針對永磁同步電機(PMSM)因樣本數據稀少、可用性低、特征弱化和結構復雜等因素引發的退磁識別問題, 提出一種融合稀疏自編碼與較小二乘生成式對抗網絡的退磁故障診斷辦法。該辦法較早采集PMSM的電磁轉矩和磁動勢分布數據構成有限樣本 *** , 其次采用較小二乘生成式對抗網絡對樣本在保持特征分布廣泛的條件下進行標簽化擴張, 較后運用稀疏自編碼網絡和Soft max分類器對樣本進行訓練和分類, 實現退磁故障的診斷與識別。在模型訓練和故障識別過程中, 一方面合理設計深度網絡隱層節點、訓練算法以及層數等影響學習效率的參數; 另一方面訓練優化網絡并測試驗證網絡的優劣以提高故障診斷性能。經過多次試驗, 較終可實現PMSM退磁故障的有效診斷。

一、引言

隨著人類對海洋探索的不斷深入, 以及開發利用海洋資源、研究海洋的生態平衡和軍事方面的需求, 水下航行器發揮著越來越重要的作用。水下航行器在高速運轉時, 由于自身質量較輕且動力較大, 很容易影響航行器的穩定, 嚴重時會導致側翻, 由此裝載永磁同步電機(permanent magnet synchronous motor, PMSM)的水下推進系統應運而生。PMSM因其工作損耗極小、溫度升高緩慢、過載能力高等優勢, 能夠很好地滿足水下航行器推進電機的要求[1-2]。然而受實際工況的制約, 永磁體在高溫、退磁磁場及匝間短路作用下會發生不可逆的退磁現象, 退磁會影響永磁體性能進而導致電機轉矩性能降低, 甚至造成電機報廢等嚴重后果。研究偶發、隱蔽、變化緩慢的PMSM退磁故障機理及其診斷辦法, 對提升電機的穩定性具有重要意義[3]。

現階段, 用于PMSM的退磁故障診斷與識別的辦法主要有數學模型法[4-5]、數據驅動法[6]和高頻信號注入法[7]等。數學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律, 實現PMSM退磁的故障診斷; 另一方面, 采用多種信號處理模型構造針對永磁體磁鏈的觀測器, 并與較小二乘法、龍貝格觀測器、ALE-MRAS觀測器[9]等辦法結合, 實現觀測器的參數辨識。然而基于數學模型的辦法易受噪聲、負載變化、計算量大、數據冗余等多種因素影響, 局限于有限的泛化能力, 同時難以確保觀測模型的有效收斂和較較為效率的辨識精度。基于數據驅動的診斷辦法通常采用快速傅里葉變換、小波變換、希爾伯特變換等對PMSM的電壓、電流等物理量進行變換, 試圖在各種變換域尋找退磁故障的有效特征分布[10]。但是這類辦法受限于數學工具的限制性條件和PMSM的非平穩狀態, 微弱的故障信號難以從輸入信號中提取出來, 因此在工程應用中難以推廣。基于高頻信號注入的辦法是在離線狀態下使用外部高頻信號測量PMSM的磁路狀態, 以描述永磁體的退磁情況。該辦法適用于PMSM的局部和均勻退磁2種情況, 但無法實現在線診斷。除此之外, 永磁體材料在受到外界磁場強度、溫度、酸堿、使用壽命、 *** 工藝以及匝間短路等綜合因素的影響時, 易導致局部退磁或均勻不可逆退磁[11]。退磁故障發生的隨機性、隱蔽性, 易造成數學模型的不確定性和樣本數據的污染, 因此上述辦法在PMSM多變的工況下都存在較大的局限性。在故障識別行業, 逆向(back propagation, BP)神經網絡[12]、支持向量機[13]均取得了較大成果。袁圃等[14]采用優化后的BP神經網絡實現了電網故障的較較為效率診斷。然而隨著數據的增多, 傳統神經網絡已經無法提高故障診斷系統的性能, 同時會消耗大量的時間。為提高退磁故障診斷的準確率, 結合大數據和深度學習網絡對PMSM的退磁故障特征進行挖掘和辨識具有良好的應用前景。

稀疏自編碼(sparse autoencoder, SAE)[15]和較小二乘生成式對抗網絡(least squares generative adversarial network, LSGAN)[16]作為典型的深度學習辦法已獲得廣泛關注。SAE是一種無監督算法, 可以從大量的樣本數據中學習屬于研究對象的本質稀疏特征, 并獲得更稀疏化的特征表達。部分學者已經成功將SAE用于故障診斷中。例如孫文珺等[17]利用SAE網絡實現了感應電動機的7類故障診斷, 其準確率高達97%。由于SAE具有極強的數據稀疏表達能力, 能有效實現特征的自動約簡與選擇, 因此適合各類電機冗余數據的特征提取。同時, 電機的退磁機理非常復雜, 永磁體磁密的變化受磁動勢、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雜的交互關系, 因此退磁故障具有很強隱蔽性、漸進性與偶發性。總之, 有限的、不平衡的樣本集難以支持深度網絡進行大規模的數據訓練和特征學習, 因此為了彌補樣本的數量和多樣性缺陷, 利用LSGAN等各類生成對抗式網絡對輸入樣本進行數據擴張, 是解決小樣本分類的有效辦法之一, 其可以有效彌補訓練數據匱乏的缺陷。

