多通道电流信号深度特征融合的开关磁阻电机故障诊断研究

摘要

提出一种基于卷积神经网络(convolution neural networks, CNN)与Transformer结合的新型深度学习框架1D-Uniformer(one dimensional unified transformer),解决开关磁阻电机高阻接触故障和相间短路故障的分类识别问题。搭建开关磁阻电机故障诊断实验平台，在开关磁阻电机定子绕组上设置高阻接触故障和相间短路故障，并通过非侵入式方法采集电机的三相电流信号；引入动态位置嵌入、多头关系聚合器和前馈网络对传统CNN进行改进，得到1D-Uniformer以充分提取高阻接触故障和相间短路故障的特征。实验结果表明：该模型在高阻接触故障和相间短路故障诊断方面均具有很好的分类效果，在18种故障状态下识别精度能达到100%,在不同的噪声强度下仍然具有较高的鲁棒性。