CN112016395A - 一种基于cgan-cnn的同步电机转子匝间短路故障判别方法 - Google Patents

Abstract

本发明公开了一种基于CGAN‑CNN的同步电机转子匝间短路故障判别方法。该方法包括：首先构建条件生成对抗网络(Conditional Generative Adversarial Networks，CGAN)模型，输入带标签的样本集训练该模型，输出人工样本，与原样本混合后划分训练集和测试集；然后构建卷积神经网络(Convolution Neural Networks，CNN)模型，输入训练集训练该模型后，再输入测试集，判断模型有效性。本发明提供的同步电机转子匝间短路故障判别方法，能实现数据集非平衡情况下的故障诊断，生成样本相比于原样本避免了噪声和其他干扰，提高了故障诊断的准确率。

Description

一种基于CGAN-CNN的同步电机转子匝间短路故障判别方法

技术领域

本发明涉及电机技术领域，尤其是涉及同步电机转子匝间短路故障判别方法。

背景技术

同步电机作为人类日常生产生活中非常重要的驱动设备，在工农业高精度控制和自动化领域有不可或缺作用。但是随着科技的不断发展与进步，各类机械设备的功能日趋多样，结构也越来越复杂，同步电机作为这些设备的心脏，在运行过程中出现了故障，如匝间短路、永磁体失磁、气隙偏心、轴承磨损等，如果发现和处理不及时，轻则使机械设备损毁，造成经济损失，重则引发的安全事故，威胁到人的生命财产安全。

转子绕组匝间短路是同步电机较为常见的典型故障，部分转子匝间短路的故障破环性极强，轻微的匝间短路将会造成短路环流持续上升，产生的高温甚至会烧毁电机，匝间短路也是导致永磁体失磁的一大原因。按照转子的状态，匝间短路可分为稳定性匝间短路和不稳定性匝间短路(动态匝间短路)，其中动态匝间短路发生几率较大^[5]，这是由于造成同步发电机转子绕组匝间短路故障的主要因素比如金属异物等都是在转子高速旋转中才可能会发生的，因此动态匝间短路故障在发电机停机状态下难以检测，这就要求一种可实时、在线，且准确率高的检测同步电机匝间短路故障的方法，将尚处在萌芽期和发展期的匝间短路故障检测出来，因此，同步电机转子绕组早期故障诊断的研究对保障电机使用安全、增强电机性能、提高工农业生产效率等方面都具有重大意义。

传统的故障诊断方法在现如今都显现出了一定的弊端，它们大多依赖于信号处理方法和专家经验来进行特征向量的提取，不利于推广；近些年基于数据驱动的故障诊断方法兴起，这种方法排除了传统故障诊断方法中先验知识和人工经验对诊断正确率的影响，而只是通过对数据之间关联的发掘，从海量的数据中自行学习数据本质中隐含的规律，通过对这些故障本质特征的提取与学习，就能够完成对故障的诊断。

然而，基于数据驱动的故障诊断领域普遍存在缺乏故障样本的问题，导致故障样本与正常样本比例严重失调，现有的研究所用数据基本来源于美国凯斯西储大学等的几个开源数据。对于智能算法而言，足量且类别分布均衡的训练样本是保证算法具有出色泛化能力的重要前提。基于此，本发明通过构建基于生成对抗网络(GAN)改进的条件生成对抗网络(CGAN)模型，对原样本数据进行增广，生成能高度拟合原样本的数据，达到丰富和平衡故障识别数据集的目的；然后构建卷积神经网络(CNN)，将增广后的样本数据输入进卷积神经网络进行训练，从而获得高精度的分类模型，用于同步电机转子绕组匝间短路的故障诊断。

