基于有限樣本的永磁同步電機(jī)退磁故障診斷方法

莫 鈺, 李垣江, 魏海峰, 張 懿

基于有限樣本的永磁同步電機(jī)退磁故障診斷方法

莫 鈺, 李垣江, 魏海峰, 張 懿

(江蘇科技大學(xué) 電子信息學(xué)院, 江蘇 鎮(zhèn)江, 212003)

針對(duì)永磁同步電機(jī)(PMSM)因樣本數(shù)據(jù)稀少、可用性低、特征弱化和結(jié)構(gòu)復(fù)雜等因素引發(fā)的退磁識(shí)別問題, 提出一種融合稀疏自編碼與最小二乘生成式對(duì)抗網(wǎng)絡(luò)的退磁故障診斷方法。該方法首先采集PMSM的電磁轉(zhuǎn)矩和磁動(dòng)勢分布數(shù)據(jù)構(gòu)成有限樣本集合, 其次采用最小二乘生成式對(duì)抗網(wǎng)絡(luò)對(duì)樣本在保持特征分布一致的條件下進(jìn)行標(biāo)簽化擴(kuò)張, 最后運(yùn)用稀疏自編碼網(wǎng)絡(luò)和Soft max分類器對(duì)樣本進(jìn)行訓(xùn)練和分類, 實(shí)現(xiàn)退磁故障的診斷與識(shí)別。在模型訓(xùn)練和故障識(shí)別過程中, 一方面合理設(shè)計(jì)深度網(wǎng)絡(luò)隱層節(jié)點(diǎn)、訓(xùn)練算法以及層數(shù)等影響學(xué)習(xí)效率的參數(shù); 另一方面訓(xùn)練優(yōu)化網(wǎng)絡(luò)并測試驗(yàn)證網(wǎng)絡(luò)的優(yōu)劣以提高故障診斷性能。經(jīng)過多次試驗(yàn), 最終可實(shí)現(xiàn)PMSM退磁故障的有效診斷。

永磁同步電機(jī); 退磁; 最小二乘生成對(duì)抗網(wǎng)絡(luò); 故障診斷; 稀疏自編碼

0 引言

隨著人類對(duì)海洋探索的不斷深入, 以及開發(fā)利用海洋資源、研究海洋的生態(tài)平衡和軍事方面的需求, 水下航行器發(fā)揮著越來越重要的作用。水下航行器在高速運(yùn)轉(zhuǎn)時(shí), 由于自身質(zhì)量較輕且動(dòng)力較大, 很容易影響航行器的穩(wěn)定, 嚴(yán)重時(shí)會(huì)導(dǎo)致側(cè)翻, 由此裝載永磁同步電機(jī)(permanent magnet synchronous motor, PMSM)的水下推進(jìn)系統(tǒng)應(yīng)運(yùn)而生。PMSM因其工作損耗極小、溫度升高緩慢、過載能力高等優(yōu)勢, 能夠很好地滿足水下航行器推進(jìn)電機(jī)的要求[1-2]。然而受實(shí)際工況的制約, 永磁體在高溫、退磁磁場及匝間短路作用下會(huì)發(fā)生不可逆的退磁現(xiàn)象, 退磁會(huì)影響永磁體性能進(jìn)而導(dǎo)致電機(jī)轉(zhuǎn)矩性能降低, 甚至造成電機(jī)報(bào)廢等嚴(yán)重后果。研究偶發(fā)、隱蔽、變化緩慢的PMSM退磁故障機(jī)理及其診斷方法, 對(duì)提升電機(jī)的穩(wěn)定性具有重要意義[3]。

