【技术实现步骤摘要】
本专利技术属于异步电机转子故障诊断，特别涉及一种三相鼠笼式异步电机的转子断条小样本故障诊断。
技术介绍
1、三相异步电机由于其高可靠性、低成本、易于控制等特点，广泛应用在不同的工业领域。在鼠笼式异步电机实际运行过程中，转子导条受到旋转电磁力、径向电磁力、离心力、高热应力等交变应力的作用，易导致转子断条故障。转子断条故障作为异步电机常见故障之一，占事故发生率10％～20％。当电机运行过程中，转子断条的产生可能会导致局部温度升高、多根转子断条、转子错位等故障，严重时可能导致电机停机。在某些工业应用场景，例如核电站，大型异步电机发生转子断条导致的停机维修往往需要投入大量的人力、物力和经济损失，因此及时有效实现电机转子断条的故障诊断具有重要的意义。
2、目前，鼠笼式异步电机转子断条故障诊断的方法主要可分为三类：基于信号分析的方法、基于数学模型的方法、基于人工智能的方法。基于信号分析的方法是目前在电机故障诊断领域中应用最广泛的方法，直接从可以表征电机工作状态的信号中提取出的故障特征，常使用快速傅里叶变换、希尔伯特变换、扩展park变换等时频转换方法，但是基于信号分析的方法依赖于大量先验知识，且易受到运行环境影响。基于数学模型的方法通过建立电机的理论模型，分析故障发生时的特征机理，但是电机模型的精度依赖于电机参数，会受到运行环境、运行负载等因素影响，该方法鲁棒性较差。近年来，随着人工智能技术的发展，基于人工智能的故障诊断方法成为了新的研究热点。基于人工智能的方法不需要大量的先验知识，并且能够自动提取信号中有效的故障特征，最终实现
3、近年来，基于人工智能实现电机转子断条故障诊断的方法已有国内外学者进行了一定的研究，取得了良好的效果。但是，大多数方法并未实现小样本情况下的故障诊断，由于工业现场存在故障样本数量少的问题，所以研究小样本情况下的转子断条故障诊断具有重要意义。
技术实现思路
1、针对三相异步电机转子断条小样本故障诊断研究少的现状，为了充分利用训练样本实现故障诊断，本专利技术提出了一种双分支残差收缩网络的三相异步电机转子断条小样本故障诊断方法。
2、为达到技术目的，本专利技术采用如下技术方案：
3、一种采用双分支残差收缩网络的三相鼠笼式异步电机转子断条故障诊断方法，包括如下步骤：
4、步骤s1，搭建三相鼠笼式异步电机实验平台。
5、步骤s2，基于电机实验平台，通过数据采集系统采集各种不同工况下的电机定子电流和电机驱动端振动信号，包括电机正常运行数据和不同故障严重程度数据。
6、步骤s3，整合步骤2所采集的数据，将数据集按照比例划分为训练集和测试集。
7、步骤s4，对于电流数据进行希尔伯特变换突出故障特征频率，使用pytorch设计转子断条的故障诊断神经网络模型；上述双分支残差收缩网络包括改进残差收缩模块、密集连接机制、双向循环门控单元和分类层；首先采用改进残差收缩网络对于电流及振动数据滤除噪声分量，提高少量可利用训练样本的参考价值，提取更多有效特征；其次采用密集连接机制连接每个残差收缩模块，实现特征重用以避免残差收缩模块滤除有效信息；然后采用双向循环门控单元学习隐藏信息进一步提取高级特征；同时引入正则化技术：标签平滑正则化、meta-acon激活函数、权重衰减、dropout，防止出现小样本故障诊断下的过拟合现象；最后通过分类层输出结果。
8、步骤s5，使用训练集对于神经网络进行模型训练，训练过程中引入使用标签平滑的交叉熵损失函数计算预测标签和真实标签之间的误差，同时利用误差进行反向传播，对于神经网络参数和结构进行调整，反复进行实验过程进行训练，达到设定迭代次数即停止训练。
9、步骤s6，使用测试集对于训练完成的模型进行测试，将测试样本输入网络模型中，即可得到诊断结果精度；若在小样本情况下测试样本的准确率达到95％以上，即满足实际诊断要求，实现三相鼠笼式异步电机的小样本转子断条故障诊断。
10、进一步，所述步骤2中采集电机电流及振动数据时，为了模拟不同严重程度的故障，分别采集电机正常、转子断条半根、转子断条一根、转子断条三根的状态下的1nm、2nm和3nm负载共12种运行工况。
11、进一步，所述步骤3中划分数据集时，为了充分利用数据并且提取更有效的特征，采用数据增强和归一化处理；该方法使用等间隔滑动窗口的数据增强方法对于原始数据进行重叠采样，获得样本数据集；每种工况设置1000个样本，令α为训练样本占比，分别将α设置为0.1～0.5进行实验，样本长度为1024个数据点。
