一种电机转子偏心表征方法及系统技术方案

本发明专利技术公开了一种电机转子偏心表征方法及系统，属于旋转机械偏心故障定量表征领域。在数据获取阶段，先利用已知物理信息建立电机转子偏心情况下的数学模型，获得由数学模型生成的电机数据与相应的转子偏心信息构成的模型数据集；再通过对实际电机的数据进行采样，获得实际数据集。在训练阶段，首先利用模型数据集对生成器进行预训练；再结合实际数据集对生成器和判别器进行对抗训练实现对生成器的修正；最后利用修正后的生成器，生成电机数据对表征器进行训练。从而，解决了在缺少不同偏心的数据的情况下难以对网络进行训练的问题，并且训练后的生成器生成的电机数据与实际数据接近，能够获得高精度的偏心表征。能够获得高精度的偏心表征。能够获得高精度的偏心表征。

【技术实现步骤摘要】
一种电机转子偏心表征方法及系统


[0001]本专利技术属于旋转机械偏心故障定量表征领域，更具体地，涉及一种电机转子偏心表征方法及系统。

技术介绍

[0002]随着新能源产业的发展，永磁同步电机被广泛应用于新能源发电、电动汽车、交通和推进系统等各个领域。因此，为保证永磁同步电机的高可靠性运行，需要对永磁同步电机进行及时的维护和故障诊断。在各种电机中，由于制造误差的存在，几乎所有电机都存在转子偏心的情况。电机偏心会导致电机的电流和电压中产生谐波分量，这些谐波分量又会导致更大的转矩脉动和额外的损耗。此外，由于存在偏心，电机的平衡性被打破，进而引起电机中产生不平衡磁拉力，且磁拉力会加剧电机偏心故障，最严重的可能导致电机扫膛并损毁。因此，为对偏心带来的负面影响进行抑制，需要准确对电机偏心程度进行预测。
[0003]电机的偏心度程度是难以直接测量的，因此需要借助于电机中的相关物理量对电机偏心程度进行预测。然而，由于电机系统的非线性性和高复杂性，通过电机建模进而得到电机的偏心解析表达式是十分困难的。在现阶段的机械故障诊断中，神经网络发挥了十分重要的作用。然而，神经网络作为一种数据驱动模型，需要获取大量的标签数据对神经网络进行训练。针对电机偏心程度预测问题，实际电机的偏心度难以直接获取，且电机都运行在正常情况下，缺少偏心故障情况下的数据。因此缺少偏心度标签对神经网络进行训练，无法有效对电机偏心程度进行预测。