現(xiàn)階段, 用于PMSM的退磁故障診斷與識(shí)別的方法主要有數(shù)學(xué)模型法[4-5]、數(shù)據(jù)驅(qū)動(dòng)法[6]和高頻信號(hào)注入法[7]等。數(shù)學(xué)模型法一般包括有限元模型法和永磁體磁鏈觀測法[8]。一方面, 通過有限元模型可以得到永磁體磁鏈幅值的變化規(guī)律, 實(shí)現(xiàn)PMSM退磁的故障診斷; 另一方面, 采用多種信號(hào)處理模型構(gòu)造針對(duì)永磁體磁鏈的觀測器, 并與最小二乘法、龍貝格觀測器、ALE-MRAS觀測器[9]等方法結(jié)合, 實(shí)現(xiàn)觀測器的參數(shù)辨識(shí)。然而基于數(shù)學(xué)模型的方法易受噪聲、負(fù)載變化、計(jì)算量大、數(shù)據(jù)冗余等多種因素影響, 局限于有限的泛化能力, 同時(shí)難以確保觀測模型的有效收斂和高效的辨識(shí)精度?；跀?shù)據(jù)驅(qū)動(dòng)的診斷方法通常采用快速傅里葉變換、小波變換、希爾伯特變換等對(duì)PMSM的電壓、電流等物理量進(jìn)行變換, 試圖在各種變換域?qū)ふ彝舜殴收系挠行卣鞣植糩10]。但是這類方法受限于數(shù)學(xué)工具的限制性條件和PMSM的非平穩(wěn)狀態(tài), 微弱的故障信號(hào)難以從輸入信號(hào)中提取出來, 因此在工程應(yīng)用中難以推廣。基于高頻信號(hào)注入的方法是在離線狀態(tài)下使用外部高頻信號(hào)測量PMSM的磁路狀態(tài), 以描述永磁體的退磁情況。該方法適用于PMSM的局部和均勻退磁2種情況, 但無法實(shí)現(xiàn)在線診斷。除此之外, 永磁體材料在受到外界磁場強(qiáng)度、溫度、酸堿、使用壽命、制作工藝以及匝間短路等綜合因素的影響時(shí), 易導(dǎo)致局部退磁或均勻不可逆退磁[11]。退磁故障發(fā)生的隨機(jī)性、隱蔽性, 易造成數(shù)學(xué)模型的不確定性和樣本數(shù)據(jù)的污染, 因此上述方法在PMSM多變的工況下都存在較大的局限性。在故障識(shí)別領(lǐng)域, 逆向(back propagation, BP)神經(jīng)網(wǎng)絡(luò)[12]、支持向量機(jī)[13]均取得了較大成果。袁圃等[14]采用優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了電網(wǎng)故障的高效診斷。然而隨著數(shù)據(jù)的增多, 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)已經(jīng)無法提高故障診斷系統(tǒng)的性能, 同時(shí)會(huì)消耗大量的時(shí)間。為提高退磁故障診斷的精確率, 結(jié)合大數(shù)據(jù)和深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)PMSM的退磁故障特征進(jìn)行挖掘和辨識(shí)具有良好的應(yīng)用前景。

稀疏自編碼(sparse autoencoder, SAE)[15]和最小二乘生成式對(duì)抗網(wǎng)絡(luò)(least squares generative adversarial network, LSGAN)[16]作為典型的深度學(xué)習(xí)方法已獲得廣泛關(guān)注。SAE是一種無監(jiān)督算法, 可以從大量的樣本數(shù)據(jù)中學(xué)習(xí)屬于研究對(duì)象的本質(zhì)稀疏特征, 并獲得更稀疏化的特征表達(dá)。部分學(xué)者已經(jīng)成功將SAE用于故障診斷中。例如孫文珺等[17]利用SAE網(wǎng)絡(luò)實(shí)現(xiàn)了感應(yīng)電動(dòng)機(jī)的7類故障診斷, 其準(zhǔn)確率高達(dá)97%。由于SAE具有極強(qiáng)的數(shù)據(jù)稀疏表達(dá)能力, 能有效實(shí)現(xiàn)特征的自動(dòng)約簡與選擇, 因此適合各類電機(jī)冗余數(shù)據(jù)的特征提取。同時(shí), 電機(jī)的退磁機(jī)理非常復(fù)雜, 永磁體磁密的變化受磁動(dòng)勢、電流和溫度等多方面因素的影響, 另外這些影響因素之間也存在復(fù)雜的交互關(guān)系, 因此退磁故障具有很強(qiáng)隱蔽性、漸進(jìn)性與偶發(fā)性?？傊? 有限的、不平衡的樣本集難以支持深度網(wǎng)絡(luò)進(jìn)行大規(guī)模的數(shù)據(jù)訓(xùn)練和特征學(xué)習(xí), 因此為了彌補(bǔ)樣本的數(shù)量和多樣性缺陷, 利用LSGAN等各類生成對(duì)抗式網(wǎng)絡(luò)對(duì)輸入樣本進(jìn)行數(shù)據(jù)擴(kuò)張, 是解決小樣本分類的有效方法之一, 其可以有效彌補(bǔ)訓(xùn)練數(shù)據(jù)匱乏的缺陷。

基于以上分析, 提出一種聯(lián)合LSGAN和SAE的PMSM退磁故障診斷方法。首先構(gòu)建合適的參數(shù)優(yōu)化LSGAN與SAE網(wǎng)絡(luò), 確保訓(xùn)練樣本的有效性、多樣性以及特征表達(dá)的稀疏性; 其次構(gòu)造PMSM的退磁故障模型, 分析磁動(dòng)勢、電磁轉(zhuǎn)矩在永磁體退磁狀態(tài)下的變化規(guī)律; 最后依托磁動(dòng)勢、電磁轉(zhuǎn)矩以及LSGAN構(gòu)造訓(xùn)練集, 并使用SAE網(wǎng)絡(luò)與分類器實(shí)現(xiàn)退磁故障的有效診斷。

1 深度學(xué)習(xí)網(wǎng)絡(luò)