12、进一步，所述步骤4中发生转子断条故障后，采集电机定子电流存在噪声和谐波分量，并且故障特征不明显，所以采用希尔伯特算法加强故障特征，抑制噪声与谐波，对于提取出的特征进行充分的利用，提升模型的学习能力。
13、步骤s41：当电机发生转子断条故障时，电机定子电流频谱中会出现频率为(1±2s)f的故障特征频率；由于电机运行时的转差率s和故障特征频率的幅值都很小，使得故障特征不易被提取；通过希尔伯特变换求包络可以滤去基频分量，有效消除频谱泄露的掩蔽效应，突出故障特征；对于一个连续电流信号x(t),它的希尔伯特变换如下所示：
14、
15、其中，f为电机电源的供电频率；s为电机的转差率；t为函数的时间变量；τ为时间常数；x(τ)为以时间常数为变量的函数形式；
16、将实值函数x(t)作为实部，将变换后的函数作为虚部，解析信号z(t)可表示为：
17、
18、实值函数x(t)的包络a(t)可通过对解析信号求模值，表达式如下：
19、
20、通过对电流信号进行希尔伯特变换，将电源频率转换为直流分量，故障特征频率由原来的边带频率(1±2s)f转换为2sf。
21、步骤s42：对于电流和振动信号进行特征提取的过程中会受到信号中的噪声影响，噪声的干扰可能导致无法提取有效特征，从而导致诊断性能下降。残差收缩网络通过引入传统信号降噪算法中的软阈值化函数，根据不同样本中的噪声含量学习独有的一组阈值，滤除信号中的噪声分量；通过引入扩张卷积和注意力机制eca-net对于传统残差收缩网络进行改进，增强模型的感受野和提取特征能力，表达式如下：
22、
23、其中，average是平均池化层，i，j，c分别是特征图x的宽度、高度、通道数，x是输入特征，y是输出特征，z是残差收缩模块两层全连接网络的输出，α是对应的缩放参数，将缩放参数乘以x的绝对值得到软阈值函数的阈值τ，这样能够保证阈值大小符合要求；即-τ到τ之间的噪声分量被滤除；此外软阈值函数的导数为1或0，可以有效防止梯度消失和梯度爆炸的发生；
24、步骤s43：由于电流和振动信号是时序信号，即采用双向门控循环单元提取信号中的高级特征；双向门控循环单元由两个相反方向的门控循环单元组成，一个从正向传播信息，另一个从本文档来自技高网...
【技术保护点】
1.一种三相鼠笼式异步电机转子断条小样本故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，所述步骤2中采集电机电流及振动数据时，为了模拟不同严重程度的故障，分别采集电机正常、转子断条半根、转子断条一根、转子断条三根的状态下的1Nm、2Nm和3Nm负载共12种运行工况。
3.根据权利要求1所述的方法，其特征在于，所述步骤3中划分数据集时，为了充分利用数据并且提取更有效的特征，采用数据增强和归一化处理；该方法使用等间隔滑动窗口的数据增强方法对于原始数据进行重叠采样，获得样本数据集；每种工况设置1000个样本，令α为训练集占比，分别将α设置为0.1～0.5进行实验，样本长度为1024个数据点。
4.根据权利要求1所述的方法，其特征在于，所述步骤4中发生转子断条故障后，采集电机定子电流存在噪声和谐波分量，并且故障特征不明显，所以采用希尔伯特算法加强故障特征，抑制噪声与谐波，对于提取出的特征进行充分的利用，提升模型的学习能力，更利于诊断；具体步骤如下：
【技术特征摘要】
1.一种三相鼠笼式异步电机转子断条小样本故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的方法，其特征在于，所述步骤2中采集电机电流及振动数据时，为了模拟不同严重程度的故障，分别采集电机正常、转子断条半根、转子断条一根、转子断条三根的状态下的1nm、2nm和3nm负载共12种运行工况。
3.根据权利要求1所述的方法，其特征在于，所述步骤3中划分数据集时，为了充分利用数据并且提取更有效的特征，采用数据增强和归一化处理；该...
【专利技术属性】
技术研发人员：孙瑶，姜千一，王志坚，刘国海，宋向金，黄耀，唐凯，刘正蒙，
申请(专利权)人：中国核电工程有限公司，
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。