一种五相永磁电机匝间短路故障诊断方法技术

本发明专利技术公开了一种五相永磁电机匝间短路故障诊断方法，首先，使用带有通道注意力的多尺度卷积层突出故障特征；其次，开发一个带有空间注意力的残差层来缓解梯度消失现象，增强特征图中的故障特征，进一步提高特征学习性能；最后，采用自注意力层减少对外部信息的依赖，捕捉特征的内部相关性，进一步提高网络模型可解释性。本发明专利技术能在五相永磁同步电机复杂工况下从获取的信号中获得足够的故障特征，然后通过提取电流信号故障特征实现不同短路情况下的早期匝间短路故障（ITSC）诊断，具有诊断精度高的优点。精度高的优点。精度高的优点。

【技术实现步骤摘要】
一种五相永磁电机匝间短路故障诊断方法


[0001]本专利技术涉及多相电机匝间故障诊断
，特别涉及一种五相永磁电机匝间短路故障诊断方法。

技术介绍

[0002]相比于传统的三相电机，五相永磁电机因其具有高效、高功率密度、高转矩惯量比等特点而受到越来越广泛的研究。在实际应用时，绕组匝间短路故障作为电机诸多电气故障中发生概率较高的一种故障，一旦发生将会使整个电驱动系统的性能急剧下降，严重时甚至将导致整个电驱动系统崩溃。但若能在匝间短路故障早期阶段及时有效诊断出故障程度，配合相应的容错控制策略，就能大幅提高整个电驱动系统的可靠性。因此五相永磁同步电机匝间短路故障诊断方法的研究，对于提高电动汽车和风力发电机等电驱动系统的容错运行能力具有重要意义。
[0003]目前三相永磁同步电机匝间短路故障诊断方法，可以归纳为三大类：采用信号分析、采用模型以及采用AI智能的方法。现有的信号分析方法，如快速傅里叶变换（FFT）、短时傅里叶变换、希尔伯特
‑
黄变换（HHT）、小波分析和扩展帕克矢量分析（EPVA）等，采用特定的电流和电压故障特征来诊断故障。然而，信号分析方法对信号稳定性要求高，需要相关的先验知识来实现和解释。基于模型的诊断方法主要是通过构建电路模型、有限元分析模型和不同类型的观测器来分析各种电机参数的磁场分布和波形，从而在故障发生时实现故障检测。但该类方法需要极其精确的电机参数。然而，在电机运行过程中，电感和电阻参数不可避免地随着温度的升高而发生变化，这对准确估计故障程度有很大影响。基于人工智能的方法是利用机器学习、推理和决策来实现故障诊断，对永磁电机数学模型的依赖性较小，对相关先验知识的约束也有所减少，在一定程度上解决了前两种方法的问题。因此应用得越来越广泛。
[0004]近年来，国内外学者对于三相永磁同步电机匝间短路故障诊断进行了深入的研究，并取得了丰富的成果。但针对多相电机尤其是五相永磁同步电机的匝间短路故障诊断研究相对较少。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提出了一种五相永磁电机匝间短路故障诊断方法，能够减少无用故障特征对诊断性能的干扰，提高鲁棒性和捕获特征的能力；克服传统深度网络中出现的性能下降问题。
[0006]为达到技术目的，本专利技术采用如下技术方案：一种五相永磁电机匝间短路故障诊断方法，包括如下步骤：步骤S1：构建五相永磁同步电机实验平台；步骤S2：在电机实验平台上，通过数据采集系统，收集不同工况下电机正常运行数据与匝间短路故障数据，并构成样本数据集；
步骤S3：整理所述步骤2的样本数据集，将样本数据集分为训练集和测试集两部分；步骤S4：设计Tensflow下的匝间短路故障诊断神经网络模型，所述匝间短路故障诊断神经网络模型包括带有通道注意力的多尺度卷积层、带有空间注意力的残差层、自注意力层和分类层；使用带有通道注意力的多尺度卷积层突出故障特征；然后通过带有空间注意力的残差层增强特征学习能力；再采用自注意力层减少外部信息的依赖，捕捉特征的内部相关性；最后采用分类层输出结果；步骤S5：使用训练集进行神经网络模型训练，迭代过程中利用交叉熵损失函数计算并诊断分类层输出结果与真实类别之间的误差，对神经网络结构和超参数进行调整，重复上述过程进行多次训练，直至超过迭代次数确定最优神经网络参数；步骤S6：使用测试集进行故障诊断，将测试集中的样本输入到最优结构的神经网络中，得到最终的诊断结果；若测试集中的样本准确率大于95％，则测试集能满足五相永磁同步电机早期匝间短路故障诊断的要求。
[0007]进一步的，所述步骤S2中收集不同工况下电机正常运行数据与匝间短路故障数据时，分别采集两种不同转速下电机正常、匝间短路1.4％、7.1％、14.2％的数据。
[0008]进一步的，所述步骤S3中整理所述步骤2的样本数据集时，首先采用数据增强的方法提取有效特征，并进行归一化处理；使用等间隔滑动窗口的数据增强方法对原始数据进行重叠采样，获得样本数据集；再将样本数据集分为训练集和测试集两部分，训练集由960个样本组成，测试集由240个样本组成，比例为4:1，每个样本由2048组数据构成。
