CN116167749A - 一种基于深度学习的永磁同步电机故障诊断方法 - Google Patents

一种基于深度学习的永磁同步电机故障诊断方法 Download PDF

Info

Publication number
CN116167749A
CN116167749A CN202310436104.6A CN202310436104A CN116167749A CN 116167749 A CN116167749 A CN 116167749A CN 202310436104 A CN202310436104 A CN 202310436104A CN 116167749 A CN116167749 A CN 116167749A
Authority
CN
China
Prior art keywords
maintenance
scheme
value
emergency
fault
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310436104.6A
Other languages
English (en)
Other versions
CN116167749B (zh
Inventor
李增喜
马香港
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei Rongxu Technology Co ltd
Original Assignee
Hefei Rongxu Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hefei Rongxu Technology Co ltd filed Critical Hefei Rongxu Technology Co ltd
Priority to CN202310436104.6A priority Critical patent/CN116167749B/zh
Publication of CN116167749A publication Critical patent/CN116167749A/zh
Application granted granted Critical
Publication of CN116167749B publication Critical patent/CN116167749B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9035—Filtering based on additional data, e.g. user or group profiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/9038—Presentation of query results

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本发明公开了一种基于深度学习的永磁同步电机故障诊断方法，涉及电机故障诊断技术领域，包括故障诊断模块、方案推荐模块和显示终端；解决了针对电机故障诊断结果对维修方案进行推荐时，并没有考虑到永磁同步电机急需进行使用且不存在备用设备的情况，无法对永磁同步电机进行快速维修的维修方案进行选择，同时无法使其尽快恢复使用，尽可能地减少电机的故障停机时间的技术问题；通过对应急维修方案进行判定，可以根据永磁同步电机的快速维修需求对维修方案进行选择，尽可能的使永磁同步电机尽快恢复使用，减少了电机的故障停机时间。

Description

一种基于深度学习的永磁同步电机故障诊断方法
技术领域
本发明涉及电机故障诊断技术领域，具体涉及一种基于深度学习的永磁同步电机故障诊断方法。
背景技术
永磁同步电机结构简单、体积更小、重量更轻，转子无发热问题，且过载能力大等特点；随着大数据、人工智能技术的发展，永磁同步电机的制造商和维修商积累了大量数字化永磁同步电机的历史维修记录，目前，已有一些技术可以通过学习上述的样本数据的内在规律和表示层次，根据历史故障维修记录建立维修数据库或者知识图谱对故障进行诊断，当永磁同步电机出现某种故障时，通过对故障部件和原因的诊断，从维修数据库或知识图谱中查找出对应的通用维修方案进行推荐。
