基于卷积神经网络的永磁同步电机匝间短路故障诊断方法

本发明属于电机故障诊断，涉及一种基于卷积神经网络的永磁同步电机匝间短路故障诊断方法。

背景技术：

1、近年来永磁同步电机快速发展，在国防、医疗设备以及电动汽车等领域都得到大规模的应用。然而，永磁同步电机结构复杂且工作环境多变，易出现各种故障，其中，定子匝间短路故障是永磁同步电机的高频故障之一，破坏性极强。当发生此类故障时，如果不能及时地发现并维修，会导致故障加重，甚至会危及生命安全。因此，对电机进行快速准确、智能地故障诊断具有十分重要的意义。

2、传统的电机故障诊断方法主要包括基于模型的方法和基于信号处理的方法。随着电机运行数据呈现出海量、多样化等“大数据”的特征，传统故障诊断方法弊端逐渐显现。电机控制系统日趋复杂，建立这些设备的特征模型十分困难，导致基于模型的方法难以达到快速分析的效果；而基于傅里叶变换(fourier transform，ft)、经验模态分解(empiricalmode decomposition，emd)、小波变换(wavelet transform，wt)等信号处理算法的方法，其特征提取和故障诊断过程十分复杂且需要依赖丰富的专家经验，不利于广泛推广。

3、近年来，随着人工智能技术的兴起，基于多层感知机(multilayer perceptron，mlp)、支持向量机(support vector machine，svm)等机器学习方法被广泛研究，但由于其依赖人工设计特征，不能满足现今故障诊断需求。

4、hinton等人在2006年发表的文献《reducing the dimensionality of data withneural networks》(hinton g e,salakhutdinov r r.science,2006,313(5786):504-507.)中提出的深度学习算法突破了神经网络的瓶颈，成为近年来人工智能技术发展中新的研究热点。深度学习具有强大的特征提取能力和端到端的学习能力，能自动从输入信号中提取相应特征，消除人为提取特征带来的干扰和误差。文献《基于深度置信网络的同步发电机故障诊断方法》(李俊卿,李斯璇,陈雅婷.华北电力大学学报(自然科学版),2020,47(5):48-55.)提出了一种基于深度置信网络的同步电机故障诊断方法，与传统的故障诊断方法相比，其复杂度变低且准确率提高。文献《一种基于cgan-cnn的同步电机转子绕组匝间短路故障诊断方法》(李俊卿,李斯璇,陈雅婷,王振兴,何玉灵.电力自动化设备,2021,41(08):169-174.)利用条件生成式对抗网络和一维卷积神经网络完成了同步电机转子绕组匝间短路故障诊断。文献《基于lstm的交流电机系统故障诊断方法研究》(张鹏,束小曼,厉雪衣,杭俊,丁石川,王群京.电机与控制学报,2022,26(03):109-116.)提出一种基于长短时记忆网络与softmax多分类器结合的交流电机系统故障诊断方法，利用长短期记忆网络处理数据提取特征并优化网络参数，并通过实验证明了该方法的有效性。文献《de算法优化cnn的滚动轴承故障诊断研究》(孙祺淳,李媛媛.噪声与振动控制,2022,42(4):165-171+176.)中提出一种差分进化(differential evolution)算法优化的卷积神经网络，从而提升轴承故障特征的提取能力。

5、与传统方法相比，上述方法可以取得较好的故障诊断效果。但传统cnn故障诊断模型大多采用单一尺度卷积层或加深网络层数进行特征提取。电机信号具有复杂的时间尺度特征，且运行环境复杂多变，故障特征中往往会夹杂干扰信号，尤其在噪声的干扰下，单尺度的卷积难以有效提取到微小故障特征，导致诊断效果一般。

技术实现思路

1、本发明的技术方案用于解决卷积神经网络在强噪声环境中特征提取能力不足而导致的永磁同步电机故障诊断出现准确率低、泛化能力差的问题。

2、本发明是通过以下技术方案解决上述技术问题的：

3、基于卷积神经网络的永磁同步电机匝间短路故障诊断方法，包括以下步骤：

4、步骤1、使用电机实验平台采集永磁同步电机正常和故障下的零序电压数据；

5、步骤2、将采集到的一维时序零序电压数据转化为二维灰度图，并将该样本分为训练集和测试集；

6、步骤3、基于inception网络结构设计多尺度特征提取框架，生成多尺度特征提取模块，在所述多尺度特征提取模块的基础上，构建结合混合注意力机制的多尺度卷积网络模型，并初始化模型参数；

7、步骤4、利用样本训练集对模型进行训练，不断调整参数，以更新模型的偏置及权重，直致模型收敛；

8、步骤5、训练好模型网络参数后保存该模型，然后将测试集输入该模型进行故障诊断，根据测试样本的准确率判断模型是否满足诊断要求，如果满足执行步骤6，否则转向步骤3，重新建立模型参数；

