【技术实现步骤摘要】
本专利技术涉及电机故障分析，特别是涉及一种基于深度学习的永磁同步电机匝间短路故障诊断方法。
技术介绍
1、随着永磁体材料性能的不断完善和提高以及电力电子器件的进一步发展，加上永磁同步电机制造以及控制技术的成熟，同时永磁同步电机运行稳定，结构紧凑，输出转矩和效率高，广泛应用于航空航天，电动汽车等领域。据统计，定子绕组故障约占所有故障类型中的21％～37％，定子绕组故障可以分为绕组短路故障、绕组开路故障和绕组不对称故障，而绕组短路故障又可分为匝间短路故障、相间短路故障和三相短路故障，其中匝间短路故障是定子绕组故障中发生频率最高的一种故障，若没有及时检测出永磁同步电机发生匝间短路故障，会进一步发展成相间短路故障和三相短路故障，影响电机系统正常工作甚至威胁工作环境中的人员安全，因此及时发现并且诊断出匝间短路故障对于维持正常的系统工作以及保护生产安全而言都有着显著作用。
2、目前对于永磁同步电机的匝间短路故障的诊断方法主要包括基于数学模型的诊断方法，建立电机的数学模型描述电机的磁场信息，同时表征出电机的性能的特征量，目前对于永磁同步电机数学模型的建立是在不通坐标系下建立不同运行状态的数学模型，获取能够表征永磁同步电机故障特征的特征量从而对其进行故障诊断。
3、基于信号分析的诊断方法，基于信号的永磁同步电机故障诊断得到广泛运用，信号分析方法是基于永磁同步电机的采样数据进行分析，采用合适的信号处理方法提取出永磁同步电机的电压、电流、反电动势以及磁场数据，并且进一步分析其中与故障特征相关的深层关系，该方法不需要建立复杂的
4、基于人工智能的诊断方法不需要人为的去提取数据中的故障特征，具有效率高，适用性广的特点，同时有着较高的诊断准确率，但是随着永磁同步电机的多元性发展，用于进行故障诊断的特征数据也向着多样化以及价值密度低的方向发展，且容易发生梯度衰减以及过拟合等情况，不利于稳定准确的故障诊断，简单的浅层神经网络无法满足永磁同步电机的故障诊断需求。
技术实现思路
1、本专利技术的目的是为了克服上述现有技术存在的缺陷，提供一种基于深度学习的永磁同步电机匝间短路故障诊断方法，基于深度学习网络可以更好的获得这些数据与匝间短路故障的相关性，逐层初始化的方法可更好的训练神经网络，并且可以利用误差反向传播对网络结构进行优化，保证了深度学习网络具有更强的适用性以及高效率和高准确率。
2、根据本专利技术实施例的基于深度学习的永磁同步电机匝间短路故障诊断方法，包括步骤s1～s7：
3、s1，选定表贴式三相永磁同步电机并且建立仿真模型，分析永磁同步电机匝间短路故障原理，构造永磁同步电机匝间短路故障外电路模型并加载到永磁同步电机模型中完成永磁同步电机匝间短路故障模型整体仿真；
4、s2，根据不同的永磁同步电机匝间短路故障匝间比对不同程度的匝间故障仿真，并且获取不同故障程度的永磁同步电机的发生匝间短路稳定后的多个周期三相定在绕组电流数据作为永磁同步电机匝间短路故障诊断的故障特征信号；
5、s3，将采集到的永磁同步电机匝间短路三相定子绕组电流数据进行预处理，首先消除所测试得到的三相定子绕组电流数据中的噪声，降低噪声对故障诊断的干扰，其次将数据整合成能够放入cnn-lstm神经网络模型的数据形式；
6、s4，搭建cnn-lstm神经网络模型，在python中基于pytorch搭建神经网络模型，结合cnn神经网络和lstm神经网络构建cnn-lstm神经网络模型，结果包括输入层、卷积层、池化层、激活层、lstm层、全连接层和输出层，其中cnn神经网络部分主要提取故障特征数据的空间特征，lstm神经网络部分则捕捉序列数据的时域特征；
7、s5，将经过预处理的数据划分为训练集和测试集，训练集通过反复迭代和优化来调整网络中的参数来降低模型诊断的误差达到调试神经网络的目的，测试集用于评估神经网络模型的准确率以及泛化能力，以此判断模型是否满足永磁同步电机匝间短路故障诊断的要求；
8、s6，将仿真得到的永磁同步电机匝间短路故障的三相定子绕组电流作为加载故障样本的训练数据，对cnn-lstm神经网络模型进行训练以调整和优化网络中的参数；
