[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

说明书

本发明提供了一种基于深层神经网络的永磁同步电机故障诊断方法，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，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，建立永磁同步电机的故障模型，并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，采集永磁同步电机的三相电流导入故障模型，完成永磁同步电机的故障诊断。本发明具有更高的故障诊断准确率，故障诊断的失误率降低了2倍，极大的降低了硬件成本，减少了网络的训练时间，与VGG16模型相比，本发明减少了将近50%的训练时间，而且对计算机硬件的要求也大大降低。

技术领域

本发明涉及电机领域，尤其是一种机电作动器中永磁同步电机故障诊断方法。

背景技术

液压作动系统为早期应用最多的机载作动系统，其最大优点是输出功率较大；其次，可无级调速并具有较快的响应；另外，传动具有良好的润滑性能，且不需要额外润滑。但同时也有着很多缺陷，例如油路复杂且油利用率较低，作动系统沉重，平均维护时间间隔短，散热性能差等。因此，研制一种优势更为显著的新型飞行器作动系统就变得迫切与紧要。

作为多电飞行器的核心技术之一，机电作动器（Electromechanical actuators，EMA）是其最主要的研究方向。相较于传统液压管路，应用EMA的飞行器其重量明显减轻，从而使得飞行器耗能减少。例如，空客A380通过在主要飞行控制系统（Flight ControlSystem，FCS）)上使用多个电静液作动器（EHA）并去掉三个液压回路中的一个，实现了重量减少1500公斤的目标。随着“功率电传”（power-by-wire）技术的发展，多电飞行器逐渐成为下一代飞行器发展的主要潮流，越来越多的科研机构进行了更深层次的研究。电气系统部分取代了其它三大系统如液压系统。飞机舵面作动器将液压作动用电作动代替。

随着机电作动器的逐步广泛应用于飞控系统，其健康状态与飞机的安全性能紧密关联。为了防止飞行器因机电作动器的故障导致整体飞控系统失效，最终造成严重后果的事情发生，对机电作动器进行准确高效的故障诊断具有十分重要的研究意义。

传统的故障诊断方法主要是依靠特征信号内蕴含的信息。将建模或采集获得的故障信号分类放入数据库中，利用大量的专家经验和系统运行过程中的各种状态信息进行分析处理，得到系统的运行状态或者故障情况。目前采用的信号主要有电流、振动、电压、温度信号等。这一类方法基于健康系统的行为特征，通过与测量信号做比较进行的。目前，基于信号处理的故障诊断技术主要有：EMD、小波变换法及频域方法等。这种方法主要依靠专家的经验来进行判断，准确率不足且流程复杂。相较于传统方法，本方法提出的基于VGG16深层神经网络的永磁同步电机故障诊断方法不必对数据进行人工处理，且诊断准确率高。

发明内容

为了克服现有技术的不足，本发明提供一种基于深层神经网络的永磁同步电机故障诊断方法。为了实现对机电作动器永磁同步电机的故障检测与诊断问题，本发明提供了一种基于VGG16深层神经网络的永磁同步电机故障诊断方法，作为机电作动器永磁同步电机工作状态监测与故障诊断的手段。相比于传统的故障检测与诊断方式，它可以更快且更加准确的对永磁同步电机常见的故障进行诊断。该模型可以直接通过三相电流数据对故障进行诊断，具有实用性以及有效性。

本发明解决其技术问题所采用的技术方案包括以下步骤：

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；