李垣江 張周磊 李夢含 魏海峰 張懿
摘 要:針對永磁同步電機匝間短路故障診斷方法因結(jié)構(gòu)復(fù)雜、樣本特征稀少和大數(shù)據(jù)冗余等因素引起的診斷困難問題,基于生成式對抗和稀疏自編碼深度學(xué)習(xí)網(wǎng)絡(luò)提出一種高效準確的匝間短路故障診斷方法。該方法通過采集永磁同步電機負序電流和轉(zhuǎn)矩特征信號,利用生成式對抗神經(jīng)網(wǎng)絡(luò)完成樣本數(shù)據(jù)擴張,構(gòu)建魯棒、多樣的訓(xùn)練集合,結(jié)合稀疏自編碼網(wǎng)絡(luò)實現(xiàn)高效準確的故障特征分類、診斷。實驗表明該方法實現(xiàn)了對永磁同步電機負序電流和轉(zhuǎn)矩特征信號的樣本數(shù)據(jù)擴張,構(gòu)建了優(yōu)化深度網(wǎng)絡(luò)實現(xiàn)高效準確的電機匝間短路診斷。數(shù)據(jù)顯示,采用此方法的匝間短路故障診斷準確率高達99.4%。
關(guān)鍵詞:永磁同步電機;匝間短路;稀疏自編碼;生成式對抗神經(jīng)網(wǎng)絡(luò);樣本擴張;負序電流;故障診斷
DOI:10.15938/j.emc.2020.09.019
中圖分類號:TP 277
文獻標志碼:A
文章編號:1007-449X(2020)09-0173-08
Fault diagnosis of inter-turn short circuit of permanent magnet synchronous motor based on deep learning
LI Yuan-jiang1,2, ZHANG Zhou-lei1, LI Meng-han1, WEI Hai-feng1,2, ZHANG Yi1,2
(1.College of Electronic Information, Jiangsu University of Science and Technology, Zhenjiang 212003, China;2.Changshu Rhett Electric Co., Ltd., Changshu 215500,China)
Abstract:
An efficient and accurate fault diagnosis of inter-turn short circuit method was proposed to solve the problem that the fault diagnosis of inter-turn short circuit for permanent magnet synchronous motor has difficulty to diagnose caused by motors complex structure, few sample features and large data redundancy, which is based on the generative adversarial nets and sparse auto encoder network. Negative sequence current and torque characteristic signal of permanent magnet synchronous motor were collected to expand sample data and build robust and diverse training set by generative adversarial nets, and sparse auto encoder network was used to realize efficient and accurate classification or diagnosis of fault features by sparse auto encoder network. Experiments show that the expansion of sample data of the negative sequence current and torque characteristic signals of permanent magnet synchronous motors were realized, and an optimized deep network was built to achieve efficient and accurate diagnosis of the inter-turn short circuit.The experimental results show that the accuracy rate of the fault diagnosis of the inter-turn short circuit method is as high as 99.4%.