专利公开号为CN113065226A的专利中公开了一种基于预测电流控制的永磁同步电机故障诊断方法，该专利根据电机数学模型建立电机预测电流控制数学模型，定义最优电压向量的价值函数；根据诊断故障类型，建立相对应的电机故障数学模型；结合永磁同步电机各类典型故障模式的数学模型和健康状况下的价值函数，得到相对应故障模式下的价值函数；分析对比各类故障模式与健康模式的价值函数，得到价值函数直流分量与各次谐波含量的变化情况为故障特征，综合各故障特征形成故障特征库；建立健康模式下的价值函数直流分量及各次谐波含量与转速和转矩的关系表为故障特征阈值；将实际工况点的价值函数直流分量与故障特征阈值表进行对比，得到故障特征，再根据故障特征库诊断故障类型。
但是在对永磁同步电机出现的故障进行对应的通用维修方案进行推荐时，只考虑可以实现对永磁同步电机进故障现象进行解决的维修方案，针对故障诊断结果对维修方案进行推荐时，并没有考虑到永磁同步电机急需进行使用且不存在备用设备的情况，无法对永磁同步电机进行快速维修的维修方案进行，同时无法使其尽快恢复使用，尽可能地减少电机的故障停机时间，因此，提出一种基于深度学习的永磁同步电机故障诊断方法；
在根据对永磁同步电机的故障部件对维修方案进行推荐时，没有结合电机设备本身的使用情况，导致对维修方案推荐不准确的情况出现，不利于永磁同步电机的维修。
发明内容
本发明的目的在于提供一种基于深度学习的永磁同步电机故障诊断方法，解决在对永磁同步电机出现的故障进行对应的通用维修方案进行推荐时，只考虑可以实现对永磁同步电机进故障现象进行解决的维修方案，针对故障诊断结果对维修方案进行推荐时，并没有考虑到永磁同步电机急需进行使用且不存在备用设备的情况，无法对永磁同步电机进行快速维修的维修方案进行选择，同时无法使其尽快恢复使用的技术问题。
本发明的目的可以通过以下技术方案实现：
一种基于深度学习的永磁同步电机故障诊断方法，该故障诊断方法由控制***进行执行，该控制***包括故障诊断模块、方案推荐模块和显示终端；
故障诊断模块，用于对永磁同步电机出现的故障进行诊断，并将相对应的故障部件进行标记，同时传输至方案推荐模块；
方案推荐模块，用于根据故障部件对应的各个维修方案的维修记录数据对其应急值进行计算，并根据应急值对应急维修方案进行判定，并将其传输至显示终端，方案推荐模块包括数据获取单元、数据处理分析单元和数据判定单元，维修记录数据包括各个维修方案的单次维修时长、复修次数和复修间隔；
数据获取单元，用于对故障部件对应的各个维修方案和各个维修方案的维修记录数据进行获取，并将其传输至数据处理分析单元；
数据处理分析单元，用于对各个维修方案的维修记录数据进行去量化分析计算，并将得到的各个维修方案对应的应急值传输至数据判定单元；
数据判定单元，用于对各个维修方案对应的应急值进行判定，同时根据判定结果对应急维修方案进行标注，并将其输送至显示终端。
作为本发明进一步的方案：对维修记录数据进行去量化分析计算的具体步骤为：
S1：选取一个对应的维修方案为目标方案；
获取a个使用目标方案进行维修的同步电机在相同时间内对应的复修次数和复修间隔的值，并将其依次标记为f1a和
Figure SMS_1
，再对f1a和/>
Figure SMS_2
的均值进行计算并分别标记为p1和p2，之后分别获取到f1a和/>
Figure SMS_3
中满足判定公式L1和L2的所有f1a和/>
Figure SMS_4
的个数和数值，判定公式L1为|f1a-p1|≤Q1，L2为/>
Figure SMS_5
，其中Q1、Q2为预设数值；
分别求得所有满足判定公式L1和L2的f1a和
Figure SMS_6
对应的均值，同时将其作为对应目标方案的复修值和维持时，并标记为f1和t1；
S2：获取目标方案在一定使用次数v范围内的单次维修时长，并将其标记为t2v；
通过公式
Figure SMS_7
计算在使用次数v范围内目标方案单次维修时长t2v的离散值W，其中/>
Figure SMS_8
为目标方案在使用次数v范围内t2v的均值，1≤n≤v；
若W≤Q3，则将
Figure SMS_9
作为目标方案的修参时d1；若W>Q3，则根据｜t2v-/>
Figure SMS_10
｜值从大到小的顺序将对应的t2v的值进行删除，并在每次删除后对剩余t2v的离散值W进行重新计算，同时对删除的t2v的个数x进行记录，直至满足W≤Q3；若x<Q4，则计算剩余t2v的均值
Figure SMS_11
，并将其作为目标方案的修参时d1；若x≥Q4则计算剩余t2v最大和最小值的均值作为目标方案的修参时d1，即/>
Figure SMS_12
；
S3：将修参时d1、复修值f1和维持时t1进行去量化处理并取其数值之后，通过公式β1×t1+β2×f1=Z，计算对应目标方案的推荐值Z；
