CN115267531A - 一种基于深度学习的永磁同步电机均匀退磁故障诊断方法 - Google Patents

一种基于深度学习的永磁同步电机均匀退磁故障诊断方法 Download PDF

Info

Publication number
CN115267531A
CN115267531A CN202210860058.8A CN202210860058A CN115267531A CN 115267531 A CN115267531 A CN 115267531A CN 202210860058 A CN202210860058 A CN 202210860058A CN 115267531 A CN115267531 A CN 115267531A
Authority
CN
China
Prior art keywords
fault
sample
permanent magnet
motor
input
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210860058.8A
Other languages
English (en)
Other versions
CN115267531B (zh
Inventor
钱林方
赵启阳
陈红彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202210860058.8A priority Critical patent/CN115267531B/zh
Publication of CN115267531A publication Critical patent/CN115267531A/zh
Application granted granted Critical
Publication of CN115267531B publication Critical patent/CN115267531B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G01R31/343—Testing dynamo-electric machines in operation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Electric Motors In General (AREA)
  • Control Of Ac Motors In General (AREA)

Abstract

本发明公开了一种基于深度学习的永磁同步电机均匀退磁故障诊断方法，利用循环生成对抗网络（CycleGAN）扩充样本集，并使用深度降噪自编码器模型提取数据特征，最后使用Softmax分类器对电机退磁故障类型进行分类。该方法包括以下步骤：步骤1，采集永磁同步电机健康状态下，（5%、10%、15%、20%）均匀退磁故障下气息磁密波形；步骤2，重构CycleGAN网络并确定最佳结构；步骤3，将步骤1中采集到的电机信号输入到步骤2中生成故障信号；步骤4，搭建深度降噪卷积自编码器并将步骤3中生成的故障信号输入其中进行预训练；步骤5，将步骤4中训练好的模型迁移到真实电机信号上并进行故障分类。经过实验验证，该方法训练出来的故障诊断网络具有比同类方法更高的准确度。

