一种针对容错永磁电机定子匝间短路的故障诊断方法
【专利摘要】本发明公开了一种针对容错永磁电机定子匝间短路的故障诊断方法。该方法的步骤为：利用PCA对原始数据做降维处理，通过调整PCA中的贡献率值参数，得到包涵了原数据特征的少量训练数据；BP神经网络训练，设置合适的隐含层层数、各层的节点数以及学习率、训练精度等参数，训练神经网络，生成基于PCA-NN的容错永磁电机的故障诊断结果。本发明在确定了BP神经网络输入层、隐含层和输出层的神经元个数的基础下，通过调节BP神经网络的学习率等参数，使得BP神经网络的训练效果达到理想效果、故障诊断结果达到最高精度；运算效率高，BP神经网络结构简单，应用到容错电机的匝间短路故障诊断领域时，运行时间短，故障诊断精度高。
【专利说明】一种针对容错永磁电机定子匝间短路的故障诊断方法
【技术领域】
[0001] 本发明涉及PCA与BP神经网络相结合的故障诊断方法，可用于容错永磁电机匝间 短路故障诊断领域。
【背景技术】
[0002] 随着电机控制理论、电力电子技术的和微电子技术的发展，电机驱动领域已经突 破了标准三相供电系统的束缚，多相电机驱动系统凭借其与三相电机驱动系统相比具有低 压大功率和系统可靠性高等优势，在舰船推进、航空航天和电力机车等设备等大功率电气 驱动装置中获得广泛应用。在电机所有故障中，定子匝间短路故障是最常见的故障之一。多 相电机的一个显著优势是高容错性能和可靠性，对于容错永磁电机来说，失去两相也不会 妨碍电机的连续运行。但是容错永磁电机不能在匝间短路故障下正常运行，电机的工作状 态直接影响了生产运行的正常与否，其故障不仅会损坏电机本身，而且会影响整个生产系 统，甚至会危及人身安全，造成巨大的经济损失和恶劣的社会影响，因此，对电机进行故障 诊断及分析是十分必要的。
[0003] 随着故障诊断技术的不断发展，人们致力于开发各类专用的电机故障诊断系统， 并已成为近年来研究的重点。智能化控制在许多的应用领域都获得应用，并取得了良好的 控制效果。例如：模糊控制、神经网络控制、学习控制和居于专家系统的控制等。这些智能 方法最大的优点是：无需被控对象进行精确的数学建模，而且具有很强的鲁棒性，非常适合 电机这种非线性、变参数对象。比较成熟的有神经网络，它具有初步的自适应与自组织能 力。在学习或训练过程中改变突触权重值，以适应周围环境的要求。同一网络因学习方式 及内容不同可具有不同的功能。人工神经网络是一个具有学习能力的系统，可以发展知识， 以致超过设计者原有的知识水平。通常，它的学习训练方式可分为两种，一种是有监督或称 有导师的学习，这时利用给定的样本标准进行分类或模仿；另一种是无监督学习或称无导 师学习，这时，只规定学习方式或某些规则，则具体的学习内容随系统所处环境（即输入信 号情况）而异，系统可以自动发现环境特征和规律性，具有更近似人脑的功能。
[0004] 虽然神经网络有多种优点，但是当训练数据较多时，训练出的神经网络的结构可 能会更加复杂，预测故障时不能及时、准确。
【发明内容】
[0005] 本发明的目的是，针对神经网络在容错永磁电机匝间短路故障诊断应用方面凸显 的缺点，基于PCA降维处理方法，提出一种降维方法与人工智能神经网络相结合的方法，该 方法对神经网络的输入数据进行适当的降维处理，从而简化神经网络结构，提高故障诊断 的效率。主元分析方法（PCA)是降维处理方法中用的比较多的一种方法，PCA可以在保证原 始数据特征的情况下进行有效的降维处理。
[0006] 本发明的技术方案是： 一种针对容错永磁电机定子匝间短路的故障诊断方法，包括如下步骤： (1) 利用PCA对原始数据做降维处理，通过调整PCA中的贡献率值参数，得到包涵了原 数据特征的少量训练数据； (2) BP神经网络训练，设置合适的隐含层层数、各层的节点数以及学习率、训练精度等 参数，训练神经网络，生成基于PCA-NN的容错永磁电机的故障诊断结果。
[0007] 进一步，在所述对原始数据做降维处理步骤之前，还包括对原始数据的预处理步 骤，在做PCA算法之前，将数据做归一化处理。
[0008] 进一步，采用引入动量因子的改进型BP神经网络。
