CN115345277A - 基于时序生成对抗网络的pmsm匝间短路诊断方法 - Google Patents

Abstract

本发明公开了一种基于时序生成对抗网络的PMSM匝间短路诊断方法，首先，选用长短时记忆网络作为生成器搭建时序生成对抗网络，用来扩充样本，然后，在时序生成对抗网络的生成器的底层添加softmax层构建长短时判别网络，最后，使用长短时判别网络分别故障类型。该方法包括以下步骤：1）采集不同程度故障的电流信号组成真实数据集；2）构建时序生成对抗网络；3）将正常情况下的电流信号输入时序生成对抗网络进行预训练；4）将3）中的预训练模型迁移到故障数据上并进行样本扩张；5）在训练好的时序生成对抗网络的生成器底层加入softmax层来构建长短时判别网络；6）使用长短时判别网络进行故障类型的分类。经实验验证，该方法针对时序信号有更高的准确度。

Description

基于时序生成对抗网络的PMSM匝间短路诊断方法

技术领域

本发明属于永磁同步电机故障诊断技术领域，涉及一种基于时序生成对抗网络的永磁同步电机(PMSM)匝间短路诊断方法。

背景技术

PMSM(永磁同步电机)具有高效率、低噪声、体积小，重量轻，且过载能力大、转动惯量小、效率高、损耗小等优点，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。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，进而对整个系统造成不可估量的后果。因此，对永磁同步电机匝间短路故障的检测和诊断具有重要的意义。

针对匝间短路的故障诊断，传统的方法多从机理的角度进行信号特征提取和分析，包括电流谐波法、零序电压法、反电动势法、电机参数法、磁通检测法等。近些年，基于深度学习和大数据的永磁同步电机故障诊断技术成为了研究热点，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，李垣江、张周磊在《采用深度学习的永磁同步电机匝间短路故障诊断方法》一文中，采用了生成对抗网络进行样本扩张，指出了样本数量对神经网络训练的影响。在实际情况中，故障发生频率很低，得到的往往都是电机正常运行时的数据，很难获得足够多的故障数据，这将导致模型训练过程中出现样本不平衡的问题，进而严重影响深度学习模型在真实情况下的诊断效果。

除此之外，常规的生成对抗网络生成器和判别器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器合成对应维度的数据，生成器通过学习真实样本特征，达到数据扩张的目的。然而该类方法中的生成器对于电流、电压等时序信号，并没有考虑从时序的角度学习数据之间的关联，而且这种方法训练过程比较缓慢。张建付、宋雨在《基于长短时记忆神经网络的风电机组滚动轴承故障诊断方法》一文中，采用长短时记忆网络作为长短时判别网络模型，进行轴承故障诊断，指出了分析一维信号时序特征的可行性和有效性。

专利内容

本发明的目的在于提供一种基于时序生成对抗网络的PMSM匝间短路诊断方法，克服了背景技术中提到的小样本影响，例如正负样本不平衡造成的训练困难，以及针对一维信号时序特征缺乏考虑的问题。

实现本发明目的的技术解决方案为：一种基于时序生成对抗网络的PMSM匝间短路诊断方法，步骤如下：

步骤1，以采样频率10kHz采集不同程度匝间短路的三相永磁同步电机的定子电流信号作为真实数据集，真实数据集包含正常、匝间短路5％、匝间短路10％、匝间短路15％的情况。

步骤2，构建时序生成对抗网络，时序生成对抗网络包括生成器和判别器，生成器采用长短时记忆网络，判别器采用一维卷积神经网络。

步骤3，利用真实数据集中正常情况下的定子电流信号对时序生成对抗网络进行训练，当生成器和判别器达到纳什平衡时，得到训练好的时序生成对抗网络模型。

步骤4，将时序生成对抗网络模型作为预训练模型，根据迁移学习的方法，依次向预训练模型输入真实数据集中的5％、10％、15％匝间短路故障的定子电流信号，进行故障数据的样本扩张，得到扩张故障数据，将扩张故障数据与真实数据集中的数据混合组成混合数据集；

步骤5，在训练完成的时序生成对抗网络的生成器的底层，即长短时记忆网络的底层加入softmax层，从而搭建出长短时判别网络；

步骤6，将混合数据集按照7:3的比例划分为训练集和测试集，利用训练集对长短时判别网络进行训练，当长短时判别网络的损失函数收敛到一个稳定情况时，得到训练完成的长短时判别网络模块，使用长短时判别网络模块对测试集进行故障类型的分类。

本发明与现有技术相比，其显著优点是：

(1)本发明将真实数据集和生成数据集混合后制作成样本集进行训练，相较于真实样本数据量，样本数量得到大幅扩张，能有效抑制网络的过拟合问题。

(2)通过迁移学习的方法，可以将针对正常情况学到的特征参数分享给故障情况的模型，从而加快并优化模型的学习效率，从而保证高效、准确地生成故障样本。此外，通过预训练可以得到一个泛化能力较好的时序生成对抗网络模型。