Description

一种基于深度学习的永磁同步电机均匀退磁故障诊断方法
技术领域
本发明属于永磁同步电机故障诊断技术领域，具体涉及一种基于深度学习的永磁同步电机均匀退磁故障诊断方法。
背景技术
永磁同步电机因其结构简单，运行稳定，推力密度大，与传统电机相比同等功率下体积小等显著优点，目前应用越来越广泛，尤其是在军工、航空航天领域发挥着重要作用。然而由于实际应用工况复杂的原因，永磁体材料极易受到外界因素如高温、振动、磁场干扰、匝间短路等而产生不可逆退磁现象。永磁体材料退磁对于永磁同步电机来说具有严重后果，会导致电机效率降低或驱动模块损坏，严重时甚至会造成电机的报废，进而对整个系统造成不可估量的后果。因此，对永磁同步电机的退磁故障诊断具有十分重大的意义。目前，对于永磁同步电机的退磁故障诊断与识别的方法主要包括数学模型法、数据驱动法和高频信号注入法等。有学者基于数学模型，观测永磁体磁链幅值的变化规律或采用多种信号处理模型构造对于永磁体磁链的观测器，并使用最小二乘法、龙贝格观测器等方法辨识其参数进行故障诊断，然而该方法泛化性较弱，易受噪声影响；有学者基于数据驱动的方法采用快速傅里叶变换、希尔伯特黄变换、小波变换等信号处理方法对永磁同步电机的定子电流、感应电压等物理量进行分析，实现故障特征提取，该方法受限于数学工具的使用条件，对于轻微故障信号难以提取特征，在实际工程中无法广泛应用。基于高频信号注入的故障诊断方法则无法实现在线监测。近些年来，随着深度学习的发展，人们越来越关注到深度学习在故障诊断领域的应用和发展前景。深度学习有别于传统的神经网络，其具有多层隐藏层，能够自主很好的捕捉到数据的特征，无需人工根据先验知识调整参数，大大提高了网络学习能力。然而十分依靠数据质量和数量的深度学习网络在数据集缺少的情况下则表现不佳，永磁同步电机的退磁故障中可用数据十分缺少，且大多受到复杂工况的影响，数据包含噪声较多。针对这一问题，本发明在id＝0控制下气隙磁密波形d轴磁密幅值不受q轴电流的影响，从而转矩的波动对单个永磁体退磁故障程度计算不影响，结合生成对抗式网络与深度降噪卷积自编码器，扩张样本集，对故障数据进行降噪。其中生成对抗式网络使用CycleGAN，受图像风格迁移思想的启发将故障数据特征迁移到健康数据中。深度降噪卷积自编码器中多个隐藏层以及一维卷积网络的使用能够有效的提取故障特征，提高故障分类器表现。该发明有效解决了永磁同步电机退磁故障诊断领域中数据缺少的问题，优化了同类方法中生成数据质量差、速度慢的缺陷，该方法由于有降噪模块的添加，诊断效果好，准确性高，鲁棒性强。当电机发生退磁故障后，能够有效检测到，从而能够为电机后续运行的合理规划提供依据，进而提高了永磁同步电机及所在系统运行的安全性和稳定性。
专利内容
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均匀退磁故障诊断方法，该方法鲁棒性强，诊断准确性高，以此克服背景技术中提及的不足。
实现本发明目的的技术解决方案为：一种基于深度学习的永磁同步电机均匀退磁故障诊断方法，包括如下步骤：
步骤1：在id＝0控制下，在永磁同步电机定子齿中嵌入高斯计的霍尔传感器探头，利用霍尔传感器产生的霍尔电压与永磁同步电机的气隙磁密成正比，实时监测永磁同步电机气隙磁密的变化；获取永磁同步电机健康工作及不同程度均匀退磁下的气隙磁密，并贴上故障标签形成真实永磁同步电机健康和不同程度均匀退磁故障数据集A，其数据作为真实数据。
步骤2：根据真实永磁同步电机健康和不同程度均匀退磁故障数据集A中时序信号特征，重构生成对抗网络CycleGAN模型。
步骤3：将真实电机健康和不同程度均匀退磁故障数据集A作为抗神经网络CycleGAN模型的输入，生成新的永磁同步电机健康工作和不同程度均匀退磁故障数据集B，其数据作为生成数据。生成数据与真实数据的相似性通过损失函数表现，根据总函数的下降情况决定训练轮数，直到总失函数下降到设定的阈值后，此时生成器与判别器达到纳什平衡，博弈双方达到自己期望收益的最大值。
步骤4，搭建深度降噪卷积自编码器，并将新的永磁同步电机健康工作和不同程度均匀退磁故障数据集B作为输入对其进行预训练，得到预训练模型，并保留该预训练模型参数。
步骤5，将预训练模型迁移到真实永磁同步电机健康和不同程度均匀退磁故障数据集A上，得到迁移模型，并搭建Softmax分类器，通过Softmax分类器对电机故障程度进行分类，实现永磁同步电机均匀退磁故障诊断。
本发明与现有技术相比，其显著优点是：
1)本发明基于深度学习的方法，将图像风格迁移的思想应用在故障数据生成上，对CycleGAN改进，使其在处理一维时序信号上也表现良好。
2)传统GAN只有一个对抗损失函数且使用高斯噪声作为输入，本网络含有循环损失函数、对抗损失函数、身份识别损失函数，使用永磁同步电机健康数据作为输入，能够极大提升生成数据的质量和速度。