发明内容

本发明提供一种同步电机转子匝间短路故障判别方法，实现了样本非平衡情况下、自主进行特征提取的准确故障诊断。

为实现上述目的，本发明提供如下方案：

步骤1：确定条件生成网络参数，构建条件生成对抗网络模型；

步骤2：输入带标签的正常样本和故障样本，训练条件生成对抗网络模型；

a.采集同步电机正常情况和转子匝间短路故障状态下的数据，将所得数据进行归一化处理，对每种运行状态数据加上标签；

b.将归一化后的样本集输入模型，设置迭代次数，输出损失函数和生成的人工样本；

步骤3：根据生成器和判别器损失函数，判断是否达到纳什平衡，是则获取模型输出的人工样本，转向步骤4，否则转向步骤2；

步骤4：确定卷积神经网络参数，构建卷积神经网络模型；

步骤5：将生成的人工样本与原样本混合，划分训练集和测试集，训练集用于训练卷积神经网络模型，若模型收敛转向步骤6，否则重复步骤5；训练卷积神经网络的参数设置如下：

a.训练时的Batch_Size(训练批次)选择为1000，迭代次数为50次；

b.梯度下降算法采用Adam优化算法，损失函数采用交叉熵损失函数；

步骤6：输入测试集，验证模型可行性；

步骤7：输入现场采集的数据，预处理后输入模型，判断转子是否存在匝间短路故障。

所述步骤1：确定条件生成网络参数，构建条件生成对抗网络模型，具体包括：

以最大最小化条件生成对抗网络的损失函数为目标函数，生成器Generator用G来表示，鉴别器Discriminator用D来表示，生成对抗网络训练的目标函数可以由下面最大最小化过程进行描述，如式(1)所示目标函数为：

式中：E(·)表示计算期望；G(z)表示生成器合成的人工样本；D(·)表示判别器的输出结果，c表示标签或条件。

由式(1)优化G时，由于生成器的训练目标与仅与生成样本有关，故只留下GAN目标函数第2项，即要求最小化生成样本被判别为“生成样本”的概率。简化后的目标函数为：

由式(1)优化D时，其中，输入为真实样本时，D最大化“真实样本”判别概率；输入为生成样本时，D最大化“生成样本”判别概率。二者期望E相加，为D目标函数，即：

在此基础上，通过对生成器与判别器进行交替式的迭代优化训练，理论上可达到二者间的纳什均衡点，即生成器可合成判别器难以判别的人工样本。

本发明的CGAN模型包含一个生成器和一个判别器，生成器采用三层全连接结构，包含输入层、输出层和一个隐藏层。判别器采用四层全连接结构，包含输入层、输出层和两个隐藏层。而每层又包括全连接层、激活层和dropout层(输出层没有dropout层)。生成器每层的激活函数为tanh函数，判别器每层为sigmiod函数。

所述步骤4：确定卷积神经网络参数，构建卷积神经网络模型，具体包括：

卷积神经网络主要包含输入层，卷积层，池化层，全连接层和输出层，其中卷积层利用卷积核在待提取特征的输入向量上，按照一定步长，依次扫描进行线性卷积运算，再加一个偏置，通过激活函数得到提取的特征.通过引入非线性激活函数，使得网络可以表达非线性模型，增强了网络的表达能力。卷积输入层前向传播到卷积层前向传播的过程可以表示为：

a²＝σ(z²)＝σ(a¹*W²+b²) (4)

*代表卷积，b代表偏置，上标代表的是所处网络的层数，σ是激活函数，一般用的是ReLU。

池化层也称为下采样，主要用于特征降维，压缩数据和参数的数量，在一定程度上可以减小过拟合，提高模型的容错性，经过池化层输出为：

a^l＝pool(a^l-1) (5)

全连接层将卷积和池化之后提取的特征图中的特征进行整合，映射成一个固定长度的特征向量，以便交给最后的分类器层，全连接层实际上就是普通的DNN模型结构：

a^l＝σ(z^l)＝σ(W^la^l-1+b^l) (6)

