基于弱衰减特征的电机健康状态预测研究

作     者：许昀昊 

作者单位：东北石油大学 

学位级别：硕士

导师姓名：邵克勇;黄伟东

授予年度：2022年

学科分类：080801[工学-电机与电器] 0808[工学-电气工程] 08[工学] 

主      题：健康状态预测 变分模态分解 拉普拉斯特征映射 弱衰减特征 长短期记忆神经网络 卷积神经网络 

摘      要：目前,无人机已广泛应用于生产、生活的较多领域,旋翼无人飞行器（UAV）工作期间的主要动力来自于无刷直流（BLDC）电动机,系统的安全性能取决于电机工作的状态,因此,对电机的健康状态进行预测是非常具有意义的。本文基于数据驱动的方法,以无人机电机的弱衰减特征的发展趋势为主要预测指标,研究了基于弱衰减特征的电机健康状态预测方法,实现了对电机的弱衰减特征发展趋势的精确预测,从而实现了对电机健康状态的精确预测。无人机在实际工作的情况下,其电机振动信号的背景噪声分量十分复杂并且相互耦合,这样就使得电机的弱衰减特征难以有效的提取出来,针对这一问题,本文提出了一种基于变分模态分解（VMD）和拉普拉斯特征映射（LE）的弱衰减特征提取方法,从而准确的提取出电机的弱衰减特征,避免丢失了关键的信息以及其他无关信息的干扰。并对某种型号无人机的电动机在模拟其负载运行的状态下进行了验证,从而获得了多种电机的弱衰减特征。如何利用多种弱衰减信息进行系统描述是实现电机的弱衰减特征发展趋势表达的最关键步骤。长短期记忆（LSTM）神经网络,在时变关系模型的实现中表现良好。利用LSTM的历史数据记忆和关系分析能力,可以对长期数据的衰减过程进行筛选和保留信息。以LSTM神经网络为模型基本结构,建立基于弱衰减特征的电机健康状态预测模型,以电机的弱衰减特征时间序列作为模型输入,模型输出为电机衰减指标时间序列,对电机的弱衰减特征的发展趋势进行预测。为了进一步提升模型的预测精度,在LSTM神经网络的基础上,增加了卷积神经网络（CNN）,建立了CNN-LSTM预测模型,对电机的弱衰减特征的发展趋势进行预测,将预测结果和真实数据进行对比,提升了预测精度,通过比较其与不同预测模型在各种评价指标下的预测效果,证实了CNN-LSTM预测模型的有效性,实现了对电机的弱衰减特征发展趋势的精确预测,从而实现了对电机健康状态的精确预测。