3)采用深度降噪卷积自编码器，内部深层网络结构能够更好的提取数据特征；噪声的加入可以使其表现更好，不仅可以抑制过拟合，更符合永磁同步电机实际工况下采集到的信号，提高鲁棒性，其核心思想是，一个能够从中恢复出原始信号的神经网络表达未必是最好的，能够对“损坏”的原始数据编码、解码，然后还能恢复真正的原始数据，这样的特征才是好的。
4)使用了迁移学习的思想，使用生成数据预训练模型而后将模型迁移到真实数据上，解决了永磁同步电机退磁故障诊断中数据缺少难以对模型进行有效训练的难题，更能充分利用真实数据，提高诊断效果。
5)本发明的诊断方法具有较强的泛化性，模型的可迁移性使得在面对不同型号不同工况甚至不同故障类型的诊断时都可以快速训练参数，极大提高了故障诊断的速度，且为故障诊断领域提供了新的思路。
附图说明
图1为永磁同步电机均匀退磁故障诊断方法一种具体实施方法流程图。
图2为本发明CycleGAN生成对抗网络结构示意图。
图3为本发明中深度降噪卷积自编码网络结构示意图。
图4为本发明中id＝0控制图。
具体实施方式
结合图1～图4，本发明所述的一种基于深度学习的永磁同步电机均匀退磁故障诊断方法，包括如下步骤：
步骤1：在id＝0控制下，在永磁同步电机定子齿中嵌入高斯计的霍尔传感器探头，利用霍尔传感器产生的霍尔电压与永磁同步电机的气隙磁密成正比，实时监测永磁同步电机气隙磁密的变化，id＝0控制图如图4所示；获取永磁同步电机健康工作及不同程度均匀退磁下的气隙磁密，并贴上故障标签形成真实永磁同步电机健康和不同程度均匀退磁故障数据集A，其数据作为真实数据。
步骤2：根据真实永磁同步电机健康和不同程度均匀退磁故障数据集A中时序信号特征，重构生成对抗网络CycleGAN模型，并通过试验确定最佳模型结构。
所述生成对抗网络CycleGAN模型具体如下：
Figure BDA0003757951690000041
其中Layer表示隐层名，Type表示隐层类型，Ker/Str/Pad分别表示卷积层中卷积核尺寸/步长/填充数，BN表示归一化类型，Activation表示激活函数类型，Input 和Output分别表示该隐层输入和输出的数据尺寸。
步骤3：将真实电机健康和不同程度均匀退磁故障数据集A作为抗神经网络CycleGAN模型的输入，生成新的永磁同步电机健康工作和不同程度均匀退磁故障数据集B，其数据作为生成数据；生成数据与真实数据的相似性通过损失函数表现，根据总函数的下降情况决定训练轮数，直到总失函数下降到设定的阈值后，此时生成器与判别器达到纳什平衡，博弈双方达到自己期望收益的最大值。
总损失函数L(G,F,DX,DY)为：
L(G,F,DX,DY)＝LossGAN+λ·LossCycle+β·LossId
其中，G为故障样本生成器，F为健康样本生成器，DX为健康样本判别器， DY为故障样本判别器。LossGAN为对抗损失，LossCycle为循环损失，LossId为身份识别损失。λ为循环损失在总损失函数中的系数，β为身份识别损失在总损失函数中的系数，经过试验得到λ＝10,β＝5为最佳结果。
对抗损失LossGAN表示生成器与判别器之间的对抗性损失，包括故障样本生成器G与故障样本判别器DY之间的对抗性损失LGAN(G,DY,Y)以及健康样本生成器F与健康样本判别器DX之间的对抗性损失LGAN(F,DX,X)：
LossGAN＝LGAN(G,DY,Y)+LGAN(F,DX,X)
Figure BDA0003757951690000051
Figure BDA0003757951690000052
其中，X为健康电机样本，Y为故障电机样本；G(x)为将x输入到故障样本生成器G后的输出，F(y)为将y输入到健康样本生成器F后的输出； DX(F(y))为将F(y)输入到健康样本判别器DX后的输出，DY(G(x))为将G(x)输入到故障样本判别器DY后的输出；
Figure BDA0003757951690000053
代表期望；
循环损失LossCycle保证了抗神经网络CycleGAN模型是将输入数据的特征变换为目标数据的特征，而非只是随机生成一个目标数据，这样能够最大程度保留数据除故障特征外的真实特征，提高了数据的生成质量，包括健康样本X的循环损失LCycle(G,F,X)和故障样本Y的循环损失LCycle(G,F,Y)：
Figure BDA0003757951690000054
其中，X为健康电机样本，Y为故障电机样本。G(x)为将x输入到故障样本生成器G后的输出，F(y)为将y输入到健康样本生成器F后的输出。G(F(y)) 为将F(y)输入到故障样本生成器G后的输出，F(G(x))为将G(x)输入到健康样本生成器F后的输出。
Figure BDA0003757951690000055
代表期望，|| ||1代表1范数。
身份识别损失LossId的作用是使得无论输入健康电机样本X还是故障电机样本Y，故障样本生成器G都只输出故障电机样本，健康样本生成器F都只生成健康电机样本。在实际实验中，添加LossId后生成效果提升。
