本發(fā)明涉及電機(jī)，具體涉及一種基于變模態(tài)分解的三相異步電機(jī)故障特征提取方法、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)：

1、作為工業(yè)生產(chǎn)中的關(guān)鍵設(shè)備，三相異步電動(dòng)機(jī)的運(yùn)行穩(wěn)定與否對(duì)于生產(chǎn)的連續(xù)性是必不可少的。然而，長(zhǎng)期運(yùn)行和外部環(huán)境等因素可能導(dǎo)致電動(dòng)機(jī)出現(xiàn)各種故障，其中匝間短路和轉(zhuǎn)子斷條故障是較為嚴(yán)重的兩種。匝間短路和轉(zhuǎn)子斷條故障不僅會(huì)降低生產(chǎn)效率，增加維護(hù)成本，還可能對(duì)設(shè)備的可靠性和安全性造成嚴(yán)重威脅。因此，及時(shí)準(zhǔn)確地診斷和解決電動(dòng)機(jī)故障成為確保工業(yè)生產(chǎn)連續(xù)性和穩(wěn)定性的關(guān)鍵所在。電機(jī)故障診斷是最近一段時(shí)間以來(lái)持續(xù)受到重視的一個(gè)研究領(lǐng)域。通過(guò)對(duì)電動(dòng)機(jī)故障的深入研究，工程師們可以更好地了解不同類型故障的發(fā)生機(jī)理和特征表現(xiàn)，為故障診斷方法的改進(jìn)和優(yōu)化提供重要依據(jù)。針對(duì)匝間短路和轉(zhuǎn)子斷條故障等常見(jiàn)故障，不同的診斷方法如頻域分析和hilbert變換解調(diào)等被提出并應(yīng)用于實(shí)踐中。隨著技術(shù)的不斷進(jìn)步，一些新的故障診斷方法如基于bp神經(jīng)網(wǎng)絡(luò)和改進(jìn)膠囊網(wǎng)絡(luò)的方法也逐漸應(yīng)用于電動(dòng)機(jī)領(lǐng)域，為故障診斷提供了新的思路和方法。不同的故障診斷方法各有優(yōu)缺點(diǎn)，選擇合適的方法對(duì)于準(zhǔn)確診斷電動(dòng)機(jī)故障至關(guān)重要。因此，對(duì)不同故障診斷方法的優(yōu)劣進(jìn)行比較分析，對(duì)提高電機(jī)故障診斷的準(zhǔn)確性具有十分重要的意義。針對(duì)不同故障診斷方法的優(yōu)劣進(jìn)行深入研究匝間短路和轉(zhuǎn)子斷條故障，旨在為電機(jī)故障診斷方法的改進(jìn)和優(yōu)化提供參考。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提出的一種基于變模態(tài)分解的三相異步電機(jī)故障特征提取方法、設(shè)備及存儲(chǔ)介質(zhì)，可至少解決背景技術(shù)中的技術(shù)問(wèn)題之一。

2、為實(shí)現(xiàn)上述目的，本發(fā)明采用了以下技術(shù)方案：

3、一種基于變模態(tài)分解的三相異步電機(jī)故障特征提取方法，包括通過(guò)設(shè)置基于包絡(luò)熵改進(jìn)的vmd分解算法，用于確定故障分解參數(shù)，提取故障頻點(diǎn)，判斷定子繞組匝間短路和轉(zhuǎn)子斷條故障及其程度；通過(guò)分析emd的端點(diǎn)效應(yīng)和模態(tài)混疊現(xiàn)象，確定vmd分解參數(shù)，從而有效提高電流中故障頻點(diǎn)的準(zhǔn)確性和穩(wěn)定性。

4、進(jìn)一步地，包括將信號(hào)看作是由不同中心頻率的子信號(hào)疊加而成，每個(gè)子信號(hào)由一個(gè)模態(tài)函數(shù)imf表示，通過(guò)vmd算法，原始信號(hào)被分解為k個(gè)不同頻率的子信號(hào)，每個(gè)子信號(hào)集中在特定的中心頻率ωh附近。

5、進(jìn)一步地，基于包絡(luò)熵改進(jìn)的vmd分解算法包括，vmd的輸出信號(hào)由下式表示：

6、

7、式中表示求偏導(dǎo)，δ(t)為dirac分布函數(shù)，“°”表示卷積運(yùn)算，k為分量總數(shù)，ωk為單分量中心頻率，uk為單分量信號(hào)，f(t)為原始的輸出信號(hào)；

8、通過(guò)引入二次懲罰項(xiàng)和拉格朗日乘子，將上述有約束極值問(wèn)題轉(zhuǎn)換為無(wú)約束問(wèn)題進(jìn)行求解，如下式所示：