输出层一般为分类器层，最后输出的是一个把制定分类的类目数作为维度的概率向量。如果使用softmax作为输出层的激活函数，输出如下所示：

a^l＝soft max(z^l)＝soft max(W^la^l-1+b^l) (7)

损失函数

损失函数L(f(x_i)，y_i)体现了通过模型学习得到的预测值f(x_i)和标签值y_i的距离。本模型采用的是categorical_crossentropy交叉熵损失函数。交叉熵表示的是两个概率之间存在的差异的大小，值越大，分布的差异越大，越小，分布的情况就更加相近。在这个函数里，两个概率分别指的是实际输出和期望输出。

引入交叉熵损失函数如式(9)所示：

本发明采用的卷积网络模型为六层结构，从上到下依次为一维卷积层，最大池化层，一维卷积层，平坦层，随机层，全连接层，下面简要叙述各层的作用和参数。

(1)第一个1D CNN(一维卷积)层：为了能提取到较多特征，把卷积核大小定义为2，在第一层中定义100个滤波器。

(2)最大池化层：池化层一般都紧跟着卷积层所存在的，便于在卷积之后进行最大池化，可以从卷积层中学习到的特征筛选提取出更具有明显特点的特征值。

(3)第二个1D CNN层(一维卷积)层：为了学习到更高层次的特征，再使用一个卷积层，输出是2×100的矩阵。

(4)平坦层：把多维的输入一维化。

(5)随机层：通过加入Dropout层把上一层输入的神经元随机一半进行赋零值处理，保证结果不会过于偏向某一权重，削弱部分神经元之间互相依赖的作用，有效防止过拟合，提高了输出结果的准确性。

(6)全连接层：通过由Softmax函数激活的全连接层，采用Softmax函数的目的在于归一化，即将输出结果分别转变为对应情况发生的概率，便于最后进行准确率和损失率的分析计算。

该技术与现有技术相比，具有如下有益效果：

本发明提供一种同步电机转子匝间短路故障判别方法，现有同步电机的故障判别方法普遍存在缺乏故障样本导致样本不平衡问题和依赖于专家经验人工提取故障特征，主观性大的问题，本发明将人工智能方法结合大数据分析应用到故障判断技术上，提出一种基于条件生成对抗网络和卷积神经网络的同步电机转子匝间短路故障判别技术。与现有的同步电机转子匝间短路故障判别方法相比，具有以下优点：

(1)针对训练样本中故障样本数据不足的问题，引入生成对抗网络对训练集进行增广，增加原始数据集的丰富性，提高原始数据集的平衡性。

(2)条件生成对抗网络解决了原始生成对抗网络存在的训练不稳定的问题，且在程序中对生成器设置了梯度重置，解决了实际操作中时常会出现生成器的损失函数饱和，即生成器优化不如判别器快，CGAN网络无法达到纳什均衡问题。

(3)引入卷积神经网络，模型可以自主提取特征，网络设置双卷积层和池化层，设置小卷积核，可以更细致、全面和精确地提取特征，避免人工提取特征带来的误差，提高了整体的分类诊断效率。

(4)卷积神经网络为深度学习范畴，相对于浅层学习拥有更强大的处理数据的能力，可以支持将收集到的所有相关物理量之间深层关系的学习，避免了因为某些变量测量不准确或信号受到噪声干扰而造成的判断失误，也避免了数据预处理时剔除废点的步骤，节省时间。

附图说明

为了更清楚地说明本发明实例或现有技术中的技术方案，下面将对实例中所需使用的附图作简单介绍，显而易见地，下面描述中的附图仅是本发明的一些实事例，对于本领域普通技术人员来说，在不付出创造性的劳动性前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例条件生成对抗网络的原理图

图2为本发明实施例卷积神经网络原理图

图3为本发明实施例同步电机转子匝间短路故障判断方法的流程图

图4为本发明实施例转子匝间短路抽头设置

图5为本发明实施例生成对抗网络的生成器损失函数图

图6为本发明实施例生成对抗网络的判别器损失函数图

图7为本发明实施例卷积神经训练的损失函数

图8为本发明实施例方式一与方式三对比图

图9为本发明实施例方式一与方式二对比图

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域的普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供一种同步电机转子匝间短路故障判别方法，实现了样本非平衡情况下、自主进行特征提取的准确故障诊断。

