摘 要

针对永磁同步电机匝间短路故障诊断方法因结构复杂、样本特征稀少和大数据冗余等因素引起的诊断困难问题，基于生成式对抗和稀疏自编码深度学习网络提出一种高效准确的匝间短路故障诊断方法。

该方法通过采集永磁同步电机负序电流和转矩特征信号，利用生成式对抗神经网络完成样本数据扩张，构建鲁棒、多样的训练集合，结合稀疏自编码网络实现高效准确的故障特征分类、诊断。

实验表明该方法实现了对永磁同步电机负序电流和转矩特征信号的样本数据扩张，构建了优化深度网络实现高效准确的电机匝间短路诊断。数据显示，采用此方法的匝间短路故障诊断准确率高达 99.4% 。

0 引 言

基于深度学习理论研究匝间短路的故障诊断方 法对于及时发现电机早期故障、提高系统可靠性和 降低维护成本具有重要意义。

将组合特征( 如负序特征 + 振动信号) 作为匝 间短路的诊断依据，可有效降低环境因素对单一参 数的影响，同时借助于主成份分析、经验模态分解 、BP 神经网络、小波变换、灰色关联理论等机器学 习方法可在有限的样本数据下，实现匝间短路故障的识别。

在电机监测大数据背景下，基于大量的试验与 专业知识获取的海量标签数据与非监督诊断方法， 是提升故障诊断准确率的关键。

稀疏自编码网络( sparse auto encoder，SAE) 和 生成式对抗网络( generative adversarial nets，GAN) 作为典型的深度学习方法，在图像识别、语音识别、 电机故障诊断等领域，取得了显著成果。SAE 能够 利用非监督方式学习数据特征的简明表达，使得特 征分类具有准确性高、复杂度低的特点。

然而，电机匝间短路的故障样本具有偶发性，难 以支撑深度学习网络所需的样本数量，而 GAN 利用 攻击性原理，使得输出数据与输入样本数据具有很 强的相关性，因此可将匝间短路故障样本输入 GAN生成故障样本数据，弥补深度网络训练不足的缺陷。

本文提出一种联合GAN和SAE的永磁同步电机匝间短路诊断方法。

该方法首先分析负序电流、电磁转矩与匝间短 路的关联性，其次利用电磁转矩与优化后的负序电 流建立组合诊断特征，并采用GAN 对样本进行扩 张，建立训练集。最后通过 SAE网络创建/优化深度 神经网络模型获取故障特征的简明表达，训练分类 器实现永磁同步电机的匝间短路诊断。

1 深度神经网络

1.1 生成式对抗网络

深度学习需要大量数据样本对网络进行训练， 而样本的标定过程需要大量的时间、资源。本文 采用 GAN 来增加数据规模，通过创建伪数据增强深 度学习网络模型的泛化能力。GAN 包括生成模型、 判别模型。它让 2 个模型相互竞争，通过学习本 质特征，采用生成模型获得具有相似数据属性的新样本。如图 1 所示：

另外，只有当数据量远大于生成模型的参数量 时才会保证网络得到零和博弈解。

从式(2) 可以分析得到判别模型与生成模型的关系:

因此，固定生成模型就可以得到对应判别器的损失函数:

结合式(4) 和式(5) 的损失函数，融合判别模型及生成模型的要求，GAN 最终目标函数描述为:

1.2 稀疏自编码网络及优化

如图 3 所示，稀疏自编码网络通过编码器获取隐层特征张量，并使其稀疏化。然后，通过优化目标 函数即解码器来判别特征与原始输入关联性，实现无监督学习。稀疏自编码网络存储能力强，并具 有联想记忆能力，其信号结构更加清晰，适合表达、学习电机的样本数据特征：

自编码网络逻辑回归问题普遍使用正则化策略 约束网络从而提高泛化能力。通过对目标函数 J(θ) 添加参数范数惩罚Ｒ(θ) 限制模型学习能力，此时优化目标函数如下:

不同于一般神经网络算法直接惩罚模型参数实现泛化，稀疏自编码网络通过约束权值连接，有效删减参数使大部分隐层节点处于静默状态，从而除去冗余基并加强有效目标的训练。为了稀疏化激活节 点，将 Kullback-Leibler 散度引入稀疏正则项惩罚网络激活单元:

最终稀疏自编码网络得到的优化目标函数为:

最后将稀疏自编码的训练流程如图4所示：

2 匝间短路特征分析

需对负序电流进行优化，使其与匝间短路程度具有相同的变化趋势，使诊断特征更具鲁棒性。

同时，将电磁转矩特征引入故障特征，联合负序电流构建样本集，提升诊断方法的有效性。

定义电机平衡状态下的负序电流是匝间短路条 件下的负序电流。当电机处于电压不平衡状态时，负序电流由误差负序电流和故障负序电流共同决定。

为了提高诊断特征的多样性，引入电磁转矩特征。电磁转矩特征与匝间短路故障的关联性证明如下。假设磁芯饱和并且反电动势为正弦，永磁同步电机的模型为:

当发生永磁同步电机发生故障时，此时的电磁转矩为:

永磁同步电机处于健康运行情况下，瞬时相电流可以表示为

在故障情况下，式(17) 的分母可以表示为：

从式(17) ，式(18) 可以看出故障情况下瞬时相位电流会存在高次谐波分量。匝间短路条件下，短路电流仅限于额定电流，因此由匝间短路引起的转矩可以表示为：

另外根据式(17) ～ 式(19)可以求取匝间短路下的健康相位电流

由式(19) 可知影响电磁转矩的因素为相位电 动势系数以及相电流。当永磁同步电机的某相绕组 发生匝间短路时，该相电流增加。随着短路匝数的 增多，相电流峰值会不断升高，最后带动电磁转矩的上升。因此永磁同步电机电磁转矩可以作为研究匝 间短路的有效特征。不同平衡状态下电磁转矩特征对比，如下图所示。

图 5 呈现 40 ～ 60 ms 稳定运行时间内的电磁转矩：

随着短路匝数增大，电磁转矩平均值亦呈上升趋势。

图 6 表示绕组发生 37 匝短路时不同平衡度电压下对应的电磁转矩分布：

可见，三相电压对称性越差则电磁转矩受到的影响程度也会加深。因此，引入跟踪误差优化函数 J 优化电磁转矩，即：

因此本文通过组合优化后的负序分量及电磁转矩，抵抗由电机非平衡电压状态带来的误差效应，提升故障诊断的可靠性。

3 试验分析

本文搭建的永磁同步电机实验测试平台如图 7 所示：

电机参数如表2所示：

通过更改并联绕组匝数模拟匝间短路，样本标签如下表所示：

3．1 网络参数优化

本文从隐层、学习率以及内嵌优化算法3个指标进行优化，通过损失函数(均方误差) 判断最优情况。优化结果如表4所示：

对比在不同隐层数状态下所对应的损失值可3知，层隐层训练的效果最优。

3．2 样本扩张的有效性分析

将负序电流、电磁转矩作为匝间短路故障的联合特征项。为研究 GAN实现样本数据扩张的合理性，随机抽取样本输入GAN，对比扩张样本与输入电机样本的分布。

如图 8 所示，负序电流、电磁转矩特征处于非线性状态，各样本之间无规律可寻。在经过GAN 后，新生成数据样本接近真实数据的分布趋势，证明了GAN生成模型的衍生能力。

同时，为了证明经 GAN 扩张后的样本对提升匝 间短路故障诊断准确性的意义，将”正常”数据样本 与“故障样本”以 3∶ 1 的比例建立训练集，共计1000个样本。从两类训练样本中，各随机抽取 100 个样 本输入GAN完成数据扩张，因此新生成训练集中的 样本数量为1200个，其“正常”数据样本与“故障样本”的比例约为 2．5∶ 1。另外给予20个已知的故障样本(非训练集) 用于测试诊断效果，如表5所示。

如表 5 所示，扩张后的训练集能充分解决深度网络故障样本训练不足的问题，使得故障诊断的准确率提高了15% ，从而证明扩张后的样本有助于提升网络的泛化能力。同时，本文采用交叉熵损失函 数评价在不同训练集条件下本文算法的诊断偏差：

由图 9 可知，将原始训练集直接输入优化后的SAE，由于其并未充分学习匝间短路的故障特征，因此最终诊断偏差达 5．8% ，严重限制了算法在实际工程中的应用。而经过 GAN 扩张后的训练集，弥补了训练不足的问题，其最终诊断误差只有 1．5% ，可见深度网络可充分学习电机的匝间短路特征。

3．3 与传统方法对比

为了展示深度学习电机故障诊断的有效性，实 验采用 Geforce GTX 1070 GPU 显卡，基于 CUDA8．0 － CUDNN5．1 Tensorflow平台实现不同方法深度学习训练，并与传统网络诊断进行对比分析。

其结果如表 6 所示：

4 结 论

本文联合GAN和SAE提出了一种高效准确的永磁同步电机匝间短路诊断方法。

该方法采用GAN实现对永磁同步电机负序电流和转矩特征信 号的样本数据扩张，丰富了训练集的样本种类，弥补了深度网络训练不足的难题，同时基于KullbackLeibler 距离及SAE 稀疏正则项，构建优化深度网络实现高效准确的电机匝间短路诊断。

与其他人工智能故障诊断方法优势在于:

• 1、采用 GAN 扩展训练集，增加数据集的多样性，弥补了深度网络训练不足的问题。
  
• 2、提高网络对输入样本数据的稀疏性表达，提升了网络泛化能力和分类识别能力。

因此本文方法可以更加准确地应用于永磁同步电机匝间短路故障诊断。

—THE END—

参考文献：

李垣江,张周磊,李梦含,等.采用深度学习的永磁同步电机匝间短路故障诊断方法[J].电机与控制学报, 2020(009):024.

感谢对本公众号的支持，点个“在看”收藏一下吧~

如需购买视频课程资源，请联系：forwardtszs