1.1 LSGAN

充足的特征樣本是深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行模式識(shí)別的關(guān)鍵要素, 而退磁故障發(fā)生緩慢, 獲取到充足的訓(xùn)練數(shù)據(jù)需要極高的代價(jià)。采用以LSGAN為代表的生成式對(duì)抗網(wǎng)絡(luò)可以在多樣性的前提下, 實(shí)現(xiàn)樣本數(shù)據(jù)的擴(kuò)充, 最終提高深度模型的分類能力。典型的LSGAN結(jié)構(gòu)同樣包含生成與判別模型。判別器要盡量給出準(zhǔn)確判斷, 判斷數(shù)據(jù)的來源是生成器生成的數(shù)據(jù), 還是真實(shí)的數(shù)據(jù)集; 生成器生成樣本數(shù)據(jù), 使生成的樣本數(shù)據(jù)有足夠的能力混淆判別器, 如圖1所示。

圖1 最小二乘生成式對(duì)抗網(wǎng)絡(luò)

LSGAN解決了原始的生成式對(duì)抗網(wǎng)絡(luò)(GAN)生成數(shù)據(jù)質(zhì)量不高以及過程不穩(wěn)定的缺點(diǎn)。原始的GAN以交叉熵作為損失, 導(dǎo)致生成器不再優(yōu)化已經(jīng)生成的數(shù)據(jù), 因?yàn)樯善魍瓿闪俗约旱娜蝿?wù): 盡可能地混淆判別器, 但由于此時(shí)的交叉熵已經(jīng)很小, 所以已經(jīng)被判別器判別是真實(shí)樣本的數(shù)據(jù)將不再被優(yōu)化, 盡管這些數(shù)據(jù)離真實(shí)數(shù)據(jù)的決策邊界很遠(yuǎn), 與真實(shí)數(shù)據(jù)的差距也較大。LSGAN完美地解決了這一缺點(diǎn), 為達(dá)到最小二乘損失足夠小, 在判別器混淆的前提下, LSGAN將持續(xù)對(duì)距離決策邊界較遠(yuǎn)的生成數(shù)據(jù)進(jìn)行曲線擬合。

交叉熵?fù)p失函數(shù)并不考慮距離的長短, 只關(guān)注數(shù)據(jù)是否正確分類。如圖2所示, 交叉熵極易達(dá)到梯度為0即飽和狀態(tài), 導(dǎo)致梯度消失; 而如圖3所示, 最小二乘損失在最低點(diǎn)達(dá)到飽和, 從而使訓(xùn)練更加穩(wěn)定[16]。由此可知最小二乘損失函數(shù)比交叉熵函數(shù)更具優(yōu)勢。

圖2 交叉熵?fù)p失函數(shù)

圖3 最小二乘損失函數(shù)

1.2 SAE網(wǎng)絡(luò)及優(yōu)化

圖4 LSGAN網(wǎng)絡(luò)模型

圖5 稀疏自編碼網(wǎng)絡(luò)

圖6 稀疏自編碼網(wǎng)絡(luò)訓(xùn)練流程

其中

2 退磁故障特征分析

PMSM故障建模常用坐標(biāo)系包括三相靜止坐標(biāo)系、兩相靜止坐標(biāo)系和轉(zhuǎn)子磁鏈同步旋轉(zhuǎn)坐標(biāo)系[18-19]。在靜止坐標(biāo)系下推導(dǎo)三相 PMSM退磁數(shù)學(xué)模型, 并給出以下假設(shè)[17]:

1) 在電流頻率較低和PMSM運(yùn)行溫度變化幅度不大情況下, 將線圈繞組的電阻視為常量;

2) 電機(jī)內(nèi)的磁場為正弦分布;

3) 齒諧波磁場可忽略。

因此, 在非飽和電機(jī)磁場下, PMSM發(fā)生退磁故障時(shí)的電壓方程可表示為[20-21]

定子繞組的相電流

零序電壓

三相定子繞組的反電動(dòng)勢

電阻矩陣

電感矩陣

磁鏈?zhǔn)欠从砅MSM永磁體狀態(tài)的直接參量, 呈現(xiàn)了永磁體從正常到失磁狀態(tài)下的變化過程。因此通過修改故障模型中的磁鏈參數(shù)就能模擬PMSM的不同失磁狀態(tài)。

常用的永磁體退磁標(biāo)準(zhǔn)是指永磁體處于最大電流時(shí)的磁密要高于PMSM最高工作溫度時(shí)退磁曲線磁密拐點(diǎn)值, 且要存在裕量。實(shí)際上, 定子、轉(zhuǎn)子磁鏈都是中間傳導(dǎo)變量, 直接作用于PMSM永磁體的是磁動(dòng)勢。因此由定轉(zhuǎn)子電流構(gòu)成的合成磁動(dòng)勢是引起永磁體退磁的典型物理量之一。在與PMSM工作狀態(tài)相關(guān)的故障中, 三相短路、缺相、過載、失步以及堵轉(zhuǎn)都會(huì)造成PMSM電流的波動(dòng), 直接影響磁動(dòng)勢和永磁體磁密的變化, 即隨著電流增大, 合成磁動(dòng)勢也會(huì)隨之變大, 從而更易加劇永磁體的退磁風(fēng)險(xiǎn)。例如, 當(dāng)PMSM處于失步狀態(tài)時(shí), 定轉(zhuǎn)子電流產(chǎn)生的合成磁場會(huì)明顯使磁密產(chǎn)生周期性波動(dòng)[22]。而缺相、過載均會(huì)造成定轉(zhuǎn)子電流的急劇上升, 一方面產(chǎn)生了較大的去磁磁動(dòng)勢, 另一方面會(huì)造成永磁體溫度過高, 加劇退磁效應(yīng)?？傊? 當(dāng)電流發(fā)生較大波動(dòng)時(shí), 作用于永磁體上的去磁磁動(dòng)勢將使得永磁體的實(shí)際磁密產(chǎn)生類似的脈動(dòng)變化。若此時(shí)定轉(zhuǎn)子構(gòu)成的合成磁動(dòng)勢與PMSM充磁方向相反, 將極易造成永磁體的退磁。因此, 直接觀察合成磁動(dòng)勢的變化規(guī)律, 能統(tǒng)一分析由定轉(zhuǎn)子電流波動(dòng)產(chǎn)生的永磁體退磁現(xiàn)象。

