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

本发明专利技术公开了一种基于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。本发明专利技术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。

【技术实现步骤摘要】
一种基于CGAN-CNN的同步电机转子匝间短路故障判别方法
本专利技术涉及电机
，尤其是涉及同步电机转子匝间短路故障判别方法。
技术介绍
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本文档来自技高网...

【技术保护点】
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：/n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；/n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；/na.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；/nb.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；/n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；/n步骤4：确定卷积神经网络参数，构建卷积神经网络模型；/n步骤5：将生成的人工...

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：李俊卿，李斯璇，陈雅婷，王波，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：河北;13