Keywords:permanent magnet synchronous motor; inter-turn short circuit; sparse auto encoder; generative adversarial nets; sample expansion; negative sequence current; fault diagnosis
0 引 言
匝間短路是一種典型的、破壞性極強的電機故障。輕微的匝間短路若不加以識別,會導(dǎo)致更為嚴重的相間短路、單相接地故障。因此,基于深度學(xué)習(xí)理論研究匝間短路的故障診斷方法對于及時發(fā)現(xiàn)電機早期故障、提高系統(tǒng)可靠性和降低維護成本具有重要意義[1-2]。
現(xiàn)階段,永磁同步電機(permanent magnet synchronous motor,PMSM)匝間短路的識別大多通過各種狀態(tài)參數(shù)(負序特征[3]、振動[4]等參數(shù))判斷其運行的狀態(tài),確定故障部位和劣化程度。匝間短路引起的負序電流波動、阻抗變化均能有效地表征故障特征,但其易受電源品質(zhì)、電機結(jié)構(gòu)、固有參數(shù)等客觀條件的影響。將組合特征(如負序特征+振動信號)作為匝間短路的診斷依據(jù),可有效降低環(huán)境因素對單一參數(shù)的影響,同時借助于主成份分析[5]、經(jīng)驗?zāi)B(tài)分解[6]、BP神經(jīng)網(wǎng)絡(luò)[7]、小波變換[8]、灰色關(guān)聯(lián)理論[9]等機器學(xué)習(xí)方法可在有限的樣本數(shù)據(jù)下,實現(xiàn)匝間短路故障的識別。
永磁同步電機的結(jié)構(gòu)結(jié)構(gòu)復(fù)雜,組件內(nèi)部存在的強關(guān)聯(lián)耦合,使得匝間短路的發(fā)生具有隨機性、繼發(fā)性、并發(fā)性。因此用于診斷的小樣本數(shù)據(jù),失去了實際意義。在電機監(jiān)測大數(shù)據(jù)背景下,基于大量的試驗與專業(yè)知識獲取的海量標簽數(shù)據(jù)與非監(jiān)督診斷方法,是提升故障診斷準確率的關(guān)鍵。
稀疏自編碼網(wǎng)絡(luò)(sparse auto encoder,SAE)和生成式對抗網(wǎng)絡(luò)(generative adversarial nets,GAN)作為典型的深度學(xué)習(xí)方法,在圖像識別、語音識別、電機故障診斷等領(lǐng)域,取得了顯著成果。SAE能夠利用非監(jiān)督方式學(xué)習(xí)數(shù)據(jù)特征的簡明表達,使得特征分類具有準確性高、復(fù)雜度低的特點。文獻[10]采用SAE深度網(wǎng)絡(luò),結(jié)合SOFTMAX分類器實現(xiàn)了異步電機的6類故障診斷,準確率達95%以上。文獻[11]采用SAE網(wǎng)絡(luò),引入dropout技巧實現(xiàn)了感應(yīng)電動機的7類故障診斷,準確達97%以上。然而,電機匝間短路的故障樣本具有偶發(fā)性,難以支撐深度學(xué)習(xí)網(wǎng)絡(luò)所需的樣本數(shù)量,而GAN利用攻擊性原理,使得輸出數(shù)據(jù)與輸入樣本數(shù)據(jù)具有很強的相關(guān)性,因此可將匝間短路故障樣本輸入GAN生成故障樣本數(shù)據(jù),彌補深度網(wǎng)絡(luò)訓(xùn)練不足的缺陷。
本文提出一種聯(lián)合GAN和SAE的永磁同步電機匝間短路診斷方法。該方法首先分析負序電流、電磁轉(zhuǎn)矩與匝間短路的關(guān)聯(lián)性,其次利用電磁轉(zhuǎn)矩與優(yōu)化后的負序電流建立組合診斷特征,并采用GAN對樣本進行擴張,建立訓(xùn)練集。最后通過SAE網(wǎng)絡(luò)創(chuàng)建/優(yōu)化深度神經(jīng)網(wǎng)絡(luò)模型獲取故障特征的簡明表達,訓(xùn)練分類器實現(xiàn)永磁同步電機的匝間短路診斷。
