(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111674484.4 (22)申请日 2021.12.31 (71)申请人 湖南大学 地址 410082 湖南省长 沙市岳麓区麓山 南 路2号 (72)发明人 谢金平　张晓飞　黄凤琴　宋殿义　 唐瑶　龙卓　唐镜博　 (74)专利代理 机构 长沙市融智专利事务所(普 通合伙) 43114 代理人 姚瑶 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G01R 31/34(2006.01) G01R 33/12(2006.01) (54)发明名称 一种永磁同步电机退磁故障诊断模型构建 方法及故障诊断方法和系统 (57)摘要 本发明公开了一种永磁同步电机退磁故障 诊断模型构建方法及故障诊断方法和系统， 并适 用于多工况和变工况， 其中， 本发明所述方法将 电机表面漏磁信号作为故障诊断的原始信号， 并 将其拓展为对称点阵图像， 进而提取对称点阵图 像的多类局部高层特征， 并进行融合， 最后利用 融合后的特征构建分类器， 尤其是优选构建模糊 多模型分类器进行故障诊断， 可以有效提高故障 诊断结果的精度， 其中， 对称点阵图像对工况具 备较强的不变适应性， 并通过图像的多类局部高 层特征的融合提升了特征的有效性， 进一步保证 了模型的准确性， 高精度识别退磁故障， 有效解 决了多工况和变工况下永磁同步电机退磁故障 诊断的难题。 权利要求书3页 说明书14页 附图3页 CN 114358077 A 2022.04.15 CN 114358077 A 1.一种永磁同步电机退磁故障诊断模型构建方法， 其特征在于： 包括： 信号采集、 对采 集的信号进行二维 图像转换、 提取二维 图像的特征并融合、 利用融合特征构建故障诊断分 类器， 具体如下： 步骤1： 采集故障电机在各类故障及其不同工况/变工况下的漏磁信号， 所述漏磁信号 为时域信号； 步骤2： 将所述漏磁信号拓展为对称点阵 图像； 步骤3： 采取不同的特征点检查方法对所述对称点阵图像进行局部高层特征提取、 特征 融合； 步骤4： 将融合后的特征作为故障诊断分类器的输入， 故障类型作为故障诊断分类器的 输出， 利用已知故障类型 的各类故障在不同工况/变工况下 的融合特征进行网络训练得到 故障诊断分类 器； 所述分类 器应用于永磁同步电机的退磁故障诊断。 2.一种基于权利要求1所述方法的永磁同步电机退磁故障诊断方法， 其特征在于： 包 括： 故障诊断分类 器的构建以及基于所述故障诊断分类 器的故障诊断， 具体如下： S1： 采集故障电机在各类故障及其不同工况/变工况下的漏磁信号， 所述漏磁信号为时 域信号； S2： 将所述漏磁信号拓展为对称点阵 图像； S3： 采取不同的特征点检查方法对所述对称点阵图像进行局部高层特征提取、 特征融 合； S4： 将融合后的特征作为故障诊断分类器的输入， 故障类型作为故障诊断分类器的输 出， 利用S3中各类故障的不同工况/变工况下 的融合特征进行网络训练得到故障诊断分类 器； S5： 获取待诊断的永磁同步电机的漏磁信号， 并按照步骤S2 ‑S3的方式对故障电机在当 前工况/变工况下进 行特征提取和特征融合， 将融合后的特征输入故障诊断分类器， 得到故 障诊断结果。 3.根据权利要求1所述的方法， 其特征在于： 步骤2中分别采用加速稳健斑点特征方法 提取所述对称点阵图像的加速稳健斑点特征、 采用加速 分段测试角落特征方法提取加速分 段测试角落特征， 并将同一类故障的同一工况/不同工况/变工况下的所述对称点阵图像的 加速稳健斑点特 征、 加速分段测试角落特 征进行融合。 4.根据权利要求1所述的方法， 其特征在于： 步骤2中将所述漏磁信号拓展为对称点阵 图像的过程为： 将漏磁信号的信号点转换到极坐标空间， 再基于所有信号点的所述极坐标 空间的坐标构建对称点阵 图像； 其中， 将漏磁信号的信号 点转换到极坐标空间的转换公式如下： 权　利　要　求　书 1/3 页 2 CN 114358077 A 2式中， sj表示漏磁信号s中的某一信号点， r(j)， α(j)， β(j)表示信号点sj在极坐标空间 的坐标， 其中， r(j)为信号点sj映射到极坐标 的半径， α(j)、 β(j)分别为镜像对称面的逆时 针旋转角度、 顺时针旋转角度； smin和smax分别为漏磁信号s中幅值的最小值和最大值， 镜像 对称面的逆时针旋转角度α(j)和顺时针旋转角度β(j)由与sj相差k时刻之后的信号幅值 sj+k映射， θw为第w个对称平面的角度， θw＝360m/n， m＝0， 1， 2 …n‑1， n为镜像对称平面的个 数， λ为增益角度， λ≤θw。 5.根据权利要求1所述的方法， 其特征在于： 所述故障诊断分类器为模糊多模型分类 器， 所述模型多模型分类器的训练过程为： 将数据样本的融合特征输入模糊网络； 再按照如 下过程更新模糊网络， 直至所有 数据样本完成训练； 其中， 每个数据样本是基于最大置信度 获胜原则分类确定故障类型， 其中， 将已知故障类型的故障电机的漏磁信号作为数据样 本， 并按照步骤2 ‑步骤3的方法得到数据样本的融合特 征； 其中， 首先对第i类故障ith的第 τ个数据样本 τth的融合特 征gτ进行归一 化； 其中， 表示归一 化后的特 征， ||gτ||为gτ特征的范数； 再按照如下公式计算第i类故障ith的数据样本τth对应的均值 和平均标量 再基于 均值 和平均标量 计算欧几里 得距离 其中， 再通过如下条件1判断是否产生新的模糊规则及其数据云； 如果满足条件1， 则在特征 周围以新的模糊规则形成数据云； 否则， 判断是否满足条件2； 若满足条件2， 利用特征 更 新距离特 征 最近的数据云的模糊规则； 否则， 在特 征 周围以新的模糊规则形成数据云； 条件1： 或 式中， Hi为第i类故障ith的数据云中数据样本个数， 表征第i类 故障ith的数据云中 每个数据样本对应的欧几里 得距离； 条件2： 其中， 为寻找的距离特 征 最近云的特 征点， 为特征点 的数据云的状态参数。 6.根据权利要求5所述的方法， 其特征在于： 基于所述最大置信度获胜原则分类时， 所 述置信度得分的计算公式如下：权　利　要　求　书 2/3 页 3 CN 114358077 A 3