【技术实现步骤摘要】
本专利技术涉及电信号数据处理的（g06f），具体涉及基于电流样本特征归类分析的电机系统故障定性诊断方法。
技术介绍
1、电机作为现代工业中的关键驱动设备，在各种机械系统中发挥着不可或缺的作用。然而，电机在长时间运行过程中，不可避免地会出现一些故障。了解这些常见故障及其产生原因，对于预防故障发生、及时维修以及延长电机使用寿命都具有重要意义，其电机故障包括有电机过热、电机振动、电机启动困难和电机噪音过大引起的一系列电机故障。
2、电机状态监测和故障诊断技术是一种了解和掌握电机在使用过程中的状态，确定其整体或局部正常或异常，早期发现故障及其原因，并能预报故障发展趋势的技术，电机状态监测与故障诊断技术包括识别电机状态监测和预测发展趋势两方面。在电机故障诊断中，常用的方法包括基于信号处理的方法和基于机器学习的方法，基于信号处理的方法需要对信号进行复杂的预处理和分析，对于复杂的故障类型可能无法准确诊断，而基于机器学习的方法则需要大量的样本数据进行训练，这不仅加大了对系统的负荷，而且对于一些少见的故障类型可能会出现误诊的情况。因此需要一种全面且高效率的诊断方法，来对电机系统进行一个故障定性与诊断。
技术实现思路
1、针对现有技术的不足，本专利技术采用基于电流样本特征归类分析来进行电机系统的故障定性和诊断，在电机工作状态下也能进行检测和诊断，非常便利，且成本较低。
2、为实现上述目的，本专利技术提供如下技术方案：基于电流样本特征归类分析的电机系统故障定性诊断方法，包括以下
3、s1、通过多个传感器对电机系统的运行时的电流样本进行多点采样，得到原始电流信号，并将原始电流信号转换为综合电流信号；对电机出现故障时的电机电流进行分时采样，得到故障电流信号；
4、s2、将综合电流信号和故障电流信号构建为预训练数据集；
5、s3、基于卷积神经网络建立深度学习模型，将处理后的预训练数据集导入到模型中进行训练，得到预训练权重系数矩阵，完成预训练模型的构建；
6、s4、基于故障类型、故障程度和故障位置信息对故障样本进行故障定性分类；
7、s5、对故障定性分类后的故障样本的故障电流信号建立故障电流向量，求取典型故障平均电流向量；
8、s6、对电机系统的电流进行实时采样，在出现未知故障时得到故障采样电流，计算故障综合电流信号，以故障综合电流信号作为样本，使用预训练模型计算得到故障预测电流，并构建故障预测电流向量；
9、s7、计算故障预测电流向量与任意一种典型故障平均电流向量的向量差，选择向量差最小的一种典型故障作为判定故障，完成针对电机系统的故障定性诊断。
10、进一步的，步骤s1的电流信号采集具体为：
11、s11、连接电机驱动器，将电流传感器连接于电源线路上；
12、s12、采集电流信号，利用驱动器中的采样电路和采样芯片，对连接的电流传感器进行电流信号的采样，得到原始电流信号；
13、s13、将采集的原始电流信号转换为综合电流信号，转换公式满足：
14、 （1）
15、其中，表示综合电流信号的离散索引，用于指代转换公式计算得到的输出采样点，表示离散索引的综合电流信号的值；表示原始信号的采样索引，表示采样索引的原始电流信号的值；为虚数符号，为自然底数；
16、s14、对电机出现故障时的电机电流进行分时采样，得到故障电流信号，满足：
17、
18、其中，分别表示第一个至第n-1个采样时刻。
19、进一步的，步骤s2中，构建预训练样本满足：
20、；
21、其中，至分别表示电机出现故障时第一个至第n-1个采样时刻所采集到的故障电流信号；表示权重系数矩阵，为行列矩阵，表示第行第列的权重系数，以此类推。
22、进一步的，步骤s5中，故障电流向量满足：
23、；
24、其中，表示第种典型故障的第个样本的故障电流向量，表示第种典型故障的第个样本在时刻的采样电流，以此类推；
25、典型故障平均电流向量满足：
26、；
27、其中，表示第种典型故障的典型故障平均电流向量，表示第种典型故障的样本总数。
28、进一步的，步骤s6中，计算故障综合电流信号满足：
29、；
30、其中，表示出现未知故障时采样索引的原始电流信号的值，表示出现未知故障时离散索引的综合电流信号的值。
31、进一步的，步骤s6中，以故障综合电流信号作为样本使用预训练模型计算得到故障预测电流满足：
32、；