1 深度神經(jīng)網(wǎng)絡(luò)
1.1 生成式對抗網(wǎng)絡(luò)
深度學(xué)習(xí)需要大量數(shù)據(jù)樣本對網(wǎng)絡(luò)進行訓(xùn)練,而樣本的標定過程需要大量的時間、資源[12]。本文采用GAN來增加數(shù)據(jù)規(guī)模,通過創(chuàng)建偽數(shù)據(jù)增強深度學(xué)習(xí)網(wǎng)絡(luò)模型的泛化能力。GAN包括生成模型、判別模型[13]。它讓2個模型相互競爭,通過學(xué)習(xí)本質(zhì)特征,采用生成模型獲得具有相似數(shù)據(jù)屬性的新樣本。如圖1所示。
定義數(shù)據(jù)參數(shù):
{(x(t),z(t)),y(t)}Tt=1。(1)
式中:x(t),z(t)為第t個電機樣本數(shù)據(jù)和第t個隨機噪聲;y(t)為[1,0],表示將樣本數(shù)據(jù)判別為真的概況為1,將生成數(shù)據(jù)判別為真的概況為0。
模型表示如下:
G:x~=g(z,θG)∈Rn。
D:Feature:X=DF(x,θF),
X~=DF(x~,θF)。
Classifier:y=P(L(x))=real|X,θC|,P(L(x~))=real|X~,θC|。(2)
式中:G,D為生成模型,判別模型;x~為生成數(shù)據(jù);θG為生成模型待優(yōu)化參數(shù);θF為判別模型特征學(xué)習(xí)階段待優(yōu)化參數(shù);θC為判別模型分類器設(shè)計階段待優(yōu)化參數(shù);g(·),DF(·),P(·)為各模型下的映射函數(shù)。
另外,只有當數(shù)據(jù)量遠大于生成模型的參數(shù)量時才會保證網(wǎng)絡(luò)得到零和博弈解。
從式(2)可以分析得到判別模型與生成模型的關(guān)系:
因此,固定生成模型就可以得到對應(yīng)判別器的損失函數(shù):
式中:x~P(x)為服從電機樣本分布;x~~P(x~)為服從生成數(shù)據(jù)分布。
損失函數(shù)中可以將-log(D(x))理解為x判別為真的概率,將log(1-D(x~))理解為x~判別為偽的概率。而判斷模型的設(shè)計要求是:將樣本數(shù)據(jù)判斷為真的概率要高,將生成數(shù)據(jù)判斷為偽的概率要高。另外,對生成模型的設(shè)計要求是:判別模式固定時,生成數(shù)據(jù)的分布特性盡可能與電機樣本一致,即P(x)≈P(x~),最大化目標函數(shù)如下:
結(jié)合式(4)和式(5)的損失函數(shù),融合判別模型及生成模型的要求,GAN最終目標函數(shù)描述為:
經(jīng)過梯度下降優(yōu)化參數(shù)(θG,θD),縮短生成數(shù)據(jù)與自然數(shù)據(jù)差距,當D(G(z))=1此時生成數(shù)據(jù)與原電機樣本之間達到最理想的狀態(tài),即:D(G(z))~P(x~)~P(x)。網(wǎng)絡(luò)模型如圖2所示。
1.2 稀疏自編碼網(wǎng)絡(luò)及優(yōu)化
如圖3所示,稀疏自編碼網(wǎng)絡(luò)通過編碼器獲取隱層特征張量,并使其稀疏化。然后,通過優(yōu)化目標函數(shù)即解碼器來判別特征與原始輸入關(guān)聯(lián)性,實現(xiàn)無監(jiān)督學(xué)習(xí)[14]。稀疏自編碼網(wǎng)絡(luò)存儲能力強,并具有聯(lián)想記憶能力,其信號結(jié)構(gòu)更加清晰,適合表達、學(xué)習(xí)電機的樣本數(shù)據(jù)特征。
自編碼網(wǎng)絡(luò)邏輯回歸問題普遍使用正則化策略約束網(wǎng)絡(luò)從而提高泛化能力。通過對目標函數(shù)J(θ)添加參數(shù)范數(shù)懲罰R(θ)限制模型學(xué)習(xí)能力,此時優(yōu)化目標函數(shù)如下:
