发明

基于变分模态分解融合深度学习的电机匝间短路故障检测方法2025

2024-03-02 07:19:23 发布于四川 0
  • 申请专利号:CN202311800445.3
  • 公开(公告)日:2025-04-15
  • 公开(公告)号:CN117572300A
  • 申请人:合肥工业大学
摘要:本发明涉及基于变分模态分解融合深度学习的电机匝间短路故障检测方法,与现有技术相比解决了匝间短路故障诊断精度低、效率慢的缺陷。本发明包括以下步骤:建立永磁同步电机故障模型;变分模态分解算法提取故障特征;麻雀搜索算法优化变分模态分解参数;建立深度金字塔池化残差卷积神经网络模型;SPP‑ResCNN网络的训练;永磁同步电机匝间短路故障的实时诊断。本发明采用麻雀搜索算法优化变分模态分解算法,剔除故障特征中其他谐波分量,提取特定频率故障特征,显著提高了故障特征的精度,同时采用金字塔池化网络和残差网络优化卷积神经网络,提高了故障诊断的精度和效率。

专利内容

(19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 117572300 A (43)申请公布日 2024.02.20 (21)申请号 202311800445.3 (22)申请日 2023.12.26 (71)申请人 合肥工业大学 地址 230009 安徽省合肥市屯溪路193号 (72)发明人 常九健 丁宇浩 黄睿  (74)专利代理机构 合肥国和专利代理事务所 (普通合伙) 34131 专利代理师 张祥骞 (51)Int.Cl. G01R 31/72 (2020.01) G01R 31/34 (2020.01) 权利要求书9页 说明书18页 附图4页 (54)发明名称 基于变分模态分解融合深度学习的电机匝 间短路故障检测方法 (57)摘要 本发明涉及基于变分模态分解融合深度学 习的电机匝间短路故障检测方法,与现有技术相 比解决了匝间短路故障诊断精度低、效率慢的缺 陷。本发明包括以下步骤:建立永磁同步电机故 障模型;变分模态分解算法提取故障特征;麻雀 搜索算法优化变分模态分解参数;建立深度金字 塔池化残差卷积神经网络模型;SPP‑ResCNN网络 的训练;永磁同步电机匝间短路故障的实时诊 断。本发明采用麻雀搜索算法优化变分模态分解 算法,剔除故障特征中其他谐波分量,提取特定 频率故障特征,显著提高了故障特征的精度,同 A 时采用金字塔池化网络和残差网络优化卷积神 0 经网络,提高了故障诊断的精度和效率。 0 3 2 7 5 7 1 1 N C CN 117

最新专利