永磁同步电机退磁故障诊断

针对永磁同步电机(PMSM)因样本数据稀少、可用性低、特征弱化和结构复杂等因素引发的退磁识别问题, 提出一种融合稀疏自编码与较小二乘生成式对抗网络的退磁故障诊断办法。该办法较早采集PMSM的电磁转矩和磁动势分布数据构成有限样本 *** , 其次采用较小二乘生成式对抗网络对样本在保持特征分布广泛的条件下进行标签化扩张, 较后运用稀疏自编码网络和Soft max分类器对样本进行训练和分类, 实现退磁故障的诊断与识别。在模型训练和故障识别过程中, 一方面合理设计深度网络隐层节点、训练算法以及层数等影响学习效率的参数; 另一方面训练优化网络并测试验证网络的优劣以提高故障诊断性能。经过多次试验, 较终可实现PMSM退磁故障的有效诊断。

一、引言

随着人类对海洋探索的不断深入, 以及开发利用海洋资源、研究海洋的生态平衡和军事方面的需求, 水下航行器发挥着越来越重要的作用。水下航行器在高速运转时, 由于自身质量较轻且动力较大, 很容易影响航行器的稳定, 严重时会导致侧翻, 由此装载永磁同步电机(permanent magnet synchronous motor, PMSM)的水下推进系统应运而生。PMSM因其工作损耗极小、温度升高缓慢、过载能力高等优势, 能够很好地满足水下航行器推进电机的要求[1-2]。然而受实际工况的制约, 永磁体在高温、退磁磁场及匝间短路作用下会发生不可逆的退磁现象, 退磁会影响永磁体性能进而导致电机转矩性能降低, 甚至造成电机报废等严重后果。研究偶发、隐蔽、变化缓慢的PMSM退磁故障机理及其诊断办法, 对提升电机的稳定性具有重要意义[3]。

现阶段, 用于PMSM的退磁故障诊断与识别的办法主要有数学模型法[4-5]、数据驱动法[6]和高频信号注入法[7]等。数学模型法一般包括有限元模型法和永磁体磁链观测法[8]。一方面, 通过有限元模型可以得到永磁体磁链幅值的变化规律, 实现PMSM退磁的故障诊断; 另一方面, 采用多种信号处理模型构造针对永磁体磁链的观测器, 并与较小二乘法、龙贝格观测器、ALE-MRAS观测器[9]等办法结合, 实现观测器的参数辨识。然而基于数学模型的办法易受噪声、负载变化、计算量大、数据冗余等多种因素影响, 局限于有限的泛化能力, 同时难以确保观测模型的有效收敛和较为效率的辨识精度。基于数据驱动的诊断办法通常采用快速傅里叶变换、小波变换、希尔伯特变换等对PMSM的电压、电流等物理量进行变换, 试图在各种变换域寻找退磁故障的有效特征分布[10]。但是这类办法受限于数学工具的限制性条件和PMSM的非平稳状态, 微弱的故障信号难以从输入信号中提取出来, 因此在工程应用中难以推广。基于高频信号注入的办法是在离线状态下使用外部高频信号测量PMSM的磁路状态, 以描述永磁体的退磁情况。该办法适用于PMSM的局部和均匀退磁2种情况, 但无法实现在线诊断。除此之外, 永磁体材料在受到外界磁场强度、温度、酸碱、使用寿命、 *** 工艺以及匝间短路等综合因素的影响时, 易导致局部退磁或均匀不可逆退磁[11]。退磁故障发生的随机性、隐蔽性, 易造成数学模型的不确定性和样本数据的污染, 因此上述办法在PMSM多变的工况下都存在较大的局限性。在故障识别行业, 逆向(back propagation, BP)神经网络[12]、支持向量机[13]均取得了较大成果。袁圃等[14]采用优化后的BP神经网络实现了电网故障的较为效率诊断。然而随着数据的增多, 传统神经网络已经无法提高故障诊断系统的性能, 同时会消耗大量的时间。为提高退磁故障诊断的准确率, 结合大数据和深度学习网络对PMSM的退磁故障特征进行挖掘和辨识具有良好的应用前景。

稀疏自编码(sparse autoencoder, SAE)[15]和较小二乘生成式对抗网络(least squares generative adversarial network, LSGAN)[16]作为典型的深度学习办法已获得广泛关注。SAE是一种无监督算法, 可以从大量的样本数据中学习属于研究对象的本质稀疏特征, 并获得更稀疏化的特征表达。部分学者已经成功将SAE用于故障诊断中。例如孙文珺等[17]利用SAE网络实现了感应电动机的7类故障诊断, 其准确率高达97%。由于SAE具有极强的数据稀疏表达能力, 能有效实现特征的自动约简与选择, 因此适合各类电机冗余数据的特征提取。同时, 电机的退磁机理非常复杂, 永磁体磁密的变化受磁动势、电流和温度等多方面因素的影响, 另外这些影响因素之间也存在复杂的交互关系, 因此退磁故障具有很强隐蔽性、渐进性与偶发性。总之, 有限的、不平衡的样本集难以支持深度网络进行大规模的数据训练和特征学习, 因此为了弥补样本的数量和多样性缺陷, 利用LSGAN等各类生成对抗式网络对输入样本进行数据扩张, 是解决小样本分类的有效办法之一, 其可以有效弥补训练数据匮乏的缺陷。