技术实现思路

[0004]针对现有技术的缺陷和改进需求，本专利技术提供了一种电机转子偏心表征方法及系统，旨在解决在缺少电机不同偏心的数据的情况下，难以对电机转子偏心进行表征的技术问题。
[0005]为实现上述目的，第一方面，本专利技术提供了一种电机转子偏心表征方法，包括：
[0006]建立电机转子偏心情况下的数学模型，以获得由所述数学模型生成的电机数据X1与相应的转子偏心信息Y1；对实际电机的数据进行采样，获取电机在正常情况下的电机数据X
2h
；
[0007]构建包括生成器、判别器和表征器的神经网络模型；其中，生成器的输入为转子偏心信息，输出为电机数据；判别器的输入为电机数据，输出为表征输入的电机数据来自数学模型或实际电机的量；表征器的输入为电机数据，输出为偏心表征量；
[0008]利用转子偏心信息Y1和电机数据X1，对生成器进行预训练；再利用转子偏心信息Y
1h
和电机数据X
2h
，对判别器和预训练后的生成器进行对抗训练，其中，Y
1h
∈Y1代表电机在正常情况下的转子偏心信息；最终利用转子偏心信息Y1和对抗训练后的生成器生成的电机数据，对表征器进行训练，训练后的表征器用于进行转子偏心表征。
[0009]进一步地，所述利用转子偏心信息Y1和电机数据X1，对生成器进行预训练，包括：
[0010]以转子偏心信息Y1作为输入，拟合电机数据X1，并以生成器的生成损失loss1最小为目标，对生成器进行预训练。
[0011]进一步地，所述利用转子偏心信息Y
1h
和电机数据X
2h
，对判别器和预训练后的生成器进行对抗训练，包括：
[0012]固定生成器的参数，将转子偏心信息Y
1h
输入生成器中，生成多个电机数据，再将生成的多个电机数据与电机数据X
2h
输入判别器中，并以判别器的判别损失loss2最小为目标，更新判别器的参数；
[0013]固定判别器的参数，将转子偏心信息Y
1h
输入生成器中，生成多个电机数据，再将生成的多个电机数据与电机数据X
2h
输入判别器中，并以综合损失loss3最小为目标，更新生成器的参数；所述综合损失loss3＝λ1·
loss1‑
λ2·
loss2，其中，loss1表示生成器的生成损失，loss2表示判别器的判别损失，λ1和λ2为正权重系数；
[0014]重复以上步骤，直至达到训练迭代次数阈值，完成对抗训练。
[0015]进一步地，所述利用转子偏心信息Y1和对抗训练后的生成器生成的电机数据，对表征器进行训练，包括：
[0016]固定生成器的参数，将转子偏心信息Y1输入生成器中，生成多个电机数据；再将生成的多个电机数据输入表征器中，拟合转子偏心信息Y1，并以表征器的表征损失loss4最小为目标，更新表征器的参数。
[0017]进一步地，所述生成器、判别器和表征器均由全连接网络构成。
[0018]进一步地，所述电机数据为空载感应电动势，则所述数学模型为：
[0019][0020]式中，B(
·
)为气隙磁密，θ
w+
和θ
w
‑
分别为绕组正、负极的空间位置，N为绕组匝数，l为电机深度，ω
r
为转子机械角速度，R为定子内径，h为永磁体高度，δ0为电机正常情况下气隙长度，B0为正常情况下气隙磁密幅值，
ɑ
为转子磁极位置，p为转子极对数，为偏心度，O
s
和O
r
分别为定、转子几何中心，θ
e
为偏心角度。
[0021]第二方面，本专利技术提供了一种电机转子偏心表征系统，包括：计算机可读存储介质和处理器；
[0022]所述计算机可读存储介质用于存储可执行指令；
[0023]所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行如第一方面所述的电机转子偏心表征方法。
[0024]总体而言，通过本专利技术所构思的以上技术方案，能够取得以下有益效果：
[0025]本专利技术在数据获取阶段，先利用已知物理信息建立电机转子偏心情况下的数学模型，获得由数学模型生成的电机数据与相应的转子偏心信息构成的模型数据集；再通过对实际电机的数据进行采样，获得实际数据集。在训练阶段，首先利用模型数据集对生成器进行预训练；再结合模型数据集和实际数据集对生成器和判别器进行对抗训练实现对生成器的修正；最后利用修正后的生成器，生成电机数据对表征器进行训练。从而，解决了在缺少不同偏心度的数据的情况下难以对网络进行训练的问题，并且训练后的生成器生成的电机
数据与实际数据接近，能够获得高精度的偏心表征。
附图说明
[0026]图1为本专利技术实施例提供的一种电机转子偏心表征方法的流程图；
[0027]图2为本专利技术实施例提供的神经网络的结构示意图；
[0028]图3为本专利技术实施例提供的神经网络训练过程示意图。
具体实施方式
[0029]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0030]在本专利技术中，本专利技术及附本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电机转子偏心表征方法，其特征在于，包括：建立电机转子偏心情况下的数学模型，以获得由所述数学模型生成的电机数据X1与相应的转子偏心信息Y1；对实际电机的数据进行采样，获取电机在正常情况下的电机数据X
2h
；构建包括生成器、判别器和表征器的神经网络模型；其中，生成器的输入为转子偏心信息，输出为电机数据；判别器的输入为电机数据，输出为表征输入的电机数据来自数学模型或实际电机的量；表征器的输入为电机数据，输出为偏心表征量；利用转子偏心信息Y1和电机数据X1，对生成器进行预训练；再利用转子偏心信息Y
1h
和电机数据X
2h
，对判别器和预训练后的生成器进行对抗训练，其中，Y
1h
∈Y1代表电机在正常情况下的转子偏心信息；最终利用转子偏心信息Y1和对抗训练后的生成器生成的电机数据，对表征器进行训练，训练后的表征器用于进行转子偏心表征。2.根据权利要求1所述的电机转子偏心表征方法，其特征在于，所述利用转子偏心信息Y1和电机数据X1，对生成器进行预训练，包括：以转子偏心信息Y1作为输入，拟合电机数据X1，并以生成器的生成损失loss1最小为目标，对生成器进行预训练。3.根据权利要求1所述的电机转子偏心表征方法，其特征在于，所述利用转子偏心信息Y
1h
和电机数据X
2h
，对判别器和预训练后的生成器进行对抗训练，包括：固定生成器的参数，将转子偏心信息Y
1h
输入生成器中，生成多个电机数据，再将生成的多个电机数据与电机数据X
2h
输入判别器中，并以判别器的判别损失loss2最小为目标，更新判别器的参数；固定判别器的参数，将转子偏心信息Y
1h
输入生成器中，生成多个电机数据，再将生成的多个电机数据与电机数据X
2h
输...

【专利技术属性】
技术研发人员：孙伟，王昊文，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：