9、步骤6、将确定的网络模型用于永磁同步电机的故障诊断，输出故障诊断结果。

10、进一步地，所述的卷积神经网络由输入层、卷积层、池化层、全连接层及输出层构成；卷积层用于进行特征提取，根据输入计算得到输出特征图；池化层用于根据输入图像计算出下采样输出图像；全连接层位于网络的末尾位置，起到分类器的作用；

11、卷积层的数学模型为：

12、yi,j＝f(∑x*ωij+b) (1)

13、其中，“*”为二维离散卷积运算符；b为偏置；ωij为卷积核；x为输入特征图；f(·)为激活函数；

14、池化层的形式为：

15、z＝f(βdown(x)+b) (2)

16、其中，β为乘性偏置；down(·)为下采样函数；b为加性偏置，f(·)为激活函数；

17、全连接层在神经网络的最后，它的每个神经元都与上一层输出的所有神经元进行全连接，此层可整合卷积层或者池化层中具有类别区分性的局部信息，其输出为：

18、h(x)＝f(ωx+b) (3)

19、其中，x为全连接层的输入；h(x)为全连接层的输出；ω为权值；b为加性偏置；f(·)为激活函数；

20、激活函数对神经网络的输出进行线性转换，激活函数采用relu函数，公式为：

21、relu(x)＝max(x,0) (4)

22、在分类任务中，将softmax使用在输出层以此进行标签分类。

23、进一步地，步骤2中所述将采集到的一维时序零序电压数据转化为二维灰度图的方法如下：对采集到的零序电压数据进行切齐处理，永磁同步电机正常和不同故障程度下的数据均为800组，每组1024个采样点；将采集的一维时序信号按长度32截取为1×322的一维矩阵，经过离散处理转化为32×32的二维矩阵，从而获得灰度图。

24、进一步地，步骤3中所述inception网络结构使用的卷积核尺寸分别为1×1、3×3、5×5，将卷积操作经过串联与并联相结合，在挖掘信息的过程中获取到不同的感受野，将拥有不同尺度的特征级联在一起，整合各个分支的特征得到网络的输出。

25、进一步地，步骤3中所述多尺度特征提取模块：采用三分支并行卷积结构，3条支路的第一层分别添加大小为1×1、3×3和5×5的卷积层；其中1×1的卷积层用于调整特征通道的维度，并提升网络的宽度，第2条和第3支路的第二层分别采用卷积核大小为3×3和5×5的卷积层，然后这两条支路的第三层采用卷积核大小为3×3和5×5的空洞卷积层，在每个分支卷积层输出端添加batchnorml函数和激活函数，通过concat层将三个分支的特征维度进行堆叠拼接。

26、进一步地，步骤3中所述混合注意力机制包括通道注意力模块和空间注意力模块；

27、所述的通道注意力模块是基于senet模块设计得来，在通道注意力模块中，一个大小为h×w×c的特征通过全局平均池化和全局最大池化，将高和宽均压缩为1，从而得到两个1×1×c的特征，其中h表示高，w表示宽，c表示通道；再将两个1×1×c的特征同时送入多层感知器中，将输出结果进行相加，然后利用sigmoid激活函数完成映射得到的通道模块权重wc与输入的特征相乘，得到通道注意力模块的输出；

28、所述空间注意力模块是在通道维度上将最大池化和平均池化拼接起来；输入的原始特征图经过拼接的池化层，得到h×w×2的特征图，然后通过卷积运算，最后通过激活函数sigmoid完成映射，生成空间注意力模块权重，再将其与原始特征图通过点乘完成空间注意力模块的计算。

29、进一步地，步骤3中所述多尺度卷积网络模型由3个msdb模块、3个cbam模块、2个卷积层、1个全局平均池化层、1个全连接层组成；其中，由一个msdb模块和一个cbam模块组成1个多尺度特征提取模块，将3个并行的多尺度特征提取模块中的空洞卷积扩展率分别设置为r＝1，r＝2和r＝3，随后通过concat将得到的特征进行融合，然后再经过两个卷积层，进一步学习更多的特征信息，通过全局平均池化层压缩输入维度，减少网络模型参数，生成与类别相对应的特征，防止过拟合发生；最后通过全连接层，使用softmax分类器进行分类。

30、本发明的优点在于：

31、1)对灰度图进行多尺度的特征提取，利用三种不同尺度卷积核构成的多尺度框架可在不加深网络的情况下，最大限度地提取到数据的局部特征和全局特征，能够有效地提高模型的故障诊断的精度；

32、2)引入混合注意力机制，为输入特征自适应地分配权重，抑制噪声等干扰特征，增强故障特征的响应，优化了cnn的学习机制；实验结果证明，在不同信噪比背景下，该模型均具有很好的诊断效果，表明其抗噪性能优越，具有良好的稳定性和鲁棒性；

33、3)与本发明中提到的其它网络模型的对比实验表明，本发明模型的故障诊断性能更优越，准确率更高，具有实际应用价值。