应的电机各相响应电流。
16.在一实施例中，所述卷积神经网络为2-d卷积神经网络；
17.所述根据所述电机各相响应电流以及预先训练的卷积神经网络，得到待诊断交流电机的故障概率分布，包括：
18.将所述电机各相响应电流进行数据预处理，得到联合电流；所述数据预处理包括组合、归一化及去相关性处理；
19.对所述联合电流进行二维转换得到对应的时频图；
20.将所述时频图输入所述2-d卷积神经网络，得到待诊断交流电机的故障概率分布。
21.在一实施例中，训练所述卷积神经网络的步骤包括：
22.获取批量交流电机数据，所述交流电机数据包括正常数据和故障数据；其中，所述正常数据和故障数据均包括激励信号、d轴电压常数值、q轴电压常数值以及工况类型；
23.根据所述激励信号、所述d轴电压常数值和q轴电压常数值以及所述工况类型建立训练数据集；
24.使用所述训练数据集进行模型训练得到所述卷积神经网络，以根据待诊断电机的联合电流得到待诊断交流电机的故障概率分布。
25.在一实施例中，所述根据所述激励信号、所述d轴电压常数值和q轴电压常数值以及所述工况类型建立训练数据集，包括：
26.将所述d轴电压常数值和q轴电压常数值以及所述激励信号输入所述诊断矢量控制模型，得到电机各相响应电流；
27.对电机各相响应电流进行数据预处理，得到对应的联合电流；所述数据预处理包括组合、归一化以及去相关性处理；
28.将所述联合电流进行二维转换得到对应的时频图；
29.根据所述时频图和所述工况类型生成所述训练数据集。
30.在一实施例中，所述剥离控制参数影响的交流电机故障诊断方法还包括：
31.根据待诊断交流电机的结构建立交流电机系统常规矢量控制模型；
32.删除所述交流电机系统常规矢量控制模型中的电流环控制结构，得到所述诊断矢量控制模型；
33.其中，所述诊断矢量控制模型包括派克反变换模块和空间矢量脉宽调制模块。
34.第二方面，本技术还提供一种剥离控制参数影响的交流电机故障诊断装置，包括：
35.输入数据获取模块，用于获取预设的d轴电压常数值和q轴电压常数值；
36.响应电流获取模块，用于利用待诊断交流电机对应的诊断矢量控制模型对预设的激励信号以及所述d轴电压常数值和q轴电压常数值进行处理，得到电机各相响应电流；所述激励信号为频率在第一范围内变化、幅值在第二范围内变化的变频变幅激励信号；
37.故障诊断模块，用于根据所述电机各相响应电流以及预先训练的卷积神经网络，得到待诊断交流电机的故障概率分布。
38.在一实施例中，所述响应电流获取模块包括：
39.电压叠加单元，用于将所述激励信号与所述d轴电压常数值叠加，得到叠加电压；
40.派克反变换单元，用于对所述叠加电压以及所述q轴电压常数值进行派克反变换，得到一第一电压和一第二电压；
41.调制单元，用于对所述第一电压以及所述第二电压进行脉冲宽度调制，得到脉冲调制信号；
42.变流器单元，用于根据所述脉冲调制信号生成对应的功率电压并将所述功率电压施加到待诊断电机上；
43.响应电流获取单元，用于获取已施加所述功率电压的待诊断电机的对应的电机各相响应电流。
44.在一实施例中，所述卷积神经网络为2-d卷积神经网络；
45.所述故障诊断模块包括：
46.联合电流获取单元，用于将所述电机各相响应电流进行数据预处理，得到联合电流；所述数据预处理包括组合、归一化及去相关性处理；
47.电流转换单元，用于对所述联合电流进行二维转换得到对应的时频图；
48.故障诊断单元，用于将所述时频图输入所述2-d卷积神经网络，得到待诊断交流电机的故障概率分布。
49.在一实施例中，所述剥离控制参数影响的交流电机故障诊断装置还包括：
50.训练数据集生成模块，用于获取批量交流电机数据，所述交流电机数据包括正常数据和故障数据，所述正常数据和故障数据均包括激励信号、d轴电压常数值、q轴电压常数值以及工况类型；以及根据所述激励信号、所述d轴电压常数值和q轴电压常数值以及所述工况类型建立训练数据集；
51.卷积神经网络训练模块，用于使用所述训练数据集进行模型训练得到所述卷积神经网络，以根据待诊断电机的联合电流得到待诊断交流电机的故障概率分布。
52.在一实施例中，训练数据集生成模块具体用于：
