一种基于迁移学习的永磁同步牵引电机故障诊断方法技术

本发明专利技术涉及故障诊断技术领域，具体公开了一种基于迁移学习的永磁同步牵引电机故障诊断方法

【技术实现步骤摘要】
一种基于迁移学习的永磁同步牵引电机故障诊断方法


[0001]本专利技术涉及故障诊断
，具体地说，涉及一种永磁同步牵引电机的故障诊断方法
。

技术介绍

[0002]世界轨道交通车辆的电力牵引系统目前正朝着“永磁同步传动”方向发展，永磁电机作为下一代绿色节能高速铁路牵引电机是未来必然趋势，但永磁电机最大的隐患是退磁等故障
。
永磁同步电机的磁回路故障往往是由于永磁体的退磁引起并产生不必要的噪音和振动
。
如果高速列车运行中作为主牵引动力的永磁同步电机由于退磁故障部分以至于完全退磁，会严重影响到整个高速列车的运行，直接导致整个传动系统停机，造成巨大的经济损失和恶劣的社会影响
。
因此，需要提高高速列车的永磁同步牵引电机的安全可靠性，以确保安全运行并减少事故发生的可能性
。
[0003]永磁同步牵引电机的故障与检测是高速列车顺利运行的关键
。
作为高速列车牵引动力的永磁同步电机是用稀土永磁材料做的永磁体励磁，并且是采用内置磁铁的内转子，从外部很难探测到永磁电机内部的磁铁退磁状况，并且高速列车负载惯性大
、
速度快，刚开始发生故障时，由永磁同步牵引电机退磁造成的振动和噪音信号微弱，从而会造成故障检测不及时和准确问题
。

