CN116304905A - 一种在多负载工况下的永磁同步电机退磁故障诊断方法 - Google Patents

Abstract

本发明提供一种在多负载工况下的永磁同步电机退磁故障诊断方法，包括采集永磁同步电机振动信号，还包括以下步骤：将所述永磁同步电机振动信号拓展为二维时频信号；提取二维时频图故障特征；一组带标签的负载工况下的数据样本作为源域，另一组未知标签的负载工况下的数据样本作为目标域，同时将源域和目标域的数据样本输入到诊断模型的特征提取器和分类器。本发明提出了一种在多负载工况下的永磁同步电机退磁故障诊断方法，将多负载工况下的一维时域信号转换时频图像，该图像对多负载工况具备较强的不变适应性；通过卷积注意力结合残差网络提升了特征的有效性，并使用多层子域自适应方法对齐数据分布实现故障诊断。

Description

一种在多负载工况下的永磁同步电机退磁故障诊断方法

技术领域

本发明涉及永磁同步电机故障诊断的技术领域，特别是一种在多负载工况下的永磁同步电机退磁故障诊断方法。

背景技术

电机作为工业生产和国民生活的动力之源，被广泛应用在电力、石化、冶金、矿山、煤炭等行业。其中永磁同步电机由于其各种性能都比较优异而越来越受到重视。永磁同步电机的永磁体都是由钕铁硼这些金属材料构成，其居里温度较低。在电机的运行过程中当永磁体失磁后，剩余磁感应强度会下降，当负载不发生变化时，电机损耗和发热都会增加，如果不及时加以改善则可能引起电机停摆甚至烧坏。严重时甚至会造成财产损失和人员伤亡。因此对电机进行故障诊断是十分必要的。

在测量的电机状态信号中不仅包含了电机故障特征，同时还混杂着冗余信号和其他干扰信号。因此在电机的故障诊断过程中对于故障特征的提取显得尤为重要。现有的理论和方法集中于时域、频域或者小波域中的特征提取。主要的特征提取方法有快速傅里叶变换(FFT)、连续小波变换(CWT)、希尔伯特变换(HHT)、S变换，Teager–Kaiser energyoperator(TKEO)等方法。但是这些方法只能从一维时域信号中提取故障特征，而无法获得电机状态信号中的二维特征。将电机的状态信号拓展到二维图像，更有利于进行故障诊断。

将故障特征提取与智能分类模型结合可以用来来实现故障识别与分类。目前被广泛使用的智能分类模型主要包括神经网络、支持向量机(SVM)、随机森林、决策树、以及K最近邻(KNN)，极限学习机(ELM)等。这些智能分类模型的诊断准确性很大程度上取决于从原始信号中提取的故障特征。由于采集的故障信号容易被环境噪声污染，特征提取困难且需要花费大量时间。

深度学习的快速发展极大地弥补了机器学习在故障诊断方面的不足。与深度学习相关的算法不需要人工提取特征，其可以自动学习故障信号的特征，并且能够取得很好的诊断效果。但是使用基于深度学习的诊断模型需要大量的训练样本以及足够多的样本种类，且训练样本和测试样本满足同分布和独立分布。然而在实际应用中，电机通常存在多负载工况下，而在多负载工况下收集具有足够标记的样本是困难的，这导致了训练样本与测试样本的分布不一致，极大降低了诊断模型在不同工况下的泛化能力。

现有的诊断方法，大多数只是在固定负载下有效，针对于旋转电机的退磁故障诊断，目前还没有深入的实际研究。因此，亟需研究一种在多负载工况下的永磁同步电机退磁故障诊断方法。

公开号为CN114264953A的发明专利申请公开了一种永磁同步电机退磁故障诊断方法和系统以及诊断装置，其中，方法包括以下步骤：获取三相电流信号，所述三相电流信号至少包括各相电流的幅值和相位；将所述三相电流信号进行二维图像化预处理，预处理所得图像样本录入样本库，所述图像样本包括训练样本和测试样本；以训练样本对卷积神经网络模型进行训练；以测试样本输入经过训练的卷积神经网络模型，获得退磁故障类型。该方法虽然采用了卷积神经网络进行判断，然后方法相对简单，并不能准确诊断故障。