式中:x^(n)為輸入x(n)的預(yù)測,期望與輸入相似;R(θ)為正則項;γ為權(quán)衡R(θ)與J(θ)之間相對貢獻的超參數(shù),γ越大對應(yīng)正則化限制越大。
不同于一般神經(jīng)網(wǎng)絡(luò)算法直接懲罰模型參數(shù)實現(xiàn)泛化,稀疏自編碼網(wǎng)絡(luò)通過約束權(quán)值連接,有效刪減參數(shù)使大部分隱層節(jié)點處于靜默狀態(tài),從而除去冗余基并加強有效目標的訓(xùn)練。為了稀疏化激活節(jié)點,將Kullback-Leibler散度引入稀疏正則項懲罰網(wǎng)絡(luò)激活單元:
式中:X-(j)為隱層第j個節(jié)點相應(yīng)的平均值,j=1,2,…,v;ρ為稀疏性參數(shù),接近于0。
KL散度懲罰的意義:經(jīng)過懲罰使隱藏神經(jīng)元活躍度處與ρ=X-(j)限制條件下來減少訓(xùn)練過程的泛化誤差。
最終稀疏自編碼網(wǎng)絡(luò)得到的優(yōu)化目標函數(shù)為:
minθJ(θ)=1N∑Nn=1‖x^(n)-x(n)‖22+
γR(θ)+β∑vj=1KL(ρ||X-(j))。(11)
最后將稀疏自編碼的訓(xùn)練流程如圖4所示。
2 匝間短路特征分析
永磁同步電機的匝間短路、不平衡的電源電壓等因素均會影響負序電流。若直接使用負序電流特征對匝間短路進行診斷會嚴重影響診斷結(jié)果[15-16]。因此需對負序電流進行優(yōu)化,使其與匝間短路程度具有相同的變化趨勢,使診斷特征更具魯棒性。同時,將電磁轉(zhuǎn)矩特征引入故障特征,聯(lián)合負序電流構(gòu)建樣本集,提升診斷方法的有效性。定義電機平衡狀態(tài)下的負序電流是匝間短路條件下的負序電流。當電機處于電壓不平衡狀態(tài)時,負序電流由誤差負序電流和故障負序電流共同決定。
經(jīng)永磁同步電機實驗平臺,得到負序電流如表1所示,表中:|I+|為正序電流模值;|I-|為總負序電流模值;|I-f|為優(yōu)化后的負序電流模值。
由表1可知,平衡狀態(tài)下電機健康時|I-|幾乎為0,而當短路匝數(shù)遞增時,|I-|同步升高。此時|I-f|即為|I-|。而在不平衡電壓狀態(tài)下,隨著不平衡度的上升,相同短路匝數(shù)條件的|I-|也會上升。此時定義|I-f|為|I-|與不平衡負序電流的差值,可抑制不平衡度上升帶來的影響。因此將|I-f|作為匝間短路故障特征項是合理的。
為了提高診斷特征的多樣性,引入電磁轉(zhuǎn)矩特征。電磁轉(zhuǎn)矩特征與匝間短路故障的關(guān)聯(lián)性證明如下。假設(shè)磁芯飽和并且反電動勢為正弦,永磁同步電機的模型為:
式中: θ為電機機械角;wr為機械速度;B為阻尼系數(shù);J 為轉(zhuǎn)子轉(zhuǎn)動慣性;TL,Te為負載轉(zhuǎn)矩、電磁轉(zhuǎn)矩;S為相繞組;Ki為第i相的電動勢系數(shù);Ii為第i相的相電流;Km為相位電動勢系數(shù)峰值;we為電速度(we=pwr,p表示極對數(shù));θei為第i相的初始相角。
式中:Sn為正常相繞組;Sf為故障相繞組;Tu為可控電磁轉(zhuǎn)矩,保證故障后電機的繼續(xù)運行;Tr為不可控電磁轉(zhuǎn)矩,取決于電機故障類型。
永磁同步電機處于健康運行情況下,瞬時相電流可以表示為
從式(17),式(18)可以看出故障情況下瞬時相位電流會存在高次諧波分量。匝間短路條件下,短路電流僅限于額定電流,因此由匝間短路引起的轉(zhuǎn)矩可以表示為
式中:Im為相電流峰值;θi為相位角度。
另外根據(jù)式(17)~式(19)可以求取匝間短路下的健康相位電流
式中:θ′if為第i相發(fā)生匝間短路電磁相角;