然后通过公式β3×d1+Z×β4=K，计算对应目标方案的应急值，应急值K越高表示应目标方案的应急推荐指数越高，其中β3+β4=1，且β3>β4，此处β1、β2、β3、β4为预设系数；
S4：重复上述步骤S1-S3，分别计算获得故障部件对应的各个维修方案的修参时di、复修值fi和维持时ti，并通过计算得到各个维修方案对应的应急值Ki，此处i对应维修方案的个数。
作为本发明进一步的方案：应急维修方案的判定方式为：
选取最大应急值Ki对应的维修方案标注为应急维修方案。
作为本发明进一步的方案：在方案推荐模块中对应急维修方案进行判定的方式还包括：
步骤一：在步骤S4进行完毕后，通过数据获取模块从故障同步电机的控制终端中获取相对应的故障部件的运行信息和维修信息，然后通过数据处理分析单元根据数据进行去量化分析计算，运行信息包括电机购买时长和运行时长，维修信息包括维修次数；
步骤二：将购买时长、运行时长和维修次数，依次标记为t2、t3和c1，将其进行去量化处理并取其数值；
通过公式θ1×（t3/t2×A1+A2×t2/c1）=LH1计算故障部件对应的老化值LH1，此处θ1为误差校准因子，取值为0.25264,A1和A2均为预设比例系数，相关领域工作人员可根据实际需求对其数值进行设置；
步骤三：获取步骤S4中各个维修方案对应的修参时di、复修值fi和维持时ti，将修参时di、复修值fi和维持时ti进行去量化处理并取其数值之后通过步骤S3计算各个维修方案对应的推荐值Zi，获取步骤二中故障同步电机的老化值LH1，通过公式
Figure SMS_13
计算各个维修方案对应的优选值Ji，此处θ2为误差校准因子，A3和A4均为预设比例系数，相关领域工作人员可根据实际需求对其数值进行设置；
步骤四：根据各个维修方案对应的选值J对应的数值大小，将最大优选值Ji对应的维修方案标注为应急维修方案。
作为本发明进一步的方案：显示终端，用于对对应的故障部件的应急维修方案进行显示。
本发明的有益效果：
本发明，通过故障诊断模块对永磁同步电机出现的故障部件进行诊断，通过方案推荐模块对故障部件对应的各个维修方案的维修记录数据进行获取，并通过去量化分析计算获取各个维修方案对应的应急值，最后通过数据判定单元对应急维修方案进行标注并输出至显示端，进而使永磁同步电机在急需进行使用且不存在备用设备的情况下，可以根据永磁同步电机的快速维修需求对维修方案进行选择，尽可能的使永磁同步电机尽快恢复使用，减少了电机的故障停机时间；
本发明，通过在对故障部件进行维修方案推荐时，引入了电机设备老化值的影响因素，避免在进行维修方案推荐时，对电机设备本身的使用情况不进行考虑，进而导致对维修方案推荐不准确的情况，进一步提高了维修方案推荐的准确性；
本发明，可以根据不同电机的运行时长对其的应急维修方案的判定方式进行选择，有利于对具有不同运行时长的永磁同步电机进行相对应的应急维修方案推荐，进一步提高了对不同运行时长永磁同步电机维修方案推荐的准确性。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明一种基于深度学习的永磁同步电机故障诊断方法的原理框架结构示意图。
具体实施方式
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
请参阅图1所示，本发明为一种基于深度学习的永磁同步电机故障诊断方法，该故障诊断方法由控制***进行执行，作为本发明的实施例一，控制***具体包括：
故障诊断模块、方案推荐模块和显示终端；
故障诊断模块，用于对永磁同步电机出现的故障进行诊断，并将相对应的故障部件进行标记，同时传输至方案推荐模块；
方案推荐模块，用于根据故障部件的各个维修方案的维修记录数据对其应急值进行计算，同时根据各个维修方案的应急值对应急维修方案进行判定，并将其传输至显示终端，方案推荐模块包括数据获取单元、数据处理分析单元和数据判定单元；
在此需要说明的是，故障诊断模块和方案推荐模块内分别存在有通过借助卷积神经网络进行深度学习制造商和维修商积累的大量数字化永磁同步电机的历史维修记录的样本数据的内在规律和表示层次建立的维修数据库或者知识图谱对故障进行诊断的模型，该诊断模型可以根据历史故障维修记录建立维修数据库或者知识图谱对故障部件进行诊断，并通过对故障原因的诊断从维修数据库中查找对应的通用维修方案；