发明内容

为了解决上述的技术问题，本发明提出了一种在多负载工况下的永磁同步电机退磁故障诊断方法，将多负载工况下的一维时域信号转换时频图像，该图像对多负载工况具备较强的不变适应性；通过卷积注意力结合残差网络提升了特征的有效性，并使用多层子域自适应方法对齐数据分布实现故障诊断。

本发明提供一种在多负载工况下的永磁同步电机退磁故障诊断方法，包括采集永磁同步电机振动信号，还包括以下步骤：

步骤1：将所述永磁同步电机振动信号拓展为二维时频信号；

步骤2：提取二维时频图故障特征；

步骤3：一组带标签的负载工况下的数据样本作为源域，另一组未知标签的负载工况下的数据样本作为目标域，同时将源域和目标域的数据样本输入到诊断模型的特征提取器和分类器。

优选的是，所述步骤1包括将所述永磁同步电机振动信号采用离散小波变换方法转换为二维时频信号，其中，采用离散小波变换方法转换为二维时频信号为一维振动信号。

在上述任一方案中优选的是，所述步骤2包括采用基于卷积注意力模块的残差网络架构提取源域和目标域的故障特征。

在上述任一方案中优选的是，所述卷积注意力模块由通道注意力模块和空间注意力模块两个模块串联组成。

在上述任一方案中优选的是，对于一个给定的中间特征图G，依次经过所述通道注意力模块和所述空间注意力模块之后，得到的输出G₂为：

C(G)＝ε(MLP(Avgpool(G)+Maxpool(G)))

S(G₁)＝ε(f^7×7[Avgpool(G₁),Maxpool(G₁)])

其中，

表示矩阵按位乘，ε表示Sigmoid激活函数，MLP是有一个隐含层的卷积层，f^7×7表示滤波器的大小为7×7的卷积运算。

在上述任一方案中优选的是，所述残差网络架构由不同数量的残差模块堆叠而成，不同的残差网络架构都是一层特征提取、四层残差结构，区别在于每层残差结构的深度。

在上述任一方案中优选的是，在所述残差模块中，通过快捷连接实现恒等映射，所述残差模块的输出被添加到堆叠层的输出中，所述残差模块的输出被定义为：

y＝f(x,{w_i})+x

其中，x为从上一层接收的输入特征映射，f(x,{w_i})表示要学习的残差映射函数。

在上述任一方案中优选的是，对于不同深度的残差网络架构，残差映射函数f有两层或者多层，当所述输入特征映射x和残差映射函数f的维度不相等时，通过快捷连接执行线性投影w_s以匹配尺寸，经过维度匹配之后，输出变为：

y＝f(x,{w_i})+w_sx。

在上述任一方案中优选的是，所述步骤3包括以下子步骤：

步骤31：将源域和目标域的数据样本通过两个相同的故障诊断模型进行训练，训练次数达到设置的阀值时结束训练，保留最后一次训练的模型参数；

步骤32：将目标域的数据样本输入至训练完成的诊断模型采用softmax分类器进行分类。

在上述任一方案中优选的是，所述步骤31包括以下子步骤：

步骤311：采用基于多核局部最大平均差异的多层子域自适应增强特征表示的可移植性；

步骤312：采用一个全连接层的激活函数和CBAM用于减小在不同工况下同一故障类别相关子域间的分布差异；

步骤313：采用损失总和作为训练的标准，使得源域与目标域的分布相似；

步骤314：将总的损失函数L_δ进行反向传播并采用小批量随机梯度下降法练诊断模型，当循环迭代优化次数达到设定的阀值后训练过程完成，保存最后一次迭代训练的诊断模型的参数。

在上述任一方案中优选的是，基于最大平均差异的局部最大平均差异的定义为：

其中，c表示故障标签，且c∈{1,2,…,C}，C是总的故障类别，E_c表示断层类别的数学期望，p_c和q_c分别表示每类故障数据分布φ表示核函数，X^s表示源域数据样本向量，X^t表示目标域数据样本向量，H表示再生希尔伯特空间；

