永磁同步电机的LCD和CNN-LSTM故障诊断研究

作     者：张思郁 

作者单位：西安工业大学 

学位级别：硕士

导师姓名：丁锋

授予年度：2024年

学科分类：080801[工学-电机与电器] 0808[工学-电气工程] 08[工学] 

主      题：永磁同步电机 局部特征尺度分解 CNN-LSTM 匝间短路 故障诊断 

摘      要：永磁同步电机近年来越来越多的使用在新能源汽车等行业,因其具有高效率、结构简单、高功率密度与转矩密度等优点,受到了广泛关注。但是由于其工作环境复杂、工作频率高的特点,容易引发多种故障,定子绕组的匝间短路故障是永磁同步电机最常见的故障。根据工程经验,匝间短路故障发生前期电机仍可以正常运转,故障特征不明显,很难及时发现。基于此特点,针对永磁同步电机的匝间短路初期故障,本文提出一种CNN-LSTM故障诊断模型进行故障诊断,具体研究内容如下: (1)根据电机结构组成与工作原理,建立电机在健康状态与定子绕组匝间短路故障状态下的数学模型。通过固定在转子上的动态坐标系,对电机发生匝间短路故障时,影响电机转矩大小的参数进行分析,选取定子电流信号作为故障分析信号。 (2)在Maxwell 2D软件中搭建永磁同步电机的机械本体模型,并设定材料与磁极,在MATLAB/Simulink软件中建立电机控制系统仿真模型进行联合仿真。根据匝间短路故障等效模型,对匝间短路仿真模型进行设置,对比分析匝间短路故障工况与健康工况下电机系统的转矩、响应速度、定子电流波形变化情况,采集不同匝间短路比时的电机定子电流,分析其变化情况,验证建立模型的有效性。 (3)利用局部特征尺度分解方法(Local Characteristic-Scale Decomposition,LCD)对仿真采集的定子电流信号进行信号处理。通过分解得到各分量,分别计算其与原始信号之间的相关系数,选取相关系数相对较大的三个分量,对其包络谱值进行归一化处理,以此构建特征样本数据集。对比分析局部特征尺度分解方法、经验模态分解方法和局部均值分解方法的分解效率和相关系数,验证局部特征尺度分解方法在定子电流信号处理方面的优越性。 (4)针对卷积神经网络(Convolutional Neural Networks,CNN)和长短时记忆神经网络(Long Short-Term Memory Networks,LSTM)存在过拟合和训练不稳定等问题,建立基于CNN-LSTM定子绕组匝间短路故障模式识别神经网络模型。对不同状态下的单相定子电流进行识别,得到所建模型对永磁同步电机匝间短路故障识别的准确率为97.9167%。对比分析CNN-LSTM、BP神经网络、CNN、LSTM的识别结果,验证本文所提方法在定子绕组匝间短路故障诊断中的可靠性。