由式(19)可知影響電磁轉(zhuǎn)矩的因素為相位電動勢系數(shù)以及相電流。當永磁同步電機的某相繞組發(fā)生匝間短路時,該相電流增加。隨著短路匝數(shù)的增多,相電流峰值會不斷升高,最后帶動電磁轉(zhuǎn)矩的上升。因此永磁同步電機電磁轉(zhuǎn)矩可以作為研究匝間短路的有效特征。不同平衡狀態(tài)下電磁轉(zhuǎn)矩特征對比,如下圖所示。
圖5呈現(xiàn)40~60 ms穩(wěn)定運行時間內(nèi)的電磁轉(zhuǎn)矩。隨著短路匝數(shù)增大,電磁轉(zhuǎn)矩平均值亦呈上升趨勢。圖6表示繞組發(fā)生37匝短路時不同平衡度電壓下對應(yīng)的電磁轉(zhuǎn)矩分布??梢?,三相電壓對稱性越差則電磁轉(zhuǎn)矩受到的影響程度也會加深。因此,引入跟蹤誤差優(yōu)化函數(shù)J優(yōu)化電磁轉(zhuǎn)矩[12],即
J=λte|T*e(k)-Te(k)|。(21)
式中:λte為優(yōu)化權(quán)重系數(shù);T*e(k),Te(k)為不平衡時刻預(yù)測電磁轉(zhuǎn)矩,平衡時刻已知電磁轉(zhuǎn)矩。
通過控制電磁轉(zhuǎn)矩優(yōu)化權(quán)重系數(shù)使誤差J達到極小值,實現(xiàn)T*e(k)→Te(k)。最終優(yōu)化后的電磁轉(zhuǎn)矩可達到規(guī)避電壓不平衡的目的。
因此本文通過組合優(yōu)化后的負序分量及電磁轉(zhuǎn)矩,抵抗由電機非平衡電壓狀態(tài)帶來的誤差效應(yīng),提升故障診斷的可靠性。
3 試驗分析
本文搭建的永磁同步電機實驗測試平臺如圖7所示。電機參數(shù)如表2所示。
通過更改并聯(lián)繞組匝數(shù)模擬匝間短路,樣本標簽如下表所示。
3.1 網(wǎng)絡(luò)參數(shù)優(yōu)化
本文從隱層、學(xué)習(xí)率以及內(nèi)嵌優(yōu)化算法3個指標進行優(yōu)化,通過損失函數(shù)(均方誤差)判斷最優(yōu)情況。優(yōu)化結(jié)果如表4所示。
對比在不同隱層數(shù)狀態(tài)下所對應(yīng)的損失值可知,3層隱層訓(xùn)練的效果最優(yōu)。隱藏層太少無法完成學(xué)習(xí)任務(wù),而隱藏層太多會使網(wǎng)絡(luò)變得緩慢難以訓(xùn)練。同理,學(xué)習(xí)率在處于0.01時損失值最小。學(xué)習(xí)率太高會影響整體網(wǎng)絡(luò)的訓(xùn)練效率,太低使得訓(xùn)練過程變慢,也讓學(xué)習(xí)趨勢不可預(yù)測。另外訓(xùn)練算法對最終結(jié)果以及訓(xùn)練時間會有很大的影響,本文選取Adam(Adaptive Moment Estimation)作為網(wǎng)絡(luò)的最優(yōu)算法,在確定參數(shù)后測試得到的網(wǎng)絡(luò)損失值達到最小。
3.2 樣本擴張的有效性分析
將負序電流、電磁轉(zhuǎn)矩作為匝間短路故障的聯(lián)合特征項。為研究GAN實現(xiàn)樣本數(shù)據(jù)擴張的合理性,隨機抽取樣本輸入GAN,對比擴張樣本與輸入電機樣本的分布。如圖8所示,負序電流、電磁轉(zhuǎn)矩特征處于非線性狀態(tài),各樣本之間無規(guī)律可尋。在經(jīng)過GAN后,新生成數(shù)據(jù)樣本接近真實數(shù)據(jù)的分布趨勢,證明了GAN生成模型的衍生能力。
同時,為了證明經(jīng)GAN擴張后的樣本對提升匝間短路故障診斷準確性的意義,將”正?!睌?shù)據(jù)樣本與“故障樣本”以3∶1的比例建立訓(xùn)練集,共計1 000個樣本。從兩類訓(xùn)練樣本中,各隨機抽取100個樣本輸入GAN完成數(shù)據(jù)擴張,因此新生成訓(xùn)練集中的樣本數(shù)量為1 200個,其“正?!睌?shù)據(jù)樣本與“故障樣本”的比例約為2.5∶1。另外給予20個已知的故障樣本(非訓(xùn)練集)用于測試診斷效果,如表5所示。