数据获取单元，用于获取与各个故障部件对应的各个维修方案以及各个维修方案对应的维修记录数据，并将其传输至数据处理分析单元，维修记录数据包括各个维修方案的单次维修时长、复修次数和复修间隔，此处单次维修时长指代为使用同一个维修方案每一次对对应的故障部件进行维修的时长，复修间隔指代为使用对应维修方案对同一个永磁同步电机的故障部件进行多次维修操作时，上一次维修结束时间和下一次维修开始时间之间的间隔时长，复修次数指代为使用对应维修方案对同一个永磁同步电机的故障部件在进行完第一次维修后，后续持续对故障部件进行维修的次数，此处需要说明的是，对维修方案的维修信息进行获取时，仅考虑维修的对应永磁同步电机的对应部件，对部件是否更换不做考虑，且永磁同步电机的型号默认相同，对各个维修方案的维修信息进行去量化分析的具体步骤为：
数据处理分析单元，用于对各个维修方案的维修记录数据进行去量化分析计算，并将得到的各个维修方案对应的应急值传输至数据判定单元，对维修记录数据进行去量化分析计算的具体步骤为：
S1：选取一个对应的维修方案为目标方案；
获取a个使用目标方案进行维修的同步电机在相同时间内对应的复修次数和复修间隔的值，并将其依次标记为f1a和
Figure SMS_14
，再对f1a和/>
Figure SMS_15
的均值进行计算并分别标记为p1和p2，之后分别获取到f1a和/>
Figure SMS_16
中满足判定公式L1和L2的所有f1a和/>
Figure SMS_17
的个数和数值，判定公式L1为|f1a-p1|≤Q1，L2为/>
Figure SMS_18
；
分别求得所有满足判定公式L1的f1a的均值和所有满足判定公式L2的
Figure SMS_19
的均值，将其分别作为对应目标方案的复修值和维持时，并标记为f1和t1；
此处Q1、Q2为预设数值，相关领域工作人员可根据实际需求对其数值进行设置；
S2：获取目标方案在一定使用次数v范围内的单次维修时长，并将其标记为t2v；
此处v取值为180，具体指代为从当下使用次数起算，往前推180次的这一使用次数，获取数据的当下使用次数的数据不计入在内；
通过公式
Figure SMS_20
计算在使用次数v范围内目标方案单次维修时长t2v的离散值W，其中/>
Figure SMS_21
为目标方案在使用次数v范围内t2v的均值，/>
Figure SMS_22
=(t21+t22+、…、+t2v)/v，1≤n≤v；
若W≤Q3，则将
Figure SMS_23
作为目标方案的修参时d1；若W>Q3，则根据｜t2v-/>
Figure SMS_24
｜值从大到小的顺序将对应的t2v的值进行删除，并在每次删除后对剩余t2v的离散值W进行重新计算，同时对删除的t2v的个数x进行记录，直至满足W≤Q3；若x<Q4，则计算剩余t2v的均值
Figure SMS_25
，并将其作为目标方案的修参时d1；若x≥Q4则计算剩余t2v最大和最小值的均值作为目标方案的修参时d1，即/>
Figure SMS_26
；
此处Q3、Q4为预设数值，相关领域工作人员可根据实际需求对其数值进行设置；
S3：将修参时d1、复修值f1和维持时t1进行去量化处理并取其数值之后，通过公式β1×t1+β2×f1=Z，计算对应目标方案的推荐值Z，此处β1≥1.5、β2≤0.2，Z值越大代表对应方案的修复后保持时间越久，说明对应的维修效果越好；
然后通过公式β3×d1+Z×β4=K，计算对应目标方案的应急值，应急值K越高表示应目标方案的应急推荐指数越高，其中β3+β4=1，且β3>β4；
此处β1、β2、β3、β4为预设系数，相关领域工作人员可根据实际需求对其数值进行设置；
S4：重复上述步骤S1-S3，分别计算获得故障部件对应的各个维修方案的修参时di、复修值fi和维持时ti，并通过计算得到各个维修方案对应的应急值Ki，此处i对应维修方案的个数，i=（1、2、…、b）；
数据判定单元，用于对各个维修方案对应的应急值Ki进行判定，同时根据判定结果对应急维修方案进行标注，并将其输送至显示终端，应急维修方案的判定方式为：
选取最大应急值Ki对应的维修方案标注为应急维修方案，并将其输出至显示终端；
显示终端，用于对对应的故障部件的应急维修方案进行显示，便于相关人员对应急维修方案进行查看和实施；
实施例二
作为本发明的实施例二，本申请在具体实施时，相较于实施例一，与其区别仅在于本实施例中对应急维修方案的判定方式不同，在本实施例中对应急维修方案的判定方式为：
步骤一：在步骤S4进行完毕后，通过数据获取模块从故障同步电机的控制终端中获取相对应的故障部件的运行信息和维修信息，然后通过数据处理分析单元根据数据进行去量化分析计算，运行信息包括电机购买时长和运行时长，维修信息包括维修次数，电机的购买时长指代为电机从购买时刻算起距离当下的时长，运行时长指代为电机的工作时长，维修间隔时长指代为故障部件上次维修和下次维修之间的间隔时长；
