基于CWT和CNN-BiLSTM的散绕同步电机定子绕组短路故障检测方法

作     者：于跃强 陈宇 赵仲勇 宫小宇 唐超 YU Yueqiang;CHEN Yu;ZHAO Zhongyong;GONG Xiaoyu;TANG Chao

作者机构：西南大学工程技术学院重庆400716 华中科技大学电气与电子工程学院强电磁技术全国重点实验室武汉430074 西南大学宜宾研究院宜宾644000 国网重庆市电力公司北碚供电分公司重庆400014 

出 版 物：《高电压技术》 (High Voltage Engineering)

年 卷 期：2024年第50卷第5期

页      面：2166-2176页

核心收录：

学科分类：080801[工学-电机与电器] 0808[工学-电气工程] 08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 

基　　金：四川省科技计划(2023NSFSC0829) 中央高校基本科研业务费项目(SWU-KT22027) 国家自然科学基金(51807166)。 

主　　题：同步电机 定子绕组 脉冲频率响应法 小波变换 CNN-BiLSTM 

摘      要：近年来,基于脉冲频率响应法(impulse frequency response analysis,IFRA)的神经网络模型已被证实能够有效检测定子绕组故障。然而,这些模型普遍具有鲁棒性不强、抗噪能力差等特点,究其原因是大多数的模型采用简单的神经网络架构且常规的IFRA普遍采用快速傅里叶变换(fast Fourier transform,FFT)对暂态信号进行时频变换,而FFT并不适合处理暂态突变的非平稳信号。文中以散绕结构的同步电机定子绕组为检测对象,采用连续小波变换(continual wavelet transform,CWT)代替FFT处理IFRA的暂态信号,并基于一维卷积神经网络(convolutional neural networks,CNN)和双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)构建CNN-BiLSTM模型对采用CWT变换之后的信号进行故障检测。实验结果表明:采用CWT处理后的频域序列作为该模型的输入,相较于其它结构单一的模型,其平均准确率最优且高达99.01%。噪声对比实验表明:采用CWT变换后的数据能使故障诊断模型的鲁棒性及泛化性更强。