53.将所述d轴电压常数值和q轴电压常数值以及所述激励信号输入所述诊断矢量控制模型，得到电机各相响应电流；
54.对电机各相响应电流进行数据预处理，得到对应的联合电流；所述数据预处理包括组合、归一化以及去相关性处理；
55.将所述联合电流进行二维转换得到对应的时频图；
56.根据所述时频图和所述工况类型生成所述训练数据集。
57.在一实施例中，所述剥离控制参数影响的交流电机故障诊断装置还包括交流电机建模模块，用于：
58.根据待诊断交流电机的结构建立交流电机系统常规矢量控制模型；
59.删除所述交流电机系统常规矢量控制模型中的电流环控制结构，得到所述诊断矢量控制模型；其中，所述诊断矢量控制模型包括派克反变换模块、空间矢量脉宽调制模块。
60.第三方面，本技术还提供一种电子设备，包括：
61.中央处理器、存储器、通信模块，所述存储器中存储有计算机程序，所述中央处理器可调用所述计算机程序，所述中央处理器执行所述计算机程序时实现本技术提供的任一剥离控制参数影响的交流电机故障诊断方法。
62.第四方面，本技术还提供一种计算机可读存储介质，用于存储计算机程序，所述计
算机程序被处理器执行时实现本技术提供的任一剥离控制参数影响的交流电机故障诊断方法。
63.本技术的剥离控制参数影响的交流电机故障诊断方法及装置，不需要增加任何硬件设备，不需要改变已有电机系统的机械结构和电气线路，也不需要增加任何故障特征数据采集设备，仅需要利用电机系统已有的电流传感器采样相电流数据即可。本技术剥离了控制参数对故障特征数据的影响，能更加准确、有效、高精度诊断电机故障。此外，本技术通过注入不同频段不同幅值的激励信号，可以更加真实、有效地反应电机故障类型和故障程度，提高了电机故障诊断的准确率。
附图说明
64.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
65.图1为本技术提供的剥离控制参数影响的交流电机故障诊断方法的示意图。
66.图2为本技术提供的交流电机系统常规矢量控制模型的框架示意图。
67.图3为本技术提供的待诊断交流电机对应的诊断矢量控制模型的框架示意图。
68.图4为本技术提供的变频变幅激励信号的一种示意图。
69.图5为本技术提供的剥离控制参数影响的交流电机故障诊断方法的另一种示意图。
70.图6为本技术提供的在一种激励条件下的电机各相响应电流的波形图。
71.图7为本技术提供的剥离控制参数影响的交流电机故障诊断方法的另一种示意图。
72.图8为与图7对应的数据处理流程图。
73.图9为本技术提供的将电机各相响应电流组合得到的联合电流的波形图。
74.图10为本技术提供的一种联合电流的时频图。
75.图11为本技术提供的2-d卷积神经网络的结构示意图。
76.图12为本技术提供的剥离控制参数影响的交流电机故障诊断装置的示意图。
77.图13为本技术提供的剥离控制参数影响的交流电机故障诊断装置的另一种示意图。
78.图14为本技术提供的剥离控制参数影响的交流电机故障诊断装置的另一种示意图。
79.图15为本技术提供的剥离控制参数影响的交流电机故障诊断装置的另一种示意图。
80.图16为本技术提供的剥离控制参数影响的交流电机故障诊断装置的另一种示意图。
81.图17为本技术提供的剥离控制参数影响的交流电机故障诊断装置的另一种示意图。
82.图18为本技术提供的一种电子设备的示意图。
具体实施方式
83.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
84.本技术提供一种剥离控制参数影响的交流电机故障诊断方法，如图1所示，该方法包括以下步骤s101至步骤s103：
85.步骤s101，获取预设的d轴电压常数值和q轴电压常数值。
86.具体地，本技术使用的交流电机包括异步电机和同步电机。本步骤中的d轴电压常数值和q轴电压常数值均为预设的常数，例如可以为0。本技术去掉了常规矢量控制模型中的电流闭环，使用常数值代替电流闭环pi调节器输出的d轴电压和q轴电压，剥离了控制参数影响，有利于提高交流电机故障诊断的准确性。本步骤中的“d轴电压常数值”和“q轴电压常数值”仅为预设的常数，与“d轴电压”和“q轴电压”无关，之所以称其为“d轴电压常数值”和“q轴电压常数值”，只是为了说明其代替实际中的“d轴电压”和“q轴电压”作为输入信息而已。