为了使本发明的上述目的、特征和优点能更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细说明。

1.条件生成对抗网络模型

1.1条件生成对抗网络的原理

生成对抗网络的核心思想来源于零和博弈理论。网络包含生成器和判别器，他们之间巧妙地展开竞争，生成器试图混淆鉴别器，而鉴别器则试图将生成器生成的样本与真实样本区分开来，生成器与鉴别器通过不断竞争来获得更强的模拟原始数据样本和迭代识别能力，最终达到纳什均衡。

最基本的生成对抗网络还存在着诸多的缺陷，如模式崩溃和生成器和鉴别器很难达到纳什均衡以及不收敛等问题，基于以上生成对抗网络所存在的问题，许多基于GAN的优化衍生模型被相继提出，其中就包括条件生成对抗网络(CGAN)。CGAN是通过给生成器和判别器一起添加额外的条件信息，进而迫使生成器生成出指定特征的样本，从很大程度上限制了原始生成对抗网络中生成器过强的自由生成能力。条件生成对抗网络的原理图如图1所示。

CGAN的网络模型相较于原始GAN网络模型并没有太大变化，只是在数据上添加了条件或者类别标签。由于CGAN增加的额外信息c只需要分别与x和z进行结合，然后作为生成器G和鉴别器D的输入即可。

以最大最小化条件生成对抗网络的损失函数为目标函数，生成器Generator用G来表示，鉴别器Discriminator用D来表示，生成对抗网络训练的目标函数可以由下面最大最小化过程进行描述，如式(1)所示目标函数为：

式中：E(·)表示计算期望；G(z)表示生成器合成的人工样本；D(·)表示判别器的输出结果，c表示标签或条件。

由式(1)优化G时，由于生成器的训练目标与仅与生成样本有关，故只留下GAN目标函数第2项，即要求最小化生成样本被判别为“生成样本”的概率。简化后的目标函数为：

由式(1)优化D时，其中，输入为真实样本时，D最大化“真实样本”判别概率；输入为生成样本时，D最大化“生成样本”判别概率。二者期望E相加，为D目标函数，即：

在此基础上，通过对生成器与判别器进行交替式的迭代优化训练，理论上可达到二者间的纳什均衡点，即生成器可合成判别器难以判别的人工样本。

1.2模型参数设置

本模型的CGAN模型包含一个生成器和一个判别器，生成器采用三层全连接结构，包含输入层、输出层和一个隐藏层。判别器采用四层全连接结构，包含输入层、输出层和两个隐藏层。而每层又包括全连接层、激活层和dropout层(输出层没有dropout层)。

2.卷积神经网络模型

2.1卷积神经网络的原理

卷积神经网络主要包含输入层，卷积层，池化层，全连接层和输出层，其中卷积层利用卷积核在待提取特征的输入向量上，按照一定步长，依次扫描进行线性卷积运算，再加一个偏置，通过激活函数得到提取的特征.通过引入非线性激活函数，使得网络可以表达非线性模型，增强了网络的表达能力。卷积神经网络原理图如图2所示，卷积输入层前向传播到卷积层前向传播的过程可以表示为：

a²＝σ(z²)＝σ(a¹*W²+b²) (4)

*代表卷积，b代表偏置，上标代表的是所处网络的层数，σ是激活函数，一般用的是ReLU。

池化层也称为下采样，主要用于特征降维，压缩数据和参数的数量，在一定程度上可以减小过拟合，提高模型的容错性，经过池化层输出为：

a^l＝pool(a^l-1) (5)