(3)作为生成器的长短时记忆网络在生成对抗网络训练过程中，通过对抗已经充分学习了数据的特征，通过在底层加入softmax层重新构建长短时判别网络，可以巧妙地再使用这个训练好的模型，从而大大减少训练的时长。此外，相较于传统的长短时判别网络一般采用全连接层的softmax分类器进行故障类型的诊断，通过长短时记忆网络层可以考虑时序特征，提高诊断的效率。

附图说明

图1为基于时序生成对抗网络的永磁同步电机小样本故障诊断的具体实施方法流程图。

图2为本发明时序长短时记忆网络结构示意图。

图3为本发明针对永磁同步电机小样本故障诊断的具体网络训练过程。

具体实施方式

结合图1～图3，对本发明的具体实施方案进行阐述，一种基于时序生成对抗网络的PMSM匝间短路诊断方法，包括如下步骤：

步骤1，以采样频率10kHz采集不同程度匝间短路的三相永磁同步电机的定子电流信号作为真实数据集，真实数据集包含正常、匝间短路5％、匝间短路10％、匝间短路15％的情况。

步骤2，构建时序生成对抗网络，时序生成对抗网络包括生成器和判别器，生成器采用长短时记忆网络，判别器采用一维卷积神经网络。

其中，构建时序生成对抗网络，具体如下：

1)时序生成对抗网络的基础模型框架为生成对抗网络，使用最优目标函数

为：

其中：∑_a～p(x)log(D(a,θ^D))表示固定生成器时，得到对应的判别器最小损失函数；

表示生成器最大化目标函数，θ^D为生成对抗网络中判别器的待优化参数，θ^G为生成对抗网络中生成器的待优化参数，a表示故障样本，a～p(a)服从电机真实样本下的采样，

表示生成对抗网络中生成器的输出数据，

服从生成对抗网络中生成器下生成数据分布的采样，D(a,θ^D)为生成对抗网络中判别器的映射函数，

为生成对抗网络中生成器的映射函数，D(a,θ^D)表示将为a判别为真的概率值，

表示将

判别为假的概率值。

2)时序生成对抗网络中的生成器为一个长短时记忆网络，包括遗忘门、输入门、输出门，具体表达式为：

其中，f_t表示遗忘门，i_t表示输入门，o_t表示输出门，

表示当前状态的部分信息，h_t-1表示上个时刻的内部输出，x_t表示当前时刻的外部输入，[h_t-1,x_t]表示将h_t-1、x_t这两个矩阵拼接在一起，σ是sigmoid函数，W_f、W_i、W_c、W_o均为权重矩阵，b_f、b_i、b_c、b_o为偏移量。

当前时刻长短时记忆网络的内部状态向量c_t由遗忘的前一状态的信息c_t-1和当前状态的部分信息

组合而成，c_t具体表达式为：

步骤3，利用真实数据集中正常情况下的定子电流信号对时序生成对抗网络进行训练，当生成器和判别器达到纳什平衡时，得到训练好的时序生成对抗网络模型。

当生成器和判别器达到纳什平衡时，生成器和判别器满足以下条件：

A)生成器生成的伪故障数据与数据集中故障样本分布一致；

B)判别器只能随机的猜测一个特定的样本是真的还是假的，即为真的概率是50％，即D(a,θ^D)＝0.5，为假的概率也是50％，即

此时，时序生成对抗网络的最优目标函数

步骤4，将时序生成对抗网络模型作为预训练模型，根据迁移学习的方法，依次向预训练模型输入真实数据集中的5％、10％、15％匝间短路故障的定子电流信号，进行故障数据的样本扩张，得到扩张故障数据，将扩张故障数据与真实数据集中的数据混合组成混合数据集。

步骤5，在训练完成的时序生成对抗网络的生成器的底层，即长短时记忆网络的底层加入softmax层，从而搭建出长短时判别网络。

在作为生成器的长短时记忆网络的底层加入softmax分类层构建长短时判别网络，长短时判别网络形式如下：

E为长短时记忆网络，S为sofmax分类器，Y为长短时判别网络实际输入的混合样本，

为长短时判别网络输出的预测值，长短时判别网络训练的损失函数J如下：

其中，m为训练样本数，Y_label为与真实输入Y对应的标签，

为交叉熵函数，具体形式表示为：

步骤6，将混合数据集按照7:3的比例划分为训练集和测试集，利用训练集对长短时判别网络进行训练，当长短时判别网络的损失函数收敛到一个稳定情况时，得到训练好的长短时判别网络模块，使用长短时判别网络模块对测试集进行电机故障类型的分类。