9、

10、式中α為二次懲罰項(xiàng)，λ為拉格朗日乘子；

11、每個(gè)imf序列的更新都依賴于其他imf序列，相互之間形成一種協(xié)同關(guān)系，實(shí)現(xiàn)對(duì)原始信號(hào)殘余部分的低通濾波；每個(gè)imf序列更新的具體方法是利用parseval原理在頻域上求解最小值問(wèn)題，確保每次更新都能有效地提取出信號(hào)中的重要信息；

12、各分量及相應(yīng)中心頻率通過(guò)交替方向乘子法優(yōu)化求解，其更新公式如下：

13、

14、式中和分別為f(t)、u(t)和λ(t)的傅里葉變換,ω為頻率，n為迭代的次數(shù)；

15、通過(guò)vmd算法不斷迭代更新，信號(hào)可以實(shí)現(xiàn)自適應(yīng)分解，最終提取出包含多個(gè)主要頻率成分的k-bit信號(hào)；因此，通過(guò)調(diào)整參數(shù)，成功分解出轉(zhuǎn)子斷條故障啟動(dòng)過(guò)程中的特征子信號(hào)。

16、進(jìn)一步地，基于包絡(luò)熵改進(jìn)的vmd分解算法包括，

17、步驟1：對(duì)初始化，迭代次數(shù)n令為0；

18、步驟2：執(zhí)行n＝n+1次迭代循環(huán)；

19、步驟3：通過(guò)最小化信號(hào)與分量之間的差異，得到每個(gè)imf的最優(yōu)頻率和振幅。

20、步驟4：迭代優(yōu)化過(guò)程，不斷更新各個(gè)imf的頻率和振幅，直到滿足停止條件。

21、步驟5：最終得到分解后的imf，通過(guò)將這些imf相加，可以重構(gòu)原始信號(hào)；

22、在確定vmd的分解精度或分解個(gè)數(shù)時(shí)，設(shè)定一個(gè)判斷標(biāo)準(zhǔn)，當(dāng)達(dá)到這個(gè)標(biāo)準(zhǔn)時(shí)，即可停止循環(huán)；通過(guò)反復(fù)調(diào)整參數(shù)并重復(fù)這一過(guò)程，直到滿足停止條件為止。

23、進(jìn)一步地，處罰因子設(shè)定為2500。

24、又一方面，本發(fā)明還公開(kāi)一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行如上述方法的步驟。

25、再一方面，本發(fā)明還公開(kāi)一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行如上方法的步驟。

26、由上述技術(shù)方案可知，本發(fā)明的基于變模態(tài)分解的三相異步電機(jī)故障特征提取方法，具體通過(guò)設(shè)置基于包絡(luò)熵改進(jìn)的vmd分解算法，用于確定故障分解參數(shù)，提取故障頻點(diǎn)，判斷定子繞組匝間短路和轉(zhuǎn)子斷條故障及其程度。通過(guò)分析emd的端點(diǎn)效應(yīng)和模態(tài)混疊現(xiàn)象，確定vmd分解參數(shù)，從而有效提高電流中故障頻點(diǎn)的準(zhǔn)確性和穩(wěn)定性，為故障診斷提供了可靠的手段。進(jìn)一步提取分析電流中的故障頻點(diǎn)，有效判斷了定子繞組匝間短路和轉(zhuǎn)子斷條故障發(fā)生的情況和程度。

27、具體的說(shuō)，本發(fā)明將信號(hào)看作是由不同中心頻率的子信號(hào)疊加而成，每個(gè)子信號(hào)由一個(gè)模態(tài)函數(shù)(imf)表示，通過(guò)vmd算法，原始信號(hào)可以被分解為k個(gè)不同頻率的子信號(hào)，每個(gè)子信號(hào)集中在特定的中心頻率ωh附近。本發(fā)明通過(guò)提出一種基于包絡(luò)熵改進(jìn)的vmd分解算法，通過(guò)分析emd的端點(diǎn)效應(yīng)和模態(tài)混疊現(xiàn)象，確定vmd分解參數(shù)，解決了emd算法中可能存在的模態(tài)混合問(wèn)題，從而提高了電流中故障頻點(diǎn)的準(zhǔn)確性和穩(wěn)定性。本發(fā)明通過(guò)對(duì)匝間短路和轉(zhuǎn)子斷條故障特征的研究，更加全面地了解了該故障在振動(dòng)、電流、頻譜等方面的表現(xiàn)特征，從而為電機(jī)故障診斷方法的改進(jìn)和優(yōu)化提供了重要依據(jù)。