當(dāng)電機(jī)啟動(dòng), 永磁體的磁密分布會(huì)受到磁動(dòng)勢的影響[18]。其中基波電動(dòng)勢為

定子產(chǎn)生的磁動(dòng)勢對(duì)永磁體影響較大。當(dāng)定子施加電壓, 磁場的角度發(fā)生變化, 隨著時(shí)間的緩慢變化, 角度為180°時(shí), 永磁體發(fā)生退磁的概率最大。

因此, 當(dāng)電機(jī)啟動(dòng)產(chǎn)生的電流大于額定電流時(shí), 改變了作用在永磁體上的磁動(dòng)勢, 定子和轉(zhuǎn)子共同作用下產(chǎn)生的合成磁動(dòng)勢作用在永磁體上, 永磁體的磁密達(dá)到最小, 最終導(dǎo)致退磁[24]。

當(dāng)PMSM發(fā)生故障時(shí), 電磁轉(zhuǎn)矩可表示為

3 試驗(yàn)分析

如圖7所示, 為模擬電機(jī)退磁故障, 結(jié)合故障模型與PMSM電機(jī)測試平臺(tái), 對(duì)退磁故障進(jìn)行半實(shí)物仿真。在額定負(fù)載狀態(tài)下, 通過對(duì)PMSM加入正弦激勵(lì)并產(chǎn)生反電動(dòng)勢等, 構(gòu)造PMSM的正常狀態(tài), 并通過修改額定空載反電動(dòng)勢來修改磁鏈參數(shù), 模擬永磁體處于20%、50%以及75%的退磁狀態(tài)[19]。同時(shí), 為了突出PMSM非正常工作狀態(tài)對(duì)永磁體退磁的影響, 一方面采用MATLAB調(diào)整測功機(jī)的輸出, 模擬PMSM產(chǎn)生過載、失步等狀態(tài), 另一方面在相線圈匝間串入可調(diào)電阻、減少線圈匝數(shù)以及減少一相輸入的方式模擬短路、缺相等狀態(tài)。最終由磁動(dòng)勢與電磁轉(zhuǎn)矩構(gòu)成的訓(xùn)練樣本集合為5000個(gè), 正常樣本與故障樣本的比例為4:1。測試集合采用隨機(jī)采樣的方式從訓(xùn)練樣本集中獲得, 數(shù)量為300個(gè)。電機(jī)參數(shù)如表1所示。樣本標(biāo)簽定義如表2所示。

圖7 PMSM實(shí)驗(yàn)平臺(tái)

3.1 網(wǎng)絡(luò)參數(shù)優(yōu)化

在SAE網(wǎng)絡(luò)訓(xùn)練與測試中, 使用相同的LSGAN擴(kuò)展數(shù)據(jù)集評(píng)估不同學(xué)習(xí)率和優(yōu)化算法, 并采用均方誤差作為損失函數(shù)以判定最優(yōu)情況。在實(shí)驗(yàn)中對(duì)上述訓(xùn)練集進(jìn)行測試, 其中訓(xùn)練樣本5 000個(gè), 測試樣本300個(gè)。結(jié)果如表3和圖8所示。