[0009] 本发明的有益效果是： 1、本发明整体的故障诊断系统简单，应用于容错永磁电机的定子匝间短路故障时方便 实施，易于操作，因为过于繁琐的故障诊断系统不能及时发现故障，会导致不必要的损失。
[0010] 2、数据经过PCA处理后保持原有的故障特征，但维数降低，大大减少了神经网络 测量模型计算和训练的工作量。
[0011] 3、训练后的神经网络由于结构简化，提高了特征提取速度，改善了故障诊断性能。
【专利附图】
【附图说明】
[0012] 以下结合附图和【具体实施方式】对本发明作进一步详细说明。
[0013] 图1是本发明的PCA-NN故障诊断方法流程示意图。
[0014] 图2是在不同定子匝间短路故障程度下五相容错永磁电机定子电流信号。
[0015] 图3是本发明的神经网络与简单的NN训练精度曲线对比图。
【具体实施方式】
[0016] 下面结合附图对本发明作进一步详细说明。
[0017] 本发明一种针对容错永磁电机定子匝间短路故障的诊断方法，主要包括两个部 分：第一部分是利用PCA对原始数据做降维处理，通过调整PCA中的贡献率值参数，得到包 涵了原数据特征的少量训练数据；第二部分是BP神经网络，设置合适的隐含层层数、各层 的节点数以及学习率、训练精度等参数，训练神经网络，生成基于PCA-NN的容错永磁电机 的故障诊断系统。
[0018] 在用PCA对原始数据做降维处理之前，还可以包括对原始数据的预处理过程，为 达到更好的降维效果，做PCA算法之前，首先将数据做归一化处理。
[0019] 简单的BP神经网络存在一些问题，例如易陷入局部最小值等问题，因此本发明提 出的PCA-NN方法中采用引入动量因子的改进型神经网络，该神经网络收敛快，精度也相对 较闻。
[0020] PCA-NN可以应用于故障不同严重程度的识别。
[0021] 本发明的实施例如图1所示，包括故障特征数据采集、数据预处理、数据降维、神 经网络训练和故障诊断五个步骤，其中数据处理包括数据的FFT变换和数据的归一化处 理，神经网络的训练要注重参数的选择。
[0022] 图2给出了五相容错永磁电机在不同定子匝间短路故障程度下的定子电流信 号，可以看出定子的短路匝数不同，检测到的定子电流幅值也有所变化，为更好的探究电 机匝间短路的故障特性，对定子电流进行必要的FFT变换，得到最能体现该故障的特征值 2=[石，Jl3，Jl3，Jl4]，其中…,λ)为定子电流弟i次谐波幅值。故障特征值经 过归一化后输入PCA模型，得到的新故障特征值作为神经网络的输入，神经网络的隐含层 数为1，隐含层神经元个数为6,训练神经网络的学习率为0. 01，训练精度为0. 01。
[0023] 图3给出了本发明与简单的NN故障诊断精度曲线对比，可以看出，在相同的训练 精度下，本发明能够更快的达到预期精度，神经网络结构得到简化。训练好神经网络后整个 故障诊断系统便可用于电机定子匝间故障诊断。
[0024] 表1列出了本发明与简单的NN故障诊断结果对比，可以看出，对不同的电机定子 匝间短路故障而言，本发明均能够更精确地做出故障诊断。
[0025] 表 1
【权利要求】
1. 一种针对容错永磁电机定子匝间短路的故障诊断方法，包括如下步骤： (1) 利用PCA对原始数据做降维处理，通过调整PCA中的贡献率值参数，得到包涵了原 数据特征的少量训练数据； (2) BP神经网络训练，设置合适的隐含层层数、各层的节点数以及学习率、训练精度等 参数，训练神经网络，生成基于PCA-NN的容错永磁电机的故障诊断结果。
2. 根据权利要求1所述的针对容错永磁电机定子匝间短路的故障诊断方法，其特征在 于：在所述对原始数据做降维处理步骤之前，还包括对原始数据的预处理步骤，在做PCA算 法之前，将数据做归一化处理。
3. 根据权利要求1或2所述的针对容错永磁电机定子匝间短路的故障诊断方法，其特 征在于：采用引入动量因子的改进型BP神经网络。
【文档编号】G01R31/06GK104062541SQ201410254479
【公开日】2014年9月24日 申请日期:2014年6月10日 优先权日:2014年6月10日
【发明者】刘国海, 周路, 赵文祥 申请人:江苏大学