如表5所示,擴張后的訓(xùn)練集能充分解決深度網(wǎng)絡(luò)故障樣本訓(xùn)練不足的問題,使得故障診斷的準確率提高了15%,從而證明擴張后的樣本有助于提升網(wǎng)絡(luò)的泛化能力。同時,本文采用交叉熵損失函數(shù)評價在不同訓(xùn)練集條件下本文算法的診斷偏差。
由圖9可知,將原始訓(xùn)練集直接輸入優(yōu)化后的SAE,由于其并未充分學(xué)習(xí)匝間短路的故障特征,因此最終診斷偏差達5.8%,嚴重限制了算法在實際工程中的應(yīng)用。而經(jīng)過GAN擴張后的訓(xùn)練集,彌補了訓(xùn)練不足的問題,其最終診斷誤差只有1.5%,可見深度網(wǎng)絡(luò)可充分學(xué)習(xí)電機的匝間短路特征。
3.3 與傳統(tǒng)方法對比
為了展示深度學(xué)習(xí)電機故障診斷的有效性,實驗采用Geforce GTX 1070 GPU顯卡,基于CUDA8.0-CUDNN5.1 Tensorflow平臺實現(xiàn)不同方法深度學(xué)習(xí)訓(xùn)練,并與傳統(tǒng)網(wǎng)絡(luò)診斷進行對比分析。其結(jié)果如表6所示。
主成分分析(PCA)及經(jīng)驗?zāi)B(tài)分解(EDM)是傳統(tǒng)信號數(shù)據(jù)挖掘的主要方法。PCA和EDM分解組合特征信號分別獲得2~100特征數(shù)或7個IMF能量值,通過2層SVM神經(jīng)網(wǎng)絡(luò)迭代50次達到診斷作用,此方法相對其他算法比較,診斷效率較為低下。而基于3層BP神經(jīng)網(wǎng)絡(luò)的故障診斷準確率高達88.7%,證明具有強泛化能力的BP神經(jīng)網(wǎng)絡(luò)能夠良好的學(xué)習(xí)和識別故障類型。后3組實驗在深度學(xué)習(xí)框架下,固定深度神經(jīng)網(wǎng)絡(luò)參數(shù)(隱藏層:3;隱層節(jié)點:10;批處理量:500;步數(shù)50 000)比較不同方法診斷結(jié)果的優(yōu)劣程度。SAE網(wǎng)絡(luò)的泛化能力優(yōu)于BP神經(jīng)網(wǎng)絡(luò),可對匝間短路故障的特征進行主動學(xué)習(xí)、分類,其準確率高達97.1%。相同SAE網(wǎng)絡(luò)及算法條件下,考慮到不對稱性三相電壓,依據(jù)本文特征優(yōu)化方法重新組合特征樣本,診斷結(jié)果有顯著的提升,上升了1.7%。而在此基礎(chǔ)上本文另外通過GAN網(wǎng)絡(luò)擴張6 000個額外訓(xùn)練樣本,一方面增加了樣本數(shù)量,另一方面增強了數(shù)據(jù)集,由噪聲生成的偽數(shù)據(jù)可以彌補網(wǎng)絡(luò)訓(xùn)練不足的缺陷,防止過擬合現(xiàn)象,最終使得故障診斷準確率達到99.4%,實現(xiàn)了高效的電機匝間故障診斷。
4 結(jié) 論
本文聯(lián)合GAN和SAE提出了一種高效準確的永磁同步電機匝間短路診斷方法。該方法采用GAN實現(xiàn)對永磁同步電機負序電流和轉(zhuǎn)矩特征信號的樣本數(shù)據(jù)擴張,豐富了訓(xùn)練集的樣本種類,彌補了深度網(wǎng)絡(luò)訓(xùn)練不足的難題,同時基于Kullback-Leibler距離及SAE稀疏正則項,構(gòu)建優(yōu)化深度網(wǎng)絡(luò)實現(xiàn)高效準確的電機匝間短路診斷。與其他人工智能故障診斷方法優(yōu)勢在于:
1)采用GAN擴展訓(xùn)練集,增加數(shù)據(jù)集的多樣性,彌補了深度網(wǎng)絡(luò)訓(xùn)練不足的問題。
2)提高網(wǎng)絡(luò)對輸入樣本數(shù)據(jù)的稀疏性表達,提升了網(wǎng)絡(luò)泛化能力和分類識別能力。
因此本文方法可以更加準確地應(yīng)用于永磁同步電機匝間短路故障診斷。
參 考 文 獻:
[1] 任浩,屈劍鋒,柴毅,等. 深度學(xué)習(xí)在故障診斷領(lǐng)域中的研究現(xiàn)狀與挑戰(zhàn)[J].控制與決策,2017, 32(8):1345.
REN Hao, QU Jianfeng, CHAI Yi, et al. Deep learning for fault diagnosis: The state of the art and challenge[J].Control and Decision,2017, 32(8):1345.
[2] 辛鵬, 戈寶軍, 陶大軍, 等.同步發(fā)電定子繞組匝間短路故障特征規(guī)律研究[J]. 電機與控制學(xué)報, 2019, 23(01):45.
XIN Peng, GE Baojun, TAO Dajun, et al. Characteristic law of synchronous generator with stator winding inter-turn short circuit fault[J]. Electric Machines and Control,2019,23(01):45.
[3] 劉沛津,谷立臣.異步電機負序分量融合方法及其在定子匝間短路故障診斷中的應(yīng)用[J].中國電機工程學(xué)報,2013,33(15):119.
LIU Peijin, GU Lichen. A negative sequence component fusion method and its applications in diagnosis of inter-turn short circuit faults in induction motor stator windings[J].Proceedings of the CSEE,2013,33(15):119.
[4] 丁鋒, 秦峰偉. 小波降噪及Hilbert變換在電機軸承故障診斷中的應(yīng)用[J]. 電機與控制學(xué)報, 2017, 21(6):89.
DING Feng, QIN Fengwei. Application of wavelet denoising and Hilbert transform in fault diagnosis of motor bearing[J].Electric Machines and Control,2017,21(6):89.
[5] XIE Y, ZHANG T. A fault diagnosis approach using SVM with data dimension reduction by PCA and LDA method[C]// Chinese Automation Congress. IEEE, 2015:869-874.
[6] DU Wei,LIU Quan.Advanced Electrical and Electronics Engineering[M].Springer-Verlag Berlin Heidelberg,2011:423-428.
[7] 史麗萍, 湯家升, 王攀攀,等. 采用最優(yōu)小波樹和改進BP神經(jīng)網(wǎng)絡(luò)的感應(yīng)電動機定子故障診斷[J]. 電工技術(shù)學(xué)報, 2015, 30(24):38.
SHI Liping, TANG Jiasheng, WANG Panpan, et.al. Stator fault diagnosis of induction motors using the optimal wavelet tree and improved BP neural network[J].Transactions of China Electrotechnical Society,2015,30(24):38.
[8] 陳勇, 梁洪, 王成棟, 等. 基于改進小波包變換和信號融合的永磁同步電機匝間短路故障檢測[J]. 電工技術(shù)學(xué)報, 2020, 35(S1):228.