技术实现思路

[0004]本专利技术提供一种基于迁移学习的永磁同步牵引电机故障诊断方法，解决的技术问题是，针对高速动车大功率永磁同步电机直接退磁信号采集困难
、
相关间接电信号
、
振动信号在高速重载运行条件下衰减严重，信噪比不高而容易对故障类型造成漏诊误诊问题
。
[0005]为实现上述目的，本专利技术提供一种基于迁移学习的永磁同步牵引电机故障诊断方法，包括如下步骤：
[0006]步骤
S1
：采用多传感器融合的模式采集永磁同步牵引电机的定子电流信号
、
振动信号和噪声信号；
[0007]步骤
S2
：对采集的信号进行预处理，包括信号滤波
、
降噪和归一化处理；
[0008]步骤
S3
：对信号进行小波变换，并提取其原始信号的时频域特征；
[0009]步骤
S4
：利用提取的时频域特征构建特征数据集，并利用该数据集进行基于仿真数据的卷积神经网络训练；
[0010]步骤
S5
：在已训练的卷积神经网络模型上应用迁移学习，通过多核最大平均差异法进行深度特征的领域适配度度量，计算权重因子
、
最小化损失函数；
[0011]步骤
S6
：微调网络参数，通过迁移学习实现对实测数据的故障诊断
。
[0012]所述的小波变换提取信号的时频域特征，是用于增强信号信息的表达能力，具体步骤可以表示为：
[0013][0014]其中
a
为伸缩因子，
b
为平移因子，
ψ
(t)
为母小波，
f(t)
为原始信号
。
[0015]所述的特征提取包括：从定子电流信号中提取时域特征，从振动信号中提取频域特征，从噪声信号中提取时频特征
。
[0016]所述基于仿真数据的卷积神经网络训练，是利用采集的信号数据和已知故障数据，以及从小波变换中提取的时频域特征，构建训练数据集
、
构建卷积神经网络，包括卷积层
、
池化层和全连接层，并在训练数据上提取特征和学习故障模式
。
[0017]所述迁移学习的步骤为：利用在仿真数据上训练好的卷积神经网络模型作为源域模型；利用多核最大平均差异法比较源域模型在仿真数据和实测数据的深度特征，计算权重因子；在源域模型的基础上，对卷积神经网络的全连接层进行微调，适应实测数据的故障诊断任务
。
[0018]所述的多核最大平均差异法，是通过评估源域模型和实测数据的领域适配度，以确定网络参数微调的方向和幅度
。
[0019]所述的微调网络参数，是通过使用总损失函数
L
和反向传播优化算法，对卷积神经网络的全连接层系数进行调整，优化网络性能，其总损失函数
L
表示具体如下：
[0020](1)
源域特征和目标域特征的损失函数可表示为：
[0021][0022]其中为再生希尔伯特空间的映射，
E
P
为源域数学期望，
E
Q
为目标域数学期望，
FS
为源域特征，
FT
为目标域特征；
[0023](2)
源域的损失函数可表示为：
[0024][0025]其中
M
为故障分类个数，
F
sic
为符号函数，
p
iC
为第
i
个样本中，属于
c
类的概率；
[0026](3)
迁移学习的总体损失函数可表示为：
[0027]L
＝
L
c
+
λ
L(P,Q)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0028]其中
λ
为总损失权重系数
。
[0029]所述的永磁同步牵引电机的故障类型分别为：不相邻退磁故障
、
相邻退磁故障
、
单根对称退磁故障
、
单根退磁故障
、
对称退磁故障
、
均匀退磁故障等
。
[0030]所述的迁移学习方法用于实现永磁同步牵引电机故障诊断，是通过深度神经网络模型的输出，实现对故障类型和状态的精确诊断
。
[0031]与现有技术相比，本专利技术有益效果如下：
[0032]本专利技术提供了一种基于迁移学习的永磁同步牵引电机故障诊断方法，通过使用仿真数据集进行预训练并采用多核最大平均差异方法来减小仿真数据域与实际测量数据域之间的差异，以提升故障诊断模型在不同情况下的迁移效果
。
实现了复杂条件下多尺度特征的提取和类特征的映射，提高了高速列车大功率永磁同步电机在直接退磁信号采集困难
、
相关间接电信号
、
振动信号衰减严重，信噪比不高的条件下性能退化原因的分析和故障类型的准确识别
。
附图说明
[0033]图1是本专利技术基于迁移学习的永磁同步牵引电机故障诊断方法的工作流程图；
[0034]图2是本专利技术中的预训练和微调结构示意图；
[0035]图3是本专利技术中可迁移特征训练流程图
。
具体实施方式
[0036]下面结合附图具体阐明本专利技术的实施方式，应当理解，此处所描述的具体实施例仅仅用以解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于迁移学习的永磁同步牵引电机故障诊断方法，其特征在于，包括如下步骤：步骤
S1
：采用多传感器融合的模式采集永磁同步牵引电机的定子电流信号
、
振动信号和噪声信号；步骤
S2
：对采集的信号进行预处理，包括信号滤波
、
降噪和归一化处理；步骤
S3
：对信号进行小波变换，并提取其原始信号的时频域特征；步骤
S4
：利用提取的时频域特征构建特征数据集，并利用该数据集进行基于仿真数据的卷积神经网络训练；步骤
S5
：在已训练的卷积神经网络模型上应用迁移学习，通过多核最大平均差异法进行深度特征的领域适配度度量，计算权重因子
、
最小化损失函数；步骤
S6
：微调网络参数，通过迁移学习实现对实测数据的故障诊断
。2.
根据权利要求1所述基于迁移学习的永磁同步牵引电机故障诊断方法，其特征在于，步骤
S3
所述的小波变换提取信号的时频域特征，是用于增强信号信息的表达能力，具体步骤可以表示为：其中
a
为伸缩因子，
b
为平移因子，
ψ
(t)
为母小波，
f(t)
为原始信号
。3.
根据权利要求1所述基于迁移学习的永磁同步牵引电机故障诊断方法，其特征在于，步骤
S3
所述的特征提取包括：从定子电流信号中提取时域特征，从振动信号中提取频域特征，从噪声信号中提取时频特征
。4.
根据权利要求1所述基于迁移学习的永磁同步牵引电机故障诊断方法，其特征在于，步骤
S4
所述基于仿真数据的卷积神经网络训练，是利用采集的信号数据和已知故障数据，以及从小波变换中提取的时频域特征，构建训练数据集
、
构建卷积神经网络，包括卷积层
、
池化层和全连接层，并在训练数据上提取特征和学习故障模式
。5.
根据权利要求1所述基于迁移学习的永磁同步牵引电机故障诊断方法，其特征在于，步骤
S5
所述迁移学习的步骤为：利用在仿真数据上训练好的卷积神经网络模型作为源域模型；利用多核最大平均差异法比较源域模型在仿真数据和实测数据的深度特征，计算权重因子；在源域模型的基础上，对卷积神经网络的全...

【专利技术属性】
技术研发人员：涂淙宇，
申请(专利权)人：涂淙宇，
类型：发明
国别省市：