[发明专利]一种基于深层神经网络的永磁同步电机故障诊断方法

权利要求书

1.一种基于深层神经网络的永磁同步电机故障诊断方法，其特征在于包括下述步骤：

步骤1：使用Matlab/Simulink搭建永磁同步电机永磁体失磁故障模型以及单相接地故障模型，使用ANSYS Maxwell搭建匝间短路故障仿真模型，通过运行故障仿真模型采集故障数据，将故障数据作为样本集数据；

步骤2：将采集到的故障数据使用数据增强的方式进行样本集的扩充，并通过添加高斯白噪声，得到仿真数据，使得仿真数据更接近真实数据；

步骤3：建立永磁同步电机的故障模型，并通过ImageNet数据集以及步骤2处理好的仿真数据进行网络训练，得到训练好的故障模型，输入数据为三相电流数据，输出数据为故障类型；

步骤4：采集永磁同步电机的三相电流导入步骤3训练好的故障模型，输出为故障类型，完成永磁同步电机的故障诊断。

2.根据权利要求1所述的基于深层神经网络的永磁同步电机故障诊断方法，其特征在于：

所述步骤1中收集的样本集数据根据永磁同步电机故障类型划分为单相接地故障数据、失磁故障数据及匝间短路故障数据；其中，失磁故障分为轻度失磁故障、中度失磁故障及重度失磁故障，失磁故障程度通过永磁同步电机的主磁通乘上失磁系数进行仿真，失磁系数越大故障程度越高，最小值为0，最大值为1，分别取失磁系数0.2、0.5、0.8用来仿真轻度失磁故障、中度失磁故障及重度失磁故障，匝间短路故障也按照严重程度划分为1%、2%、4%、8%以及16%的匝间短路故障。

3.根据权利要求1所述的基于深层神经网络的永磁同步电机故障诊断方法，其特征在于：

所述步骤2中通过数据增强、添加高斯白噪声方式处理样本数据，具体步骤如下：

步骤2.1：使用单相接地故障数据、失磁故障数据及匝间短路故障数据模型所得到的仿真数据作为训练样本集，训练样本集为3×M的三相电流的数组，每N个点为一个周期，为了获得更多的样本数据，通过数据增强的方式对样本数据进行扩充，以20个样本数据的步长进行重叠，获得扩充的数据；

步骤2.2：对于扩充后的样本集数据，使用MATLAB Simulink中的Band-limited WhiteNoise模块生成高斯白噪声，并填加到扩充后的样本集数据中，相较于添加噪声前，添加噪声后得到的三相电流信号更贴近于真实三相电流信号；

步骤2.3：对于步骤2.2中进行数据增强并填加高斯白噪声后的样本集，以60%作为训练集，20%作为测试集，20%作为验证集进行划分，并进行打标签，采用One-hot编码划分类别；样本集总数为M’，训练集的数据类型为（m，32，32，3），对应的标签数据类型为（m，10），m的值为M’的60%；测试集与验证集的数据类型都为（n，32，32，3），对应的标签数据类型都为（n，10），n的值为M’的20%。

4.根据权利要求1所述的基于深层神经网络的永磁同步电机故障诊断方法，其特征在于：

所述步骤3中具体步骤如下：

步骤3.1：建立VGG16卷积网络模型，其中包括5个Block，3个全连接层，每个Block包括2个3×3的卷积层以及一个池化层，每个Block激活函数采用ReLU，每层之后连接Dropout防止网络过拟合，增加鲁棒性，最后层为SoftMax层，使用ImageNet数据集对VGG16模型进行预训练；

步骤3.2：将预训练后的VGG16网络模型保留前5个Block，去掉顶层的三层全连接层，之后将两层全连接层无激活函数以及一个SoftMax层添加到预训练模型的顶层；此模型作为最终的网络模型；

步骤3.3：冻结最终的网络模型前4个Block的参数，使用处理后的样本数据以及设置好的训练参数对最终的网络模型进行训练。

5.根据权利要求3所述的基于深层神经网络的永磁同步电机故障诊断方法，其特征在于：

所述M取值为50000以上。

6.根据权利要求3所述的基于深层神经网络的永磁同步电机故障诊断方法，其特征在于：

所述N取值大于400。

7.根据权利要求4所述的基于深层神经网络的永磁同步电机故障诊断方法，其特征在于：

所述步骤3.2中，训练参数设置如下：损失函数采用交叉熵函数，选取动量随机梯度下降法优化模型， Momentum取为0.9，batch-size设置为64，epochs设置为30，learning-rate为0.01。