基于以上分析, 提出一種聯合LSGAN和SAE的PMSM退磁故障診斷辦法。較早構建合適的參數優化LSGAN與SAE網絡, 確保訓練樣本的有效性、多樣性以及特征表達的稀疏性; 其次構造PMSM的退磁故障模型, 分析磁動勢、電磁轉矩在永磁體退磁狀態下的變化規律; 較后依托磁動勢、電磁轉矩以及LSGAN構造訓練集, 并使用SAE網絡與分類器實現退磁故障的有效診斷。

1.深度學習網絡

圖7  PMSM實驗平臺

表1  測試平臺相關參數

表2  樣本標簽

3.1  網絡參數優化

在SAE網絡訓練與測試中, 使用相同的LSGAN擴展數據集評估不同學習率和優化算法, 并采用均方誤差作為損失函數以判定較優情況。在實驗中對上述訓練集進行測試, 其中訓練樣本5 000個, 測試樣本300個。結果如表3和圖8所示。

表3  稀疏自編碼網絡參數優化

圖8  不同優化算法下的損失值

在同一隱層數下, 通過調整不同的學習率, 比較在不同學習率下的損失值, 結論如下: 在線優化(follow-the-regularized-leader, FTRL)算法可以學習出有效且稀疏的解, 但是受數據分布影響,

僅適用于數據分布平衡且數量更大的訓練集; 自適應學習率優化(adaptive gradient, Adagrad)算法的學習率與參數的設置有很大關系, 受限于大規模的更新稀疏參數, 其學習率總是在降低或是迅速衰減, 較終容易導致梯度消失; 隨機梯度下降算法(stochastic gradient descent, SGD)辦法在所有方向上統一縮放梯度, 所得并不是稀疏解, 因此較終選取自適應時刻估計算法(adaptive moment estimation, Adam)(隱層數為3, 學習率為0.01)計算每個參數的自適應學習率以及每個參數的對應動量變化并自立存儲, 同時糾正其他優化技術中存在的問題, 如學習率消失過快而收斂減緩, 參數不斷更新引發損失函數波動加大, 使得模型在確定參數后網絡損失值達到較小。

3.2  樣本擴張有效性分析

為研究LSGAN在擴張數據中的合理性及有效性, 隨機抽取研究樣本, 分別采用GAN與LSGAN進行數據擴張實驗。隨著迭代次數的增加, GAN和LSGAN的生成器和判別器損失均趨于穩定。經過多次實驗對比, GAN和LSGAN判別器和生成器的損失函數如圖9與圖10所示。

圖9  GAN生成器和判別器的損失函數

圖10  LSGAN生成器和判別器的損失函數

由圖10可知, GAN在經過7 500次訓練之后生成器和判別器的損耗函數趨于穩定, 而LSGAN在2 500次訓練之后就趨于穩定, 證明LSGAN生成的模型在擴展數據方面的效能高于傳統GAN, 極大緩解了傳統GAN訓練不穩定以及生成樣本多樣性不足的問題。因此, 選擇采用LSGAN來擴張樣本數據, 將電磁轉矩和磁動勢作為退磁故障的聯合特征項。為更好地論證LSGAN擴展數據的有效性, 采用GAN和LSGAN擴張后的數據歸一化后與原始數據進行對比, 如圖11所示。電磁轉矩和磁動勢處于非線性狀態, 各樣本之間無明顯規律可循, LSGAN生成的數據比GAN生成的數據更加接近真實數據的分布趨勢。

圖11  健康樣本和各生成樣本的分布

3.3  與傳統辦法對比

為進一步證明文中辦法對于電機退磁故障診斷的有效性, 以Geforcegtx1070 GPU圖形卡為運算硬件, 測試算法的診斷效果。其中訓練集采用LSGAN擴張至20 000個數據, 測試 *** 依然由原始的300個樣本構成, 不在進行重新采樣。基于TensorFlow平臺采用擴張后數據集進行網絡訓練和故障診斷, 所獲結果如表4所示。

表4  不同診斷辦法結果對比分析

    
分別使用GAN和LSGAN擴張數據后, 采用多種深度學習網絡進行故障診斷對比測試。由于BP網絡深度不夠, 無法充分學習數據特征的分布規律, 在進行模式辨識時缺乏對故障邊界條件的有效判別, 因此基于BP網絡的退磁故障判斷準確率較低。得益于網絡深度和結構的優勢, 循環神經網絡(recurrent neural network, RNN)、卷積神經網絡(convolutional neural network, CNN)和SAE對輸入樣本特征具有較好的學習能力。RNN網絡的訓練效率與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, 針對同一種故障診斷模型, LSGAN擴張的訓練數據比GAN得到的訓練集更能體現PMSM退磁故障的數據特征和邊界條件, 因此采用不同的算法進行故障診斷時, LSGAN有助于提高樣本的稀疏性和多樣性, 并能較大限度地保證樣本的特征規律, 這對小樣本學習具有重要意義。所以, LSGAN與GAN相比, 增強了樣本數據集的數量, 克服了網絡訓練不充分, 訓練效果不足的短板, 有效防止了過擬合, 同時使得采用SAE對退磁故障進行診斷具有良好的應用前景。