基于时序生成对抗网络的PMSM匝间短路诊断方法技术

本发明专利技术公开了一种基于时序生成对抗网络的PMSM匝间短路诊断方法，首先，选用长短时记忆网络作为生成器搭建时序生成对抗网络，用来扩充样本，然后，在时序生成对抗网络的生成器的底层添加softmax层构建长短时判别网络，最后，使用长短时判别网络分别故障类型。该方法包括以下步骤：1）采集不同程度故障的电流信号组成真实数据集；2）构建时序生成对抗网络；3）将正常情况下的电流信号输入时序生成对抗网络进行预训练；4）将3）中的预训练模型迁移到故障数据上并进行样本扩张；5）在训练好的时序生成对抗网络的生成器底层加入softmax层来构建长短时判别网络；6）使用长短时判别网络进行故障类型的分类。经实验验证，该方法针对时序信号有更高的准确度。号有更高的准确度。号有更高的准确度。

【技术实现步骤摘要】
基于时序生成对抗网络的PMSM匝间短路诊断方法


[0001]本专利技术属于永磁同步电机故障诊断
，涉及一种基于时序生成对抗网络的永磁同步电机(PMSM)匝间短路诊断方法。

技术介绍

[0002]PMSM(永磁同步电机)具有高效率、低噪声、体积小，重量轻，且过载能力大、转动惯量小、效率高、损耗小等优点，目前应用越来越广泛，尤其是在军工、航空航天领域发挥着重要作用。由于永磁同步电机运行环境的复杂，使得其极易发生匝间短路故障，若轻微的匝间短路故障未加以关注，则短路环流持续上升产生高温引起退磁现象最终导致电机无法正常运行，甚至会烧毁电机，进而对整个系统造成不可估量的后果。因此，对永磁同步电机匝间短路故障的检测和诊断具有重要的意义。
[0003]针对匝间短路的故障诊断，传统的方法多从机理的角度进行信号特征提取和分析，包括电流谐波法、零序电压法、反电动势法、电机参数法、磁通检测法等。近些年，基于深度学习和大数据的永磁同步电机故障诊断技术成为了研究热点，深度学习有别于传统的神经网络，其具有多层隐藏层，能够自主很好的捕捉到数据的特征，无需人工根据先验知识调整参数，大大提高了网络学习能力。然而十分依靠数据质量和数量的深度学习网络在数据集缺少的情况下则表现不佳，李垣江、张周磊在《采用深度学习的永磁同步电机匝间短路故障诊断方法》一文中，采用了生成对抗网络进行样本扩张，指出了样本数量对神经网络训练的影响。在实际情况中，故障发生频率很低，得到的往往都是电机正常运行时的数据，很难获得足够多的故障数据，这将导致模型训练过程中出现样本不平衡的问题，进而严重影响深度学习模型在真实情况下的诊断效果。
[0004]除此之外，常规的生成对抗网络生成器和判别器通常都是非线性映射函数，利用多层感知机或深度神经网络实现，将高斯噪声输入生成器合成对应维度的数据，生成器通过学习真实样本特征，达到数据扩张的目的。然而该类方法中的生成器对于电流、电压等时序信号，并没有考虑从时序的角度学习数据之间的关联，而且这种方法训练过程比较缓慢。张建付、宋雨在《基于长短时记忆神经网络的风电机组滚动轴承故障诊断方法》一文中，采用长短时记忆网络作为长短时判别网络模型，进行轴承故障诊断，指出了分析一维信号时序特征的可行性和有效性。
[0005]专利内容
[0006]本专利技术的目的在于提供一种基于时序生成对抗网络的PMSM匝间短路诊断方法，克服了
技术介绍
中提到的小样本影响，例如正负样本不平衡造成的训练困难，以及针对一维信号时序特征缺乏考虑的问题。
[0007]实现本专利技术目的的技术解决方案为：一种基于时序生成对抗网络的PMSM匝间短路诊断方法，步骤如下：
[0008]步骤1，以采样频率10kHz采集不同程度匝间短路的三相永磁同步电机的定子电流信号作为真实数据集，真实数据集包含正常、匝间短路5％、匝间短路10％、匝间短路15％的
情况。
[0009]步骤2，构建时序生成对抗网络，时序生成对抗网络包括生成器和判别器，生成器采用长短时记忆网络，判别器采用一维卷积神经网络。
[0010]步骤3，利用真实数据集中正常情况下的定子电流信号对时序生成对抗网络进行训练，当生成器和判别器达到纳什平衡时，得到训练好的时序生成对抗网络模型。
[0011]步骤4，将时序生成对抗网络模型作为预训练模型，根据迁移学习的方法，依次向预训练模型输入真实数据集中的5％、10％、15％匝间短路故障的定子电流信号，进行故障数据的样本扩张，得到扩张故障数据，将扩张故障数据与真实数据集中的数据混合组成混合数据集；
[0012]步骤5，在训练完成的时序生成对抗网络的生成器的底层，即长短时记忆网络的底层加入softmax层，从而搭建出长短时判别网络；
[0013]步骤6，将混合数据集按照7:3的比例划分为训练集和测试集，利用训练集对长短时判别网络进行训练，当长短时判别网络的损失函数收敛到一个稳定情况时，得到训练完成的长短时判别网络模块，使用长短时判别网络模块对测试集进行故障类型的分类。
[0014]本专利技术与现有技术相比，其显著优点是：
[0015](1)本专利技术将真实数据集和生成数据集混合后制作成样本集进行训练，相较于真实样本数据量，样本数量得到大幅扩张，能有效抑制网络的过拟合问题。