全连接层将卷积和池化之后提取的特征图中的特征进行整合，映射成一个固定长度的特征向量，以便交给最后的分类器层，全连接层实际上就是普通的DNN模型结构：

a^l＝σ(z^l)＝σ(W^la^l-1+b^l) (6)

输出层一般为分类器层，最后输出的是一个把制定分类的类目数作为维度的概率向量。如果使用softmax作为输出层的激活函数，输出如下所示：

a^l＝soft max(z^l)＝soft max(W^la^l-1+b^l) (7)

2.2损失函数

损失函数L(f(x_i)，y_i)体现了通过模型学习得到的预测值f(x_i)和标签值y_i的距离。本模型采用的是categorical_crossentropy交叉熵损失函数。交叉熵表示的是两个概率之间存在的差异的大小，值越大，分布的差异越大，越小，分布的情况就更加相近。在这个函数里，两个概率分别指的是实际输出和期望输出。

引入交叉熵损失函数如式(9)所示：

本发明采用的卷积网络模型为六层结构，从上到下依次为一维卷积层，最大池化层，一维卷积层，平坦层，随机层，全连接层，下面简要叙述各层的作用和参数。

(1)第一个1D CNN(一维卷积)层：为了能提取到较多特征，把卷积核大小定义为2，在第一层中定义100个滤波器。

(2)最大池化层：池化层一般都紧跟着卷积层所存在的，便于在卷积之后进行最大池化，可以从卷积层中学习到的特征筛选提取出更具有明显特点的特征值。

(3)第二个1D CNN层(一维卷积)层：为了学习到更高层次的特征，再使用一个卷积层，输出是2×100的矩阵。

(4)平坦层：把多维的输入一维化。

(5)随机层：通过加入Dropout层把上一层输入的神经元随机一半进行赋零值处理，保证结果不会过于偏向某一权重，削弱部分神经元之间互相依赖的作用，有效防止过拟合，提高了输出结果的准确性。

(6)全连接层：通过由Softmax函数激活的全连接层，采用Softmax函数的目的在于归一化，即将输出结果分别转变为对应情况发生的概率，便于最后进行准确率和损失率的分析计算。

2.3训练迭代过程的相关参数设置：

(1)训练时的Batch_Size(批尺寸)选择为1000，在数据集较小时，尽可能将批尺寸选大一些，这样收敛的速度较快，准确率上升地也比较稳定，也不会导致准确率来回振荡。

