|
永磁同步电机PCA-SVM故障信号处理模型及测试分析
陈军 2026/5/21 20:35:17
江苏省高淳中等专业学校（高淳开放大学），江苏南京 211300
摘要：传统支持向量机（SVM）难以满足永磁同步电机故障诊断精度的研究，引入主成分分析（PCA）降维方法，设计了一种PCA-SVM故障信号处理模型。利用小波包分解对永磁同步电机振动信号预处理，通过PCA对数据进行降维处理，采用SVM故障模式判别分类，保证了永磁同步电机的长期稳定运行。依托电机驱动平台开展振动信号特征提取分析，研究结果表明：通过PCA降维后样本参数呈现显著规律分布特征，预测与实际值达到高度吻合状态。相比较线性SVM和PCA方法，PCA-SVM诊断方法的分类精度最高，接近100%，证明本文方法具有很大的优点。该研究有助于提高电机的故障诊断精度，也可拓展到其他机械传动领域。
关键词：永磁同步电机；故障信号；支持向量机；实验测试
中图分类号：TH17 文献标识码：A
0引言
永磁同步电机是影响发电厂设备控制精度的关键因素，是实现发电厂机器设备稳定高效运行的基础[1]。但在实际运行过程中，永磁同步电机机械设备的故障问题非常普遍，精度再高的报警探测仪器也无法准确识别故障位置，难以满足提供维修资源的需求。前期研究发现，永磁同步电机故障集中在构架轴承部分，需要进一步深入分析构架永磁同步电机故障原理[2]。
传统支持向量机（SVM）具备同时处理低频与高频成分的能力，不会产生信息偏差，特别适用于中高频信号的精确分析与时频域特征的准确判断。该方法能够对分析结果进行多个满足要求的维度空间映射，可以保证对样品参数的精确分解[3]。还有一些研究人员通过支持向量机（SVM）构建通用分类模型，该模型适用于小样本量、复杂度高的样本集以及对数据的非线性计算，能够解决神经网络长期存在的学习方式与网络结构不匹配的矛盾，从而扩大了适用范围[4]。
本研究只对柔性永磁同步电机轴承运行问题开展辨识，构建了小波包与SVM混合特性分析的诊断策略。主要处理方式为利用小波包分解对永磁同步电机振动信号进行预处理，采用SVM算法进行故障模式判别分类。该方法成功采集了永磁同步电机轴承的关键故障特征参数，为制定设备维护方案提供了有力依据，缩短了设备维护周期，保证了永磁同步电机的长期稳定运行。
..........
从表1统计结果中可以看出，传统SVM精度在90%以下，难以满足要求。单一的PCA方法在分类精度方面的性能较差，降维效果并不理想。这主要是由于该算法在处理邻近样本时存在明显的类别失衡问题，无论是同类还是异类样本的邻近关系都难以准确建立，最终严重制约了故障识别的有效性。线性SVM在处理有限样本时存在固有缺陷，当经过PCA降维后，关键特征信息得到保留，使得故障诊断获得理想效果。复合算法对混合特征数据集实现准确分类，相比较线性SVM和PCA方法，本文设计的PCA-SVM诊断方法的分类精度最高，接近100%，证明本文方法具有很大的优势。该方法能够充分利用判别特征和局部拓扑关系，显著增强故障特征集合的区分能力。
3结论
本文开展永磁同步电机PCA-SVM故障信号处理模型及测试分析，得到如下有益结论：
1）通过PCA降维后样本参数呈现显著规律分布特征，预测值与实际值达到了高度吻合状态，表明本文所提方法的可靠性。
2）相比较线性SVM和PCA方法，PCA-SVM诊断方法的分类精度最高，接近100%，证明本文方法具有很大的优点。
该研究能够获得更优越的故障识别性能，但是在面对温度或负载突变等外界环境影响的时候存在计算冗长的问题，期待后续引入深度学习方法进行加强。
参考文献
[1]黄刚, 张雨涵, 贾林, 等. 一种永磁同步电机电流传感器故障容错控制算法[J]. 电机与控制学报, 2025, 29(08): 129-139.
[2]郑云亮, 娄月新, 白贵德, 等. 基于不平衡样本的电机滚动轴承故障智能诊断方法[J]. 船舶工程, 2025, 47(S1): 620-628.
[3]张自强, 李思睿, 许文中, 等. 永磁同步电机位置采样通道故障冗余控制策略研究[J]. 铁道机车车辆, 2025, 45(03): 126-137.
[4]杨娜, 刘晔, 徐元博, 等. 改进B样条逼近时变滤波在电机轴承故障诊断中的应用[J]. 噪声与振动控制, 2025, 45(03): 151-157.
[5]张涛, 杨旭, 李玉梅, 等. 基于EEMD-IGWO-SVM的电机轴承故障诊断[J]. 机床与液压, 2024, 52(10):（未完，下一页）
附件下载：永磁同步电机PCA-SVM故障信号处理模型及测试分析
|