Figure BDA0003757951690000056
其中，X为健康电机样本，Y为故障电机样本。G(y)为将y输入到故障样本生成器G后的输出，F(x)为将x输入到健康样本生成器F后的输出。
Figure BDA0003757951690000057
代表期望。
纳什均衡需满足以下条件：
1)故障样本生成器G产生的故障样本“瞒过”故障样本判别器DX的概率为49.9％～50.01％；健康样本生成器F产生的健康样本“瞒过”健康样本判别器DY的概率为49.9％～50.01％。
2)故障样本判别器DX对故障样本生成器G产生的故障样本判断正确的概率为49.9％～50.01％；健康样本判别器DY对健康样本生成器F产生的健康样本判断正确的概率为49.9％～50.01％。
步骤4，搭建深度降噪卷积自编码器，并将新的永磁同步电机健康工作和不同程度均匀退磁故障数据集B作为输入对其进行预训练，得到预训练模型，并保留该预训练模型参数。
深度降噪卷积自编码器是由多个编码层和解码层组成，多个编码层组成了编码器E，多个解码层组成了解码器D，且在数据输入第一层编码层前加入椒盐噪声“损坏”数据，该噪声出现在随机位置，噪点深度基本固定，符合实际工况下电机运行产生的噪声：
Figure BDA0003757951690000061
其中，X2为深度降噪卷积自编码器的输入，
Figure BDA0003757951690000062
为X2加噪后的结果，
Figure BDA0003757951690000063
为具有与X相同形状的噪声矩阵；
自编码器的编码、解码过程可描述为：
H＝E(X2)
Y2＝D(H2)
其中，E为编码器，D为解码器，X2为编码器的输入，H为将X2输入到编码器后得到的中间变量，将作为Softmax分类器的输入，Y2为将中间变量H输入到解码器D后的输出；
自编码器预训练完成的标志是代价函数J满足设定阈值，其公式为：
Figure BDA0003757951690000064
其中
Figure BDA0003757951690000065
代表期望。
步骤5，将预训练模型迁移到真实永磁同步电机健康和不同程度均匀退磁故障数据集A上，得到迁移模型，并搭建Softmax分类器，通过Softmax分类器对电机故障程度进行分类，通过Softmax分类器对电机故障程度进行分类，实现故障诊断，其训练中损失函数J2如下：
Figure BDA0003757951690000071
其中，H为将X2输入到编码器后得到的中间变量，X2label为X2对应的标签， S为Softmax分类器，
Figure BDA0003757951690000072
为Softmax分类器对该中间变量H的标签预测值。
实施例
下面结合附图对本发明的具体实施方案进行阐述，以便本领域的技术人员更好地理解本发明。需要提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。结合图1、图2、图3、图4基于深度学习的永磁同步电机故障诊断方法，具体步骤为：
步骤1：在id＝0控制下，以采样频率10kHz采集永磁同步电机正常工作状态及5％、10％、15％、20％四种不同程度电机均匀退磁故障状态下的气息磁密波形共5000组作为真实永磁同步电机健康和不同程度均匀退磁故障数据集A，其中电机正常状态下采集1000组，五种不同程度电机退磁故障下分别采集1000 组，并将该5000组数据集按4：1的比例堆积分割训练集和验证集。
步骤2：构建并训练CycleGAN生成对抗网络模型；
本发明中的生成对抗网络模型结果图如图2所示，过程具体步骤如下：
1)搭建生成器G、F：构建上采样层和下采样层，隐层使用一维卷积层；搭建判别器DX、DY：主要结构由一维卷积层组成；生成对抗网络模型的输入分为两个部分，一是将真实永磁同步电机健康和不同程度均匀退磁故障数据集A中的健康样本X分别输入到故障样本生成器G和健康样本判别器DX中，二将真实永磁同步电机健康和不同程度均匀退磁故障数据集A中的故障样本Y分别输入到健康样本生成器F和故障样本判别器DY中；将故障样本生成器G的输出输入到故障样本判别器DY中，故障样本判别器DY对其进行判定，为一[0,1]的概率值；健康样本生成器F和健康样本判别器DX同理。
2)初始化生成对抗网络超参数：初始学习率、步长；训练过程使用Adam 优化算法。生成对抗网络最终的优化目标函数描述为：
L(G,F,DX,DY)＝LossGAN+λLossCycle+βLossid
其中，G为故障样本生成器，F为健康样本生成器，DX为健康样本判别器，DY为故障样本判别器。LossGAN为对抗损失，LossCycle为循环损失，LossId为身份识别损失；λ为循环损失在总损失函数中的系数，β为身份识别损失在总损失函数中的系数，经过试验得到λ＝10,β＝5为最佳结果。
对抗损失LossGAN表示生成器与判别器之间的对抗性损失，包括两部分，故障样本生成器G与故障样本判别器DY之间的对抗性损失LGAN(G,DY,Y)和健康样本生成器F与健康样本判别器DX之间的对抗性损失LGAN(F,DX,X)。