(2)Epoch(迭代次数)取为50次，经过测试，迭代次数过小会导致欠拟合，过大又会导致过拟合，50次为本模型最优解。

(3)梯度下降算法采用Adam优化算法，这样可以使梯度下降地更加均匀平稳，不会出现梯度下降过快等问题。

(4)损失函数采用交叉熵损失函数，交叉熵损失函数应用于多分类问题时，经过大量实验验证，可以有效地防止过拟合现象的发生，也可以加快模型收敛速度。

3.算法流程

一种基于条件生成对抗网络和卷积神经网络的同步电机转子匝间短路故障判断方法，算法流程图如图3所示，包含以下步骤：

步骤1：确定条件生成网络参数，构建条件生成对抗网络模型；

步骤2：输入带标签的正常样本和故障样本，训练条件生成对抗网络模型；

a.采集同步电机正常情况和转子匝间短路故障状态下的数据，将所得数据进行归一化处理，对机组运行状态数据加上标签；

b.将归一化后的样本集输入模型，设置迭代次数为5000次，输出损失函数和生成的人工样本；

步骤3：根据生成器和判别器损失函数，判断是否达到纳什平衡，是则获取模型输出的人工样本，转向步骤4，否则转向步骤2；

步骤4：确定卷积神经网络参数，构建卷积神经网络模型；

步骤5：将生成的人工样本与原样本混合，划分训练集和测试集，训练集用于训练卷积神经网络模型，若模型收敛转向步骤6，否则重复步骤5；训练卷积神经网络的参数设置如下：

a.训练时的Batch_Size(训练批次)选择为1000，迭代次数为50次；

b.梯度下降算法采用Adam优化算法，损失函数采用交叉熵损失函数；

步骤6：输入测试集，验证模型可行性；

步骤7：输入现场采集的数据，预处理后输入模型，判断转子是否存在匝间短路故障。

以某同步电机转子匝间短路故障模拟实验机组作为实例说明本发明的实施过程，该实验机组参数如下：额定容量30kVA、额定电压400V、额定转速1000r/min、功率因数0.8、相数3。短路环所串滑线变阻器阻值为8欧(最大可通13A电流)+295欧(最大可通3A电流)。转子匝间短路抽头设置如图4所示，本发明实施例选择C1C2短接和C2C3短接两种短接方式。表1为同步电机转子匝间短路试验监测量。

表1 同步电机短路试验监测量

1.数据预处理

(1)从动模实验室采集电机不同运行状态下的物理量，构建数据集，把数据集按照7∶3的比例划分为训练集和测试集。

(2)对划分好的数据集进行归一化的预处理：

式中，X_max、X_min为输入数据中的最大值和最小值。

(3)确定电机不同运行状态下的标签和对标签进行独热编码，如表2所示：

表2 电机不同运行状态对应的标签和独热编码

2.基于CGAN生成故障样本

为了防止数据集在分类网络中出现过拟合的现象而导致模式崩溃无法达到故障分类的目的，利用条件生成对抗网络强大的样本生成能力，来对经过规范化的数据样本进行数据增广。

基于前述条件生成对抗网络结构与实现流程，建立网络模型并初始化网络参数，根据之前的经验，考虑到收敛性和响应时间，设置训练的迭代次数为5000次，由图5图6可以看出生成器G与鉴别器D的模型在迭代5000次左右就会有较好的收敛性，计算机的响应时间也不会太久。为了防止实际操作中时常会出现生成器的损失函数饱和，即生成器优化不如判别器快，CGAN网络无法达到纳什均衡，在程序中对生成器进行了梯度重置。

图5和图6为为本发明实施例条件生成对抗网络的生成器和判别器的损失函数。从损失函数的图像中可以看出，鉴别器在刚开始的学习阶段能力确实要超过生成器，而生成器在初期存在梯度消失的情况，但是由于程序内设置了生成器的梯度重置，后面生成器的损失函数并没有进一步下降，而鉴别器的鉴别能力在达到最强之后开始下降，就在这样一种动态的对抗中，最终让彼此收敛，使生成器生成的样本能够完美地拟合到输入到CGAN中的原始样本数据，从而为后续的分类问题提供海量的数据支撑。

3.利用CNN完成故障判断

通过卷积神经网络的构建与训练，最终得到故障诊断模型的损失函数曲线和预测成功率的曲线如图7所示，分类器在训练300轮时接近收敛。

为说明本模型的优势，分别用不同样本进行故障诊断。共采用了三种方式：

方式一：输入三种类型各600个样本，共1800个样本；通过CGAN共生成16384个样本，其中类型1共5201个，类型2共5542个，类型3共5641个；混合后输入CNN得出故障分类的准确率。

方式二：输入三种类型各6600个样本，共19800个样本，不通过CGAN生成样本，直接输入CNN得出故障分类的准确率。

方式三：输入三种类型各600个样本，共1800个样本，不通过CGAN生成样本，直接输入CNN得出故障分类的准确率。

三种方式下的结果如表3。

表3 三种方式下的故障诊断准确率

图8为方式一与方式三所得数据进行对比，可以看出，通过CGAN生成足够样本进行训练的分类器对样本特征得到了有效的学习并且随着迭代次数的增加，分类准确率稳定逐步上升；而没有足够训练样本的分类器则会分类失效，这意味着本模型可以应用于获得样本较少的情况。图9为方式一与方式二所得结果对比图，可以得出以下结论：方式二中输入分类器的样本量略大于方式一，尽管二者的分类准确率最终都达到了100％，但通过生成对抗网络进行的分类器准确率达到100％更快，因为在原始数据的采集过程中，与数据特征无关的噪声可能在影响着分类器对数据特征提取的速度，而生成样本的噪声更少，进而分类器提取特征难度更低。