在同一隱層數(shù)下, 通過調(diào)整不同的學(xué)習(xí)率, 比較在不同學(xué)習(xí)率下的損失值, 結(jié)論如下: 在線優(yōu)化(follow-the-regularized-leader, FTRL)算法可以學(xué)習(xí)出有效且稀疏的解, 但是受數(shù)據(jù)分布影響,僅適用于數(shù)據(jù)分布平衡且數(shù)量更大的訓(xùn)練集; 自適應(yīng)學(xué)習(xí)率優(yōu)化(adaptive gradient, Adagrad)算法的學(xué)習(xí)率與參數(shù)的設(shè)置有很大關(guān)系, 受限于大規(guī)模的更新稀疏參數(shù), 其學(xué)習(xí)率總是在降低或是迅速衰減, 最終容易導(dǎo)致梯度消失; 隨機(jī)梯度下降算法(stochastic gradient descent, SGD)方法在所有方向上統(tǒng)一縮放梯度, 所得并不是稀疏解, 因此最終選取自適應(yīng)時(shí)刻估計(jì)算法(adaptive moment estimation, Adam)(隱層數(shù)為3, 學(xué)習(xí)率為0.01)計(jì)算每個(gè)參數(shù)的自適應(yīng)學(xué)習(xí)率以及每個(gè)參數(shù)的對(duì)應(yīng)動(dòng)量變化并獨(dú)立存儲(chǔ), 同時(shí)糾正其他優(yōu)化技術(shù)中存在的問題, 如學(xué)習(xí)率消失過快而收斂減緩, 參數(shù)不斷更新引發(fā)損失函數(shù)波動(dòng)加大, 使得模型在確定參數(shù)后網(wǎng)絡(luò)損失值達(dá)到最小。

表1 測試平臺(tái)相關(guān)參數(shù)

表2 樣本標(biāo)簽

表3 稀疏自編碼網(wǎng)絡(luò)參數(shù)優(yōu)化

圖8 不同優(yōu)化算法下的損失值

3.2 樣本擴(kuò)張有效性分析

為研究LSGAN在擴(kuò)張數(shù)據(jù)中的合理性及有效性, 隨機(jī)抽取研究樣本, 分別采用GAN與LSGAN進(jìn)行數(shù)據(jù)擴(kuò)張實(shí)驗(yàn)。隨著迭代次數(shù)的增加, GAN和LSGAN的生成器和判別器損失均趨于穩(wěn)定。經(jīng)過多次實(shí)驗(yàn)對(duì)比, GAN和LSGAN判別器和生成器的損失函數(shù)如圖9與圖10所示。

圖9 GAN生成器和判別器的損失函數(shù)

圖10 LSGAN生成器和判別器的損失函數(shù)

由圖10可知, GAN在經(jīng)過7 500次訓(xùn)練之后生成器和判別器的損耗函數(shù)趨于穩(wěn)定, 而LSGAN在2 500次訓(xùn)練之后就趨于穩(wěn)定, 證明LSGAN生成的模型在擴(kuò)展數(shù)據(jù)方面的效能高于傳統(tǒng)GAN, 極大緩解了傳統(tǒng)GAN訓(xùn)練不穩(wěn)定以及生成樣本多樣性不足的問題。因此, 選擇采用LSGAN來擴(kuò)張樣本數(shù)據(jù), 將電磁轉(zhuǎn)矩和磁動(dòng)勢作為退磁故障的聯(lián)合特征項(xiàng)。為更好地論證LSGAN擴(kuò)展數(shù)據(jù)的有效性, 采用GAN和LSGAN擴(kuò)張后的數(shù)據(jù)歸一化后與原始數(shù)據(jù)進(jìn)行對(duì)比, 如圖11所示。電磁轉(zhuǎn)矩和磁動(dòng)勢處于非線性狀態(tài), 各樣本之間無明顯規(guī)律可循, LSGAN生成的數(shù)據(jù)比GAN生成的數(shù)據(jù)更加接近真實(shí)數(shù)據(jù)的分布趨勢。

圖11 健康樣本和各生成樣本的分布

3.3 與傳統(tǒng)方法對(duì)比

為進(jìn)一步證明文中方法對(duì)于電機(jī)退磁故障診斷的有效性, 以Geforcegtx1070 GPU圖形卡為運(yùn)算硬件, 測試算法的診斷效果。其中訓(xùn)練集采用LSGAN擴(kuò)張至20 000個(gè)數(shù)據(jù), 測試集合依然由原始的300個(gè)樣本構(gòu)成, 不在進(jìn)行重新采樣?；赥ensorFlow平臺(tái)采用擴(kuò)張后數(shù)據(jù)集進(jìn)行網(wǎng)絡(luò)訓(xùn)練和故障診斷, 所獲結(jié)果如表4所示。

分別使用GAN和LSGAN擴(kuò)張數(shù)據(jù)后, 采用多種深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行故障診斷對(duì)比測試。由于BP網(wǎng)絡(luò)深度不夠, 無法充分學(xué)習(xí)數(shù)據(jù)特征的分布規(guī)律, 在進(jìn)行模式辨識(shí)時(shí)缺乏對(duì)故障邊界條件的有效判別, 因此基于BP網(wǎng)絡(luò)的退磁故障判斷準(zhǔn)確率較低。得益于網(wǎng)絡(luò)深度和結(jié)構(gòu)的優(yōu)勢, 循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)和SAE對(duì)輸入樣本特征具有較好的學(xué)習(xí)能力。RNN網(wǎng)絡(luò)的訓(xùn)練效率與CNN非常接近, 但由于其梯度易消失, 因此其故障診斷精度低于CNN與SAE, 而SAE更獲得98.4%的故障診斷成功率。此外, 針對(duì)同一種故障診斷模型, LSGAN擴(kuò)張的訓(xùn)練數(shù)據(jù)比GAN得到的訓(xùn)練集更能體現(xiàn)PMSM退磁故障的數(shù)據(jù)特征和邊界條件, 因此采用不同的算法進(jìn)行故障診斷時(shí), LSGAN有助于提高樣本的稀疏性和多樣性, 并能最大限度地保證樣本的特征規(guī)律, 這對(duì)小樣本學(xué)習(xí)具有重要意義。所以, LSGAN與GAN相比, 增強(qiáng)了樣本數(shù)據(jù)集的數(shù)量, 克服了網(wǎng)絡(luò)訓(xùn)練不充分, 訓(xùn)練效果不足的短板, 有效防止了過擬合, 同時(shí)使得采用SAE對(duì)退磁故障進(jìn)行診斷具有良好的應(yīng)用前景。