87.步骤s102，利用待诊断交流电机对应的诊断矢量控制模型对预设的激励信号以及所述d轴电压常数值和q轴电压常数值进行处理，得到电机各相响应电流；所述激励信号为在频率在第一范围内变化、幅值在第二范围内变化的变频变幅激励信号。
88.具体地，这里先对电机对应的诊断矢量控制模型进行介绍。诊断矢量控制模型的生成可依据以下步骤：
89.步骤1：根据待诊断交流电机的结构建立交流电机系统常规矢量控制模型。
90.图2所示为一常见的交流电机系统常规矢量控制模型的框架示意图，其中的具体参数的设置根据待诊断交流电机的实际参数调整即可。如图2所示，交流电机系统模型包括控制模块1(电流环控制结构)、派克反变换模块2、空间矢量脉宽调制(space vector pulse width modulation，简称svpwm)模块3、变流器4、电机5以及电流采样模块6。
91.步骤2：删除所述交流电机系统常规矢量控制模型中的电流环控制结构，得到所述诊断矢量控制模型。
92.为了剥离交流电机的控制参数对故障特征数据的影响，本技术将交流电机系统模型中的控制模块1删除，得到待诊断交流电机对应的诊断矢量控制模型。如图3所示，该诊断矢量控制模型包括派克反变换模块、空间矢量脉宽调制模块、变流器、电机及电流采样模块。在步骤s102中，激励信号以及预设的d轴电压常数值和q轴电压常数值作为诊断矢量控制模型的输入信号，从变流器的输出端即可采集到对应的电机各相响应电流。本技术的电机各相响应电流可以是三相响应电流、四相响应电流、五相响应电流等，此处不作限制。图2和图3中仅以三相响应电流为例进行说明。
93.在步骤s102中的激励信号为一频率在第一范围内变化、幅值在第二范围内变化的变频变幅激励信号。例如，激励信号的频率变化范围可以表示为f
min
≤fk≤f
max
，幅值变化范围可以表示为u
min
≤uj(fk)≤u
max
，其中，f
min
、f
max
、u
min
、u
max
均为实数。激励信号uj(fk)的频率和幅值在上述对应的变化范围内按照固定规律变化，即形成了本技术的变频变幅激励信号。这里的固定规律可随意设置，只要保证其频率和幅值不超出相应的变化范围即可。这里
的变频变幅激励信号包括但不限于方波信号、正弦波信号。图4即为由正弦波信号按照固定规律变化形成的变频变幅激励信号的示意图。
94.步骤s103，根据所述电机各相响应电流以及预先训练的卷积神经网络，得到待诊断交流电机的故障概率分布，其中，所述卷积神经网络例如可以为2-d卷积神经网络。
95.具体地，请同时参见图3，电流采样模块输出的电机各相响应电流经预处理模块处理后，输入至卷积神经网络模型。本步骤的卷积神经网络模型的输入数据为对电机各相响应电流处理后得到的时频图，输出数据为该时频图对应的故障类型及各故障类型发生的概率，即待诊断交流电机的故障概率分布。卷积神经网络的训练过程将通过后续实施例进行详细说明。
96.本技术涉及的交流电机的故障类型包括但不限于电机绕组匝间短路或开路故障、相间短路或开路故障、接地故障、轴承偏心故障、永磁体退磁或失磁故障等。卷积神经网络输出的待诊断交流电机的故障概率分布例如可以下表1的形式展示：
97.表1：卷积神经网络输出的故障概率分布表
98.序号故障类型故障概率1接地故障a％2轴承偏心故障b％3电机绕组匝间短路c％
………………
99.表1中各故障类型对应的故障概率值之和小于等于1。故障概率值之和之所以可能小于1，是因为除故障工况之外还有正常工况的情况，这里的正常工况指没有任何故障的工况，故障工况指存在至少一种故障的工况。
100.实际应用中，除表格外，故障概率分布还可以通过统计图(如扇形图)等形式展示，也可以多种形式结合共同展示，本技术对此不作限制。
101.在一实施例中，如图5所示，步骤s102，利用待诊断交流电机对应的诊断矢量控制模型对预设的激励信号以及所述d轴电压常数值和q轴电压常数值进行处理，得到电机各相响应电流，包括以下步骤：
