一种基于定子电流信号的永磁同步电机轴承故障诊断方法与流程

本技术涉及轴承故障诊断的，具体涉及一种基于定子电流信号的永磁同步电机轴承故障诊断方法。

背景技术：

1、轴承是电机驱动的旋转机械中最重要的部件之一，它支撑转轴并保持旋转精度。在工程应用场景中，由于环境条件恶劣，轴承的性能下降是不可避免的，这对运行安全构成了威胁。甚至可能导致严重的事故。因此，为了保证电机运行的安全稳定，对电机轴承进行故障诊断是必要的，也是至关重要的。在轴承的故障诊断中，应用最广泛的是基于振动信号的多域分析，振动信号由附加振动传感器获取。然而，在某些工程场景中，受到环境条件、空间或重量限制以及成本因素的限制，例如煤矿的易爆和易燃环境，或飞机或航天器的重量限制，很难部署额外的振动传感器。尽管基于振动信号的故障诊断准确率很高，但基于振动的故障诊断方法也存在一些不容忽视的问题：首先，振动信号采集系统，包括传感器、数据采集设备及其电源，会消耗额外的空间和成本，这在某些特定情况下是不可接受的。其次，振动信号经常受到随机噪声、电磁干扰或耦合系统引起的振动的干扰，降低了故障诊断的准确性。最后，振动传感器的布置直接影响到故障诊断的结果，对于没有预装传感器的设备，很难进行优化。

技术实现思路

1、本发明的目的在于，提供一种基于定子电流信号的永磁同步电机轴承故障诊断方法，与基于振动信号的故障诊断相比，无需额外部署传感器，能够有效降低成本、提高鲁棒性和可靠性高，扩大故障诊断的应用范围。

2、本发明采取的技术方案是：一种基于定子电流信号的永磁同步电机轴承故障诊断方法，包括如下步骤：

3、s1：采集永磁同步电机运行时的定子电流信号，并将所述定子电流信号分为训练集和测试集，对训练集和测试集进行相位校准，使定子电流信号相位对齐，并将校准后的训练集作为种子信号；

4、s2：根据影响定子电流的因素的内部影响因素和外部影响因素，分别对种子信号进行数据增强，完成训练集的样本扩增；

5、s3：对步骤s2中获得的训练集和步骤s1中获得的测试集进行差异计算，获取校准后的训练集和测试集的残差信号，去除信号中的共有成分；

6、s4：将步骤s3中获取的残差信号输入对称点图模型中，得到残差信号对应的对称点图，并结合颜色参数，生成测试集和训练集的彩色对称点图；

7、s5：将步骤s4中获取的测试集的彩色对称点图输入2d卷积神经网络模型进行训练，对训练集的彩色对称点图进行模式识别，输出故障诊断预测结果；测试集的彩色对称点图用于验证训练好的2d卷积神经网络模型的模型性能。

8、进一步地，所述步骤s1的具体步骤为：

9、s101：选定电流的参考信号；

10、s102：计算训练集和测试集中的电流信号iraw与参考信号间的互相关函数；

11、s103：将互相关函数最大值对应的时刻和电流信号采样频率的相乘得到电流信号iraw对应的时移数据点个数m，并根据时移数据点个数m对电流信号iraw进行相位对齐；当参考信号滞后于电流信号iraw时，将电流信号iraw向右移动m个数据点，并去除参考信号的前m个的元素；当参考信号超前于电流信号iraw时，将电流信号iraw向左移动m个数据点，并去除电流信号iraw的前m个的元素；

12、s104：将校准后的训练集作为种子信号isd，并以种子信号中正常模式下所有样本的电流信号的平均值作为基准信号ibs。

13、进一步地，所述步骤s2中的内部影响因素包括比例因素，外部影响因素包括附加影响因素，所述步骤s2的具体步骤为：

14、s201：计算比例因素扩展信号的比例系数，并将种子信号isd,i,j中的每个信号分别与比例系数相乘，得到基于比例因素生成的扩展训练集iex,i,j,p，所述比例系数的计算公式为：

