永久磁铁同步电机的异常检测基于改进的DWT-CNN多电流融合

科学领域:

• 电气工程 电气工程
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 永磁同步电机 (PMSM) 对设备可靠性和公共安全至关重要.
• 传统的卷积神经网络 (CNN) 模型难以从PMSM当前数据中提取特征.
• 准确的异常检测对于防止关键机械故障至关重要.

研究的目的:

• 为PMSM开发一个先进的异常检测系统.
• 克服现有的CNN模型在处理PMSM电流信号方面的局限性.
• 提高由PMSMs驱动的公共设备的可靠性和安全性.

主要方法:

• 提出了一种新的离散波纹转换卷积神经网络 (DW-CNN) 方法.
• 结合离散波纹变换 (DWT) 用于高/低频分离与CNN.
• 集成了混合注意力机制和重量更新的长短期记忆 (LSTM) 功能融合和异常检测.

主要成果:

• 拟议的DW-CNN-LSTM方法在融合多电流信号特征方面表现出强大的能力.
• 对电机轴承和PMSM定位器故障数据集的实验验证证证了该方法的有效性.
• 该方法成功地检测到PMSM操作数据中的异常.

结论:

• 开发的DW-CNN-LSTM异常检测技术为PMSM监测提供了一个强大的解决方案.
• 这种方法通过有效地融合复杂的电流信号特征来提高识别故障的能力.
• 这些发现有助于提高关键基础设施的安全性和可靠性.