所述基于最大平均差异的局部最大平均差异相对应的无偏差估计为：

其中，

和/>

分别为/>

和/>

属于故障标签c的权重，且/>

和

和/>

分别为源域和目标域c类故障的加权和，

所述权重

的计算公式如下：

其中，y_i为独热向量编码的x_i的标签，

是向量y_i的第c项。

在上述任一方案中优选的是，采用多层自适应方法处理不可转移层，使源域和目标域的分布相似。

在上述任一方案中优选的是，所述多层自适应方法包括将全连接层l(l∈{1，2，...，L})输出的激活函数

和/>

作为故障特征值，并进行特征对齐，局部最大平均差异的公式重新定义为

在上述任一方案中优选的是，将所述多核局部最大平均差异定义为M个PSD核{k_u}的凸组合，表达式为

其中，系数{β_u}的约束是为了保证导出的是特征的多核k，u为m个核的标号，由此，子域自适应损失表示通过特定的全连接层l的所述多核局部最大平均差异定义如下：

在上述任一方案中优选的是，在所述步骤312中，每个全连接层l学习非线性映射

令/>

表示所有CNN函数的集合，该模型的分类损失函数为：

其中，W^l和b^l分别是第l层的权值和偏置，f^l是激活函数，作为输出层的整流单元f^l(x)＝max(0，x)或分类单元

J(·，·)是交叉熵损失函数，/>

是CNN将/>

作为标签/>

的条件概率。

在上述任一方案中优选的是，所述损失总和的计算公式为

其中，λ是领域自适应损失与分类损失的权衡参数，且λ＞0。

在上述任一方案中优选的是，所述步骤32包括用训练好的诊断模型和分类器对目标域的数据集进行特征提取和分类，验证训练的模型在无标签的情况下对电机故障进行分类的准确性。

本发明提出了一种在多负载工况下的永磁同步电机退磁故障诊断方法，该方法实现了高准确度的识别退磁故障，有效地解决了多负载工况下永磁同步电机退磁故障诊断难题。

附图说明

图1为按照本发明的在多负载工况下的永磁同步电机退磁故障诊断方法的一优选实施例的流程图。

图2为按照本发明的在多负载工况下的永磁同步电机退磁故障诊断方法的另一优选实施例的流程图。

图3为按照本发明的在多负载工况下的永磁同步电机退磁故障诊断方法的电机在多负载工况下振动信号的一实施例的二维时频示意图。

图4为按照本发明的在多负载工况下的永磁同步电机退磁故障诊断方法的卷积注意力模块的一实施例的结构示意图。

图5为按照本发明的在多负载工况下的永磁同步电机退磁故障诊断方法的残差网络架构模块的一实施例的结构示意图。

图6为按照本发明的在多负载工况下的永磁同步电机退磁故障诊断方法的分类器训练的一实施例的流程图。

具体实施方式

下面结合附图和具体的实施例对本发明做进一步的阐述。

实施例一

如图1所示，执行步骤1000，采集永磁同步电机振动信号。

执行步骤1100，将所述永磁同步电机振动信号拓展为二维时频信号，包括将所述永磁同步电机振动信号采用离散小波变换方法转换为二维时频信号，其中，采用离散小波变换方法转换为二维时频信号为一维振动信号。

执行步骤1200，提取二维时频图故障特征，包括采用基于卷积注意力模块的残差网络架构提取源域和目标域的故障特征。所述卷积注意力模块由通道注意力模块和空间注意力模块两个模块串联组成。对于一个给定的中间特征图G，依次经过所述通道注意力模块和所述空间注意力模块之后，得到的输出G2为：

C(G)＝ε(MLP(Avgpool(G)+Maxpool(G)))

S(G₁)＝ε(f^7×7[Avgpool(G₁)，Maxpool(G₁)])

