基于变分模态分解融合深度学习的电机匝间短路故障检测方法

本发明涉及永磁同步电机故障诊断，具体来说是基于变分模态分解融合深度学习的电机匝间短路故障检测方法。

背景技术：

1、永磁同步电机是新能源汽车电驱动系统的核心零部件，其工作的可靠性直接影响新能源汽车的安全。由于电机长期运行在高温高压的环境中，线圈极易老化，进而引发匝间短路故障。当故障发生后，若未及时检测出故障回路中的短路电流，短路电流将产生大量的热量进一步破坏线圈绝缘，导致电机局部烧毁，这将威胁到驾驶员的生命财产安全。因此，对新能源汽车电机匝间短路故障诊断的研究具有重要意义。

2、新能源汽车电机匝间短路故障诊断大多通过故障引起的状态参数来判断故障是否发生。但匝间短路初期故障特征不明显，并且电机发生故障后运行不平稳受到震动噪声等其他谐波的干扰，导致故障特征精度低，严重影响故障诊断的准确率。

3、目前所使用的信号处理方法如傅里叶变换、小波变换等，存在提取信号带宽高，无法剔除特征频率范围内的噪声谐波，导致精度较低的问题。传统的卷积神经网络具有特征提取不充分、神经元节点数过多导致网络梯度消失等缺陷。

技术实现思路

1、本发明的目的是为了解决现有技术中匝间短路故障诊断精度低、效率慢的缺陷，提供一种基于变分模态分解融合深度学习的电机匝间短路故障检测方法来解决上述问题。

2、为了实现上述目的，本发明的技术方案如下：

3、一种基于变分模态分解融合深度学习的电机匝间短路故障检测方法，包括以下步骤：

4、11)建立永磁同步电机故障模型：根据永磁同步电机自然坐标系下电压电流方程建立旋转坐标系d轴、q轴电压与d轴、q轴电流的方程，以此作为模拟故障相匝间短路的永磁同步电机故障模型；

5、12)变分模态分解算法提取故障特征：根据永磁同步电机故障模型的仿真结果得到电机故障相电流与零序电压，分别输入变分模态分解算法中进行自适应模态分解，获取故障相电流三次谐波与零序电压基波作为匝间短路故障特征；

6、13)麻雀搜索算法优化变分模态分解参数：通过麻雀搜索算法在既定的范围对变分模态分解过程中的惩罚因子α与分解层数k进行优化，得到故障相电流三次谐波与零序电压基波的最佳分解结果；

7、14)建立深度金字塔池化残差卷积神经网络模型：建立深度金字塔池化网络、残差卷积神经网络，采用深度金字塔池化网络优化残差卷积神经网络模型，即spp-rescnn网络，通过消融试验调整融合后spp-rescnn网络的结构和参数；

8、15)spp-rescnn网络的训练：将经麻雀搜索算法优化变分模态分解得到的故障相电流三次谐波与零序电压基波最佳分解结果制作成训练集与测试集，输入spp-rescnn网络中进行训练，通过消融试验调整学习率、最大训练轮数、最小训练批次，使网络损失函数降至最低；

9、16)永磁同步电机匝间短路故障的实时诊断：实时监测永磁同步电机电流与零序电压，将其输入麻雀搜索算法优化的变分模态分解算法中提取故障相电流三次谐波与零序电压基波最佳分解结果，并将其制作成待检测数据集，输入训练好的spp-rescnn网络中进行匝间短路故障程度的诊断。

10、所述建立永磁同步电机故障模型包括以下步骤：

11、21)设定永磁同步电机在自然坐标系下a相、b相、c相电压ua、ub、uc与a相、b相、c相电流ia、ib、ic和故障电流if之间的方程如下：

12、

13、其中，ua、ub、uc为a相、b相、c相电压，η为故障程度，定义η为a相定子绕组的短路匝数与其定子绕组总匝数的比值，rs为定子电阻，rf为故障电阻，ψf为磁链的基波幅值，θ为转子电角度，ia、ib、ic、if分别为a相、b相、c相定子绕组的电流和故障电流，l、m分别为定子绕组的自感和互感；

