本发明专利技术公开了一种基于视觉图像的永磁驱动电机退磁故障诊断模型构建方法及故障诊断方法和系统，其中，本发明专利技术所述方法将电机表面漏磁信号作为故障诊断的原始信号，并将其转换为二维傅里叶频谱图，进而提取全局特征和局部特征并进行融合。最后利用融合后的特征构建分类器，尤其是优选softmax分类器进行故障诊断。本发明专利技术采用二维傅里叶变换将一维时域信号转换为频谱图，展现了时域信号中隐藏的有效故障特征；并通自编码器方法提取图像的视觉特征提升了特征的有效性，采用结构简单计算量少的softmax分类器进行故障诊断，有效地解决了电动汽车用永磁驱动电机退磁故障诊断难题。动汽车用永磁驱动电机退磁故障诊断难题。动汽车用永磁驱动电机退磁故障诊断难题。
【技术实现步骤摘要】
一种基于视觉图像的永磁驱动电机退磁故障诊断模型构建方法及故障诊断方法和系统
[0001]本专利技术涉及电机退磁故障诊断技术，具体涉及一种基于视觉图像的永磁驱动电机退磁故障诊断模型构建方法及故障诊断方法和系统，尤其是可以应用于电动汽车。
技术介绍
[0002]我国的新能源汽车产业已经走过了20年的发展历程，我国已成为世界最大的新能源汽车的生产国和消费国，其中，纯电动汽车规模占全球50％以上，全球第一，总体水平国际先进。随着新能源汽车智能化、集成化的不断提高，其内部结构也日益复杂。近两年来，新能源汽车的安全事故呈递增态势，行业已逐渐由“里程焦虑”转为“安全焦虑”，安全问题已成为新能源汽车发展需要解决的核心问题之一。2020年5月，工业和信息化部连续发布了《电动汽车安全要求》、《电动客车安全要求》、《电动汽车用动力蓄电池安全要求》三项强制性国家标准，明确提出了对新能源汽车整车的安全技术要求。
[0003]电动汽车的动力之心为电动机，永磁驱动电机采用永磁体生成电机磁场，结构简单、效率和控制精度高被广泛的应用于电动汽车、航空航天和风力发电等领域。国内以及国际电动汽车的动力大多由永磁同步电动机提供。永磁驱动电机的磁钢片大多采用钕铁硼永磁材料，其居里温度较低。因此，电机的过载和散热系统损坏等都会导致永磁体磁损失，极易引起永磁体退磁。退磁故障会加剧转矩脉动和电机损耗，严重降低汽车性能，严重时造成财产损失和人员伤亡。
[0004]目前用于退磁故障诊断的状态信号有电机定子电流、电压、转矩和磁通等。以上状态信号的变化都是受永磁体退磁故障间接影响导致的，容易受到其他故障的干扰。电机状态信号中不仅包含了故障特征，同时还混杂着冗余信号和其他干扰信号。因此，在电机故障诊断中故障特征的提取显得尤为重要。传统方法集中于时域、频域的一维特征，需要复杂且专业的信号处理知识。将状态信号拓展到二维图像，将更有利于故障诊断。然而传统方法中要么只采用全局特征提取方法提取图像特征，要么只采用局部特征提取方法提取特征，但两者都存在一定的缺陷。如全局特征提取中无法适用于图像遮挡、旋转等，而局部特征无法兼顾全面特征导致的特征有效率低问题。
[0005]综上所述，现有的诊断方法存在以下几个技术问题：
[0006]1)传统基于一维时域或频域信号的特征提取中信号预处理复杂，专业性需求强。
[0007]2)全局特征提取中无法适用于图像遮挡、旋转等，同时局部特征无法兼顾全面特征导致的特征有效率低问题。
[0008]因此，亟需研究一种更为准确、有效的永磁驱动电机退磁故障诊断方法及系统。
技术实现思路
[0009]本专利技术的目的是用于解决上述现有技术中至少存在的部分技术问题，进而提供一种基于视觉图像的永磁驱动电机退磁故障诊断模型构建方法及故障诊断方法和系统。本发
明所述方法选择提取故障电机的漏磁信号作为原始信号，并将一维时域信号转换为二维图像，即二维傅里叶频谱图，丰富故障信号特征；此外融合了全局特征和局部特征，有效地克服了现有技术中存在的上述两个问题。
[0010]一方面，本专利技术提供的一种基于视觉图像的永磁驱动电机退磁故障诊断模型构建方法，其包括：信号采集、对采集的信号进行二维图像转换、提取二维图像的全局特征和局部特征并融合、利用融合特征构建故障诊断分类器，具体如下：
[0011]步骤1：采集故障电机在各类故障下的漏磁信号，所述漏磁信号为一维时域信号；
[0012]步骤2：将所述漏磁信号转换为二维傅里叶频谱图；
[0013]步骤3：提取所述二维傅里叶频谱图的全局特征和局部特征，并进行特征融合；
[0014]步骤4：将融合后的特征作为故障诊断分类器的输入，故障类型作为故障诊断分类器的输出，利用已知故障类型的各类故障的融合特征进行网络训练得到故障诊断分类器；
[0015]所述分类器应用于永磁同步电机的退磁故障诊断。
[0016]本专利技术之所以选择漏磁信号作为故障诊断的原始信号，是考虑到漏磁信号能直接反映退磁故障，相比其他电压电流等信号间接反映退磁故障能提升故障特征的有效性，受其他故障干扰少，其次，一般是通过测量电机机壳外部的漏磁信号，因此无需拆卸电机，也不会引入人为干扰。
[0017]再者，本专利技术将漏磁信号转换为二维傅里叶频谱图，是考虑在一维信号的构成的图像中进行二维傅里叶变换能更为有效的体现出故障数据转图像后的特征，有利于故障诊断。本专利技术是将一维信号转图像后再对其进行傅里叶变换后的频谱图用于故障诊断，能去除一维信号幅值的影响，而只对其形成图像的频域进行特征提取。