其中，

表示矩阵按位乘，ε表示Sigmoid激活函数，MLP是有一个隐含层的卷积层，f^7×7表示滤波器的大小为7×7的卷积运算。

所述残差网络架构由不同数量的残差模块堆叠而成，不同的残差网络架构都是一层特征提取、四层残差结构，区别在于每层残差结构的深度。

在所述残差模块中，通过快捷连接实现恒等映射，所述残差模块的输出被添加到堆叠层的输出中，所述残差模块的输出被定义为：

y＝f(x，{w_i})+x

其中，x为从上一层接收的输入特征映射，f(x，{w_i})表示要学习的残差映射函数。

对于不同深度的残差网络架构，残差映射函数f有两层或者多层，当所述输入特征映射x和残差映射函数f的维度不相等时，通过快捷连接执行线性投影w_s以匹配尺寸，经过维度匹配之后，输出变为：

y＝f(x，{w_i})+w_sx。

执行步骤1300，一组带标签的负载工况下的数据样本作为源域，另一组未知标签的负载工况下的数据样本作为目标域，同时将源域和目标域的数据样本输入到诊断模型的特征提取器和分类器，包括以下子步骤：

执行步骤1310，将源域和目标域的数据样本通过两个相同的故障诊断模型进行训练，训练次数达到设置的阀值时结束训练，保留最后一次训练的模型参数，包括以下子步骤：

执行步骤1311，采用基于多核局部最大平均差异的多层子域自适应增强特征表示的可移植性。基于最大平均差异的局部最大平均差异的定义为：

其中，c表示故障标签，且c∈{1，2，...，C}，C是总的故障类别，E_c表示断层类别的数学期望，p_c和q_c分别表示每类故障数据分布，φ表示核函数，X^s表示源域数据样本向量，X^t表示目标域数据样本向量，H表示再生希尔伯特空间；

所述基于最大平均差异的局部最大平均差异相对应的无偏差估计为：

其中，

和/>

分别为/>

和/>

属于故障标签c的权重，且/>

和

和/>

分别为源域和目标域c类故障的加权和，

所述权重

的计算公式如下：

其中，y_i为独热向量编码的x_i的标签，

是向量y_i的第c项。

采用多层自适应方法处理不可转移层，使源域和目标域的分布相似，所述多层自适应方法包括将全连接层l(l∈{1，2，...，L})输出的激活函数

和/>

作为故障特征值，并进行特征对齐，局部最大平均差异的公式重新定义为

将所述多核局部最大平均差异定义为M个PSD核{k_u}的凸组合，表达式为

其中，系数{β_u}的约束是为了保证导出的是特征的多核k，u为m个核的标号，由此，子域自适应损失表示通过特定的全连接层l的所述多核局部最大平均差异定义如下：

执行步骤1312，采用一个全连接层的激活函数和CBAM用于减小在不同工况下同一故障类别相关子域间的分布差异。每个全连接层l学习非线性映射

令/>

表示所有CNN函数的集合，该模型的分类损失函数为：

其中，W^l和b^l分别是第l层的权值和偏置，f^l是激活函数，作为输出层的整流单元f^l(x)＝max(0，x)或分类单元

J(·，·)是交叉熵损失函数，/>

是CNN将/>

作为标签/>

的条件概率。

执行步骤1313，采用损失总和作为训练的标准，使得源域与目标域的分布相似，所述损失总和的计算公式为

其中，λ是领域自适应损失与分类损失的权衡参数，且λ＞0。

执行步骤1314，将总的损失函数L_δ进行反向传播并采用小批量随机梯度下降法练诊断模型，当循环迭代优化次数达到设定的阀值后训练过程完成，保存最后一次迭代训练的诊断模型的参数。

执行步骤1320，将目标域的数据样本输入至训练完成的诊断模型采用softmax分类器进行分类，包括用训练好的诊断模型和分类器对目标域的数据集进行特征提取和分类，验证训练的模型在无标签的情况下对电机故障进行分类的准确性。