步骤二：将购买时长、运行时长和维修次数，依次标记为t2、t3和c1，将其进行去量化处理并取其数值；
通过公式θ1×（t3/t2×A1+A2×t2/c1）=LH1计算故障部件对应的老化值LH1，此处θ1为误差校准因子，取值为0.25264,A1和A2均为预设比例系数，相关领域工作人员可根据实际需求对其数值进行设置；
步骤三：获取步骤S4中各个维修方案对应的修参时di、复修值fi和维持时ti，将修参时di、复修值fi和维持时ti进行去量化处理并取其数值之后通过步骤S3计算各个维修方案对应的推荐值Zi，获取步骤二中故障同步电机的老化值LH1，通过公式
Figure SMS_27
计算各个维修方案对应的优选值Ji，此处θ2为误差校准因子，取值为0.125,A3和A4均为预设比例系数，相关领域工作人员可根据实际需求对其数值进行设置；
步骤四：根据各个维修方案对应的选值J对应的数值大小，将最大优选值Ji对应的维修方案标注为应急维修方案；
在对故障部件进行维修方案推荐时，引入了电机设备老化值的影响因素，避免在进行维修方案推荐时，对电机设备本身的使用情况不进行考虑，进而导致对维修方案推荐不准确的情况，进一步提高了维修方案推荐的准确性；
实施例三
作为本发明的实施例三，本申请在具体实施时，相较于实施例一和实施例二，本实施例的技术方案是在于将上述实施例一和实施例二的方案进行组合实施，与实施例一和实施例二的区别仅在于本实施例中可根据不同电机的运行时长选择实施例一或者实施例二对其的应急维修方案进行判定，在本实施例中对实施例一和实施例二进行选择的具体方式为：
当电机出现故障后，对其的运行时长t3进行判定，当t3≥k时，则说明电机的运行时长较长，设备的老化程度对其维修效果影响较大，在对其进行维修方案推荐时则需要对设备的老化值LH1进行考虑，因此选用实施例二对应急维修方案进行的判定；当t3<k时，则说明电机的运行时长较短，设备的老化程度对其维修效果影响较小，在对其进行维修方案推荐时则不需要对设备的老化值LH1进行考虑，因此选用实施例一对应急维修方案进行判定，此处k为预设值，相关领域工作人员可根据实际需求对其数值进行设置；
本发明的工作原理：通过故障诊断模块对永磁同步电机出现的故障部件进行诊断，并对故障部件进行标记，方案推荐模块对故障部件对应的各个维修方案的维修记录数据进行获取，并通过去量化分析计算获取各个维修方案的复修值、维持时和修参时，再计算故障部件对应的各个维修方案的推荐值以及应急值，最后通过数据判定单元选取最大应急值对应的维修方案为应急维修方案，同时将应急维修方案输出至显示终端，通过显示终端对故障部件对应的应急维修方案进行显示，便于相关人员对应急维修方案进行查看和实施。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.一种基于深度学习的永磁同步电机故障诊断方法，其特征在于，该故障诊断方法由控制***进行执行，该控制***包括故障诊断模块、方案推荐模块和显示终端；
故障诊断模块，用于对永磁同步电机出现的故障进行诊断，并将相对应的故障部件进行标记，同时传输至方案推荐模块；
方案推荐模块，用于对故障部件所对应的各个维修方案的维修记录数据进行分析计算，进而得到各个维修方案的复修值、维持时和修参时，再通过对复修值、维持时和修参时进行去量化分析计算得到各个故障部件所对应的各个维修方案的推荐值，再通过将修参时和推荐值进行计算得到各个维修方案相对应的应急值，最后根据各个维修方案对应的应急值对应急维修方案进行判定，同时将判定的应急维修方案传输至显示终端，维修记录数据包括各个维修方案的单次维修时长、复修次数和复修间隔。
2.根据权利要求1所述的一种基于深度学习的永磁同步电机故障诊断方法，其特征在于，方案推荐模块包括数据获取单元、数据处理分析单元和数据判定单元；
数据获取单元，用于对故障部件对应的各个维修方案和各个维修方案的维修记录数据进行获取，并将其传输至数据处理分析单元；
数据处理分析单元，用于对各个维修方案的维修记录数据进行去量化分析计算得到各个维修方案相对应的应急值，并将得到的各个维修方案对应的应急值传输至数据判定单元；
数据判定单元，用于对各个维修方案对应的应急值进行判定，同时根据判定结果对应急维修方案进行标注，并将其输送至显示终端。
3.根据权利要求2所述的一种基于深度学习的永磁同步电机故障诊断方法，其特征在于，对维修记录数据进行去量化分析计算的具体步骤为：
S1：选取一个对应的维修方案为目标方案；
获取a个使用目标方案进行维修的同步电机在相同时间内对应的复修次数和复修间隔的值，并将其依次标记为f1a和
Figure QLYQS_1
