基于深度学习的永磁同步电机故障诊断方法

本发明属于永磁同步电机故障诊断，涉及一种基于深度学习的永磁同步电机故障诊断方法。

背景技术：

1、永磁同步电机主要由定子、转子和端盖等部件构成。具有高效率、低噪声、体积小、重量轻、损耗小等优点。由于永磁同步电机运行环境的复杂，使得其极易发生匝间短路故障，若轻微的匝间短路故障未加以关注，则短路环流持续上升产生高温引起退磁现象最终导致电机无法正常运行，甚至会烧毁电机。因此，对永磁同步电机匝间短路故障的研究以及数据集的优化对于高效、准确、低耗、省时的进行故障检测具有重要的意义。

2、基于深度学习的永磁同步电机故障诊断技术成为了当前的研究热点，针对实际情况中，故障样本稀少、特征独立单一等问题引入数据扩张模型对样本进行非监督学习。模拟真实样本生成伪数据。通过稀疏自编码网络对故障数据特征进行分类、诊断，提高了故障诊断的准确性和稳定性。

3、以往的深度学习故障诊断方法研究中，常规的生成对抗网络生成模型和判别模型通常都是非线性映射函数，利用多层感知机或深度神经网络实现，将高斯噪声输入生成模型合成对应维度的数据，生成模型通过学习真实样本特征，达到数据扩张的目的。然而这种方法不仅训练过程缓慢，而且需要足够的故障样本，以满足生成对抗网络模型训练的需要。在实际情况中故障发生频率很低，得到的往往是电机正常运行时的数据，很难获得足够多的故障数据，这将使生成对抗网络难以训练且增加网络的训练时长。

4、稀疏自编码网络神经元数量众多，网络参数庞大极易造成网络过拟合问题，且稀疏自编码网络是浅层网络，只包含输入层、隐藏层和输出层三层，学习能力有限，将影响到对输入数据更好的特征学习，从而降低不同程度故障分类的准确度。

技术实现思路

1、本发明的目的在于提供一种基于深度学习的永磁同步电机匝间短路故障诊断方法，以此克服背景技术中提及的不足。

2、实现本发明目的的技术解决方案为：

3、一种基于深度学习的永磁同步电机匝间短路故障诊断方法，包括如下步骤：

4、步骤1，采集永磁同步电机正常工作及多种不同程度匝间短路故障时的三相定子电流信号和零序电压信号作为电机匝间短路故障诊断的组合特征量，将采集的数据组通过批量计算获取对应的特征分量，形成数据集，包含正常样本集和多种不同程度匝间短路故障样本集；

5、步骤2，搭建自编码器模型，将步骤1中的正常样本集作为自编码网络的输入，完成自编码网络的训练；

6、步骤3，搭建生成对抗网络模型，将步骤2中训练好的自编码网络作为生成对抗网络的生成模型，判别模型为深度神经网络；使用正常样本作为生成模型的输入，生成模型的输出与不同程度匝间短路故障样本作为判别模型的输入，当生成对抗网络得到最优目标函数时，完成网络模型的训练，此时生成模型与判别模型达到纳什均衡，通过训练好的生成对抗网络完成不同程度匝间短路故障样本的扩张；

7、步骤4，将步骤3生成的故障样本与步骤1形成的数据集混合形成样本扩张后的数据集，将扩张后数据集按设定比例分为不带标签的数据集和根据匝间短路故障严重程度加入类型标签的带标签数据集，将不带标签的数据集按设定比例划分成训练集和测试集；

8、步骤5，将步骤4划分好的训练集加入损伤噪声后，输入深度稀疏自编码网络进行特征学习，在深度稀疏自编码网络的最后一层隐藏层之后添加一个softmax分类层，分类层神经元个数为电机不同程度匝间短路故障类别数，完成网络预训练，用带标签的数据集对深度稀疏自编码网络进行有监督微调，通过计算总体代价函数是否收敛来判断模型是否训练完成，输出为不同程度匝间短路故障的标签概率值，概率值最大的标签即为对应的故障类型，从而确定电机匝间短路故障的严重程度，使用测试集验证模型的有效性，最终得到训练好的电机匝间短路故障诊断模型。

9、本发明与现有技术相比，其显著优点是：

10、(1)本发明通过深度学习的方法，将训练好的自编码器作为生成对抗网络的生成模型，将采集的正常电机三相定子电流数据与零序电压数据作为生成模型的输入，从而生成不同程度匝间短路故障数据，大大降低了生成对抗网络模型训练过程中对采集的真实的故障数据的依赖性，且缩减了生成对抗网络的训练批次。

11、(2)在深度稀疏自编码网络的输入层加入一定的损伤噪声，能有效抑制网络的过拟合问题。

12、(3)使用深度稀疏自编码网络，与一般的稀疏自编码网络相比，能够学习到输入数据更好的特征表达。

13、(4)通过多层无监督学习和有监督微调有机结合，提升深度稀疏自编码网络的性能体现。

技术特征：

1.一种基于深度学习的永磁同步电机匝间短路故障诊断方法，其特征在于，包括如下步骤：

2.根据权利要求1所述基于深度学习的永磁同步电机匝间短路故障诊断方法，其特征在于，步骤3所述的使用最优目标函数为：

3.根据权利要求1所述基于深度学习的永磁同步电机匝间短路故障诊断方法，其特征在于，步骤3所述的纳什均衡满足以下条件：

4.根据权利要求1所述基于深度学习的永磁同步电机匝间短路故障诊断方法，其特征在于，步骤5所述的损伤噪声是将训练集中的输入矩阵样本z中的部分元素按qd分布随机置零变成含损伤噪声的矩阵样本z，z满足：

5.根据权利要求1所述基于深度学习的永磁同步电机匝间短路故障诊断方法，其特征在于，步骤5所述的深度稀疏自编码网络模型的预训练是每层稀疏自编码网络依次完成训练，直到所有稀疏自编码网络训练结束；每层稀疏自编码网络训练完成的标志是最小化代价函数是否收敛，其公式为：

6.根据权利要求1所述基于深度学习的永磁同步电机匝间短路故障诊断方法，其特征在于，步骤5所述的深度稀疏自编码网络模型总体代价函数为：

技术总结
本发明公开了一种基于深度学习的永磁同步电机故障诊断方法，利用改造后的生成对抗网络对故障数据扩张，在数据集加入损伤噪声后输入深度稀疏自编码网络结合softmax分类器实现电机匝间短路故障的分类。该方法包括如下步骤：1)采集电机不同程度匝间短路的三相定子电流信号和零序电压信号，组建数据集；2)搭建自编码器模型；3)将自编码器作为生成对抗网络的生成模型，采集的正常数据作为生成模型输入，完成故障数据的扩张；4)将扩张后数据集按设定比例划分成训练集和测试集；5)无监督学习与有监督微调有机结合训练深度稀疏自编码网络，结合分类器实现匝间短路故障的分类。通过对比验证，本发明比同类方法有更高的适用性及可行性。

技术研发人员：陈龙淼,王佳浩,王满意,徐亚栋,孙乐,邹权,陈光宋
受保护的技术使用者：南京理工大学
技术研发日：
技术公布日：2024/1/15