28、本發(fā)明通過(guò)提出基于包絡(luò)熵改進(jìn)的vmd分解算法，用于確定vmd分解參數(shù)，提取故障頻點(diǎn)，判斷定子繞組匝間短路和轉(zhuǎn)子斷條故障及其程度。通過(guò)分析emd的端點(diǎn)效應(yīng)和模態(tài)混疊現(xiàn)象，提高電流中故障頻點(diǎn)的準(zhǔn)確性和穩(wěn)定性。

29、基于包絡(luò)熵改進(jìn)的vmd分解算法能夠有效地將信號(hào)分解為多個(gè)頻率不同的子信號(hào)，每個(gè)子信號(hào)由一個(gè)模態(tài)函數(shù)(imf)表示。通過(guò)vmd算法，原始信號(hào)可以被分解為k個(gè)不同頻率的子信號(hào)，每個(gè)子信號(hào)集中在特定的中心頻率ωh附近。本發(fā)明在提高模態(tài)分離分辨率的同時(shí)，有效解決了emd算法中可能存在的模態(tài)混合問(wèn)題，并表現(xiàn)出更強(qiáng)的抗噪聲能力。

30、本發(fā)明在運(yùn)用vmd算法對(duì)目標(biāo)信號(hào)進(jìn)行分解時(shí)，需要明確設(shè)定分解數(shù)量k和二次懲罰因子。本發(fā)明的分解數(shù)量k直接影響著分解結(jié)果，而二次懲罰因子則在vmd對(duì)各個(gè)imf進(jìn)行分解后，對(duì)帶寬大小和目標(biāo)信號(hào)重構(gòu)精度起著直接作用。

技術(shù)特征：

1.一種基于變模態(tài)分解的三相異步電機(jī)故障特征提取方法，其特征在于，包括通過(guò)設(shè)置基于包絡(luò)熵改進(jìn)的vmd分解算法，用于確定故障分解參數(shù)，提取故障頻點(diǎn)，判斷定子繞組匝間短路和轉(zhuǎn)子斷條故障及其程度；通過(guò)分析emd的端點(diǎn)效應(yīng)和模態(tài)混疊現(xiàn)象，確定vmd分解參數(shù)，從而有效提高電流中故障頻點(diǎn)的準(zhǔn)確性和穩(wěn)定性。

2.根據(jù)權(quán)利要求1所述的基于變模態(tài)分解的三相異步電機(jī)故障特征提取方法，其特征在于：包括將信號(hào)看作是由不同中心頻率的子信號(hào)疊加而成，每個(gè)子信號(hào)由一個(gè)模態(tài)函數(shù)imf表示，通過(guò)vmd算法，原始信號(hào)被分解為k個(gè)不同頻率的子信號(hào)，每個(gè)子信號(hào)集中在特定的中心頻率ωh附近。

3.根據(jù)權(quán)利要求2所述的基于變模態(tài)分解的三相異步電機(jī)故障特征提取方法，其特征在于：基于包絡(luò)熵改進(jìn)的vmd分解算法包括，

4.根據(jù)權(quán)利要求3所述的基于變模態(tài)分解的三相異步電機(jī)故障特征提取方法，其特征在于：基于包絡(luò)熵改進(jìn)的vmd分解算法包括，

5.根據(jù)權(quán)利要求3所述的基于變模態(tài)分解的三相異步電機(jī)故障特征提取方法，其特征在于：處罰因子設(shè)定為2500。

6.一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被所述處理器執(zhí)行時(shí)，使得所述處理器執(zhí)行如權(quán)利要求1至5中任一項(xiàng)所述方法的步驟。

技術(shù)總結(jié)
本發(fā)明的一種基于變模態(tài)分解的三相異步電機(jī)故障特征提取方法及設(shè)備，包括通過(guò)設(shè)置基于包絡(luò)熵改進(jìn)的VMD分解算法，用于確定故障分解參數(shù)，提取故障頻點(diǎn)，判斷定子繞組匝間短路和轉(zhuǎn)子斷條故障及其程度；通過(guò)分析EMD的端點(diǎn)效應(yīng)和模態(tài)混疊現(xiàn)象，確定VMD分解參數(shù)，從而有效提高電流中故障頻點(diǎn)的準(zhǔn)確性和穩(wěn)定性。本發(fā)明通過(guò)對(duì)匝間短路和轉(zhuǎn)子斷條故障特征的研究，更加全面地了解了該故障在振動(dòng)、電流、頻譜等方面的表現(xiàn)特征，從而為電機(jī)故障診斷方法的改進(jìn)和優(yōu)化提供了重要依據(jù)。

技術(shù)研發(fā)人員：闞超豪,周裕博
受保護(hù)的技術(shù)使用者：合肥工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21