[0018]进一步可选地，步骤3中分别采用自编码器和尺度不变特征转换提取所述二维傅里叶频谱图的全局特征和局部特征。
[0019]本专利技术研究发现，对于二维傅里叶频谱图，单一的局部特征或则全局特征都无法获得理想的退磁故障诊断，而将全局特征和局部特征的融合更能在二维傅里叶频谱图中提取更为有效的故障特征，从而获得较好的诊断效果，尤其是应用于汽车领域。
[0020]进一步可选地，采用尺度不变特征转换提取所述二维傅里叶频谱图的局部特征时，是在不同的尺度空间上查找特征点；
[0021]其中，图像的尺度空间L(x,y,σ)为模糊高斯与二维傅里叶频谱图的卷积，表示为：
[0022]L(x，y，σ)＝G(x，y，σ)*I(x，y)
[0023]所述特征点表示为：
[0024]D(x，y，σ)＝(G(x，y，kσ)
‑
G(x，y，σ))*I(x，y)
[0025]式中，D(x，y，σ)为二维傅里叶频谱图上的元素I(x，y)对应的特征点，G(x，y，σ)为二维傅里叶频谱图上的元素I(x，y)的高斯模糊表示，k为计算常数，σ正态分布的标准差；
[0026]每一个特征点分配一个基准方向，所述基准方向表示为：
[0027]θ(x，y)＝tan
‑1((L(x，y+1)
‑
L(x，y+1))/(L(x+1，y)
‑
L(x
‑
1，y)))
[0028]式中，θ(x，y)表示基准方向，函数L()表示尺度空间值。
[0029]进一步可选地，步骤2中将所述漏磁信号转换为二维傅里叶频谱图时，先从所述漏磁信号中取大于数据采集时电机运行的2倍的N
×
N点构成二维矩阵f(x,y)，然后通过二维傅里叶变换转换为二维频谱图H(v，p)，v和p分别是图像二维频谱图中频域坐标的横轴和纵
轴坐标；
[0030]其中，二维傅里叶转换公式为：
[0031][0032]其中，将频率原点平移到中心，平移公式为：
[0033][0034]其中，前文的二维傅里叶频谱图I(x，y)与二维频谱图H(v,p)为同一含义，均能表示傅里叶频谱图。
[0035]进一步可选地，所述故障诊断分类器采用softmax分类器，将融合后的特征输入所述softmax分类器得到归类概率值，各类故障本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于视觉图像的永磁驱动电机退磁故障诊断模型构建方法，其特征在于：包括：信号采集、对采集的信号进行二维图像转换、提取二维图像的全局特征和局部特征并融合、利用融合特征构建故障诊断分类器，具体如下：步骤1：采集故障电机在各类故障下的漏磁信号，所述漏磁信号为一维时域信号；步骤2：将所述漏磁信号转换为二维傅里叶频谱图；步骤3：提取所述二维傅里叶频谱图的全局特征和局部特征，并进行特征融合；步骤4：将融合后的特征作为故障诊断分类器的输入，故障类型作为故障诊断分类器的输出，利用已知故障类型的各类故障的融合特征进行网络训练得到故障诊断分类器；所述分类器应用于永磁同步电机的退磁故障诊断。2.根据权利要求1所述的方法，其特征在于：步骤3中分别采用自编码器和尺度不变特征转换提取所述二维傅里叶频谱图的全局特征和局部特征。3.根据权利要求2所述的方法，其特征在于：采用尺度不变特征转换提取所述二维傅里叶频谱图的局部特征时，是在不同的尺度空间上查找特征点；其中，图像的尺度空间L(x,y,σ)为模糊高斯与二维傅里叶频谱图的卷积，表示为：L(x,y，σ)＝G(x,y,σ)*I(x,y)所述特征点表示为：D(x,y,σ)＝(G(x,y,kσ)
‑
G(x,y,σ))*I(x,y)式中，D(x,y,σ)为二维傅里叶频谱图上的元素I(x,y)对应的特征点，G(x,y,σ)为二维傅里叶频谱图上的元素I(x,y)的高斯模糊表示，k为计算常数，σ正态分布的标准差；每一个特征点分配一个基准方向，所述基准方向表示为：θ(x,y)＝tan
‑1((L(x,y+1)
‑
L(x,y+1))/(L(x+1,y)
‑
L(x
‑
1,y)))式中，θ(x,y)表示基准方向，函数L()表示尺度空间值。4.根据权利要求1所述的方法，其特征在于：步骤2中将所述漏磁信号转换为二维傅里叶频谱图时，先从所述漏磁信号中取大于数据采集时电机运行的2倍的N
×
N点构成二维矩阵f(x,y)，然后通过二维傅里叶变换转换为二维频谱图H(v,p)，v和p分别是图像二维频谱图中频域坐标的横轴和纵轴坐标；其中，二维傅里叶转换公式为：其中，将频率原点平移到中心，平移公式为：5.根据权利要求1所述的方法，其特征在于：所述故障诊断分类器为softmax分类器，将融合后的特征输入所述softmax分类器得到归类概率值，各类故障的归类概率值之和为1，所述归类概率值表示为：其中，y
i
表示sofmax神经网络分类器输入，n表示其维数，e为自然底数。
6.一种基于权利要求1
‑
5任一项...
【专利技术属性】
技术研发人员：张晓飞，谢金平，宋殿义，黄凤琴，龙卓，周俊鸿，彭鑫，
申请(专利权)人：湖南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。