基于以上分析, 提出一种联合LSGAN和SAE的PMSM退磁故障诊断办法。较早构建合适的参数优化LSGAN与SAE网络, 确保训练样本的有效性、多样性以及特征表达的稀疏性; 其次构造PMSM的退磁故障模型, 分析磁动势、电磁转矩在永磁体退磁状态下的变化规律; 较后依托磁动势、电磁转矩以及LSGAN构造训练集, 并使用SAE网络与分类器实现退磁故障的有效诊断。

1.深度学习网络

图7  PMSM实验平台

表1  测试平台相关参数

表2  样本标签

3.1  网络参数优化

在SAE网络训练与测试中, 使用相同的LSGAN扩展数据集评估不同学习率和优化算法, 并采用均方误差作为损失函数以判定较优情况。在实验中对上述训练集进行测试, 其中训练样本5 000个, 测试样本300个。结果如表3和图8所示。

表3  稀疏自编码网络参数优化

图8  不同优化算法下的损失值

在同一隐层数下, 通过调整不同的学习率, 比较在不同学习率下的损失值, 结论如下: 在线优化(follow-the-regularized-leader, FTRL)算法可以学习出有效且稀疏的解, 但是受数据分布影响,

仅适用于数据分布平衡且数量更大的训练集; 自适应学习率优化(adaptive gradient, Adagrad)算法的学习率与参数的设置有很大关系, 受限于大规模的更新稀疏参数, 其学习率总是在降低或是迅速衰减, 较终容易导致梯度消失; 随机梯度下降算法(stochastic gradient descent, SGD)办法在所有方向上统一缩放梯度, 所得并不是稀疏解, 因此较终选取自适应时刻估计算法(adaptive moment estimation, Adam)(隐层数为3, 学习率为0.01)计算每个参数的自适应学习率以及每个参数的对应动量变化并自立存储, 同时纠正其他优化技术中存在的问题, 如学习率消失过快而收敛减缓, 参数不断更新引发损失函数波动加大, 使得模型在确定参数后网络损失值达到较小。

3.2  样本扩张有效性分析

为研究LSGAN在扩张数据中的合理性及有效性, 随机抽取研究样本, 分别采用GAN与LSGAN进行数据扩张实验。随着迭代次数的增加, GAN和LSGAN的生成器和判别器损失均趋于稳定。经过多次实验对比, GAN和LSGAN判别器和生成器的损失函数如图9与图10所示。

图9  GAN生成器和判别器的损失函数

图10  LSGAN生成器和判别器的损失函数

由图10可知, GAN在经过7 500次训练之后生成器和判别器的损耗函数趋于稳定, 而LSGAN在2 500次训练之后就趋于稳定, 证明LSGAN生成的模型在扩展数据方面的效能高于传统GAN, 极大缓解了传统GAN训练不稳定以及生成样本多样性不足的问题。因此, 选择采用LSGAN来扩张样本数据, 将电磁转矩和磁动势作为退磁故障的联合特征项。为更好地论证LSGAN扩展数据的有效性, 采用GAN和LSGAN扩张后的数据归一化后与原始数据进行对比, 如图11所示。电磁转矩和磁动势处于非线性状态, 各样本之间无明显规律可循, LSGAN生成的数据比GAN生成的数据更加接近真实数据的分布趋势。

图11  健康样本和各生成样本的分布

3.3  与传统办法对比

为进一步证明文中办法对于电机退磁故障诊断的有效性, 以Geforcegtx1070 GPU图形卡为运算硬件, 测试算法的诊断效果。其中训练集采用LSGAN扩张至20 000个数据, 测试 *** 依然由原始的300个样本构成, 不在进行重新采样。基于TensorFlow平台采用扩张后数据集进行网络训练和故障诊断, 所获结果如表4所示。

表4  不同诊断办法结果对比分析

    
分别使用GAN和LSGAN扩张数据后, 采用多种深度学习网络进行故障诊断对比测试。由于BP网络深度不够, 无法充分学习数据特征的分布规律, 在进行模式辨识时缺乏对故障边界条件的有效判别, 因此基于BP网络的退磁故障判断准确率较低。得益于网络深度和结构的优势, 循环神经网络(recurrent neural network, RNN)、卷积神经网络(convolutional neural network, CNN)和SAE对输入样本特征具有较好的学习能力。RNN网络的训练效率与CNN非常接近, 但由于其梯度易消失, 因此其故障诊断精度低于CNN与SAE, 而SAE更获得98.4%的故障诊断成功率。此外, 针对同一种故障诊断模型, LSGAN扩张的训练数据比GAN得到的训练集更能体现PMSM退磁故障的数据特征和边界条件, 因此采用不同的算法进行故障诊断时, LSGAN有助于提高样本的稀疏性和多样性, 并能较大限度地保证样本的特征规律, 这对小样本学习具有重要意义。所以, LSGAN与GAN相比, 增强了样本数据集的数量, 克服了网络训练不充分, 训练效果不足的短板, 有效防止了过拟合, 同时使得采用SAE对退磁故障进行诊断具有良好的应用前景。