，再对f1a和/>
Figure QLYQS_2
的均值进行计算并分别标记为p1和p2，之后分别获取到f1a和/>
Figure QLYQS_3
中满足判定公式L1和L2的所有f1a和/>
Figure QLYQS_4
的个数和数值，判定公式L1为|f1a-p1|≤Q1，L2为/>
Figure QLYQS_5
，其中Q1、Q2为预设数值；
分别求得所有满足判定公式L1的f1a的均值和所有满足判定公式L2的
Figure QLYQS_6
的均值，将其分别作为对应目标方案的复修值和维持时，并标记为f1和t1；
S2：获取目标方案在一定使用次数v范围内的单次维修时长，并将其标记为t2v；
通过公式
Figure QLYQS_7
计算在使用次数v范围内目标方案单次维修时长t2v的离散值W，其中/>
Figure QLYQS_8
为目标方案在使用次数v范围内t2v的均值，1≤n≤v；
若W≤Q3，则将
Figure QLYQS_9
作为目标方案的修参时d1；若W>Q3，则根据｜t2v-/>
Figure QLYQS_10
｜值从大到小的顺序将对应的t2v的值进行删除，并在每次删除后对剩余t2v的离散值W进行重新计算，同时对删除的t2v的个数x进行记录，直至满足W≤Q3；若x<Q4，则计算剩余t2v的均值/>
Figure QLYQS_11
，并将其作为目标方案的修参时d1；若x≥Q4则计算剩余t2v最大和最小值的均值作为目标方案的修参时d1，即/>
Figure QLYQS_12
，此处Q3、Q4为预设数值；
S3：将修参时d1、复修值f1和维持时t1进行去量化处理并取其数值之后，通过公式β1×t1+β2×f1=Z，计算对应目标方案的推荐值Z；
然后通过公式β3×d1+Z×β4=K，计算对应目标方案的应急值，应急值K越高表示应目标方案的应急推荐指数越高，其中β3+β4=1，且β3>β4，此处β1、β2、β3、β4均为预设系数；
S4：重复上述步骤S1-S3，分别计算获得故障部件对应的各个维修方案的修参时di、复修值fi和维持时ti，并通过计算得到各个维修方案对应的应急值Ki，此处i对应维修方案的个数，i=（1、2、…、b）。
4.根据权利要求2所述的一种基于深度学习的永磁同步电机故障诊断方法，其特征在于，应急维修方案的判定方式为：
选取最大应急值Ki对应的维修方案标注为应急维修方案。
5.根据权利要求2所述的一种基于深度学习的永磁同步电机故障诊断方法，其特征在于，在方案推荐模块中对应急维修方案进行判定的方式还包括：
步骤一：在步骤S4进行完毕后，通过数据获取模块从故障同步电机的控制终端中获取相对应的故障部件的运行信息和维修信息，然后通过数据处理分析单元根据数据进行去量化分析计算，运行信息包括电机购买时长和运行时长，维修信息包括维修次数；
步骤二：将购买时长、运行时长和维修次数，依次标记为t2、t3和c1，将其进行去量化处理并取其数值；
通过公式θ1×（t3/t2×A1+A2×t2/c1）=LH1计算故障部件对应的老化值LH1，此处θ1为误差校准因子，取值为0.25264,A1和A2均为预设比例系数；
步骤三：获取步骤S4中各个维修方案对应的修参时di、复修值fi和维持时ti，将修参时di、复修值fi和维持时ti进行去量化处理并取其数值之后通过步骤S3计算各个维修方案对应的推荐值Zi，获取步骤二中故障同步电机的老化值LH1，通过公式
Figure QLYQS_13
计算各个维修方案对应的优选值Ji，此处θ2为误差校准因子，A3和A4均为预设比例系数；
步骤四：根据各个维修方案对应的选值J对应的数值大小，将最大优选值Ji对应的维修方案标注为应急维修方案。
6.根据权利要求2所述的一种基于深度学习的永磁同步电机故障诊断方法，其特征在于，显示终端，用于对对应的故障部件的应急维修方案进行显示。
CN202310436104.6A 2023-04-23 2023-04-23 一种基于深度学习的永磁同步电机故障诊断方法 Active CN116167749B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310436104.6A CN116167749B (zh) 2023-04-23 2023-04-23 一种基于深度学习的永磁同步电机故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310436104.6A CN116167749B (zh) 2023-04-23 2023-04-23 一种基于深度学习的永磁同步电机故障诊断方法

