基于改进ACGAN的永磁同步电机数据扩张方法

永磁同步电机(permanent magnet synchronous motor,PMSM)的监测数据呈现出非平稳、非线性、多源异构性和价值低密度性等特点,而仿真数据难以准确地模拟电机故障类型和故障程度,使得正常数据与故障数据的样本呈现严重不均衡现象,导致故障诊断的模型训练容易出现过拟合、精度低等问题。本文提出了一种改进辅助分类生成对抗网络(auxiliary classification generation adversarial network,ACGAN),通过对原始样本的分布特性进行学习,实现对PMSM实测故障数据的扩张,为电机的故障诊断和健康评估提供数据基础。首先,针对ACGAN网络收敛性差和梯度易消失或爆炸的问题,使用Wasserstein距离约束生成数据的重建损失,利用梯度惩罚代替权值剪裁对模型进行优化,解决模型训练不稳定问题;其次,剖析数据之间的变化关系和历史变化规律,在生成器中引入循环神经网络提高生成数据质量;最后,利用PMSM匝间短路的故障数据,对比分析ROS、SMOTE、ADASYN及改进ACGAN 4种数据扩张方法对提升故障诊断模型性能的有效性。分析结果表明,与其他数据扩张方法相比,改进ACGAN方法的模型训练较稳定、收敛速度较快,扩张数据质量较高。

双重对抗自编码数据扩张方法及应用

针对深度学习存在的数据不足、质量不高的问题,将自编码网络的训练稳定特性和生成对抗网络的对抗特性相结合,提出了双重对抗自编码(CAAE)数据扩张方法,并将其应用到永磁同步电机(PMSM)故障诊断中.在模型训练过程中,利用网络模型学习原始数据的分布,将压缩后的变量和解码后的重构数据分别输入到对应的判别器,形成双重对抗,保证生成数据的质量.训练完成后,将满足特定分布的随机变量和类别标签输入到训练后的网络模型,即可生成相应类别的数据.以电机匝间短路为例,在自建电机数据集上,通过双重对抗自编码进行故障数据扩张,根据各项指标的提升验证模型的有效性.结果表明:与传统数据扩张方法对比,双重对抗自编码生成的数据质量更高,能够提高诊断准确率.