14、22)将自然坐标系下的电压方程经坐标变换至旋转坐标系得到永磁同步电机故障模型，便于匝间短路故障特征提取，坐标变换矩阵t如下：

15、

16、t的逆矩阵为：

17、

18、将坐标变换矩阵t应用到电机自然坐标系下的电压电流方程中得到：

19、

20、式中：

21、[udq0f]＝[ud uq -un 0]t

22、[idq0f]＝[id iq 0 if]t

23、[ψdq0f]＝[ψf 0 ψ3hcos3θ ηψa]t

24、整理得：

25、

26、式中：

27、

28、其中，ud、uq、un为d、q轴电压和中性点电压，id、iq为d、q轴电流，un为中性点电压，ψd、ψq、ψfault分别为d、q轴和故障相磁链，ψ3h、ψa、ψf分别为三次谐波、故障相电流磁链和基波磁链，laa为a相电感，labcf、rabcf为a、b、c相故障相的电感、电阻。

29、所述变分模态分解算法提取故障特征包括以下步骤：

30、31)根据22)步中得到的永磁同步电机故障模型，并设置转速1000r/min、转矩2n·m，以此得到故障相电流三次谐波和零序电压基波数据；

31、设定变分模态分解算法提取故障特征包括构造变分问题与求解变分问题两个过程，在变分约束的基础上迭代寻优，确定输入信号的中心频率大小和带宽范围，变分约束条件如下：

32、

33、s.t.∑kuk(t)＝f(t)

34、其中，{uk}、{wk}分别表示模态分量和中心频率，{uk}＝{u1,u2,...uk}，{wk}＝{w1,w2,...wk}；为对时间t的一阶偏导；δ(t)为狄拉克函数；*为卷积运算符；f(t)为输入信号；k为模态分量个数；

35、为求解上述变分约束问题，引入惩罚因子α和拉格朗日算子λ(t)将其转变为非约束性问题进行求解，得到变分模态分解的初始值，其表达式如下：

36、

37、采用乘法交替方向法，更新{uk}、{wk}求解拉格朗日函数的鞍点，最后得到的模态分量和中心频率为：

38、

39、

40、其中，为最后得到的经傅里叶变换后的模态；为最后得到的中心频率；

41、32)变分模态分解将输入信号分解为k个模态，每个模态包含不同的中心频率，输入信号分解的具体步骤如下：

42、步骤一：初始化λ1和n为0，设置迭代终止条件；

43、步骤二：令n＝n+1，执行外循环变分模态分解算法；

44、步骤三：令k＝k+1，执行内循环变分模态分解算法，即按照31)步骤中的乘法交替方向法更新{uk}、{wk}和λ，更新的规则如下：

45、

46、

47、

48、其中，ξ为判别精度；τ为噪声容限值，取1×10-6；

49、步骤四：重复步骤二、步骤三直至满足迭代终止条件，得到k的模态分量；

50、33)根据变分模态分解算法得到各模态分量的中心频率ωk，剔除高次谐波噪声后，得到故障相电流三次谐波的中心频率为和零序电压基波的中心频率据此提取中心频率对应的模态分量该模态分量为故障相电流三次谐波和零序电压基波在时域下对应的数据，具体表达式为：

51、

52、

53、所述麻雀搜索算法优化变分模态分解参数包括以下步骤：

54、41)设定在觅食迭代过程中发现者位置更新规则如下：

55、

56、其中，为第i个麻雀在第j维的位置；n为迭代次数；q和l分别为服从正态分布的随机数和单位矩阵；r2、s分别为报警值和安全值，r2＝[0,1]，s＝[0.5,1]；z为0到1之间的随机数，itermax为最大迭代次数，取20，

57、追随者位置更新规则如下：

58、

59、其中，分别为麻雀觅食的当前占据的最佳位置和最差位置；a+为一个满足a+＝at(aat)-1的矩阵；c为麻雀的个数，取20，

60、当捕食过程中发生危险时，麻雀种群中警戒者的数量会以30％的比例随机产生，其数学模型如下：

61、

62、其中，β和q为[-1,1]之间的随机数；ε为保证分母不为零的最小随机数；为全局最优位置；fi、fg、fw分别为种群当前适应度值、全局最佳适应度值和全局最差适应度值；

63、42)麻雀搜索算法优化变分模态分解算法的具体步骤如下：

64、针对步骤32)得到变分模态分解的初始值，采用麻雀搜索算法对变分模态分解算法的参数优化，优化时先确定适应度函数作为迭代评价指标，设计综合评价指标为样本熵函数、皮尔逊系数、相对聚合代数运算的最小值，其具体表达式为：

65、feature＝sampen(data，q,r)＝lnbq(r)-lnbq+1(r)

66、pear＝corr(datat,ukt)

67、d＝lg(size(omega))

68、fitness＝min((feature/pear)*d)