实施例二

本发明公开了一种在多负载工况下的永磁同步电机退磁故障诊断方法，将多负载工况下的一维时域信号转换时频图像，该图像对多负载工况具备较强的不变适应性；通过卷积注意力结合残差网络提升了特征的有效性，并使用多层子域自适应方法对齐数据分布实现故障诊断，该方法实现了高准确度的识别退磁故障，有效地解决了多负载工况下永磁同步电机退磁故障诊断难题。

如图2所示，具体步骤包括振动信号转二维时频图，特征提取和模型训练与诊断三部分。具体包括：

1)将电机振动信号转换为二维时频信号；

2)提取二维时频图故障特征；

3)一组带标签的负载工况下的数据样本作为源域，另外一组未知标签的负载工况下的数据样本作为目标域，同时将源域和目标域的数据样本输入到诊断模型的特征提取器和分类器。多负载下故障电机振动信号二维时频图如图3所示。

在步骤1)将电机振动信号拓展为二维时频信号，包括：

将采集的一维振动信号采用离散小波变换方法转换为二维时频信号。

在步骤2)提取二维时频图故障特征，包括：采用基于如图4所示的卷积注意力模块(CBAM)的如图5所示的残差网络架构(RBS)提取源域和目标域的故障特征，解决传统卷积神经网络堆叠过程中出现的梯度消失或梯度爆炸和退化问题。

采用基于卷积注意力模块(CBAM)的残差网络架构(RBS)提取源域和目标域的故障特征，包括：

卷积注意力模块(CBAM)由通道注意力模块和空间注意力模块两个模块串联组成。对于一个给定的中间特征图G，其依次经过通道注意力模块和空间注意力模块之后，得到的输出为：

C(G)＝ε(MLP(Avgpool(G)+Maxpool(G))) (3)

S(G₁)＝ε(f^7×7[Avgpool(G₁)，Maxpool(G₁)]) (4)

其中，

表示矩阵按位乘，ε表示Sigmoid激活函数，MLP是有一个隐含层的卷积层，f^7×7表示滤波器的大小为7×7的卷积运算。

残差网络架构由不同数量的残差模块堆叠而成，不同的残差网络架构都是一层特征提取、四层残差结构，区别在于每层残差结构的深度。

在残差模块中，通过快捷连接实现恒等映射，并且残差模块的输出被添加到堆叠层的输出中。残差模块的输出被定义为：

y＝f(x，{w_i})+x (5)

其中，x为从上一层接收的输入特征映射，f(x，{w_i})表示要学习的残差映射函数，对于不同深度的残差网络架构，残差映射函数f有两层或者多层。x和f要有相同的维度，如果维度不相等，就会通过快捷连接执行线性投影w_S以匹配尺寸。通常w_S取滤波器大小为7×7的卷积层以及批处理归一化层，经过维度匹配之后，输出变为：

y＝f(x，{w_i})+w_sx (6)

在步骤3)一组带标签的负载工况下的数据样本作为源域，另外一组未知标签的负载工况下的数据样本作为目标域，同时将源域和目标域的数据样本输入到诊断模型训练特征提取器和分类器，包括：

3.1)将源域和目标域的数据样本通过两个相同的故障诊断模型进行训练，训练次数达到设置的阀值时结束训练，保留最后一次训练的模型参数；

3.2)将目标域的数据样本输入至训练完成的诊断模型采用softmax(SF)分类器进行分类，故障诊断方法及分类器的训练流程如图6所示。

在步骤3.1)将源域和目标域的数据样本通过两个相同的故障诊断模型进行训练，训练次数达到设置的阀值时训练结束，保存最后一次训练的模型参数，包括：

3.1.1)采用基于多核局部最大平均差异(MK-LMMD)的多层子域自适应来增强特征表示的可移植性；

基于最大平均差异(MMD)的局部最大平均差异(LMMD)不仅可以调整全局分布，也可以在故障诊断过程中，将相关子域的分布与相同的故障标签对齐。LMMD定义如下：

其中，c表示故障标签，且c∈{1，2，...，C}，C是总的故障类别，E_c表示断层类别的数学期望，p_c和q_c分别表示每类故障数据分布。LMMD相对应的无偏差估计为：

