基于卷积神经网络的电机状态在线监测及预测方法研究.pdfVIP

摘要

电机作为工业和农业生产中的核心组件。其频繁启停、过载运行和部件磨损失效

等问题容易发生故障，导致经济损失甚至是严重安全事故。现有监测方法在变工况、

强噪声环境下存在特征提取困难、抗干扰能力不足等问题，需要一种高精度的状态在

线检测和预测的方法，因此，本文针对电机变工况问题以及强噪声环境下的状态判断

等难题，开展了基于卷积神经网络(CNN)的状态智能在线监测及预测方法研究。

本文以永磁同步电机（PMSM）为对象，分析了永磁同步电机的几个典型故障如

动态偏心故障情况、静态偏心故障情况和永磁体退磁等故障的原因，并建立了各个状

态下的有限元仿真模型。为实现对电机进行在线监测与预测，根据边缘计算，提出了

基于JetsonNano的电机状态在线监测及预测的边缘计算系统，通过在电机上对在线

监测与预测装置的部署，实现对电机状态信号的实时获取与监测。

针对电机状态监测时的信号有效特征提取困难，单特征信号源和强噪声环境导致

状态分辨不清晰、效率低等问题，本文提出一种PSO-样本熵-CEEMDAN特征信号分

解算法，面对CEEMDAN算法虽然可以较好分解信号特征但内部参数难以设定的问

题，使用PSO算法对噪声幅值和噪声对的次数进行优化，以分解后的子序列样本熵

为适应度函数，使分解算法有效降低原序列的复杂性。

针对基于信号处理的传统的电机状态监测和预测方法依赖专家知识、抗噪声能力

差以及高度依赖传感器信号质量的问题，提出一种数据融合模块，通过注意力机制对

神经网络中不同信号特征进行筛选，有效融合了输入的各个特征信号的隐藏特征。以

卷积神经网络为基础，提出一种结合残差网络和数据融合模块的卷积神经网络模型，

对电机不同状态下的进行状态检测，结果表明该模型有较高的识别精度，并将识别结

果与不同网络进行对比，证明该模型在电机状态在线监测及预测中的可行性。

最后，针对电机状态在线监测和预测问题，通过将设计好的网络模型与各个部分

进行整合，提出一种电机状态在线监测及预测系统，并搭建电机实验平台，对系统进

行部署，并验证了电机在线监测及预测系统的可行性与有效性。

关键词卷积神经网络永磁同步电机特征信号处理状态监测状态预测

Abstract

Asacorecomponentinindustrialandagriculturalproduction,motorsareproneto

frequentstart-stopoperation,overloadoperation,andcomponentwearandfailure,which

canleadtoeconomiclossesandevenserioussafetyaccidents.Existingmonitoringmethods

havedifficultiesinfeatureextractionandinsufficientanti-interferenceabilityinvariable

workingconditionsandstrongnoiseenvironments.Therefore,ahigh-precisiononlinestate

detectionandpredictionmethodisneeded.Thispaperfocusesontheproblemsofvariable

workingconditionsofmotorsandstatejudgmentinstrongnoiseenvironments,andconducts

researchonanintelligentonlinemonitoringandpredictionmethodbasedonconvolutional

neuralnetworks(CNN).

Thispapertakespermanentmagnetsynchronousmo