表4 不同診斷方法結(jié)果對(duì)比分析

4 結(jié)束語

文中提出一種聯(lián)合LSGAN和SAE的PMSM退磁故障診斷模型。該方法采用LSGAN實(shí)現(xiàn)對(duì)PMSM電磁轉(zhuǎn)矩和磁動(dòng)勢信號(hào)的樣本數(shù)據(jù)擴(kuò)張, 豐富了訓(xùn)練集, 克服了網(wǎng)絡(luò)訓(xùn)練不足的問題。同時(shí), 為改善故障樣本的多樣性和增強(qiáng)網(wǎng)絡(luò)特征分布的表達(dá), 結(jié)合SAE與SoftMax分類器, 實(shí)現(xiàn)對(duì)故障的高效和準(zhǔn)確診斷。文中方法特點(diǎn)在于:

1) LSGAN為訓(xùn)練集的擴(kuò)張?zhí)峁┝己玫乃悸贰Ｔ跀U(kuò)張訓(xùn)練樣本數(shù)量和多樣性方面, LSGAN明顯優(yōu)于傳統(tǒng)的GAN。在電機(jī)發(fā)生故障早期即樣本少的情況下, 可以提前預(yù)測退磁故障, 避免后續(xù)一系列故障的發(fā)生。

2) 采用SAE網(wǎng)絡(luò)可有效學(xué)習(xí)樣本集合總的數(shù)據(jù)特征, 并隨著數(shù)據(jù)集的擴(kuò)充, 其用于故障診斷的性能也有明顯提升。將LSGAN與SAE結(jié)合進(jìn)行PMSM的退磁故障診斷具有很強(qiáng)的實(shí)際意義。

[1] 張明明, 劉維亭, 魏海峰, 等. 基于滑模觀測器PMSM單相霍爾位置傳感器故障容錯(cuò)控制算法[J]. 水下無人系統(tǒng)學(xué)報(bào), 2019, 27(6): 651-657.

Zhang Ming-ming, Liu Wei-ting, Wei Hai-feng, et al. PMSM Single-phase Hall Position Sensor Fault-tolerant Control Algorithm Based on Sliding Mode Observer[J]. Journal of Underwater Unmanned Systems, 2019, 27(6): 651-657.

[2] 尤錢亮, 魏海峰, 常徐, 等. 基于三自由度動(dòng)態(tài)內(nèi)模解耦的PMSM弱磁控制[J]. 水下無人系統(tǒng)學(xué)報(bào), 2020, 28 (1): 57-66.

You Qian-liang, Wei Hai-feng, Chang Xu, et al. PMSM Field Weakening Control Based on Three-degree-of- freedom Dynamic Internal Model Decoupling[J]. Journal of Underwater Unmanned Systems, 2020, 28(1): 57-66.

[3] 李紅梅, 陳濤, 姚宏洋. 電動(dòng)汽車PMSM退磁故障機(jī)理、診斷及發(fā)展[J]. 電工技術(shù)學(xué)報(bào), 2013(8): 276-284.

Li Hong-mei, Chen Tao, Yao Hong-yang. Demagnetization Fault Mechanism, Diagnosis and Development of Electric Vehicle PMSM[J]. Acta Electrotechnics, 2013(8): 276-284.

[4] Ding S, Hang J, Li H, et al．Demagnetisation Fault Detection in PMSM Using Zero Sequence Current Components[J]. Electronics Letters, 2017, 53(3): 148-150．

[5] Zhang Z, Xie Z, Ma H, et al．Analysis of Demagnetization Fault Back-EMF of Permanent Magnet Synchronous Motor Using Mathematical Model Based on Magnetic Field Superposition Principle[J]. Tekhnichna Elektrodynamika, 2016(2): 42-48.

[6] 李紅梅, 陳濤. 基于分形維數(shù)的PMSM局部退磁故障診斷[J]. 電工技術(shù)學(xué)報(bào), 2017, 32(7): 1-10.

Li Hong-mei, Chen Tao. Fault Diagnosis of PMSM Local Demagnetization Based on Fractal Dimension[J]. Transactions of the Chinese Society of Electrical Engineering, 2017, 32(7): 1-10.