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。参考图1、图2以及图3，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：以采样频率10kHz采集永磁同步电机正常工作状态及5％、10％、15％四种不同程度电机匝间短路故障状态下的三相定子电流信号作为电机匝间短路故障诊断的组合特征量，采集3500组电机不同工作状态下的三相定子电流数据组，其中电机正常状态下采集1000组，三种不同程度电机匝间短路故障下分别采集500组，通过批量计算获取对应的特征分量，将获取的2500个组合特征形成真实样本集，其包含有正常情况的数据集和三种不同程度匝间短路故障的数据集。

步骤2：构建时序生成对抗网络；

本发明中的时序生成对抗网络模型结果图如图2所示，搭建过程具体步骤如下：

(1)搭建长短时记忆网络作为生成对抗网络的生成器，长短时记忆网络包括遗忘门、输入门、输出门，具体表达式为：

其中，f_t表示遗忘门，i_t表示输入门，o_t表示输出门，

表示当前状态的部分信息，h_t-1表示上个时刻的内部输出，x_t表示当前时刻的外部输入，[h_t-1,x_i]表示将h_t-1、x_t这两个矩阵拼接在一起，σ是sigmoid函数，W_f、W_i、W_c、W_o均为权重矩阵，b_f、b_i、b_c、b_o为偏移量。

当前时刻长短时记忆网络的内部状态向量c_t由遗忘的前一状态的信息c_t-1和当前状态的部分信息组合而成，c_t具体表达式为：

(2)初始化时序生成对抗网络判别器参数，生成器参数由长短时记忆网络的参数决定，训练过程使用Adam优化算法将误差反向传播传递到各层结点，通过修改各层节点之间的权值以及每层的偏置达到缓解误差的效果，在反复迭代中不断更新参数获得最低误差下的状态，最低误差由时序生成对抗网络的优化目标函数作为评判标准。时序生成对抗网络最终的优化目标函数描述为：

其中：∑_a～p(x)log(D(a,θ^D))表示固定生成器得到对应的判别器最小损失函数，

表示生成器最大化目标函数，θ^D为判别器待优化参数，θG为生成器待优化参数，a表示故障样本，a～p(a)服从电机故障样本下的采样，

表示生成器的输出数据，

服从生成器下生成数据分布的采样，D(a,θ^D)为判别器的映射函数，

为生成器的映射函数，D(a,θ^D)表示将为a判别为真的概率值，

表示将

判别为伪的概率值。

步骤3：选用正常情况的定子电流数据对时序生成对抗网络进行训练；

(1)时序生成对抗网络得到最优目标函数时，完成网络模型的训练，此时生成器与判别器达到纳什均衡，纳什均衡满足的条件为：

a.生成器生成的伪故障数据与数据集中故障样本分布一致。

b.判别器只能随机的猜测一个特定的样本是真的还是假的，即为真的概率是50％，即D(a,θ^D)＝0.5，为假的概率也是50％，即

此时，时序生成对抗网络的最优目标函数

(2)实验每次从训练集中随机采样50组正常样本，共迭代40次，当D(G(z))＝1时，生成器输出数据与故障数据达到最理想状态，记录此时的网络参数作为最终数据扩张的网络模型。

(3)使用常规生成对抗网络和本发明方法中的时序生成对抗网络模型对电机正常故障数据进行训练。模型训练完成后，随机采样1000组生成样本和1000组真实故障样本输入一个softmax分类器，batch_size选择50，epoch选择100，每完成一轮epoch保留网络权重并给到下次实验中，训练结果如下：

从上述实验过程和实验结果可以看出，本发明在实际情况下，针对时序信号的样本扩张效果明显要优于常规的生成对抗网络，在永磁同步电机的匝间短路故障及其他故障领域的数据扩张中具有广泛的应用前景。

步骤4：采用基于步骤3所得到的预训练模型对真实故障样本进行数据扩张，将三种不同程度匝间短路故障分别生成500组生成数据，将真实数据集与生成数据集混合后得到4000组样本。

步骤5：对作为生成器的长短时记忆网络进行改造，在其底层加入softmax分类层，构建长短时判别网络形式如下：

E为长短时记忆网络，S为sofmax分类器，Y为长短时判别网络实际输入的混合样本，

为长短时判别网络输出的预测值，长短时判别网络训练的损失函数J如下：

其中，m为训练样本数，Y_label为与真实输入Y对应的标签，

为交叉熵函数，具体形式表示为：

步骤6：将混合数据集按7：3的比例划分成训练集和测试集，将训练集输入到长短时记忆判别网络中进行训练，batch_size选择80，epoch选择100，将每轮epoch训练之后的网络权重保存并给到下次训练中，当长短时判别网络的损失函数收敛到一个稳定情况时，得到训练好的长短时判别网络模块，使用长短时判别网络模块对测试集进行电机故障类型的分类，得到实验结果如下；