69、其中，feature、pear、d和fitness为样本熵函数值、皮尔逊函数值、相对聚合代数值和自适应度值；size(omega)为提取最佳中心频率ωk的信号长度；sampen和corr分别为样本熵函数和皮尔逊函数，

70、步骤一：对种群进行初始化，设置变分模态分解算法的分解层数k为1～10，惩罚因子α为500～3000，对[α，k]随机初始化，作为生产者和追随者的初始位置，并设置麻雀种群生产者、追随者所占比例；

71、步骤二：对每个位置的生产者和追随者进行变分模态分解运算，并计算初始适应度值，根据自适应度值和预警值更新发现者位置；

72、步骤三：更新追随者和警戒者位置，并以此更新适应度值和最佳觅食位置；

73、步骤四：重复步骤二、步骤三直至达到最大迭代次数或损失收敛条件；

74、根据上述步骤得到最佳分解层数k和惩罚因子α，将[α，k]输入变分模态分解算法中，对故障相电流和零序电压进行分解，得到故障相电流三次谐波和零序电压基波的中心频率据此提取中心频率对应的模态分量其具体的时域表达式为：

75、

76、

77、其中，为故障相电流三次谐波和零序电压基波最佳分解结果；t为时间，单位为秒。

78、所述建立深度金字塔池化残差卷积神经网络模型包括以下步骤：

79、51)设定金字塔池化网络通过设置多个池化通道，并采用不同尺寸大小的滤波器对输入数据进行池化操作，并将不同尺度的池化结果拼接在一起；

80、设定金字塔池化网络结构如下：

81、金字塔池化通道一：设置滤波器大小为[3,512]，步长为1，采用最大池化操作；

82、金字塔池化通道二：设置滤波器大小为[64,512]，步长为1，采用最大池化操作；

83、金字塔池化通道三：设置滤波器大小为[128,512]，步长为1，采用最大池化操作；

84、每个通道的池化运算过程表示如下：

85、

86、

87、

88、其中，和为金字塔池化三个通道的输出；xl-1为输入数据；same为填充方式，保证输出与输入数据尺寸一致；

89、52)设定残差网络的结构如下：

90、残差网络第一层：该层为卷积层，设置卷积核大小为3×3，卷积核数量为64，填充方式为输出与输入尺寸保持一致；

91、残差网络第二层：该层为批量样本归一化层，提高网络收敛效率；

92、残差网络第三层：该层为激活函数层，选择relu函数；

93、残差网络第四层：该层为卷积层，设置卷积核大小为5×5，卷积核数量为128，填充方式为same；

94、残差网络第五层：该层为批量样本归一化层，提高网络收敛效率；

95、53)设定一维卷积神经网络与金字塔池化网络和残差网络融合后的spp-rescnn结构，即深度金字塔池化残差卷积神经网络模型如下：

96、第一层为输入层，设置该层输入数据尺寸为2×512；

97、第二层为卷积层1，设置该层卷积核大小为1×3、卷积核数量为64，步长为1，填充方式为same，该层的输出为：

98、

99、第三层为激活函数，采用relu激活函数，其表达式如下：

100、

101、第四层为池化层1，采用最大池化，降低输入特征的维度，防止网络过拟合，该层的输出为：

102、

103、第五层为卷积层2，设置该层卷积核大小为1*3、卷积核数量为128，步长为1，填充方式为same，该层输出连接残差网络的输入；

104、第六层为批量样本归一化层，对输入该层的数据进行标准化处理，加速网络的收敛速度和泛化能力；

105、第七层为shortcut连接层，该层连接52)中搭建的残差网络与53)中spp-rescnn第六层的输出，该层由卷积层3和批量样本归一化层构成，设置卷积核大小为1*1，卷积和数量为128，步长为1，填充方式为same；

106、第八层为金字塔池化层，该层具体结构如51)步骤所示；

107、第九层为深度连接层，该层用于连接金字塔池化网络三个通道的输出，保证每个通道输出的数据尺寸一致，设置该层通道数为3，数据融合后该层的输出尺寸为2×512×3；

108、第十层为全连接层，该层用于将前面各层提取的特征信息进行整合，将样本分布特征映射到样本标记空间，设置该层分类类别数目为6，全连接层的输出为：

109、

110、其中，wl和bl为权重系数和偏置；f()为激活函数，xl-1为该层的输入；

111、第十一层为softmax层，该层将全连接层的输出进行归一化，使得每个元素的值都在0到1之间，并且所有元素的和为1，该层输出为该元素是某一类别的概率；

112、第十二层为classfication层，该层用于输出匝间短路故障分类结果，同时计算损失函数用于反向传播。

113、所述spp-rescnn网络的训练包括以下步骤：

114、61)制作spp-rescnn网络的训练集与测试集，具体包括以下步骤：

115、将42)步的步骤四获得的经麻雀搜索算法优化变分模态分解得到的故障相电流三次谐波与零序电压基波最佳分解结果制作成带标签的训练集xtrain和测试集ytest，设定两个故障特征，每个训练样本大小为2×512，共1698个样本，测试集每个训练样本大小为2×512，共702个样本，设置不同故障程度η，并以此作为分类标签label，训练集、测试集、故障程度、分类标签具体表示分别为：

116、

117、

118、η＝[0,0.05,0.1,0.15,0.2,0.25]

119、label＝[1,2,3,4,5,6]；

120、62)将61)中带有标签的训练集xtrain和测试集ytest输入spp-rescnn网络进行训练和验证，其具体步骤如下：

121、设置最大训练轮数为10、最小训练批次为64、则每轮迭代次数为26，初始化学习率为0.01，损失函数选择交叉熵函数，其具体表达式如下：

122、

123、其中，n为训练集的样本的数量，m(i)为真实样本分布，w(i)为预测分布，y、f(x)为真实值与预测值，l(y,f(x))为交叉熵函数损失误差值；

124、优化器选择adam，用于更新网络参数以最小化损失函数，网络具体训练步骤如下：

125、步骤一：权重初始化过程，采用均值为0，方差为0.01的高斯分布初始化网络神经元节点权重系数；

126、步骤二：将61)中制作的训练集xtrain输入spp-rescnn中进行前向传播，即训练集经过53)中搭建的网络逐层传播，依次经过卷积运算、池化操作、残差运算及金字塔池化完成训练集深度特征提取，最终输入至全连接层中，全连接层对特征进行整合分类，由softmax层和classfication层得到分类结果；

127、步骤三：当spp-rescnn网络输出结果与期望值不符时，spp-rescnn网络便进行反向传播，求出输出结果与期望值的误差，再将误差反向传播至全连接层、金字塔池化层、残差层、池化层、卷积层，以此更新每层的权重系数；

128、步骤四：重复步骤二、步骤三直至达到训练终止条件，完成spp-rescnn训练；

129、步骤五：将61)中制作的测试集ytest输入62)步骤四中训练好的spp-rescnn中进行测试，根据网络输出的结果计算分类的准确率，并以此作为网络评价的指标，并以网络收敛速度作为网络性能评价指标。

130、所述永磁同步电机匝间短路故障的实时诊断包括以下步骤：

131、71)实时检测永磁同步电机的三相电流和零序电压，当检测到某相电流和零序电压大于设定阈值时，表明该相为故障相，提取该相电流和零序电压，具体包括以下步骤：

132、将检测到的故障相电流与零序电压输入42)所述的麻雀搜索算法优化的变分模态分解算法中，得到实时的故障相电流三次谐波和零序电压基波其具体表达式为：

133、

134、

135、其中，t为时间，单位为秒；

136、72)将实时采集的故障相电流三次谐波和零序电压基波作为匝间短路故障的两个特征，并制作训练集xtimetrain和测试集ytimetest，其表达式如下：

137、

138、

139、73)将制作好的训练集xtimetrain、测试集ytimetest输入spp-rescnn网络中重复62)中的步骤，得到匝间短路故障诊断结果。

140、有益效果

141、本发明的基于变分模态分解融合深度学习的电机匝间短路故障检测方法，与现有技术相比采用麻雀搜索算法优化变分模态分解算法，剔除故障特征中其他谐波分量，提取特定频率故障特征，显著提高了故障特征的精度，同时采用金字塔池化网络和残差网络优化卷积神经网络，提高了故障诊断的精度和效率。

142、1、本发明通过变分模态分解算法根据故障特征信号的特点，对输入信号进行自适应分解，避免了传统信号分解手段中带宽过大，谐波难以完全剔除的缺点。

143、2、本发明通过麻雀搜索算法优化变分模态分解过程中的参数，避免了人为经验选择参数造成的误差，采用多自适应度函数作为综合评价指标，显著提高了变分模态分解算法的精度。

144、3、本发明通过将金字塔池化网络、残差网络和卷积神经网络有效融合，改善了传统卷积神经网络训练过程中出现的特征提取不充分，梯度消失和梯度爆炸的问题，最大限度的提取输入数据的特征，提高了网络诊断精度的同时，大大加快了故障诊断的效率。