[7] Hong J, Hyun D, Lee S B, et al. Automated Monitoring of Magnet Quality for Permanent Magnet Synchronous Motors at Standstill[J]. IEEE Transactions on Industry Application, 2010, 46(4): 1397-1405.

[8] Holakooie M H, Ojaghi M, Taheri A. Full-order Luenberger Observer Based on Fuzzy-logic Control for Sensorless Field-oriented Control of a Single-sided Linear Induction Motor[J]. ISA Transactions, 2016, 60: 96-108.

[9] 許良, 趙吉文, 宋俊材, 等. 基于ALE-MRAS磁鏈觀測器的永磁同步直線電機(jī)均勻退磁診斷研究[J]. 中國電機(jī)工程學(xué)報(bào), 2019, 39(24): 7347-7350.

Xu Liang, Zhao Ji-wen, Song Jun-cai, et al. Research on Uniform Demagnetization Diagnosis of Permanent Magnet Synchronous Linear Motor Based on ALE-MRAS Flux Linkage Observer[J]. Proceedings of the Chinese Society of Electrical Engineering, 2019, 39(24): 7347- 7350.

[10] Haddad R Z, Strangas E G. Fault Detection and Classification in Permanent Magnet Synchronous Machines Using Fast Fourier Transform and Linear Discriminant Analysis[C]//2013 9th IEEE International Symposium on Diagnostics for Electric Machines, Power Electronics and Drives. Valencia, Spain: IEEE, 2013: 99-104.

[11] 唐旭, 王秀和, 李瑩. 三相不對(duì)稱供電異步起動(dòng)永磁同步電動(dòng)機(jī)的退磁研究[J]. 中國電機(jī)工程學(xué)報(bào), 2015, 35 (23): 6172-6178.

Tang Xu, Wang Xiu-he, Li Ying. Study on Demagnetization of Asynchronous Start Permanent Magnet Synchronous Motor with Three-phase Asymmetrical Power Supply[J]. Proceedings of the Chinese Society of Electrical Engineering, 2015, 35(23): 6172-6178.

[12] Yu F, Xu X．A Short-term Load Forecasting Model of Natural Gas Based on Optimized Genetic Algorithm and Improved BP Neural Network[J]. Applied Energy, 2014, 134: 102-113．

[13] Jing C, Hou J. SVM and PCA Based Fault Classification Approaches for Complicated Industrial Process[J]. Neurocomputing, 2015, 167: 636-642.

[14] 袁圃, 毛劍琳, 向鳳紅, 等. 改進(jìn)的基于遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 2017, 29(1): 118-122.

Yuan Pu, Mao Jian-lin, Xiang Feng-hong, et al. Improved Grid Fault Diagnosis Based on Genetic Optimization BP Neural Network[J]. Journal of Electric Power System and Automation, 2017, 29(1): 118-122.

[15] 高佳程, 朱永利, 鄭艷艷, 等. 基于VMD-WVD分布與堆棧稀疏自編碼網(wǎng)絡(luò)的局放類型識(shí)別[J]. 中國電機(jī)工程學(xué)報(bào), 2019, 39(14): 4118-4129.

Gao Jia-cheng, Zhu Yong-li, Zheng Yan-yan, et al. Partial Discharge Type Recognition Based on VMD-WVD Distribution and Stack Sparse Autoencoding Network[J]. Proceedings of the Chinese Society of Electrical Engineering, 2019, 39(14): 4118-4129.

[16] Mao X, Li Q, Xie H, et al. On the Effectiveness of Least Squares Generative Adversarial Networks[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2019, 41(12): 2947-2960.

[17] 孫文珺, 邵思羽, 嚴(yán)如強(qiáng). 基于稀疏自動(dòng)編碼深度神經(jīng)網(wǎng)絡(luò)的感應(yīng)電動(dòng)機(jī)故障診斷[J]. 機(jī)械工程學(xué)報(bào), 2016, 52(9): 65-71.

Sun Wen-jun, Shao Si-yu, Yan Ru-qiang. Induction Motor Fault Diagnosis Based on Sparse Automatic Coding Deep Neural Network[J]. Chinese Journal of Mechanical En- gineering, 2016, 52(9): 65-71.

[18] 黃守道, 鄧建國, 羅德榮. 電機(jī)瞬態(tài)過程分析的MATLAB建模與仿真[M]. 北京: 電子工業(yè)出版社, 2013．

[19] 曲忠杰, 張志艷, 李麗, 等. 永磁同步發(fā)電機(jī)定子繞組匝間短路故障數(shù)學(xué)模型及其仿真[J]. 輕工學(xué)報(bào), 2019, 34(1): 101-108.

Qu Zhong-jie, Zhang Zhi-yan, Li Li, et al. Mathematical Model and Simulation of Short Circuit Fault of Stator Winding of Permanent Magnet Synchronous Generator[J]. Journal of Light Industry, 2019, 34(1): 101-108.

[20] 夏孟杰, 嚴(yán)冬冬, 杭俊, 等. 基于LabVIEW的永磁同步電機(jī)匝間短路故障在線診斷系統(tǒng)研究[J]. 日用電器, 2018 (155): 123-127.