LossGAN＝LGAN(G,DY,Y)+LGAN(F,DX,X)
Figure BDA0003757951690000081
Figure BDA0003757951690000082
其中，X为健康电机样本，Y为故障电机样本；G(x)为将x输入到故障样本生成器G后的输出，F(y)为将y输入到健康样本生成器F后的输出； DX(F(y))为将F(y)输入到故障样本判别器DY后的输出，DY(G(x))为将G(x)输入到健康样本判别器DX后的输出；
Figure BDA0003757951690000086
代表期望。
循环损失LossCycle保证了抗神经网络CycleGAN模型是将输入数据的特征变换为目标数据的特征，而非只是随机生成一个目标数据，这样能够最大程度保留数据除故障特征外的真实特征，提高了数据的生成质量。包括健康样本X的循环损失LCycle(G,F,X)和故障样本Y的循环损失LCycle(G,F,Y)。
Figure BDA0003757951690000083
其中，X为健康电机样本，Y为故障电机样本；G(x)为将x输入到故障样本生成器G后的输出，F(y)为将y输入到健康样本生成器F后的输出；G(F(y)) 为将F(y)输入到故障样本生成器G后的输出，F(G(x))为将G(x)输入到健康样本生成器F后的输出；
Figure BDA0003757951690000084
代表期望，|| ||1代表1范数。
身份识别损失LossId的作用是使得无论输入健康电机样本X还是故障电机样本Y，故障样本生成器G都只输出故障电机样本，健康样本生成器F都只生成健康电机样本；在实际实验中，添加LossId后生成效果提升；
Figure 1
其中，X为健康电机样本，Y为故障电机样本；G(y)为将y输入到故障样本生成器G后的输出，F(x)为将x输入到健康样本生成器F后的输出；
Figure BDA0003757951690000092
代表期望。
当总失函数L(G,F,DX,DY)下降到设定的阈值后，生成器与判别器达到纳什平衡，达到该平衡的条件是：
a.故障样本生成器G产生的故障样本“瞒过”故障样本判别器DX的概率为 49.9％～50.01％；健康样本生成器F产生的健康样本“瞒过”健康样本判别器DY的概率为49.9％～50.01％。
b.故障样本判别器DX对故障样本生成器G产生的故障样本判断正确的概率为49.9％～50.01％；健康样本判别器DY对健康样本生成器F产生的健康样本判断正确的概率为49.9％～50.01％。
3)实验每次的batchsize为20(从训练集中随机采样20组健康样本和20组故障程度一样的样本)，epoch为100(迭代100次)，当损失函数降至3e-2后记录此时的网络参数作为最终数据扩张的网络模型。
4)使用常规生成对抗网络和本发明方法中的生成对抗网络模型对永磁同步电机均匀退磁故障数据进行扩张，模型训练完成所需样本与训练时长如下：
Figure BDA0003757951690000091
从以上实验结果可知，本发明中的生成对抗式网络模型，训练速度快，所需训练样本少，在永磁同步电机退磁故障及其他故障诊断领域的数据扩张中具有广泛应用前景。
步骤3：基于步骤2对真实故障样本进行数据扩张，将四种不同程度均匀退磁故障分别生成800组人工样本共3200组建立新的永磁同步电机健康工作和不同程度均匀退磁故障数据集B。
步骤4：构建并训练深度降噪卷积自编码网络模型；
本发明中的构建深度降噪卷积自编码网络模型结构图如图3所示，过程具体步骤如下：
(1)与步骤3中类似将新的永磁同步电机健康工作和不同程度均匀退磁故障数据集B按照4：1的比例堆积分割训练集和验证集，将训练集中的样本加入椒盐噪声后再将其输入到深度降噪卷积自编码网络的输入层，对深度降噪卷积自编码器进行预训练。
(3)将保存的深度降噪自编码器预训练模型迁移到步骤1中采集到的真实永磁同步电机健康和不同程度均匀退磁故障数据集A上进一步调整网络参数。
步骤5：将步骤4中训练好的深度降噪卷积自编码器中编码器的输出作为 Softmax分类器的输入，输出为不同程度均匀退磁故障的标签概率值，概率值标签最大的即为对应的故障类型，从而确定电机退磁故障的严重程度，测试集验证网络模型的有效性，最终得到训练好的永磁同步电机均匀退磁故障诊断模型。
本发明中的诊断方法与同类诊断方法结果对比分析
Figure BDA0003757951690000101
综上所述，本发明在能够有效解决永磁同步电机退磁故障诊断中数据缺少的问题，生成样本质量高，可用性强，为样本扩张提供了新的思路；在同领域中诊断方法中，该方法表现优异，准确率高，提高了永磁同步电机及所在系统运行的安全性和稳定性；具有较强的泛化性，模型的可迁移性使得在面对不同型号不同工况甚至不同故障类型的诊断时都可以快速训练参数，极大提高了故障诊断的速度。