本发明提供一种同步电机转子匝间短路故障判别方法，常规的故障判别方法普遍存在缺乏故障样本导致样本不平衡问题和依赖于专家经验人工提取故障特征，主观性大的问题，本发明将人工智能方法结合大数据分析应用到故障判断技术上，提出一种基于条件生成对抗网络和卷积神经网络的同步电机转子匝间短路故障判别技术。与现有的转子匝间短路故障判别方法相比，具有以下优点：

(1)针对训练样本中故障样本数据不足的问题，引入生成对抗网络对训练集进行增广，增加原始数据集的丰富性，提高原始数据集的平衡性。

(2)条件生成对抗网络解决了原始生成对抗网络存在的训练不稳定的问题，且在程序中对生成器设置了梯度重置，解决了实际操作中时常会出现生成器的损失函数饱和，即生成器优化不如判别器快，CGAN网络无法达到纳什均衡问题。

(3)引入卷积神经网络，模型可以自主提取特征，网络设置双卷积层和池化层，设置小卷积核，可以更细致、全面和精确地提取特征，避免人工提取特征带来的误差，提高了整体的分类诊断效率。

(4)卷积神经网络为深度学习范畴，相对于浅层学习拥有更强大的处理数据的能力，可以支持将收集到的所有相关物理量之间深层关系的学习，避免了因为某些变量测量不准确或信号受到噪声干扰而造成的判断失误，也避免了数据预处理时剔除废点的步骤，节省时间。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各实施例之间相同相似的部分互相参见即可。

本文中应用了具体个例对本发明的原理和实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，再具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (3)

1.一种基于CGAN-CNN的同步电机转子匝间短路故障判别方法，包含以下步骤：

步骤1：确定条件生成网络参数，构建条件生成对抗网络模型；

步骤2：输入带标签的正常样本和故障样本，训练条件生成对抗网络模型；

a.采集同步电机正常情况和转子匝间短路故障状态下的数据，将所得数据进行归一化处理，对不同运行状态数据加上标签；

b.将归一化后的样本集输入模型，设置迭代次数，输出损失函数和生成的人工样本；

步骤3：根据生成器和判别器损失函数，判断是否达到纳什平衡，是则获取模型输出的人工样本，转向步骤4，否则转向步骤2；

步骤4：确定卷积神经网络参数，构建卷积神经网络模型；

步骤5：将生成的人工样本与原样本混合，划分训练集和测试集，训练集用于训练卷积神经网络模型，若模型收敛转向步骤6，否则重复步骤5；训练卷积神经网络的参数设置如下：

a.训练时的Batch_Size(训练批次)选择为1000，迭代次数为50次；

b.梯度下降算法采用Adam优化算法，损失函数采用交叉熵损失函数；

步骤6：输入测试集，验证模型可行性；

步骤7：输入现场采集的数据，预处理后输入模型，判断转子是否存在匝间短路故障。

2.根据权利要求1所述同步电机转子匝间短路故障判别方法，其特征在于，所述步骤1：确定条件生成网络参数，构建条件生成对抗网络模型，具体包括：

以最大最小化条件生成对抗网络的损失函数为目标，生成器Generator用G来表示，鉴别器Discriminator用D来表示，生成对抗网络训练的目标函数可以由下面最大最小化过程进行描述，如式(1)所示目标函数为：

式中：E(·)表示计算期望；G(z)表示生成器合成的人工样本；D(·)表示判别器的输出结果，c表示标签或条件。

由式(1)优化G时，由于生成器的训练目标与仅与生成样本有关，故只留下GAN目标函数第2项，即要求最小化生成样本被判别为“生成样本”的概率。简化后的目标函数为：

由式(1)优化D时，其中，输入为真实样本时，D最大化真实样本被判定为真实样本的判别概率；输入为生成样本时，D最大化生成样本被判定为生成样本的判别概率。二者期望E相加，为D目标函数，即：