[0016](2)通过迁移学习的方法，可以将针对正常情况学到的特征参数分享给故障情况的模型，从而加快并优化模型的学习效率，从而保证高效、准确地生成故障样本。此外，通过预训练可以得到一个泛化能力较好的时序生成对抗网络模型。
[0017](3)作为生成器的长短时记忆网络在生成对抗网络训练过程中，通过对抗已经充分学习了数据的特征，通过在底层加入softmax层重新构建长短时判别网络，可以巧妙地再使用这个训练好的模型，从而大大减少训练的时长。此外，相较于传统的长短时判别网络一般采用全连接层的softmax分类器进行故障类型的诊断，通过长短时记忆网络层可以考虑时序特征，提高诊断的效率。
附图说明
[0018]图1为基于时序生成对抗网络的永磁同步电机小样本故障诊断的具体实施方法流程图。
[0019]图2为本专利技术时序长短时记忆网络结构示意图。
[0020]图3为本专利技术针对永磁同步电机小样本故障诊断的具体网络训练过程。
具体实施方式
[0021]结合图1～图3，对本专利技术的具体实施方案进行阐述，一种基于时序生成对抗网络的PMSM匝间短路诊断方法，包括如下步骤：
[0022]步骤1，以采样频率10kHz采集不同程度匝间短路的三相永磁同步电机的定子电流信号作为真实数据集，真实数据集包含正常、匝间短路5％、匝间短路10％、匝间短路15％的情况。
[0023]步骤2，构建时序生成对抗网络，时序生成对抗网络包括生成器和判别器，生成器
采用长短时记忆网络，判别器采用一维卷积神经网络。
[0024]其中，构建时序生成对抗网络，具体如下：
[0025]1)时序生成对抗网络的基础模型框架为生成对抗网络，使用最优目标函数为：
[0026][0027]其中：∑
a～p(x)
log(D(a,θ
D
))表示固定生成器时，得到对应的判别器最小损失函数；表示生成器最大化目标函数，θ
D
为生成对抗网络中判别器的待优化参数，θ
G
为生成对抗网络中生成器的待优化参数，a表示故障样本，a～p(a)服从电机真实样本下的采样，表示生成对抗网络中生成器的输出数据，服从生成对抗网络中生成器下生成数据分布的采样，D(a,θ
D
)为生成对抗网络中判别器的映射函数，为生成对抗网络中生成器的映射函数，D(a,θ
D
)表示将为a判别为真的概率值，表示将判别为假的概率值。
[0028]2)时序生成对抗网络中的生成器为一个长短时记忆网络，包括遗忘门、输入门、输出门，具体表达式为：
[0029][0030]其中，f
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时序生成对抗网络的PMSM匝间短路诊断方法，其特征在于，考虑了信号在时间序列上隐藏的特征，具体步骤为：步骤1，以采样频率10kHz采集不同程度匝间短路的三相永磁同步电机的定子电流信号作为真实数据集，真实数据集包含正常、匝间短路5％、匝间短路10％、匝间短路15％的情况；步骤2，构建时序生成对抗网络，时序生成对抗网络包括生成器和判别器，生成器采用长短时记忆网络，判别器采用一维卷积神经网络；步骤3，利用真实数据集中正常情况下的定子电流信号对时序生成对抗网络进行训练，当生成器和判别器达到纳什平衡时，得到训练好的时序生成对抗网络模型；步骤4，将时序生成对抗网络模型作为预训练模型，根据迁移学习的方法，依次向预训练模型输入真实数据集中的5％、10％、15％匝间短路故障的定子电流信号，进行故障数据的样本扩张，得到扩张故障数据，将扩张故障数据与真实数据集中的数据混合组成混合数据集；步骤5，在训练完成的时序生成对抗网络的生成器的底层，即长短时记忆网络的底层加入softmax层，从而搭建出长短时判别网络；步骤6，将混合数据集按照7:3的比例划分为训练集和测试集，利用训练集对长短时判别网络进行训练，当长短时判别网络的损失函数收敛到稳定情况时，得到训练好的长短时判别网络模块，使用训练好的长短时判别网络模块对测试集进行故障类型的分类。2.根据权利要求1所述的基于时序生成对抗网络的PMSM匝间短路诊断方法，其特征在于，步骤2中构建时序生成对抗网络，具体如下：1)时序生成对抗网络的基础模型框架为生成对抗网络，使用最优目标函数为：其中：∑
a～p(x)
log(D(a，θ
D
))表示固定生成器时，得到对应的判别器最小损失函数；表示生成器最大化目标函数，θ
D
为生成对抗网络中判别器的待优化参数，θ
G
为生成对抗网络中生成器的待优化参数，a表示故障样本，a～p(a)服从电机真实样本下的采样，表示生成对抗网络中生成器的输出数据，服从生成对抗网络中生成器下生成数据分布的采样，D(a,θ
D
)为生成对抗网络中判别器的映射函数，为生成对抗网络中生成器的映射函数，D(a,θ
D
)表示将为a判别为真的概率值，表示将判...

【专利技术属性】
技术研发人员：陈龙淼，蒋易霖，尹强，魏柳煊，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：