其中，

和/>

分别为/>

和/>

属于故障标签c的权重，且/>

和

和/>

分别为源域和目标域c类故障的加权和，/>

的计算如下：

其中，y_i为独热向量编码的x_i的标签，

是向量y_i的第c项。对于源域样本，可以直接使用真实的标签/>

来计算/>

在无监督适应中，目标域是没有标签的数据样本，因此不能直接使用x^t _j的标签y^t _j。考虑到整个网络最后的输出/>

是一个概率分布，所以使用/>

来决定x^t _j的属于c类故障的可能性。然后通过使用/>

计算出每个目标域样本的

与使用模型预测标签相比，使用可能性预测可以减轻负影响。

由于还有其他不可转移的层，调整单一的适应层不能消除源域和目标域之间的偏差。因此采用多层自适应，使源域和目标域的分布相似。将全连接层l(l∈{1，2，...，L})输出的激活函数

和/>

作为故障特征值，并进行特征对齐。LMMD的公式重写为：

为了更好的表示高维空间中数据分布的差异，提高诊断模型的特征表达能力，使用多核的LMMD(MK-LMMD)特征核被定义为M个PSD核{k_u}的凸组合，其表达式为：

其中，系数{β_u}的约束是为了保证导出的是特征的多核k，多核k可以利用不同的内核来增强MK-LMMD测试，为最优核选择提供了一种原则性方法。这样，子域自适应损失表示通过特定的全连接层l的MK-LMMD定义如下：

3.1.2)采用一个全连接层的激活函数和CBAM用于减小在不同工况下同一故障类别相关子域间的分布差异；

特征提取器通过反向传播学习可迁移特征，CBAM针对特征图谱进行操作，通过通道注意力模块和空间注意力模块，使提取到的特征更加精炼，提升模型的表现力。它是轻量级的，参数和计算的负荷可以忽略不计。每个全连接层l学习非线性映射

这里W^l和b^l分别是第l层的权值和偏置，f^l是激活函数，作为输出层的整流单元f^l(x)＝max(0，x)或分类单元/>

令/>

表示所有CNN函数的集合，该模型的分类损失函数为：

其中，J(·，·)是交叉熵损失函数，

是CNN将/>

作为标签/>

的条件概率。3.1.3)采用损失的总和作为训练的标准，使得源域与目标域的分布相似。

提出的方法的损失总和为：

其中λ＞0是领域自适应损失与分类损失的权衡参数。

3.1.4)将总的损失函数L_δ进行反向传播并采用小批量随机梯度下降法(SGD)训练诊断模型，当循环迭代优化次数达到设定的阀值后训练过程完成，并保存最后一次迭代训练的诊断模型的参数。

在步骤5.2)将目标域的数据样本输入至训练完成的诊断模型采用softmax(SF)分类器进行分类，包括：

用训练好的诊断模型和分类器对目标域的数据集进行特征提取和分类，验证训练的模型在无标签的情况下对电机故障进行分类的准确性。

为了更好地理解本发明，以上结合本发明的具体实施例做了详细描述，但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改，均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims (10)

1.一种在多负载工况下的永磁同步电机退磁故障诊断方法，包括采集永磁同步电机振动信号，其特征在于，还包括以下步骤：

步骤1：将所述永磁同步电机振动信号拓展为二维时频信号；

步骤2：提取二维时频图故障特征；

步骤3：一组带标签的负载工况下的数据样本作为源域，另一组未知标签的负载工况下的数据样本作为目标域，同时将源域和目标域的数据样本输入到诊断模型的特征提取器和分类器。

2.如权利要求1所述的在多负载工况下的永磁同步电机退磁故障诊断方法，其特征在于，所述步骤1包括将所述永磁同步电机振动信号采用离散小波变换方法转换为二维时频信号，其中，采用离散小波变换方法转换为二维时频信号为一维振动信号。