Publications (2)

Publication Number Publication Date
CN116167749A true CN116167749A (zh) 2023-05-26
CN116167749B CN116167749B (zh) 2023-07-18

Family

ID=86422159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310436104.6A Active CN116167749B (zh) 2023-04-23 2023-04-23 一种基于深度学习的永磁同步电机故障诊断方法

Country Status (1)

Country Link
CN (1) CN116167749B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116865623A (zh) * 2023-09-05 2023-10-10 深圳市磐锋精密技术有限公司 基于数据分析的新能源电机运行控制***
CN117474527A (zh) * 2023-11-28 2024-01-30 北京都朗信息科技有限公司 一种建筑施工安全标准评估方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190258945A1 (en) * 2018-02-22 2019-08-22 Fanuc Corporation Fault diagnosis apparatus and machine learning device
CN111913133A (zh) * 2020-06-30 2020-11-10 北京航天测控技术有限公司 分布式故障诊断维修方法、装置、设备及计算机可读介质
US20210341901A1 (en) * 2020-05-01 2021-11-04 Rockwell Automation Technologies, Inc. Induction motor condition monitoring using machine learning
CN114330413A (zh) * 2021-11-25 2022-04-12 中车永济电机有限公司 牵引电机轴承的故障类型辨识及定位方法
CN115619370A (zh) * 2022-09-26 2023-01-17 浙江西图盟数字科技有限公司 一种车辆故障诊断方法及装置
CN115792615A (zh) * 2022-12-19 2023-03-14 北京理工大学前沿技术研究院 一种永磁同步电机传感器故障诊断方法和***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190258945A1 (en) * 2018-02-22 2019-08-22 Fanuc Corporation Fault diagnosis apparatus and machine learning device
US20210341901A1 (en) * 2020-05-01 2021-11-04 Rockwell Automation Technologies, Inc. Induction motor condition monitoring using machine learning
CN111913133A (zh) * 2020-06-30 2020-11-10 北京航天测控技术有限公司 分布式故障诊断维修方法、装置、设备及计算机可读介质
CN114330413A (zh) * 2021-11-25 2022-04-12 中车永济电机有限公司 牵引电机轴承的故障类型辨识及定位方法
CN115619370A (zh) * 2022-09-26 2023-01-17 浙江西图盟数字科技有限公司 一种车辆故障诊断方法及装置
CN115792615A (zh) * 2022-12-19 2023-03-14 北京理工大学前沿技术研究院 一种永磁同步电机传感器故障诊断方法和***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PING ZHU: "Design of Self-repairing Control Circuit for Brushless DC Motor Based on Evolvable Hardware", 《I2017 NASA/ESA CONFERENCE ON ADAPTIVE HARDWARE AND SYSTEMS》, pages 214 - 220 *