CHEN Yong,LIANG Hong,WANG Chengdong, et al. Detection of stator inter-turn short-circuit fault in PMSM based on improved wavelet packet transform and signal fusion[J].Transactions of China Electrotechnical Society,2020,35(S1):228.
[9] 李永剛, 馬明晗, 武玉才,等. 汽輪發(fā)電機轉(zhuǎn)子繞組匝間短路故障程度診斷方法[J].電機與控制學(xué)報,2018, 22(6):62.
LI Yonggang, MA Minghan,WU Yucai, et al. Diagnostic method of turbo generator rotor winding inter-turn short circuit fault degree[J].Electric Machines and Control,2018,22(6):62.
[10] 王麗華, 謝陽陽, 張永宏,等. 采用深度學(xué)習(xí)的異步電機故障診斷方法[J]. 西安交通大學(xué)學(xué)報, 2017, 51(10):128.
WANG Lihua, XIE Yangyang, ZHANG Yonghong, et al.A fault diagnosis method for asynchronous motor using deep learning[J].Journal of Xi′an Jiaotong University,2017,51(10):128.
[11] 孫文珺,邵思羽,嚴如強.基于稀疏自動編碼深度神經(jīng)網(wǎng)絡(luò)的感應(yīng)電動機故障診斷[J].機械工程學(xué)報,2016,52(9):65.
SUN Wenjun, SHAO Siyu, YAN Ruqiang. Induction motor fault diagnosis based on deep neural network of sparse auto-encoder[J].Journal of Mechanical Engineering.2016,52(9):65.
[12] 焦李成,趙進,楊淑媛,劉芳. 深度學(xué)習(xí)、優(yōu)化與識別[M].北京:清華大學(xué)社,2017.
[13] WANG H G, XIN L I, ZHANG T. Generative adversarial network based novelty detection using minimized reconstruction error[J]. Frontiers of Information Technology & Electronic Engineering,2018,19(01):116.
[14] LIN D , WAN Q . Faulty elements diagnosis of phased array antennas using a generative adversarial learning-based stacked denoising sparse auto-encoder[J]. Journal of Electromagnetic Waves, 2019, 33(3):382.
[15] 李俊卿, 康文強, 沈亮印. 不平衡電壓下基于負序電流法的雙饋感應(yīng)發(fā)電機定子繞組匝間短路故障仿真研究[J]. 電機與控制應(yīng)用,2016, 43(11):80.
LI Junqing,KANG Wenqiang,SHEN Liangyin.Simulation research on stator winding inter turn short circuit fault of doubly fed induction generator based on negative sequence current method under unbalanced voltage[J]. Electric Machines and Control Application,2016,43(11):80.
[16] 劉志勇, 孫俊, 高海波,等. 永磁同步電機匝間短路對電機性能影響研究[J]. 武漢理工大學(xué)學(xué)報(交通科學(xué)與工程版), 2019, 043(003):471.
LIU Zhiyong, SUN Jun, GAO Haibo, et al. Research on on influence of permanent magnet synchronous motor inter-turn short circuit on motor performance[J].Journal of Wuhan University of Technology(Transportation Science & Engineering),2019, 043(003):471.
(編輯:劉素菊)
收稿日期: 2018-07-23
基金項目:國家自然科學(xué)基金(61503161,61771225);江蘇省產(chǎn)學(xué)研前瞻性聯(lián)合研究項目(BY2016073-01);江蘇省重點研發(fā)計劃社會發(fā)展項目(BE2016723);江蘇省高校自然科學(xué)研究項目(15KJB510008)
作者簡介:李垣江(1981—),男,博士,副教授,研究方向為故障診斷、視覺傳感;
張周磊(1994—),男,碩士,研究方向為深度學(xué)習(xí)、故障診斷;
李夢含(1993—),女,碩士,研究方向為深度學(xué)習(xí)、故障診斷;
魏海峰(1981—),男,博士,副教授,研究方向為電機控制、船舶電力系統(tǒng);
張 懿(1982—),女,博士,副教授,研究方向為船舶電力系統(tǒng)。
通信作者:魏海峰