9、s7，将测试集数据放入训练后的cnn-lstm神经网络模型中进行测试，检验cnn-lstm神经网络模型在新的永磁同步电机匝间短路故障数据上的表现，从准确率、损失值来评价cnn-lstm神经网络模型是否有足够泛化能力进行准确的故障诊断。
10、根据本专利技术实施例的基于深度学习的永磁同步电机匝间短路故障诊断方法，具有以下有益效果：
11、1.本专利技术采用永磁同步电机三相定子电流为特征信号进行故障诊断，无需增设额外的硬件进行信号提取；
12、2.采用永磁同步电机的定子绕组电流与永磁同步电机匝间短路故障有较强相关性且该数据易于采取且稳定；
13、3.本专利技术采用的基于cnn-lstm神经网络的匝间故障诊断方法不需要建立复杂的数学模型，适用性强，可以用于多种永磁同步电机的匝间短路故障诊断；
14、4.本专利技术不需要通过人工对原始数据进行特征分析以及提取，减少永磁同步电机匝间故障诊断中特征提取的繁琐过程，可以通过该网络模型自动提取出原始三相定子绕组电流信号中与故障相关的特征；
15、5.本专利技术方法能够在较短的时间内以较高的准确率实现永磁同步电机的匝间故障诊断，能够及时发现故障，提升了永磁同步电机工作系统的安全性，避免造成更大损失。
16、另外，根据本专利技术上述实施例的基于深度学习的永磁同步电机匝间短路故障诊断方法，还可以具有如下附加的技术特征：
17、进一步地，步骤s2具体包括：
18、在正常状态的三相永磁同步电机中三相的电阻和电感相等，则无故障的永磁同步电机的三相定子电阻和电感可分别表示为：
19、ra＝rb＝rc＝rs
20、la＝lb＝lc＝ls
21、式中，rs为正常状态下单相绕组定子电阻，ra为正常状态下a相绕组定子电阻，rb为正常状态下b相绕组定子电阻，rc为正常状态下c相绕组定子电阻，ls为正常状态下单相绕组定子电感，la为正常状态下a相绕组定子电感，lb为正常状态下b相绕组定子电感，lc为正常状态下c相绕组定子电感；
22、在y连接的永磁同步电机定子绕组的电压方程为：
23、
24、
25、
26、
27、其中，if是匝间短路故障电流，is是流过短路导线的电流，rf为匝间短路后的接触电阻，eb，ec分别为b、c相反电动势，uao、ubo、uco分别为a、b、c三相的电压，ia、ib、ic分别为a、b、c三相的电流，raf、laf、eaf分别为被短路线圈的电阻、电感、反电动势，rah、lah、eah分别为为短路故障线圈的本文档来自技高网...
【技术保护点】
1.一种基于深度学习的永磁同步电机匝间短路故障诊断方法，其特征在于，包括步骤S1～S7：
2.根据权利要求1所述的基于深度学习的永磁同步电机匝间短路故障诊断方法，其特征在于，步骤S2具体包括：
3.根据权利要求2所述的基于深度学习的永磁同步电机匝间短路故障诊断方法，其特征在于，步骤S2还包括：
4.根据权利要求3所述的基于深度学习的永磁同步电机匝间短路故障诊断方法，其特征在于，步骤S3具体包括：
5.根据权利要求4所述的基于深度学习的永磁同步电机匝间短路故障诊断方法，其特征在于，步骤S5具体包括：
6.根据权利要求5所述的基于深度学习的永磁同步电机匝间短路故障诊断方法，其特征在于，步骤S4，搭建的CNN-LSTM神经网络模型包括输入层、卷积层、池化层、激活函数、LSTM层、全连接层、输出层，其中：
7.根据权利要求6所述的基于深度学习的永磁同步电机匝间短路故障诊断方法，其特征在于，步骤S6中，对CNN-LSTM神经网络模型进行训练具体包括：
【技术特征摘要】
1.一种基于深度学习的永磁同步电机匝间短路故障诊断方法，其特征在于，包括步骤s1～s7：
2.根据权利要求1所述的基于深度学习的永磁同步电机匝间短路故障诊断方法，其特征在于，步骤s2具体包括：
3.根据权利要求2所述的基于深度学习的永磁同步电机匝间短路故障诊断方法，其特征在于，步骤s2还包括：
4.根据权利要求3所述的基于深度学习的永磁同步电机匝间短路故障诊断方法，其特征在于，步骤s3具体包括：
5.根据权利要...
【专利技术属性】
技术研发人员：余银犬，袁淳，杨锦雯，曾德全，胡一明，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。