本技术公开一种基于数字孪生的电机故障智能诊断方法,属于电机故障诊断领域。所述方法在模型训练阶段,通过随机森林法选取特征量训练一种带自回归循环功能的极限学习机模型作为数字孪生电机。所述方法在开路故障诊断阶段,采集物理实体电机特征量输入数字孪生虚拟电机得到数字孪生电流,将实际绕组电流数据与数字孪生绕组电流作差得电流残差,将电流残差的差分值作为阈值进行开路故障诊断,采用滑动平均窗法进行故障定位;在匝间短路故障诊断阶段采用电流对称平均绝对误差作为判断标准诊断短路故障。本发明不需要电机精确的设计参数和电机故障数据,只需电机正常运行时的数据即可对电机开路故障和匝间短路故障实时快速诊断且具有很强的鲁棒性。
背景技术
电机驱动系统的故障主要包括开路故障和匝间短路故障。开路故障通常由绕组故障或功率管故障引起,而匝间短路故障则表现为电机绕组局部短路,可能导致电机性能严重下降甚至失效。针对这些故障,目前的诊断方法主要分为三类:基于信号处理的方法、基于解析模型的方法和基于数据驱动的方法。然而,这些方法在实际应用中仍存在各自的不足。
基于信号处理的方法依赖于从复杂信号中提取故障特征,在高噪声环境中诊断精度较低,且由于计算量较大,实时性受限。基于解析模型的方法则需要精确的电机的数学模型,但在实际工况下,电机的数学模型和实际物理模型参数往往具有不可消除的误差,所以基于解析模型的方法对参数变化及复杂系统的适应性较差,难以适用于多参数的故障情况,且模型建立过程复杂,依赖较高的专业知识。现有的数据驱动方法往往需要采集大量的电机故障数据建立诊断数据库,如一种基于数字孪生模型的双三相永磁电机开路与传感器故障诊断方法(专利号CN118519029A,公开日2024-08-20),其通过神经网络构建了健康状态下的数字孪生电机模型,通过采集数字孪生电机和实体电机各种故障情况下的定子电流残差构建诊断数据库进行诊断,其不足之处是该方法依赖于大量不同类型的电机故障数据进行模型训练,这些故障数据往往难以获取并且数据的准确性难以得到保证,并且数据不足时难以获得高精度的诊断效果,且对不同工况的泛化能力有限,该诊断方法的诊断快速性也没有体现,诊断的快速性难以得到保证,且无法同时诊断开路故障和匝间短路故障。
此外,复杂的数据驱动算法也需要较高的计算资源。因此,现有的故障诊断方法在准确性、适应性和实时性等方面尚需进一步改进,以满足电机系统多样化的故障诊断需求。
实现思路