一种基于深层神经网络的永磁同步电机故障诊断方法

本发明涉及电机领域，尤其是一种机电作动器中永磁同步电机故障诊断方法。

背景技术：

1、液压作动系统为早期应用最多的机载作动系统，其最大优点是输出功率较大；其次，可无级调速并具有较快的响应；另外，传动具有良好的润滑性能，且不需要额外润滑。但同时也有着很多缺陷，例如油路复杂且油利用率较低，作动系统沉重，平均维护时间间隔短，散热性能差等。因此，研制一种优势更为显著的新型飞行器作动系统就变得迫切与紧要。

2、作为多电飞行器的核心技术之一，机电作动器（electromechanical actuators，ema）是其最主要的研究方向。相较于传统液压管路，应用ema的飞行器其重量明显减轻，从而使得飞行器耗能减少。例如，空客a380通过在主要飞行控制系统（flight controlsystem，fcs）)上使用多个电静液作动器（eha）并去掉三个液压回路中的一个，实现了重量减少1500公斤的目标。随着“功率电传”（power-by-wire）技术的发展，多电飞行器逐渐成为下一代飞行器发展的主要潮流，越来越多的科研机构进行了更深层次的研究。电气系统部分取代了其它三大系统如液压系统。飞机舵面作动器将液压作动用电作动代替。

3、随着机电作动器的逐步广泛应用于飞控系统，其健康状态与飞机的安全性能紧密关联。为了防止飞行器因机电作动器的故障导致整体飞控系统失效，最终造成严重后果的事情发生，对机电作动器进行准确高效的故障诊断具有十分重要的研究意义。

4、传统的故障诊断方法主要是依靠特征信号内蕴含的信息。将建模或采集获得的故障信号分类放入数据库中，利用大量的专家经验和系统运行过程中的各种状态信息进行分析处理，得到系统的运行状态或者故障情况。目前采用的信号主要有电流、振动、电压、温度信号等。这一类方法基于健康系统的行为特征，通过与测量信号做比较进行的。目前，基于信号处理的故障诊断技术主要有：emd、小波变换法及频域方法等。这种方法主要依靠专家的经验来进行判断，准确率不足且流程复杂。相较于传统方法，本方法提出的基于vgg16深层神经网络的永磁同步电机故障诊断方法不必对数据进行人工处理，且诊断准确率高。

技术实现思路

1、为了克服现有技术的不足，本发明提供一种基于深层神经网络的永磁同步电机故障诊断方法。为了实现对机电作动器永磁同步电机的故障检测与诊断问题，本发明提供了一种基于vgg16深层神经网络的永磁同步电机故障诊断方法，作为机电作动器永磁同步电机工作状态监测与故障诊断的手段。相比于传统的故障检测与诊断方式，它可以更快且更加准确的对永磁同步电机常见的故障进行诊断。该模型可以直接通过三相电流数据对故障进行诊断，具有实用性以及有效性。

2、本发明解决其技术问题所采用的技术方案包括以下步骤：

3、步骤1：使用matlab/simulink搭建永磁同步电机永磁体失磁故障模型以及单相接地故障模型，使用ansys maxwell搭建匝间短路故障仿真模型，通过运行故障仿真模型采集故障数据，将故障数据作为样本集数据；

4、步骤2：将采集到的故障数据使用数据增强的方式进行样本集的扩充，并通过添加高斯白噪声，得到仿真数据，使得仿真数据更接近真实数据；

5、步骤3：建立永磁同步电机的故障模型，并通过imagenet数据集以及步骤2处理好的仿真数据进行网络训练，得到训练好的故障模型，输入数据为三相电流数据，输出数据为故障类型；

6、步骤4：采集永磁同步电机的三相电流导入步骤3训练好的故障模型，输出为故障类型，完成永磁同步电机的故障诊断。

7、所述步骤1中收集的样本集数据根据永磁同步电机故障类型划分为单相接地故障数据、失磁故障数据及匝间短路故障数据；其中，失磁故障分为轻度失磁故障、中度失磁故障及重度失磁故障，失磁故障程度通过永磁同步电机的主磁通乘上失磁系数进行仿真，失磁系数越大故障程度越高，最小值为0，最大值为1，分别取失磁系数0.2、0.5、0.8用来仿真轻度失磁故障、中度失磁故障及重度失磁故障，匝间短路故障也按照严重程度划分为1%、2%、4%、8%以及16%的匝间短路故障，百分比越高，匝间短路现象越严重。