3.如权利要求2所述的在多负载工况下的永磁同步电机退磁故障诊断方法，其特征在于，所述步骤2包括采用基于卷积注意力模块的残差网络架构提取源域和目标域的故障特征。

4.如权利要求3所述的在多负载工况下的永磁同步电机退磁故障诊断方法，其特征在于，所述卷积注意力模块由通道注意力模块和空间注意力模块两个模块串联组成，对于一个给定的中间特征图G，依次经过所述通道注意力模块和所述空间注意力模块之后，得到的输出G₂为：

C(G)＝ε(MLP(Avgpool(G)+Maxpool(G)))

S(G₁)＝ε(f^7×7[Avgpool(G₁),Maxpool(G₁)])

其中，

表示矩阵按位乘，ε表示Sigmoid激活函数，MLP是有一个隐含层的卷积层，f^7×7表示滤波器的大小为7×7的卷积运算。

5.如权利要求4所述的在多负载工况下的永磁同步电机退磁故障诊断方法，其特征在于，所述残差网络架构由不同数量的残差模块堆叠而成，不同的残差网络架构都是一层特征提取、四层残差结构，区别在于每层残差结构的深度，在所述残差模块中，通过快捷连接实现恒等映射，所述残差模块的输出被添加到堆叠层的输出中，所述残差模块的输出被定义为：

y＝f(x,{w_i})+x

其中，x为从上一层接收的输入特征映射，f(x,{w_i})表示要学习的残差映射函数。

6.如权利要求5所述的在多负载工况下的永磁同步电机退磁故障诊断方法，其特征在于，对于不同深度的残差网络架构，残差映射函数f有两层或者多层，当所述输入特征映射x和残差映射函数f的维度不相等时，通过快捷连接执行线性投影w_s以匹配尺寸，经过维度匹配之后，输出变为：

y＝f(x,{w_i})+w_sx。

7.如权利要求6所述的在多负载工况下的永磁同步电机退磁故障诊断方法，其特征在于，所述步骤3包括以下子步骤：

步骤31：将源域和目标域的数据样本通过两个相同的故障诊断模型进行训练，训练次数达到设置的阀值时结束训练，保留最后一次训练的模型参数；

步骤32：将目标域的数据样本输入至训练完成的诊断模型采用softmax分类器进行分类。

8.如权利要求7所述的在多负载工况下的永磁同步电机退磁故障诊断方法，其特征在于，所述步骤31包括以下子步骤：

步骤311：采用基于多核局部最大平均差异的多层子域自适应增强特征表示的可移植性；

步骤312：采用一个全连接层的激活函数和CBAM用于减小在不同工况下同一故障类别相关子域间的分布差异；

步骤313：采用损失总和作为训练的标准，使得源域与目标域的分布相似；

步骤314：将总的损失函数L_δ进行反向传播并采用小批量随机梯度下降法练诊断模型，当循环迭代优化次数达到设定的阀值后训练过程完成，保存最后一次迭代训练的诊断模型的参数。

9.如权利要求8所述的在多负载工况下的永磁同步电机退磁故障诊断方法，其特征在于，基于最大平均差异的局部最大平均差异的定义为：

其中，c表示故障标签，且c∈{1，2，...，C}，C是总的故障类别，E_c表示断层类别的数学期望，p_c和q_c分别表示每类故障数据分布，φ表示核函数，X^s表示源域数据样本向量，X^t表示目标域数据样本向量，H表示再生希尔伯特空间；

所述基于最大平均差异的局部最大平均差异相对应的无偏差估计为：

其中，

和/>

分别为/>

和/>

属于故障标签c的权重，且/>

和

和/>

分别为源域和目标域c类故障的加权和，

所述权重

的计算公式如下：

其中，y_i为独热向量编码的x_i的标签，

是向量y_i的第c项。

10.如权利要求9所述的在多负载工况下的永磁同步电机退磁故障诊断方法，其特征在于，采用多层自适应方法处理不可转移层，使源域和目标域的分布相似，所述多层自适应方法包括将全连接层l(l∈{1，2，...，L})输出的激活函数

和/>

作为故障特征值，并进行特征对齐，局部最大平均差异的公式重新定义为

Images