Claims (6)

1.一种基于深度学习的永磁同步电机均匀退磁故障诊断方法，其特征在于，包括如下步骤：
步骤1：在id＝0控制下，在永磁同步电机定子齿中嵌入高斯计的霍尔传感器探头，利用霍尔传感器产生的霍尔电压与永磁同步电机的气隙磁密成正比，实时监测永磁同步电机气隙磁密的变化；获取永磁同步电机健康工作及不同程度均匀退磁下的气隙磁密，并贴上故障标签形成真实永磁同步电机健康和不同程度均匀退磁故障数据集A，其数据作为真实数据；
步骤2：根据真实永磁同步电机健康和不同程度均匀退磁故障数据集A中时序信号特征，重构生成对抗网络CycleGAN模型，并通过试验确定最佳模型结构；
步骤3：将真实电机健康和不同程度均匀退磁故障数据集A作为抗神经网络CycleGAN模型的输入，生成新的永磁同步电机健康工作和不同程度均匀退磁故障数据集B，其数据作为生成数据；生成数据与真实数据的相似性通过损失函数表现，根据总函数的下降情况决定训练轮数，直到总失函数下降到设定的阈值后，此时生成器与判别器达到纳什平衡，博弈双方达到自己期望收益的最大值；
步骤4，搭建深度降噪卷积自编码器，并将新的永磁同步电机健康工作和不同程度均匀退磁故障数据集B作为输入对其进行预训练，得到预训练模型，并保留该预训练模型参数；
步骤5，将预训练模型迁移到真实永磁同步电机健康和不同程度均匀退磁故障数据集A上，得到迁移模型，并搭建Softmax分类器，通过Softmax分类器对电机故障程度进行分类，实现永磁同步电机均匀退磁故障诊断。
2.根据权利要求1所述基于深度学习的永磁同步电机均匀退磁故障诊断方法，其特征在于，步骤2中，所述生成对抗网络CycleGAN模型具体如下：
Figure FDA0003757951680000011
其中Layer表示隐层名，Type表示隐层类型，Ker/Str/Pad分别表示卷积层中卷积核尺寸/步长/填充数，BN表示归一化类型，Activation表示激活函数类型，Input和Output分别表示该隐层输入和输出的数据尺寸。
3.根据权利要求2所述基于深度学习的永磁同步电机均匀退磁故障诊断方法，其特征在于，步骤3中的总损失函数L(G,F,DX,DY)为：
L(G,F,DX,DY)＝LossGAN+λ·LossCycle+β·LossId
其中，G为故障样本生成器，F为健康样本生成器，DX为健康样本判别器，DY为故障样本判别器；LossGAN为对抗损失，LossCycle为循环损失，LossId为身份识别损失；λ为循环损失在总损失函数中的系数，β为身份识别损失在总损失函数中的系数，经过试验得到λ＝10,β＝5为最佳结果；
对抗损失LossGAN表示生成器与判别器之间的对抗性损失，包括故障样本生成器G与故障样本判别器DY之间的对抗性损失LGAN(G,DY,Y)以及健康样本生成器F与健康样本判别器DX之间的对抗性损失LGAN(F,DX,X)：
LossGAN＝LGAN(G,DY,Y)+LGAN(F,DX,X)
Figure FDA0003757951680000021
Figure FDA0003757951680000022
其中，X为健康电机样本，Y为故障电机样本；G(x)为将x输入到故障样本生成器G后的输出，F(y)为将y输入到健康样本生成器F后的输出；DX(F(y))为将F(y)输入到健康样本判别器DX后的输出，DY(G(x))为将G(x)输入到故障样本判别器DY后的输出；
Figure FDA0003757951680000023
代表期望；
循环损失LossCycle保证了抗神经网络CycleGAN模型是将输入数据的特征变换为目标数据的特征，而非只是随机生成一个目标数据，这样能够最大程度保留数据除故障特征外的真实特征，提高了数据的生成质量，包括健康样本X的循环损失LCycle(G,F,X)和故障样本Y的循环损失LCycle(G,F,Y)：
Figure FDA0003757951680000024
其中，X为健康电机样本，Y为故障电机样本；G(x)为将x输入到故障样本生成器G后的输出，F(y)为将y输入到健康样本生成器F后的输出；G(F(y))为将F(y)输入到故障样本生成器G后的输出，F(G(x))为将G(x)输入到健康样本生成器F后的输出；