102.步骤s1021，将所述激励信号与所述d轴电压常数值叠加，得到叠加电压。
103.具体请结合图3，激励信号uj(fk)与d轴电压常数值ud叠加，得到叠加电压u
dj
(fk)。
104.步骤s1022，对所述叠加电压以及所述q轴电压常数值进行派克反变换，得到一第一电压和一第二电压。
105.具体地，参见图3，将叠加电压u
dj
(fk)、q轴电压常数值uq和电机转子磁场角θ输入派克反变换模块进行派克反变换(也即dq-αβ变换)，得到两个输出电压，即第一电压u
α
(fk)(一般称为alpha电压)和第二电压u
β
(fk)(一般称为beta电压)。叠加电压u
dj
(fk)、q轴电压常数值uq和电机转子磁场角θ在派克反变换模块中进行的交叉耦合计算。
106.步骤s1023，对所述第一电压以及所述第二电压进行脉冲宽度调制，得到脉冲调制信号。
107.具体地，参见图3，将第一电压u
α
(fk)和第二电压u
β
(fk)输入空间矢量脉宽调制(svpwm)模块进行pwm调制，得到一pwm波。
108.步骤s1024，根据所述脉冲调制信号生成对应的功率电压，并将所述功率电压施加
到待诊断电机上，得到待诊断电机对应的电机各相响应电流。
109.空间矢量脉宽调制模块输出的pwm波通常无法直接用于驱动电机，因此，会通过变流器将空间矢量脉宽调制模块输出的pwm波转换为对应的功率电压，在将功率电压施加至待诊断电机上实现电机驱动控制。变流器的作用就是将pwm波的转换为可以驱动电机的功率电压。
110.将空间矢量脉宽调制模块输出的pwm波对应的功率电压施加至电机后，即可采集到电机的各相响应电流，本技术以三相响应电流ia(fk)、ib(fk)、ic(fk)为例，其波形分别如图6中的a相电流、b相电流和c相电流所示。
111.在一实施例中，请同时参见图7和图8，当所述卷积神经网络为2-d卷积神经网络时，步骤s103，根据所述电机各相响应电流以及预先训练的卷积神经网络，得到待诊断交流电机的故障概率分布，具体包括以下步骤：
112.步骤s1031，将所述电机各相响应电流进行数据预处理，得到联合电流，其中，数据预处理包括但不限于组合、归一化处理及去相关性处理。
113.具体地，将电机各相响应电流ia(fk)、ib(fk)、ic(fk)进行组合得到联合电流i
abc
。从波形上看，组合得到的联合电流i
abc
即为电机各相响应电流ia(fk)、ib(fk)、ic(fk)依次连接得到的波形，参见图9。然后对联合电流i
abc
进行归一化处理以及去相关性处理等常规数据处理。图9中横轴为数据序列号，表示电机各相响应电流ia(fk)、ib(fk)、ic(fk)的样本数据的序列号。图中示例分别针对ia(fk)、ib(fk)、ic(fk)三个信号采集1000个样本数据，因此得到的联合电流共3000个样本数据。
114.步骤s1032，对所述联合电流进行二维转换得到对应的时频图。
115.这里将一维数据i
abc
转换为二维的时频图，作为2-d卷积神经网络的输入数据。图10为本技术提供的一种联合电流的时频图示例。
116.步骤s1033，将所述时频图输入所述2-d卷积神经网络，得到待诊断交流电机的故障概率分布。
117.具体地，2-d卷积神经网络对输入的时频图进行分析处理，得到对应的故障概率分布ψ。ψ中包含前述表1中的数据，表示各类故障的概率分布，故障类型参见前文叙述。
118.进一步地，得到待诊断交流电机的故障概率分布ψ后，将故障概率分布ψ乘以预设的权重系数λ(ia,ib,ic,fk)，将乘积的结果作为最终的故障诊断结果。其中，λ(ia,ib,ic,fk)为ia,ib,ic,fk的权重函数，为预先设定的固定值。
119.图11为本技术提供的2-d卷积神经网络的结构示意图。如图11所示，2-d卷积神经网络结构包括卷积层1、池化层1、卷积层2、池化层2以及全连接神经网络。该结构仅为本技术的一种示例，实际应用中，可以对2-d卷积神经网络的结构按需更改，本技术对此不作限定。将联合电流的时频图输入2-d卷积神经网络，经过卷积层1、池化层1、卷积层2、池化层2进行数据处理后，将处理结果作为全连接神经网络的输入；全连接神经网络最终输出待诊断交流电机各类故障的概率分布ψ。