在此基础上，通过对生成器与判别器进行交替式的迭代优化训练，理论上可达到二者间的纳什均衡点，即生成器可合成判别器难以判别的人工样本。

本发明的CGAN模型包含一个生成器和一个判别器，生成器采用三层全连接结构，包含输入层、输出层和一个隐藏层。判别器采用四层全连接结构，包含输入层、输出层和两个隐藏层。而每层又包括全连接层、激活层和dropout层(输出层没有dropout层)。

3.根据权利要求1所述同步电机转子匝间短路故障判别方法，其特征在于，所述步骤4：确定卷积神经网络参数，构建卷积神经网络模型，具体包括：

卷积神经网络主要包含输入层，卷积层，池化层，全连接层和输出层，其中卷积层利用卷积核在待提取特征的输入向量上，按照一定步长，依次扫描进行线性卷积运算，再加一个偏置，通过激活函数得到提取的特征.通过引入非线性激活函数，使得网络可以表达非线性模型，增强了网络的表达能力。卷积输入层前向传播到卷积层前向传播的过程可以表示为：

a²＝σ(z²)＝σ(a¹*W²+b²) (4)

*代表卷积，b代表偏置，上标代表的是所处网络的层数，σ是激活函数，一般用的是ReLU。

池化层也称为下采样，主要用于特征降维，压缩数据和参数的数量，在一定程度上可以减小过拟合，提高模型的容错性，经过池化层输出为：

a^l＝pool(a^l-1) (5)

全连接层将卷积和池化之后提取的特征图中的特征进行整合，映射成一个固定长度的特征向量，以便交给最后的分类器层，全连接层实际上就是普通的DNN模型结构：

a^l＝σ(z^l)＝σ(W^la^l-1+b^l) (6)

输出层一般为分类器层，最后输出的是一个把制定分类的类目数作为维度的概率向量。如果使用softmax作为输出层的激活函数，输出如下所示：

a^l＝soft max(z^l)＝soft max(W^la^l-1+b^l) (7)

损失函数

定义：损失函数L(f(x_i)，y_i)体现了通过模型学习得到的预测值f(x_i)和标签值y_i的距离。本模型采用的是categorical_crossentropy交叉熵损失函数。交叉熵表示的是两个概率之间存在的差异的大小，值越大，分布的差异越大，越小，分布的情况就更加相近。在这个函数里，两个概率分别指的是实际输出和期望输出。

引入交叉熵损失函数如式(9)所示：

本发明采用的卷积网络模型为六层结构，从上到下依次为一维卷积层，最大池化层，一维卷积层，平坦层，随机层，全连接层，下面简要叙述各层的作用和参数。

(1)第一个1D CNN(一维卷积)层：为了能提取到较多特征，把卷积核大小定义为2，在第一层中定义100个滤波器。

(2)最大池化层：池化层一般都紧跟着卷积层所存在的，便于在卷积之后进行最大池化，可以从卷积层中学习到的特征筛选提取出更具有明显特点的特征值。

(3)第二个1D CNN层(一维卷积)层：为了学习到更高层次的特征，再使用一个卷积层，输出是2×100的矩阵。

(4)平坦层：把多维的输入一维化。

(5)随机层：通过加入Dropout层把上一层输入的神经元随机一半进行赋零值处理，保证结果不会过于偏向某一权重，削弱部分神经元之间互相依赖的作用，有效防止过拟合，提高了输出结果的准确性。

(6)全连接层：通过由Softmax函数激活的全连接层，采用Softmax函数的目的在于归一化，即将输出结果分别转变为对应情况发生的概率，便于最后进行准确率和损失率的分析计算。

Images