Figure FDA0003757951680000031
代表期望，|| ||1代表1范数；
身份识别损失LossId的作用是使得无论输入健康电机样本X还是故障电机样本Y，故障样本生成器G都只输出故障电机样本，健康样本生成器F都只生成健康电机样本；在实际实验中，添加LossId后生成效果提升；
Figure FDA0003757951680000032
其中，X为健康电机样本，Y为故障电机样本；G(y)为将y输入到故障样本生成器G后的输出，F(x)为将x输入到健康样本生成器F后的输出；
Figure FDA0003757951680000033
代表期望。
4.根据权利要求3所述基于深度学习的永磁同步电机均匀退磁故障诊断方法，其特征在于，步骤3中纳什均衡需满足以下条件：
1)故障样本生成器G产生的故障样本“瞒过”故障样本判别器DX的概率为49.9％～50.01％；健康样本生成器F产生的健康样本“瞒过”健康样本判别器DY的概率为49.9％～50.01％；
2)故障样本判别器DX对故障样本生成器G产生的故障样本判断正确的概率为49.9％～50.01％；健康样本判别器DY对健康样本生成器F产生的健康样本判断正确的概率为49.9％～50.01％。
5.根据权利要求4所述基于深度学习的永磁同步电机均匀退磁故障诊断方法，其特征在于，步骤4中的深度降噪卷积自编码器是由多个编码层和解码层组成，多个编码层组成了编码器E，多个解码层组成了解码器D，且在数据输入第一层编码层前加入椒盐噪声“损坏”数据，该噪声出现在随机位置，噪点深度基本固定，符合实际工况下电机运行产生的噪声：
Figure FDA0003757951680000034
其中，X2为深度降噪卷积自编码器的输入，
Figure FDA0003757951680000035
为X2加噪后的结果，
Figure FDA0003757951680000036
为具有与X相同形状的噪声矩阵；
自编码器的编码、解码过程可描述为：
H＝E(X2)
Y2＝D(H2)
其中，E为编码器，D为解码器，X2为编码器的输入，H为将X2输入到编码器后得到的中间变量，将作为Softmax分类器的输入，Y2为将中间变量H输入到解码器D后的输出；
自编码器预训练完成的标志是代价函数J满足设定阈值，其公式为：
Figure FDA0003757951680000041
其中
Figure FDA0003757951680000042
代表期望。
6.根据权利要求5所述基于深度学习的永磁同步电机均匀退磁故障诊断方法，其特征在于，步骤5中，将预训练好的深度降噪卷积自编码器迁移到真实电机健康和不同程度均匀退磁故障数据集A上，得到迁移模型，并搭建Softmax分类器，通过Softmax分类器对电机故障程度进行分类，实现故障诊断，其训练中损失函数J2如下：
Figure FDA0003757951680000043
Figure FDA0003757951680000044
其中，H为将X2输入到编码器后得到的中间变量，X2label为X2对应的标签，S为Softmax分类器，
Figure FDA0003757951680000045
为Softmax分类器对该中间变量H的标签预测值。
CN202210860058.8A 2022-07-21 2022-07-21 一种基于深度学习的永磁同步电机均匀退磁故障诊断方法 Active CN115267531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210860058.8A CN115267531B (zh) 2022-07-21 2022-07-21 一种基于深度学习的永磁同步电机均匀退磁故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210860058.8A CN115267531B (zh) 2022-07-21 2022-07-21 一种基于深度学习的永磁同步电机均匀退磁故障诊断方法