8、所述步骤2中通过数据增强、添加高斯白噪声方式处理样本数据，具体步骤如下：

9、步骤2.1：使用单相接地故障数据、失磁故障数据及匝间短路故障数据模型所得到的仿真数据作为训练样本集，训练样本集为3×m的三相电流的数组，为保证训练有效，m取值为50000以上，每n个点为一个周期，n取值为大于400，为了获得更多的样本数据，通过数据增强的方式对样本数据进行扩充，具体方式为以20个样本数据的步长进行重叠，获得扩充的数据。以3×32×32个点以一个样本，通过这种方式，能够扩充样本量到几千个样本，样本集可扩大100倍以上。

10、步骤2.2：对于扩充后的样本集数据，使用matlab simulink中的band-limitedwhite noise模块生成高斯白噪声，并填加到扩充后的样本集数据中。相较于添加噪声前，添加噪声后得到的三相电流信号更贴近于真实三相电流信号。

11、步骤2.3：对于步骤2.2中进行数据增强并填加高斯白噪声后的样本集，以60%作为训练集，20%作为测试集，20%作为验证集进行划分，并进行打标签，采用one-hot编码划分类别；样本集总数为m’，训练集的数据类型为（m，32，32，3），对应的标签数据类型为（m，10），m的值为m’的60%；测试集与验证集的数据类型都为（n，32，32，3），对应的标签数据类型都为（n，10），n的值为m’的20%。

12、所述步骤3中采用vgg16卷积神经网络作为基础模型，首先使用imagenet数据集对基础模型进行训练生成预训练模型，之后使用步骤2得到的仿真数据对冻结前4个block的预训练模型进行训练，具体步骤如下：

13、步骤3.1：建立vgg16卷积网络模型，其中包括5个block，3个全连接层，每个block包括2个3×3的卷积层以及一个池化层，每个block激活函数采用relu，每层之后连接dropout防止网络过拟合，增加鲁棒性，最后层为softmax层，使用imagenet数据集对vgg16模型进行预训练；

14、步骤3.2：将预训练后的vgg16网络模型保留前5个block，去掉顶层的三层全连接层，之后将两层全连接层无激活函数以及一个softmax层添加到预训练模型的顶层；此模型作为最终的网络模型；

15、训练参数设置如下：损失函数采用交叉熵函数，选取动量随机梯度下降法优化模型， momentum取为0.9，batch-size设置为64，epochs设置为30，learning-rate为0.01；

16、步骤3.3：冻结最终的网络模型前4个block的参数，使用处理后的样本数据以及设置好的训练参数对最终的网络模型进行训练。

17、本发明的有益效果在于由于机电作动器的核心——永磁同步电机内部结构复杂，并且由于永磁同步电机封装的特性，无法直接对永磁同步电机进行故障诊断，需要采集各种特征信号进行分析，然而这种方式需要的传感器等硬件设备成本较高，而且传统的依靠专家经验或者传统神经网络进行分析的方式不仅耗时较长，而且对于故障诊断的准确率也不高。为了解决永磁同步电机故障诊断过程复杂、诊断时间长、采集诊断数据所需硬件成本高以及诊断准确率低的问题，本发明建立的基于vgg16的深层神经网络，具有更高的故障诊断准确率，相比于依靠专家经验的故障诊断方式，故障诊断的失误率降低了2倍。仅通过采集三相电流的方式进行故障诊断减少了各种传感器的使用，极大的降低了硬件成本。由于vgg16模型具有训练时间长、训练硬件成本高的缺点，本发明建立基于vgg16模型的新网络模型，本发明的模型极大的减少了网络的训练时间，与vgg16模型相比，本发明减少了将近50%的训练时间，而且对计算机硬件的要求也大大降低。本发明所建立的永磁同步电机故障诊断模型不仅极大的降低的网络的训练时以及所需的硬件成本，而且提高了故障诊断的准确性以及有效性。