[0009]进一步的，所述步骤S4中的匝间短路故障诊断神经网络模型在匝间故障发生后，采用算法剔除无用故障特征的干扰，增强特征学习性能，提高网络模型可解释性；具体包括如下步骤：步骤S41：采用多尺度卷积网络平衡网络的深度和宽度；同时突出信息通道并抑制无效通道，在每个分支的最大池化层后面加入通道注意力层，形成带有通道注意力的多尺度卷积层；表达式如下：，其中，为第l层的第i个数据的第j个特征值；为权重系数；b
lj
为偏差值；*为卷积运算；f( )为ReLU激活函数；W为池化层大小；u
c
(l)第l层池化后的结果；z
c
为u
c
(l)池化后的平均值；z
c
’
为经历两次激活函数后的映射矩阵；u
c
’
为经过压缩和激励后的特征图；激活函数σ( )为sigmod函数；步骤S42：将残差学习与空间注意力相结合，选择浅层结构中的有效特征进行加权
跳跃连接；形成带有空间注意力的残差层，具体表达式如下：，其中，u
c
为原始特征图；z
c1
为原始映射矩阵池化后的平均值；z
c2
为原始映射矩阵池化后的最大值；z
c
’
为z
c1
、z
c2
拼接后经历一次卷积和激活函数后的映射矩阵；W为权重系数；b为偏置；激活函数σ( )为sigmod函数；u
c
’
为经过空间注意力后的特征图；步骤S43：引入自注意力机制调整不同特征向量的注意力权重，根据全局上下文信息对每个实体进行编码来捕获输入序列的交互，形成自注意力层；表达式如下：，其中，其中，其中，其中，分别是查询、键和值矩阵；是输入矩阵的长度；d
k
、d
v
是嵌入维度；步骤S44：将从自注意力层输出的不同特征向量汇聚输入到分类层传递到Softmax输出层，得到最终的诊断结果。
[0010]本专利技术采用以上技术方案与现有技术相比，具有以下有益效果：1、本专利技术将带有注意力机制的多尺度卷积残差网络用于五相永磁同步电机早期匝间短路故障，为五相永磁同步电机匝间短路故障诊断提供新的可能性；2、本专利技术采用带有注意力机制的多尺度卷积层、带有空间注意力的残差层、自注意力层，提高鲁棒性和捕获特征的能力；克服了传统深度网络中出现的性能下降问题，进一步增强特征图中的故障特征；减少对外部信息的依赖，提高了网络模型可解释性；3、本专利技术解决了传统方法依赖于专家经验，耗时大的问题，进一步提高了匝间短路故障诊断准确率。
附图说明
[0011]图1为本专利技术一种五相永磁电机匝间短路故障诊断方法算法框图；图2为本专利技术中带有通道注意力的多尺度卷积层图；图3为本专利技术中带有空间注意力的残差本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种五相永磁电机匝间短路故障诊断方法，其特征在于，包括如下步骤：步骤S1：构建五相永磁同步电机实验平台；步骤S2：在电机实验平台上，通过数据采集系统，收集不同工况下电机正常运行数据与匝间短路故障数据，并构成样本数据集；步骤S3：整理所述步骤2的样本数据集，将样本数据集分为训练集和测试集两部分；步骤S4：设计Tensflow下的匝间短路故障诊断神经网络模型，所述匝间短路故障诊断神经网络模型包括带有通道注意力的多尺度卷积层、带有空间注意力的残差层、自注意力层和分类层；使用带有通道注意力的多尺度卷积层突出故障特征；然后通过带有空间注意力的残差层增强特征学习能力；再采用自注意力层减少外部信息的依赖，捕捉特征的内部相关性；最后采用分类层输出结果；步骤S5：使用训练集进行神经网络模型训练，迭代过程中利用交叉熵损失函数计算并诊断分类层输出结果与真实类别之间的误差，对神经网络结构和超参数进行调整，重复上述过程进行多次训练，直至超过迭代次数确定最优神经网络参数；步骤S6：使用测试集进行故障诊断，将测试集中的样本输入到最优结构的神经网络中，得到最终的诊断结果；若测试集中的样本准确率大于95％，则测试集能满足五相永磁同步电机早期匝间短路故障诊断的要求。2.根据权利要求1所述的一种五相永磁电机匝间短路故障诊断方法，其特征在于，所述步骤S2中收集不同工况下电机正常运行数据与匝间短路故障数据时，分别采集两种不同转速下电机正常、匝间短路1.4％、7.1％、14.2％的数据。3.根据权利要求1所述的一种五相永磁电机匝间短路故障诊断方法，其特征在于，所述步骤S3中整理所述步骤2的样本数据集时，首先采用数据增强的方法提取有效特征，并进行归一化处理；使用等间隔滑动窗口的数据增强方法对原始数据进行重叠采样，获得样本数据集；再将样本数据集分为训练集和测试集两部分，训练集由960个样本组成，测试集由240个样本组成，比例为4:1，每个样本由2048组数据构成。4.根据权利要求1所述的一种五相永磁电机匝间短路故障诊断方法，其特征在于，所述步骤S4中的匝间短路故障诊断神经网络模型在匝间故障发生后，采用...

【专利技术属性】
技术研发人员：徐高红，戴显阳，陈前，
申请(专利权)人：江苏大学，
类型：发明
国别省市：