一种基于堆叠稀疏自编码器的开关磁阻电机故障诊断方法与流程

本发明属于电机状态检测和故障诊断领域，涉及一种基于稀疏自编码器的故障诊断方法。

背景技术：

开关磁阻电机是一种新型调速电机，是继变频调速系统、无刷直流电动机调速系统的最新一代调速系统。它的结构简单坚固，调速范围宽，系统可靠性高。

开关磁阻电机绕组的故障主要有五类：相绕组短路、相绕组开路、匝间短路、相间短路、绝缘损坏等。通常情况下这几类故障都是由于电机绕组中导线的损坏引起的，导线的绝缘性能容易受到各种机电因素的影响导致质量下降。开关磁阻电机的工作环境比较恶劣，某些情况下，电机还会长期工作在过负荷状态，特别是频繁启停和换向，都会导致绕组中通过的电流大于额定值，使绕组的发热严重，时间长了就都会使绕组的绝缘层发生质变。因此，对开关磁阻电机的故障进行检测和诊断，以保证系统的稳定性从而减少事故，具有重要的意义。

技术实现要素：

本发明的目的在于绕开复杂的信号处理技术提供一种端到端的开关磁阻电机绕组故障诊断方法，提高故障诊断的效率。

本发明公开了一种基于稀疏自编码器的开关磁阻电机绕组故障诊断方法，具体步骤如下：

1.一种基于堆叠稀疏自编码器的开关磁阻电机故障诊断方法，其特征在于，包括如下步骤：

步骤1：采集开关磁阻电机各相定子的电流信号；

步骤2：对采集的电流信号进行预处理，将原始数据归一化到[0,1]区间内；

步骤3：对预处理后的电流信号进行离散傅里叶变换，得到幅值谱；

步骤4：对样本进行分类，分别归入有故障样本和无故障样本，并分别设置标签；

步骤5：将所有样本按比例分为训练样本和测试样本，训练样本数目大于测试样本数目；

步骤6：设置参数，利用训练样本构建堆叠稀疏自编码器和分类器；

步骤7：利用测试样本评估堆叠稀疏自编码器模型的优劣，根据模型对测试样本分类识别的正确率，选择测试过程中得到最高正确率的参数为最优的模型的参数，保存最优模型；

步骤8：对待测开关磁阻电机的各相电流信号进行傅立叶变换，得到幅值谱，再输入最优模型中，根据自编码器和分类器模型的输出判断该样本对应的电机是否存在故障。

附图说明

图1是故障诊断流程。

图2是堆叠稀疏自编码器和分类器模型的结构图。

具体实施方式

下面结合附图及具体实施方式，以开关磁阻电机的绕组故障诊断为例，详细描述本发明的技术方案。

如图1所示，具体步骤：

步骤1：采集开关磁阻电机各相定子的电流信号；

步骤2：对采集的电流信号进行预处理，将原始数据归一化到[0,1]区间内；

步骤3：对预处理后的电流信号进行离散傅里叶变换，得到幅值谱；

步骤4：对样本进行分类，分别归入有故障样本和无故障样本，并分别设置标签；

步骤5：将所有样本按比例分为训练样本和测试样本，训练样本数目大于测试样本数目；

步骤6：设置参数，利用训练样本构建堆叠稀疏自编码器和分类器；

步骤7：利用测试样本评估堆叠稀疏自编码器模型的优劣，根据模型对测试样本分类识别的正确率，选择测试过程中得到最高正确率的参数为最优的模型的参数，保存最优模型；

步骤8：对待测开关磁阻电机的各相电流信号进行傅立叶变换，得到幅值谱，再输入最优模型中，根据自编码器和分类器模型的输出判断该样本对应的电机是否存在故障。

先采集正常开关磁阻电机各相定子的电流信号，作为正常样本然后人为设置绝缘损坏故障，绝缘损坏会引发其它如相间短路、相绕组短路、相绕组开路、匝间短路等故障，采集故障时各相定子的电流信号，作为故障样本。将采集到的信号通过离散傅里叶变换转化为幅值谱，对正常样本的幅值谱添加0标签，故障则加1标签，并按3：2的比例将所有样本分为训练集和测试集。

如图2所示，堆叠稀疏自编码器和分类器故障诊断模型的构建，堆叠稀疏自编码器提取幅值谱的稀疏特征，将稀疏特征层连接全连层分类器。全连层分类器中0和1分别表示无故障样本和有故障样本的期望输出。

对于堆叠稀疏自编码器的构建，本案例堆叠了三个隐藏层逐渐递减的稀疏自编码器，稀疏自编码器是在传统自编码器的基础上添加稀疏约束得到，这个稀疏性是对隐层神经元而言的，通过抑制隐层的大部分神经元而使网络达到稀疏的效果，为了实现抑制效果，对隐藏层的神经元的平均激活值进行约束，利用kl散度(kldivergence)迫使其与一个给定的稀疏值相近，并将其作为惩罚项添加到损失函数中，因此，稀疏自编码器的损失函数可表示为：

式中代表所有训练样本在隐藏层神经元j上的平均激活值，aj为神经元j上的激活值，β用于控制稀疏惩罚项的权重，可取0～1之间的任意值，为了达到大部分神经元都被抑制的效果，一般取接近于0的值。kl散度的计算如下：

它可以度量两个不同分布间的差异，当两个分布差异小时，它接近零；当两个分布差异较大时，它会呈现单调递增的规律。

通过隐层神经元的稀疏表达和解码过程可以重建输入信号，这些稀疏表达已经包含了输入信号大部分主要特征，可以看作是对输入数据的一种简单表示，这样就在保证模型重建精度的基础上，极大地降低了数据的维度，使模型的性能得到了很大的提升。

对于分类器，本案例采用稀疏特征层后全连接两个神经元的全连层，通过有、无故障样本的二分类实现故障诊断。以全连层神经元的期望输出d(0和1)和实际输出o(样本标签0和1)的误差平方和最为分类器的代价函数如下：

分类器的代价函数反向调节全连层的连接权重和偏置量，这样就保证了模型所提取到的稀疏特征既可以重构输入，还可以实现分类，有稀疏性的同时降低了特征间的相关性。