郭慧东: "海上风电机群维修排程在线多目标决策模型", 《中国电机工程学报》, vol. 37, no. 7, pages 1993 - 2001 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116865623A (zh) * 2023-09-05 2023-10-10 深圳市磐锋精密技术有限公司 基于数据分析的新能源电机运行控制***
CN116865623B (zh) * 2023-09-05 2023-11-03 深圳市磐锋精密技术有限公司 基于数据分析的新能源电机运行控制***
CN117474527A (zh) * 2023-11-28 2024-01-30 北京都朗信息科技有限公司 一种建筑施工安全标准评估方法
CN117474527B (zh) * 2023-11-28 2024-05-24 北京都朗信息科技有限公司 一种建筑施工安全标准评估方法

Also Published As

Publication number Publication date
CN116167749B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN116167749B (zh) 一种基于深度学习的永磁同步电机故障诊断方法
US5687094A (en) Design verification apparatus
US6480810B1 (en) Process for the monitoring and diagnostics of data from a remote asset
EP2989705B1 (en) Method and apparatus for defect pre-warning of power device
EP1859392B1 (en) Fault diagnostics
JP5868331B2 (ja) 圧縮機を診断するための方法およびシステム
EP2835707A1 (en) A method for condition monitoring of distributed drive-trains
EP3828656A1 (en) Diagnostic device and diagnostic method
CN115796708B (zh) 一种工程建设用的大数据智能质检方法、***和介质
CN113837289B (zh) 模型训练方法、故障预测方法、装置及电子设备
US20150120578A1 (en) System and method for diagnosing machine faults
JP2000330627A (ja) 機器カルテ管理評価装置および同装置を用いた機器カルテ管理評価方法
Wang et al. Nonparametric monitoring schemes in Phase II for ordinal profiles with application to customer satisfaction monitoring
CN112345972A (zh) 基于停电事件的配电网线变关系异常诊断方法、装置及***
JP2672576B2 (ja) プラント・機器の診断支援システム
CN117076856A (zh) 一种缺陷根因定位方法、***、设备及存储介质
CN112561333A (zh) 一种考核数据处理方法、装置、电子设备及存储介质
CN116663978A (zh) 一种用于审计数据的质量评估方法和***
CN106372811A (zh) 城市电网运行指标筛选方法与***
CN114021744A (zh) 设备的剩余使用寿命的确定方法、装置和电子设备
CN116049642A (zh) 一种故障诊断方法、***、电子设备及计算机存储介质
JP2005063208A (ja) ソフトウェア信頼度成長モデル選択方法、ソフトウェア信頼度成長モデル選択装置、ソフトウェア信頼度成長モデル選択プログラム、およびプログラム記録媒体
JP6715705B2 (ja) 不良原因探索システム、及び不良要因探索方法
JP6247777B2 (ja) 異常診断装置および異常診断方法
CN109886292B (zh) 一种基于异常关联图的异常原因诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant