基于卷积神经网络的三相永磁同步电机匝间短路故障诊断

本发明属于电气工程，涉及一种基于卷积神经网络的三相永磁同步电机匝间短路故障诊断方法。

背景技术：

1、近年来，随着经济发展和技术进步，永磁同步电机的应用更加普及，应用领域不断拓展。然而，永磁同步电机在使用过程中可能会出现一些故障，如轴承故障、偏心故障、退磁故障和定子故障等，其中电机绕组线圈匝间短路是最常见的故障之一。

2、目前，三相永磁同步电机匝间短路故障诊断方法主要包括基于模型的方法和基于信号的方法。其中基于模型的方法需要建立故障电机的数学模型，必须依赖精确的电机数学模型，无法适应目前电机运行状态的数据呈现出海量、多样化、流动速度快以及价值密度低等“大数据”特点；基于信号的方法通过对信号进行处理来提取故障特征，如傅里叶变换、经验模态分解、小波变换等，但这些方法十分复杂且依赖丰富的专家经验。

3、近年来，基于深度学习的故障诊断方法在永磁同步电机匝间短路故障诊断领域取得了显著进展。通过学习和提取故障信号中的特征，深度学习能够自动识别匝间短路故障，减少了对人工经验的依赖，解决了传统方法专家经验依赖性强、耗时大、泛化能力较差的问题。

4、但是卷积神经网络(convolutional neural networks，cnn)不善于处理类似电机电流这种高频连续信号，需要合适的方法将电机电流进行图像化以适应这类视觉处理模型。

技术实现思路

1、本发明的技术方案用于直接将三相永磁同步电机定子电流信号转化为cnn模型可以识别的图像，降低模型输入数据复杂度，同时保证了输入数据的信息量，其特征在于：首先，对u、v、w三相定子电流信号用等间隔滑动窗口进行重叠采样，根据电机运行状态，确定矩阵的大小，并将采样得到的三相定子电流数据分别列写为三个二维矩阵，三个二维矩阵分别代表图像的r、g、b三个颜色通道，通过标准化处理将电流数据转换为对应的图像像素值，确立了数据与图像亮度之间的直接映射。映射关系设定为非线性映射，所使用的映射函数为

2、

3、其中，xij表示二维矩阵中第i行、第j列的元素；|x|max为三相定子电流数据绝对值中的最大值。

4、然后，通过编程语言python分别将三相的二维矩阵沿着第三维度堆叠成一个完整的三通道rgb图像，其中u、v、w三相二维矩阵分别对应图像中的r、g、b三个颜色通道。

5、再将三相永磁同步电机在在不同故障程度及不同运行状态下的电流信号转换成三通道rgb图像建立数据集；其中，不同故障程度标签具有10个，包括不同短路匝数比μ和不同等效短路电阻与相电阻之比k的组合，不同运行状态标签具有5个，包括5种电机转速，在每种转速下又包含6种负载情况；再通过数据扩充的方法，如翻转、缩放和随机选取部分图像进行旋转90°等，以扩充样本，建立大小为3万个样本的数据集；每一故障程度类别样本数量分别为3000，同一故障程度下不同转速类别样本数量分别为600，每种负载类别样本数量分别为100。

6、随后，搭建卷积神经网络模型，其中包括1个初始7×7卷积层，4个残差模块，每个模块含有2个残差单元，每个残差单元通常包含2个3×3卷积层，1个全连接层，共计18层，以及池化层与若干标准化和非线性激活函数。

7、最后，选定超参数，利用建立的数据集对卷积神经网络进行训练与测试，得到可以识别不同运行状态下三相永磁同步电机不同匝间短路故障程度的神经网络模型。

8、本发明具有以下有益效果：

9、(1)利用电机原始三相定子电流来对电机进行匝间短路故障诊断，不需要添加除电机驱动系统以外的传感器，减少了元器件的使用，具有更好的经济性；

10、(2)包含三相定子电流的三通道rgb图像可以为卷积神经网络提供更多的空间信息与视觉特征，使卷积神经网络能够学习到更多的电机线圈匝间短路故障特征，进一步增强了卷积神经网络模型的对电机线圈匝间短路故障诊断能力。

技术特征：

1.一种基于卷积神经网络的三相永磁同步电机匝间短路故障诊断方法，所述方法特征在于：首先，对u、v、w三相定子电流信号用等间隔滑动窗口进行重叠采样，根据电机运行状态，确定矩阵的大小，并将采样得到的三相定子电流数据分别列写为三个二维矩阵，三个二维矩阵分别代表图像的r、g、b三个颜色通道，通过标准化处理将电流数据转换为对应的图像像素值，确立了数据与图像亮度之间的直接映射；映射关系设定为非线性映射，所使用的映射函数为

技术总结
本发明公开了一种基于卷积神经网络的三相永磁同步电机匝间短路故障诊断方法。该方法首先分别将测量得到的三相永磁同步电机三相定子电流的时间序列数据排列为矩阵，通过一种非线性函数将原始数据映射在像素值值域，并沿着第三维度堆叠，生成三通道图像，将三相电流的瞬时值完整体现在一个图像中。然后基于三通道图像建立电机在不同故障程度及不同运行状态下的数据集，随后对18层残差神经网络模型进行训练，再经过测试得到能够识别不同匝间短路故障程度的神经网络模型。通过所发明的一种非线性函数映射提高了图像在电流幅值处的对比度，并建立了电机在不同故障程度及不同运行状态下的数据集，提高了神经网络模型的识别准确率与泛化能力。

技术研发人员：陈益广,孙昊天
受保护的技术使用者：天津大学
技术研发日：
技术公布日：2024/5/10