基于变分模态分解融合深度学习的电机匝间短路故障检测方法

专利主权项内容

1.一种基于变分模态分解融合深度学习的电机匝间短路故障检测方法，其特征在于，包括以下步骤：11)建立永磁同步电机故障模型：根据永磁同步电机自然坐标系下电压电流方程建立旋转坐标系d轴、q轴电压与d轴、q轴电流的方程，以此作为模拟故障相匝间短路的永磁同步电机故障模型；12)变分模态分解算法提取故障特征：根据永磁同步电机故障模型的仿真结果得到电机故障相电流与零序电压，分别输入变分模态分解算法中进行自适应模态分解，获取故障相电流三次谐波与零序电压基波作为匝间短路故障特征；13)麻雀搜索算法优化变分模态分解参数：通过麻雀搜索算法在既定的范围对变分模态分解过程中的惩罚因子α与分解层数K进行优化，得到故障相电流三次谐波与零序电压基波的最佳分解结果；14)建立深度金字塔池化残差卷积神经网络模型：建立深度金字塔池化网络、残差卷积神经网络，采用深度金字塔池化网络优化残差卷积神经网络模型，即SPP-ResCNN网络，通过消融试验调整融合后SPP-ResCNN网络的结构和参数；15)SPP-ResCNN网络的训练：将经麻雀搜索算法优化变分模态分解得到的故障相电流三次谐波与零序电压基波最佳分解结果制作成训练集与测试集，输入SPP-ResCNN网络中进行训练，通过消融试验调整学习率、最大训练轮数、最小训练批次，使网络损失函数降至最低；16)永磁同步电机匝间短路故障的实时诊断：实时监测永磁同步电机电流与零序电压，将其输入麻雀搜索算法优化的变分模态分解算法中提取故障相电流三次谐波与零序电压基波最佳分解结果，并将其制作成待检测数据集，输入训练好的SPP-ResCNN网络中进行匝间短路故障程度的诊断。