基于深度学习的永磁同步电机故障诊断与预测

摘要

永磁同步电机作为一种高性能的驱动设备，在高精度控制及工业自动化领域占核心地位。而匝间短路及永磁体失磁故障的发生轻则影响电机的工作效率，重则烧毁电机，造成不可弥补的损失。因此，为了提高效率减少损失，对永磁同步电机匝间短路及失磁故障的研究具有重要意义。 本文基于对上述永磁同步电机故障的深入研究，提出一种融合生成模型的深度学习故障诊断方法。一方面针对故障数据处理繁琐，特征单一和样本稀少等问题引入数据扩张模型对真实样本进行非监督学习，模拟样本特征合成伪数据。另一方面针对故障诊断复杂度高，识别效率低，鲁棒性差等问题本文提出一种引入稀疏性原理的自编码网络作为永磁同步电机故障诊断模型。本文从以下四个部分来阐述深度学习永磁同步电机故障诊断方法。 （1）永磁同步电机故障特征分析。首先，搭建永磁同步电机模型，采集电机相间电流，频域电流，磁通密度，电磁转矩等实时参数。然后，通过计算获取各项特征，并从数学角度分析各特征与电机故障的相关性。仿真结果表明，将各项特征组合作为永磁同步电机故障样本集是合理的。 （2）生成式对抗网络数据扩张方法的研究。首先，比较生成式对抗网络与传统生成模型，突出该方法的优势。然后，深入研究其网络结构及内涵算法，从两个方面（生成阶段、判别阶段）来解释生成式对抗网络的生成机制。接着，引出生成结果的衡量标准，通过优化算法反复迭代使网络趋向于最佳标准。实验结果表明，生成式对抗网络能够有效适用于样本的扩张，但受其原理性的制约，应用范围仅限于小维度的数据生成。 （3）变分自编码网络数据扩张方法的研究。为了弥补生成式对抗网络的缺点，提出变分自编码生成网络。将变分自编码网络分为编码器以及解码器，根据这两个内部模型，研究变分自编码网络的工作机制。从数学角度阐述该方法的重构误差衡量标准，并依据两种误差函数进行结果的可视化比较。实验结果表明，从性能上比较，变分自编码网络准确率优于生成式对抗网络，而从网络复杂度上比较，生成式对抗网络更加简单。 （4）稀疏自编码网络故障诊断方法的研究。首先，研究引入稀疏性的方法。然后，从数学角度阐述稀疏自编码网络模型搭建的过程。分析该方法应用于故障诊断的优势。实验结果表明，相比传统故障诊断方法该方法更加精确、更具可行性。

目录

声明

第1章 绪 论

1.1 论文的研究背景和意义

1.2 电机故障诊断的研究现状

1.2.1 传统电机故障诊断

1.2.2 现代自动化电机故障诊断

1.2.3 人工智能电机故障诊断

1.3 论文的主要内容与组织结构

1.3.1 文章主要内容研究

1.3.2 文章组织结构安排

第2章 永磁同步电机故障特征分析

2.1 引言

2.2 永磁同步电机模型

2.3 故障特征原理分析

2.3.1 优化负序电流特征分析

2.3.2 电流频域特征分析

2.3.3 优化电磁转矩特征分析

2.3.4 磁通密度特征分析

2.4 本章小结

第3章 基于生成式对抗深度生成网络的数据扩张模型

3.1 引言

3.2 生成模型

3.2.1 受限玻尔兹曼机

3.2.2 深度玻尔兹曼机

3.3 生成式对抗深度生成网络

3.3.1 生成及判别模型

3.3.2 优化目标函数

3.4 生成式对抗网络数据扩张实验验证

3.4.1 实验数据说明

3.4.2 实验参数设置对比及可视化

3.4.3有效性分析

3.5 本章小结

第4章 基于变分自编码深度生成网络的数据扩张模型

4.1 引言

4.2 标准自编码网络模型

4.3 变分自编码深度生成模型

4.3.1 变分自编码器

4.3.2 Encoder

4.3.3 Decoder

4.4 重构误差衡量标准

4.4.1 交叉熵

4.4.2 均方误差

4.5 变分自编码网络数据扩张实验验证

4.5.1 均分误差损失函数实验可视化

4.5.2 交叉熵损失函数实验可视化

4.6 本章小结

第5章 基于稀疏自编码网络永磁同步电机故障诊断研究

5.1 稀疏性原理分析

5.1.1 稀疏正则方法

5.1.2 稀疏连接方法

5.2 稀疏自编码网络

5.2.1 KL散度稀疏自编码网络模型的研究

5.2.2 范数约束稀疏自编码网络模型的研究

5.3 深度学习永磁同步电机故障诊断实验验证

5.3.1 GAN-SAE电机故障诊断

5.3.2 VAE-SAE电机故障诊断

5.3.3 电机故障诊断方法对比分析

5.4 本章小结

总结与展望

总结

展望

参考文献

攻读硕士学位期间发表的学术论文及学术成果

致谢