采用深度学习的永磁同步电机匝间短路故障诊断方法

TP277; 针对永磁同步电机匝间短路故障诊断方法因结构复杂、样本特征稀少和大数据冗余等因素引起的诊断困难问题,基于生成式对抗和稀疏自编码深度学习网络提出一种高效准确的匝间短路故障诊断方法.该方法通过采集永磁同步电机负序电流和转矩特征信号,利用生成式对抗神经网络完成样本数据扩张,构建鲁棒、多样的训练集合,结合稀疏自编码网络实现高效准确的故障特征分类、诊断.实验表明该方法实现了对永磁同步电机负序电流和转矩特征信号的样本数据扩张,构建了优化深度网络实现高效准确的电机匝间短路诊断.数据显示,采用此方法的匝间短路故障诊断准确率高达99.4％....

Full description

Saved in:
Bibliographic Details
Published in电机与控制学报 Vol. 24; no. 9; pp. 173 - 180
Main Authors 李垣江, 张周磊, 李梦含, 魏海峰, 张懿
Format Journal Article
LanguageChinese
Published 江苏科技大学 电子信息学院,江苏 镇江212003 01.09.2020
常熟瑞特电气股份有限公司,江苏 常熟215500%江苏科技大学 电子信息学院,江苏 镇江212003
Subjects
匝间短路
样本扩张
生成式对抗神经网络
故障诊断
永磁同步电机
负序电流
稀疏自编码
Online AccessGet full text
ISSN1007-449X
DOI10.15938/j.emc.2020.09.019

Cover

More Information
Summary:TP277; 针对永磁同步电机匝间短路故障诊断方法因结构复杂、样本特征稀少和大数据冗余等因素引起的诊断困难问题,基于生成式对抗和稀疏自编码深度学习网络提出一种高效准确的匝间短路故障诊断方法.该方法通过采集永磁同步电机负序电流和转矩特征信号,利用生成式对抗神经网络完成样本数据扩张,构建鲁棒、多样的训练集合,结合稀疏自编码网络实现高效准确的故障特征分类、诊断.实验表明该方法实现了对永磁同步电机负序电流和转矩特征信号的样本数据扩张,构建了优化深度网络实现高效准确的电机匝间短路诊断.数据显示,采用此方法的匝间短路故障诊断准确率高达99.4％.
ISSN:1007-449X
DOI:10.15938/j.emc.2020.09.019