120.在一实施例中，如图12所示，训练所述卷积神经网络的步骤包括：
121.步骤s104，获取批量交流电机数据，所述交流电机数据包括正常数据和故障数据；其中，所述正常数据和故障数据均包括激励信号、d轴电压常数值、q轴电压常数值以及工况类型。这里的“激励信号”、“d轴电压常数值”和“q轴电压常数值”均与前述实施例中的一致。
122.可以理解的是，电机故障诊断的目的是要识别电机处于正常工况还是故障工况，以及当处于故障工况时具体的故障类型是什么。因此，在训练卷积神经网络时，需要获取与正常工况对应的正常数据以及与故障工况对应的故障数据。其中，正常数据中的工况类型即为无故障，故障数据中的工况类型即为交流电机的故障类型，具体参见前文步骤s103和表1中给出的交流电机的故障类型示例即可。
123.步骤s105，根据所述激励信号、所述d轴电压常数值和q轴电压常数值以及所述工况类型建立训练数据集。
124.具体地，如图13所示，步骤s105包括以下步骤：
125.步骤s1051，将所述d轴电压常数值和q轴电压常数值以及所述激励信号输入所述诊断矢量控制模型，得到电机各相响应电流。其中，本步骤中的激励信号的类型及变化规律均与前述实施例步骤s102中的变频变幅激励信号相同，此处不再赘述。本步骤中激励信号同样与对应的d轴电压常数值叠加得到叠加电压，叠加电压与对应的q轴电压常数值作为输入信号输入至诊断矢量控制模型。本步骤的诊断矢量控制模型参见图3及说明书的相关部分内容即可。
126.步骤s1052，对电机各相响应电流进行数据预处理，得到对应的联合电流。其中，所述数据预处理包括但不限于组合、归一化以及去相关性处理。本步骤中，对三相电流的组合、归一化处理以及去相关性处理的具体实施参见前述实施例步骤s1031的说明即可，此处不再赘述。
127.步骤s1053，将所述联合电流进行二维转换得到对应的时频图。具体可参见前述实施例步骤s1032的说明。
128.步骤s1054，根据所述时频图和所述工况类型生成所述训练数据集。训练数据集中包含有大量的数据组，每一组数据对应一类故障及其相应的时频图。
129.步骤s106，使用所述训练数据集进行模型训练得到所述卷积神经网络，以根据待诊断电机的联合电流得到待诊断交流电机的故障概率分布。
130.使用训练数据集进行模型训练得到的卷积神经网络，可对输入的联合电流的时频图进行分析处理，输出待诊断交流电机各类故障的概率分布。
131.综上所述，本技术的剥离控制参数影响的交流电机故障诊断方法不需要增加任何硬件设备，不需要改变已有电机系统的机械结构和电气线路，也不需要增加任何故障特征数据采集设备，仅需要利用电机系统已有的电流传感器采样相电流数据即可。本技术剥离了控制参数对故障特征数据的影响，能更加准确、有效、高精度诊断电机故障。此外，本技术通过注入不同频段不同幅值的激励信号，可以更加真实、有效地反应电机故障类型和故障程度，提高了电机故障诊断的准确率。
132.基于同一发明构思，本技术实施例还提供了一种剥离控制参数影响的交流电机故障诊断装置，可以用于实现上述实施例所描述的方法，如下面的实施例所述。由于剥离控制参数影响的交流电机故障诊断装置解决问题的原理与剥离控制参数影响的交流电机故障诊断方法相似，因此剥离控制参数影响的交流电机故障诊断装置的实施可以参见剥离控制参数影响的交流电机故障诊断方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
133.如图14所示，本技术提供的剥离控制参数影响的交流电机故障诊断装置包括：
134.输入数据获取模块201，用于获取预设的d轴电压常数值和q轴电压常数值；
135.响应电流获取模块202，用于利用待诊断交流电机对应的诊断矢量控制模型对预设的激励信号以及所述d轴电压常数值和q轴电压常数值进行处理，得到电机各相响应电流；所述激励信号为频率在第一范围内变化、幅值在第二范围内变化的变频变幅激励信号；
136.故障诊断模块203，用于根据所述电机各相响应电流以及预先训练的卷积神经网络，得到待诊断交流电机的故障概率分布。
137.在一实施例中，如图15所示，所述响应电流获取模块202包括：
