基于残差卷积网络的多传感器融合永磁同步电机故障诊断

• Published in: 电机与控制学报 Vol. 28; no. 7; pp. 24 - 42
• Main Authors: 邱建琪, 沈佳晨, 史涔溦, 史婷娜, 李鸿杰
• Format: Journal Article
• Language: Chinese
• Published: 浙江大学 电气工程学院,浙江 杭州310027%浙江大学先进电气装备创新中心,浙江 杭州311107%天津大学 电气自动化与信息工程学院,天津300072 01.07.2024
• Subjects: fault diagnosis; 卷积神经网络; 故障诊断; 多传感器融合; 中间特征融合模块; permanent magnet synchronous motor; 残差模块; intermediate feature fusion module; 永磁同步电机; convolutional neural networks; multi-sensor fusion; residual block
• ISSN: 1007-449X
• DOI: 10.15938/j.emc.2024.07.003

TM351; 作为工业生产与日常生活的常见设备,永磁同步电机的故障诊断研究具有十分重要的意义.以永磁同步电机的匝间短路、退磁、轴承故障为诊断目标,提出一种新型的多传感器特征融合网络(MSFFN),结合多传感器融合技术与卷积神经网络实现永磁同步电机的可靠故障诊断.网络采用2个带有残差模块的卷积神经网络,对输入的电流信号与振动信号并行提取隐藏特征,并设计一种中间特征融合模块(IFFM)有效融合电流和振动的各层隐藏特征,IFFM基于注意力机制对网络中的电流特征与振动特征进行筛选,自适应关注不同信号的内在相关特征,以实现更好的诊断效果.搭建了故障样机测试平台进行数据采集与实验验证,实验结果表明,提出方法具有更高的诊断准确率,同时在叠加了强噪声的条件下,具备更强的抗干扰能力.