33、其中，至分别表示电机出现未知故障时利用预训练模型得到的第一个至第n-1个采样时刻所采集到的故障预测电流；表示预训练权重系数矩阵，为行列矩阵，表示第行第列的预训练权重系数，以此类推。
34、进一步的，步骤s6中，构建故障预测电流向量满足：
35、；
36、其中，表示电机出现未知故障时的故障预测电流向量。
37、进一步的，计算故障预测电流向量与任意一种典型故障平均电流向量的向量差满足：
38、；
39、其中，表示电机出现未知故障时的故障预测电流向量与第种典型故障平均电流向量的向量差。
40、进一步的，步骤s7中，选择向量差最小的一种典型故障作为判定故障满足：
41、；
42、其中，表示的电机未知故障的故障定性诊断结果；表示使得故障预测电流向量与典型故障平均电流向量的向量差值取得最小值的故障类型。
43、有益效果
44、与现有技术相比，本专利技术提供了基于电流样本特征归类分析的电机系统故障定性诊断方法，具备以下有益效果：
45、1、多点采样与综合信号转换的优势：通过多个传感器对电机系统进行多点采样并将原始电流信号转换为综合电流信号，使得采集数据更加全面和精确。该步骤确保在不同部位采集到的电流信号能够有效融合，提供更高的信号质量，有助于准确识别电机故障状态。
46、2、预训练深度学习模型提升诊断精度：基于卷积神经网络的深度学习模型进行预训练，使模型能够高效地识别不同类型的电机故障，并且通过预训练权重系数矩阵的学习过程增强了模型对电机故障模式的泛化能力。这样可以显著提升模型在实际诊断时的准确性和可靠性。
47、3、故障电流向量与典型故障匹配的高效性：本方案通过构建故障电流向量和典型故障平均电流向量的向量差计算，可以快速识别电机的故障类型。通过匹配向量差最小的典型故障，提高了故障定性诊断的速度和精确性，为及时维护提供了有效依据。
48、4、实时监测与故障预测能力：方案中的实时采样和故障综合电流信号计算，能够在故障发生时即时捕获故障信号，并通过预训练模型进行故障预测。这种实时响应机制使系统具备更高的敏感性，有效提高了对未知故障的快速响应和预测本文档来自技高网...
【技术保护点】
1.基于电流样本特征归类分析的电机系统故障定性诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于电流样本特征归类分析的电机系统故障定性诊断方法，其特征在于，步骤S1的电流信号采集具体为：
3.根据权利要求1所述的基于电流样本特征归类分析的电机系统故障定性诊断方法，其特征在于，步骤S2中，构建预训练样本满足：
4.根据权利要求1所述的基于电流样本特征归类分析的电机系统故障定性诊断方法，其特征在于，步骤S5中，故障电流向量满足：
5.根据权利要求4所述的基于电流样本特征归类分析的电机系统故障定性诊断方法，其特征在于，步骤S6中，计算故障综合电流信号满足：
6.根据权利要求5所述的基于电流样本特征归类分析的电机系统故障定性诊断方法，其特征在于，步骤S6中，以故障综合电流信号作为样本使用预训练模型计算得到故障预测电流满足：
7.根据权利要求6所述的基于电流样本特征归类分析的电机系统故障定性诊断方法，其特征在于，步骤S6中，构建故障预测电流向量满足：
8.根据权利要求7所述的基于电流样本特征
9.根据权利要求7所述的基于电流样本特征归类分析的电机系统故障定性诊断方法，其特征在于，步骤S7中，选择向量差最小的一种典型故障作为判定故障满足：
...【技术特征摘要】
1.基于电流样本特征归类分析的电机系统故障定性诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于电流样本特征归类分析的电机系统故障定性诊断方法，其特征在于，步骤s1的电流信号采集具体为：
3.根据权利要求1所述的基于电流样本特征归类分析的电机系统故障定性诊断方法，其特征在于，步骤s2中，构建预训练样本满足：
4.根据权利要求1所述的基于电流样本特征归类分析的电机系统故障定性诊断方法，其特征在于，步骤s5中，故障电流向量满足：
5.根据权利要求4所述的基于电流样本特征归类分析的电机系统故障定性诊断方法，其特征在于，步骤s6中，计算故障综合电流信号满足：
6.根...
【专利技术属性】
技术研发人员：金奇虎，申俊，高洋洋，周长康，陈旭，钱辉，
申请(专利权)人：杭州沃伦森电气有限公司，
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。