15、

16、其中，αu表示第u个扩展信号的比例系数，u＝1,2,…,np,np表示比例因素扩展信号的总数，np的取值为偶数，ls表示系数步长；isd,i,j表示种子信号中第i个模式下的第j个样本的电流信号，i＝1,2,3,…,p，j＝1,2,3,…,q，p表示故障模式总数量，q表示每种故障模式下的样本总数；

17、s202：构建附加影响因素扩展信号的随机附加系数序列表示第v个扩展信号的随机附加系数序列，v＝1,2,…,na，na表示附加影响因素扩展信号的总数；将种子信号isd,i,j中的每个信号分别与随机附加系数序列相加，得到基于附加影响因素生成的扩展训练集iex,i,j,a，所述第v个扩展信号的随机附加系数序列需满足平均值为μβ，标准差为σβ，第v个扩展信号的随机附加系数序列的长度与种子信号中第i个模式下的第j个电流信号isd,i,j的长度相同；

18、s203：将种子信号isd,i,j、基于比例因素生成的扩展训练集iex,i,j,p和基于附加影响因素生成的扩展训练集iex,i,j,a作为样本扩增后的训练集iex，iex＝[iex,i,j]，iex,i,j表示训练集iex中第i个模式下的第j个样本的电流信号，j＝1,2,…,(1+np+na)·q。

19、进一步地，校准后的训练集和测试集的残差信号的计算公式为：

20、restr,i,j＝iex,i,j-ibs；

21、reste,k＝itecali,k-ibs；

22、其中，restr,i,j表示训练集iex中第i个模式下的第j个样本的残差信号，reste,k表示测试集中第k个测试样本的残差信号，itecali,k表示测试集中第k个测试样本校准后的电流信号，k＝1,2,…,r，r表示测试集中的样本数量。

23、进一步地，所述步骤s4中彩色对称点图中的形状参数和颜色参数的计算公式为：

24、

25、

26、

27、c(m)＝σ(m)；

28、

29、其中，r(m)表示残差信号res中第m个数据点ym在对称点图中的极半径，resmin表示残差信号最小值，resmax表示残差信号最大值，θ(m)表示残差信号res中第m个数据点ym在对称点图中的顺时针偏转角度，θ表示镜像对称旋转角，y(m+l)表示残差信号res中第m+l个数据点偏转角增益，l表示时滞因子，η表示偏转角增益，φ(m)表示残差信号res中第m个数据点ym在对称点图中的逆时针偏转角度，c(m)表示残差信号res中第m个数据点ym在对称点图中的颜色值，σ(m)表示残差信号res中第m个数据点ym的邻域yε的标准差，yε＝[ym-ε…ym-2 ym-1ym ym+1 ym+2…ym+ε]，ε表示邻域半径，yδ表示邻域yε中第δ个数据点，表示邻域yε的平均值。

30、进一步地，所述2d卷积神经网络模型包括输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层和输出层；

31、所述输入层的输入为步骤s4中获取的彩色对称点图；

32、所述第一卷积层和第二卷积层用于提取彩色对称点图中的特征；

33、所述第一池化层和第二池化层用于对卷积层提取的特征进行重采样，节省计算量，提高网络的泛化能力；

34、所述全连接层用于将卷积层和池化层计算所获得的分布式特征表示映射到样本标记域，为输出层对映射的特征进行分类提供条件；

35、所述输出层为softmax分类器，用于输出全连接层特征值的概率，以最大概率值所在位置对应的故障模式作为所述2d卷积神经网络模型故障诊断预测结果，所述概率的计算公式为：

36、

37、其中，表示第θ层第ξ个全连接层特征值对应的概率，t表示全连接层输出的特征图的尺寸大小，表示第θ-1层第τ个全连接层特征值。

38、本发明的有益效果在于：

39、(1)由于定子电流信号中正弦分量占主导地位，但正弦分量对故障诊断的贡献不大，因此本发明通过计算残差信号的方式增强故障敏感特征，从而抑制了不确定因素的影响，显著节省了计算成本；

40、(2)本发明基于定子电流影响因素分析对训练集进行数据增强，有效提高了故障诊断的鲁棒性和模型的泛化能力神经网络；

41、(3)本发明提出了一种带颜色信息的改进对称点图，增加了对称点图特征的维数，扩展了故障敏感信息的表示。