用于诊断无刷直流电机电气与机械故障的数据融合与机器学习技术
《Machines》:Data Fusion and Machine Learning for Diagnosing Electrical and Mechanical Faults in BLDC Motors
【字体:
大
中
小
】
时间:2026年06月14日
来源:Machines 3.0
摘要
在无刷直流电机诊断中,一个主要挑战就是识别具有不同物理成因的故障,尤其是在多种故障症状可能重叠的混合状态下。本研究通过结合电流信号和旋转信号,开发了一种基于特征级数据融合的分类系统。该系统以均匀堆叠集成模型作为主要的故障分类机制。研究使用了184个样本的数据集,这些样本涵盖了四种运行状态:正常运行、机械故障、与永磁体退化相关的电气故障,以及这两种故障同时出现的情况。通过十种不同的数据分割方式来评估所提出分类器的稳定性。实验表明,不使用主成分分析能够保留更多原始特征中的诊断相关信息,从而使分类准确率达到97.3%,标准差为0.017。而在所有考虑的数据类型中,主成分分析都会降低分类性能。此外,还使用SHAP工具对模型进行了进一步分析,结果表明模型的决策是由旋转域和电流域中那些具有物理意义的可解释特征决定的。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号