Publications (2)

Publication Number Publication Date
CN115267531A true CN115267531A (zh) 2022-11-01
CN115267531B CN115267531B (zh) 2024-09-27

Family

ID=83767259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210860058.8A Active CN115267531B (zh) 2022-07-21 2022-07-21 一种基于深度学习的永磁同步电机均匀退磁故障诊断方法

Country Status (1)

Country Link
CN (1) CN115267531B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116243682A (zh) * 2023-03-15 2023-06-09 青岛澎湃海洋探索技术有限公司 基于改进生成对抗式网络的水下推进器故障检测方法
CN117269754A (zh) * 2023-08-17 2023-12-22 贵州大学 基于卷积神经网络术的ipmsm转子退磁和偏心故障诊断方法
CN117788841A (zh) * 2024-02-23 2024-03-29 青岛大学 一种基于双谱分析和cnn的永磁电机退磁故障诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB8304655D0 (en) * 1983-02-19 1983-03-23 Servo Motor Technology Corp Magnet motors and generators
CN114254674A (zh) * 2021-12-16 2022-03-29 湖南大学 基于半监督分类器的永磁同步电机退磁故障诊断方法及系统
CN114578224A (zh) * 2022-01-20 2022-06-03 安徽大学绿色产业创新研究院 基于d轴磁网络法永磁同步电机均匀退磁故障程度计算方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB8304655D0 (en) * 1983-02-19 1983-03-23 Servo Motor Technology Corp Magnet motors and generators
CN114254674A (zh) * 2021-12-16 2022-03-29 湖南大学 基于半监督分类器的永磁同步电机退磁故障诊断方法及系统
CN114578224A (zh) * 2022-01-20 2022-06-03 安徽大学绿色产业创新研究院 基于d轴磁网络法永磁同步电机均匀退磁故障程度计算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
包萍;刘运节;: "不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究", 电子测量与仪器学报, no. 03, 15 March 2019 (2019-03-15) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116243682A (zh) * 2023-03-15 2023-06-09 青岛澎湃海洋探索技术有限公司 基于改进生成对抗式网络的水下推进器故障检测方法
CN116243682B (zh) * 2023-03-15 2023-09-08 青岛澎湃海洋探索技术有限公司 基于改进生成对抗式网络的水下推进器故障检测方法
CN117269754A (zh) * 2023-08-17 2023-12-22 贵州大学 基于卷积神经网络术的ipmsm转子退磁和偏心故障诊断方法
CN117788841A (zh) * 2024-02-23 2024-03-29 青岛大学 一种基于双谱分析和cnn的永磁电机退磁故障诊断方法
CN117788841B (zh) * 2024-02-23 2024-05-17 青岛大学 一种基于双谱分析和cnn的永磁电机退磁故障诊断方法

Also Published As

Publication number Publication date
CN115267531B (zh) 2024-09-27

Similar Documents

Publication Publication Date Title
CN115267531B (zh) 一种基于深度学习的永磁同步电机均匀退磁故障诊断方法
CN110059601B (zh) 一种多特征提取与融合的智能故障诊断方法
CN108898560B (zh) 基于三维卷积神经网络的岩心ct图像超分辨率重建方法
CN112052796A (zh) 一种基于深度学习的永磁同步电机故障诊断方法
CN112149316A (zh) 基于改进的cnn模型的航空发动机剩余寿命预测方法
CN106017876A (zh) 基于等权局部特征稀疏滤波网络的轮对轴承故障诊断方法
Lu et al. A novel feature extraction method using deep neural network for rolling bearing fault diagnosis
CN112926728B (zh) 一种永磁同步电机小样本匝间短路故障诊断方法
CN110726898B (zh) 一种配电网故障类型识别方法
CN113705424A (zh) 基于时间卷积降噪网络的演艺装备故障诊断模型构建方法
CN117269754B (zh) 基于卷积神经网络术的ipmsm转子退磁和偏心故障诊断方法
CN112905828B (zh) 一种结合显著特征的图像检索器、数据库及检索方法
CN116754230A (zh) 基于深度卷积生成对抗网络的轴承异常检测和故障诊断方法
CN112146882B (zh) 基于迁移学习振动信号图像识别的轴承故障诊断方法
CN110297041A (zh) 一种基于fcn与gru的3d编织复合材料缺陷检测方法
CN114254674A (zh) 基于半监督分类器的永磁同步电机退磁故障诊断方法及系统
CN115166514A (zh) 一种基于自适应频谱分割去噪的电机故障识别方法及系统
CN114459760B (zh) 一种强噪声环境下的滚动轴承故障诊断方法及系统
CN115356599B (zh) 一种多模态城市电网故障诊断方法及系统
CN114383845B (zh) 一种基于嵌入式零样本学习模型的轴承复合故障诊断方法
CN114861178B (zh) 一种基于改进b2m算法的恶意代码检测引擎设计方法
CN115618202A (zh) 一种基于流形嵌入和关键特征选取的机械故障诊断方法
Guo et al. Unsupervised Feature-Preserving CycleGAN for Fault Diagnosis of Rolling Bearings Using Unbalanced Infrared Thermal Imaging Sample
CN116626491B (zh) 一种五相永磁电机匝间短路故障诊断方法
CN114119971B (zh) 一种语义分割方法、系统和电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant