摘要
电机作为各种动力部件，被广泛的应用于各行各业。从工业生产到医疗设备，再从交通运输到家用电器，电机都在其中发挥了不可替代的作用。经过统计，有60％的设备的使用电机作为动力器件，一旦电机发生故障，将会造成经济损失，甚至会造成设备操作人员受伤。因此能够快速准确的诊断出电机故障非常重要。本文以无刷直流电机(BrushlessDirectCurrentMotor,BLDCM)作为研究对象，提出了一种变转速工况下的无刷直流电机轴承实时故障诊断方法，以及一种基于卷积神经网络(ConvolutionNeuralNetwork,CNN)的无刷直流电机实时故障诊断方法。 第一种方法以电机中最易发生故障的轴承为研究对象，通过分析变转速工况下电机的漏磁信号与振动信号研究实时故障诊断方法。该方法使用磁隧阻传感器采集电机运转时漏磁信号，对漏磁信号使用希尔伯特变换估计出电机运转时累计转角，再通过累计转角对电机振动信号进行重采样。重采样后的基于时域的振动信号将转变为基于角度域的振动信号，振动信号从非平稳状态变为平稳状态。最后对平稳的振动信号进行包络分析完成电机实时故障诊断。实验表明该方法能够在大转速波动以及小转速波动下准确的诊断出电机轴承故障，并且具有较快的故障诊断速度。 第二种电机实时故障诊断方法通过将CNN网络部署到边缘计算节点上完成电机实时故障诊断。设计的CNN网络模型在计算机端上训练后进行优化压缩，该方法对CNN优化压缩后得到高效率卷积神经网络(EfficientConvolutionNeuralNetwork,ECNN),并将其部署到边缘计算节点上进行电机实时故障诊断。设计的模型使用振动信号加三相电流信号作为输入，并且通过实验测试了不同输入信号、不同输入形状、不同输入通道以及不同压缩等级对模型运行在边缘计算节点上的准确率、占用存储资源以及诊断时间的影响。最后将模型与其他模型对比并提出了用于电机动态控制的应用案例。实验表明,经过优化压缩后的网络运行在边缘计算节点上的故障诊断准确率几乎没有下降，并且该模型拥有较小的模型体积以及极快的故障诊断速度。在电机的动态控制实验中，使用该模型的边缘计算节点能够在小于100ms的时间内完成对电机的故障诊断并将电机停机。该方法在电机的故障诊断及动态控制中具有重要的实际应用价值。
NETL