从上述实验结果可以看出，本发明在电机故障诊断方面准确率更高，可实现对永磁同步电机匝间短路故障的有效诊断。

综上所述，本发明在能够有效解决永磁同步电机匝间短路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，时序生成对抗网络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，此外，对训练完成的生成器的巧妙利用，极大地减少了长短时判别网络的训练时间，从而也极大地提高了故障诊断的速度。

Claims (4)

1.一种基于时序生成对抗网络的PMSM匝间短路诊断方法，其特征在于，考虑了信号在时间序列上隐藏的特征，具体步骤为：

步骤1，以采样频率10kHz采集不同程度匝间短路的三相永磁同步电机的定子电流信号作为真实数据集，真实数据集包含正常、匝间短路5％、匝间短路10％、匝间短路15％的情况；

步骤2，构建时序生成对抗网络，时序生成对抗网络包括生成器和判别器，生成器采用长短时记忆网络，判别器采用一维卷积神经网络；

步骤3，利用真实数据集中正常情况下的定子电流信号对时序生成对抗网络进行训练，当生成器和判别器达到纳什平衡时，得到训练好的时序生成对抗网络模型；

步骤4，将时序生成对抗网络模型作为预训练模型，根据迁移学习的方法，依次向预训练模型输入真实数据集中的5％、10％、15％匝间短路故障的定子电流信号，进行故障数据的样本扩张，得到扩张故障数据，将扩张故障数据与真实数据集中的数据混合组成混合数据集；

步骤5，在训练完成的时序生成对抗网络的生成器的底层，即长短时记忆网络的底层加入softmax层，从而搭建出长短时判别网络；

步骤6，将混合数据集按照7:3的比例划分为训练集和测试集，利用训练集对长短时判别网络进行训练，当长短时判别网络的损失函数收敛到稳定情况时，得到训练好的长短时判别网络模块，使用训练好的长短时判别网络模块对测试集进行故障类型的分类。

2.根据权利要求1所述的基于时序生成对抗网络的PMSM匝间短路诊断方法，其特征在于，步骤2中构建时序生成对抗网络，具体如下：

1)时序生成对抗网络的基础模型框架为生成对抗网络，使用最优目标函数

为：

其中：∑_a～p(x)log(D(a，θ^D))表示固定生成器时，得到对应的判别器最小损失函数；

表示生成器最大化目标函数，θ^D为生成对抗网络中判别器的待优化参数，θ^G为生成对抗网络中生成器的待优化参数，a表示故障样本，a～p(a)服从电机真实样本下的采样，

表示生成对抗网络中生成器的输出数据，

服从生成对抗网络中生成器下生成数据分布的采样，D(a,θ^D)为生成对抗网络中判别器的映射函数，

为生成对抗网络中生成器的映射函数，D(a,θ^D)表示将为a判别为真的概率值，

表示将

判别为假的概率值；

2)时序生成对抗网络中的生成器为一个长短时记忆网络，包括遗忘门、输入门、输出门，具体表达式为：

其中，f_t表示遗忘门，i_t表示输入门，o_t表示输出门，

表示当前状态的部分信息，h_t-1表示上个时刻的内部输出，x_t表示当前时刻的外部输入，[h_t-1,x_t]表示将h_t-1、x_t这两个矩阵拼接在一起，σ是sigmoid函数，W_f、W_i、W_c、W_o均为权重矩阵，b_f、b_i、b_c、b_o为偏移量；

当前时刻长短时记忆网络的内部状态向量c_t由遗忘的前一状态的信息c_t-1和当前状态的部分信息

组合而成，c_t具体表达式为：

3.根据权利要求1所述的基于时序生成对抗网络的PMSM匝间短路诊断方法，其特征在于，步骤3中，当生成器和判别器达到纳什平衡时，生成器和判别器满足以下条件：

A)生成器生成的伪故障数据与数据集中故障样本分布一致；

B)判别器只能随机的猜测一个特定的样本是真的还是假的，即为真的概率是50％，即D(a,θ^D)＝0.5，为假的概率也是50％，即

此时，时序生成对抗网络的最优目标函数

4.根据权利要求1所述的基于时序生成对抗网络的PMSM匝间短路诊断方法，其特征在于，步骤5中，在作为生成器的长短时记忆网络的底层加入softmax分类层构建长短时判别网络，长短时判别网络形式如下：

E为长短时记忆网络，S为sofmax分类器，Y为长短时判别网络实际输入的混合样本，

为长短时判别网络输出的预测值，长短时判别网络训练的损失函数J如下：

其中，m为训练样本数，Y_label为与真实输入Y对应的标签，

为交叉熵函数，具体形式表示为：

Images