138.电压叠加单元2021，用于将所述激励信号与所述d轴电压常数值叠加，得到叠加电压；
139.派克反变换单元2022，用于对所述叠加电压以及所述q轴电压常数值进行派克反变换，得到一第一电压和一第二电压；
140.调制单元2023，用于对所述第一电压以及所述第二电压进行脉冲宽度调制，得到脉冲调制信号；
141.变流器单元2024，用于根据所述脉冲调制信号生成对应的功率电压并将所述功率电压施加到待诊断电机上；
142.响应电流获取单元2025，用于获取已施加所述功率电压的待诊断电机的对应的电机各相响应电流。
143.在一实施例中，如图16所示，所述卷积神经网络为2-d卷积神经网络；
144.所述故障诊断模块203包括：
145.联合电流获取单元2031，用于将所述电机各相响应电流进行数据预处理，所述数据预处理包括组合、归一化及去相关性处理，得到联合电流；
146.电流转换单元2032，用于对所述联合电流进行二维转换得到对应的时频图；
147.故障诊断单元2033，用于将所述时频图输入所述2-d卷积神经网络，得到待诊断交流电机的故障概率分布。
148.在一实施例中，如图17所示，所述剥离控制参数影响的交流电机故障诊断装置还包括：
149.训练数据集生成模块204，用于获取批量交流电机数据，所述交流电机数据包括正常数据和故障数据，所述正常数据和故障数据均包括激励信号、d轴电压常数值、q轴电压常数值以及工况类型；以及根据所述激励信号、所述d轴电压常数值和q轴电压常数值以及所述工况类型建立训练数据集；
150.卷积神经网络训练模块205，用于使用所述训练数据集进行模型训练得到所述卷积神经网络，以根据待诊断电机的联合电流得到待诊断交流电机的故障概率分布。
151.在一实施例中，训练数据集生成模块204具体用于：
152.将所述d轴电压常数值和q轴电压常数值以及所述激励信号输入所述诊断矢量控制模型，得到电机各相响应电流；
153.对电机各相响应电流进行数据预处理，所述数据预处理包括组合、归一化以及去相关性处理，得到对应的联合电流；
154.将所述联合电流进行二维转换得到对应的时频图；
155.根据所述时频图和所述工况类型生成所述训练数据集。
156.在一实施例中，请继续参见图17，所述剥离控制参数影响的交流电机故障诊断装置还包括交流电机建模模块206，用于：
157.根据待诊断交流电机的结构建立交流电机系统常规矢量控制模型；
158.删除所述交流电机系统常规矢量控制模型中的电流环控制结构，得到所述诊断矢量控制模型；其中，所述诊断矢量控制模型包括派克反变换模块、空间矢量脉宽调制模块。
159.本发明还提供一种电子设备，参见图18，所述电子设备100具体包括：
160.中央处理器(processor)110、存储器(memory)120、通信模块(communications)130、输入单元140、输出单元150以及电源160。
161.其中，所述存储器(memory)120、通信模块(communications)130、输入单元140、输出单元150以及电源160分别与所述中央处理器(processor)110相连接。所述存储器120中存储有计算机程序，所述中央处理器110可调用所述计算机程序，所述中央处理器110执行所述计算机程序时实现上述实施例中的剥离控制参数影响的交流电机故障诊断方法中的全部步骤。
162.本技术的实施例还提供一种计算机可读存储介质，用于存储计算机程序，所述计算机程序可被处理器执行。所述计算机程序被处理器执行时实现本发明所提供的任一剥离控制参数影响的交流电机故障诊断方法。
163.本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。
164.在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。以上所述仅为本说明书实施例的实施例而已，并不用于限制本说明书实施例。对于本领域技术人员来说，本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书实施例的权利要求范围之内。