Xia Meng-jie, Yan Dong-dong, Hang Jun, et al. Research on the LabVIEW-based on-line Diagnosis System for Interturn Short Circuit Faults of Permanent Magnet Synchronous Motor[J]. Electrical Appliances, 2018(155): 123-127.

[21] 楊存祥, 劉樹博, 張志艷. 矢量控制永磁同步電機(jī)失磁故障診斷方法研究[J]. 輕工學(xué)報(bào), 2017, 32(4): 58-65.

Yang Cun-xiang, Liu Shu-bo, Zhang Zhi-yan. Research on Fault Diagnosis Method of Vector Control Permanent Magnet Synchronous Motor Loss of Excitation[J]. Journal of Light Industry, 2017, 32(4): 58-65.

[22] 關(guān)世海, 趙東芝, 王步瑤, 等. 異步起動(dòng)永磁同步電機(jī)非正常工況退磁分析[J]. 大電機(jī)技術(shù), 2020(3): 7-12.

Guan Shi-hai, Zhao Dong-zhi, Wang Bu-yao, et al. Demagnetization Analysis of Asynchronous Start Permanent Magnet Synchronous Motor under Abnormal Operating Conditions[J]. Large Motor Technology, 2020(3): 7-12.

[23] 張文達(dá), 李爭, 杜深慧, 等. 矩形轉(zhuǎn)子槽異步起動(dòng)永磁同步電機(jī)退磁問題研究[J]. 日用電器, 2018 (155): 90-95.

Zhang Wen-da, Li Zheng, Du Shen-hui, et al. Research on the Demagnetization Problem of Asynchronous Start Permanent Magnet Synchronous Motor with Rectangular Rotor Slots[J]. Electrical Appliances, 2018 (155): 90-95.

[24] 唐旭, 王秀和, 徐定旺. 異步起動(dòng)永磁同步電動(dòng)機(jī)起動(dòng)過程中永磁體平均工作點(diǎn)的解析計(jì)算[J]. 電機(jī)與控制學(xué)報(bào), 2017, 21(5): 8-14.

Tang Xu, Wang Xiu-he, Xu Ding-wang. Analytic Calculation of the Average Operating Point of Permanent Magnets during the Starting Process of Asynchronous Start Permanent Magnet Synchronous Motors[J]. Journal of Electrical Machines and Control, 2017, 21(5): 8-14.

[25] 唐任遠(yuǎn). 現(xiàn)代永磁電機(jī)理論與設(shè)計(jì)[M]. 北京: 機(jī)械工業(yè)出版社, 2008: 13-34.

[26] 丁頔, 南國防. CNN-RNN融合法在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用[J]. 輕工學(xué)報(bào), 2020, 35(1): 102-108.

Ding Di, Nan Guo-fang. The Application of CNN-RNN Fusion Method in the Fault Diagnosis of Rotating Machinery[J]. Journal of Light Industry, 2020, 35(1): 102-108.

Demagnetization Fault Diagnosis Method for a Permanent Magnet Synchronous Motor Based on Limited Samples

MO Yu, LI Yuan-jiang, WEI Hai-feng, ZHANG Yi

(School of Electronic Information, Jiangsu University of Science and Technology, Zhenjiang 212003, China)

Aiming at the demagnetization identification problem of permanent magnet synchronous motor due to the sparse sample data, low availability, weak feature and complex structure, this paper proposes a demagnetization fault diagnosis method combining sparse self-encoding and least squares generative countermeasure network.This method first collects the electromagnetic torque and magnetomotive force distribution data of the permanent magnet synchronous motor to form a limited sample set. Secondly, the least squares generative confrontation network is used to label and expand the sample while maintaining the same feature distribution, and finally use sparse The self-encoding network and Soft max classifier train and classify the samples to realize the diagnosis and identification of demagnetization faults.In the process of model training and fault identification, on the one hand, the parameters that affect learning efficiency such as the hidden nodes of the deep network, the training algorithm and the number of layers are rationally designed; on the other hand, the optimized network is trained and tested and verified to improve the fault diagnosis performance. After many tests, the effective diagnosis of permanent magnet synchronous motor demagnetization fault was finally realized.

permanent magnet synchronous motor(PMSM);demagnetization;fault diagnosis; least squares generative countermeasure network;sparse autoencoder

莫鈺, 李垣江, 魏海峰, 等. 基于有限樣本的永磁同步電機(jī)退磁故障診斷方法[J]. 水下無人系統(tǒng)學(xué)報(bào), 2021, 29(5): 586-595.

TM351; TP277.3

A

2096-3920(2021)05-0586-10

10.11993/j.issn.2096-3920.2021.05.011

2020-12-01;

2020-12-17.

國家自然科學(xué)基金項(xiàng)目資助(51977101).

莫 鈺(1996-), 男, 碩士, 主要研究方向?yàn)樗聶C(jī)器人深度學(xué)習(xí)、故障診斷.

(責(zé)任編輯: 許 妍)