[发明专利]基于终端电流代价敏感学习的PMSM退磁故障诊断方法

说明书

本发明公开了一种基于终端电流代价敏感学习的PMSM退磁故障诊断方法，包括以下步骤：采集PMSM的电流信号；对采集的电流信号进行EMD分解，得到若干个本征模态函数IMF，构建IMF能量矩函数，判断是否发生退磁故障得到故障电流信号；对采集的故障电流信号进行归一化，打好对应标签，并划分训练集和测试集；按故障种类数目构建代价敏感大间隔分布机模型，利用故障信息进行训练和测试，并输出诊断结果。本发明将永磁同步电机终端容易获取的退磁故障电流信号作为处理对象，在传统SVM中融入代价敏感和间隔分布的思想，提高了模型的泛化能力，提升了PMSM退磁故障诊断的精度，降低了故障诊断的成本。

技术领域

本发明涉及永磁电机故障诊断领域，特别涉及一种基于终端电流代价敏感学习的PMSM退磁故障诊断方法。

背景技术

当今世界能源消耗加剧，各类新型可持续能源被开发利用，像风力发电、太阳能发电等。如何合理高效运用电能依然是一个非常重要的问题。永磁同步电机PMSM在机电能量转换上，相比传统电机具有高效率、高转矩质量比、高功率密度、结构简单等优点，而且没有励磁损耗，因此被广泛应用在飞机、高铁、等领域。但永磁体作为永磁同步电机中的关键构成部件，易受温度、磁场等外部因素的影响，从而发生退磁故障。永磁体发生退磁故障将严重影响永磁同步电机的物理特性和控制性能，并引发一系列更大的损失。因此，如何更加精确地对永磁同步电机进行退磁故障诊断至关重要。

近年来，大量研究人员针对永磁同步电机退磁故障诊断进行一系列研究，主要有以下几种方法：直接诊断法、基于模型的诊断方法以及基于数据驱动的诊断方法。直接诊断法通过利用电子元件等直接监测永磁同步电机永磁体磁场的变化，但这种方法由于在电机中添加额外的电子元件，一旦电子元件损坏，就会给电机造成更为严重的影响。基于模型的诊断方法是在对电机参数等进行精确计算，建立永磁同步电机的退磁故障模型来进行故障诊断；由于电机内部条件的复杂性及故障发生后引起的变化，使建立的模型难以准确建立，有限元物理模型可以摆脱上述条件的限制，所以大量研究人员利用有限元进行永磁同步电机的建模分析；但在实际工况中直接得到的是大量的终端数据，且无需建立精确模型，因此基于数据驱动的诊断方法得到越来越广泛的应用。这类方法以电流、磁链、反电动势等为分析对象，利用各种数学方法进行处理和分析，以此来诊断隐藏在这些信号中的退磁故障信息。

基于数据驱动的方法主要有信号分析法和机器学习法。信号分析法通过小波分析、傅里叶变换、经验模态分解等方法处理故障信号，从而得到退磁故障信息。小波分析自适应性不强，而且重构过程会导致数据丢失。傅里叶变换通过分析特定谐波的来诊断退磁故障，但傅里叶变换不能分析不平稳的信号，也很难区分不同谐波。经验模态分解能更好自适应把故障信号分解成一系列本征模态函数，因此经常用于故障诊断。随着机器学习的发展，利用机器学习进行故障诊断是一种新思路。其中，支持向量机由于适用于少量样本、非线性故障而迅速发展起来。但标准的支持向量机只是二分类器，很难解决多分类问题。最小二乘支持向量机是标准支持向量机的一种改进，并且取得了较为精确的诊断效果。

目前，虽然信号处理和机器学习方法日渐成熟，现有的永磁同步电机退磁故障诊断仍然存在下列问题：1)一般的方法故障诊断成本高。主要是因为故障数据不易获取，像磁链、反电动势等难以采集，成本较高；2)信号分析法主要通过分解算法分解故障信号，但只能人为判断故障类型，并且很难对数据进行智能化分类；3)永磁同步电机不同程度的退磁故障具有相似性，一般的支持向量机方法诊断效果不好。

发明内容

为了解决上述技术问题，本发明提供一种算法简单、性能良好的基于终端电流代价敏感学习的PMSM退磁故障诊断方法。

本发明解决上述问题的技术方案是：基于终端电流代价敏感学习的PMSM退磁故障诊断方法，包括以下步骤：

(1)采集永磁同步电机PMSM退磁过程中的电流信号；

(2)利用经验模态分解EMD对采集的电流信号进行分解，得到若干个本征模态函数IMF；