1.本发明属于永磁同步电机故障诊断技术领域，具体涉及一种基于深度学习的永磁同步电机均匀退磁故障诊断方法。
背景技术：2.永磁同步电机因其结构简单，运行稳定，推力密度大，与传统电机相比同等功率下体积小等显著优点，目前应用越来越广泛，尤其是在军工、航空航天领域发挥着重要作用。然而由于实际应用工况复杂的原因，永磁体材料极易受到外界因素如高温、振动、磁场干扰、匝间短路等而产生不可逆退磁现象。永磁体材料退磁对于永磁同步电机来说具有严重后果，会导致电机效率降低或驱动模块损坏，严重时甚至会造成电机的报废，进而对整个系统造成不可估量的后果。因此，对永磁同步电机的退磁故障诊断具有十分重大的意义。目前，对于永磁同步电机的退磁故障诊断与识别的方法主要包括数学模型法、数据驱动法和高频信号注入法等。有学者基于数学模型，观测永磁体磁链幅值的变化规律或采用多种信号处理模型构造对于永磁体磁链的观测器，并使用最小二乘法、龙贝格观测器等方法辨识其参数进行故障诊断，然而该方法泛化性较弱，易受噪声影响；有学者基于数据驱动的方法采用快速傅里叶变换、希尔伯特黄变换、小波变换等信号处理方法对永磁同步电机的定子电流、感应电压等物理量进行分析，实现故障特征提取，该方法受限于数学工具的使用条件，对于轻微故障信号难以提取特征，在实际工程中无法广泛应用。基于高频信号注入的故障诊断方法则无法实现在线监测。近些年来，随着深度学习的发展，人们越来越关注到深度学习在故障诊断领域的应用和发展前景。深度学习有别于传统的神经网络，其具有多层隐藏层，能够自主很好的捕捉到数据的特征，无需人工根据先验知识调整参数，大大提高了网络学习能力。然而十分依靠数据质量和数量的深度学习网络在数据集缺少的情况下则表现不佳，永磁同步电机的退磁故障中可用数据十分缺少，且大多受到复杂工况的影响，数据包含噪声较多。针对这一问题，本发明在id＝0控制下气隙磁密波形d轴磁密幅值不受q轴电流的影响，从而转矩的波动对单个永磁体退磁故障程度计算不影响，结合生成对抗式网络与深度降噪卷积自编码器，扩张样本集，对故障数据进行降噪。其中生成对抗式网络使用cyclegan，受图像风格迁移思想的启发将故障数据特征迁移到健康数据中。深度降噪卷积自编码器中多个隐藏层以及一维卷积网络的使用能够有效的提取故障特征，提高故障分类器表现。该发明有效解决了永磁同步电机退磁故障诊断领域中数据缺少的问题，优化了同类方法中生成数据质量差、速度慢的缺陷，该方法由于有降噪模块的添加，诊断效果好，准确性高，鲁棒性强。当电机发生退磁故障后，能够有效检测到，从而能够为电机后续运行的合理规划提供依据，进而提高了永磁同步电机及所在系统运行的安全性和稳定性。
3.专利内容
4.本发明的目的在于提供一种基于深度学习的永磁同步电机均匀退磁故障诊断方法，该方法鲁棒性强，诊断准确性高，以此克服背景技术中提及的不足。
5.实现本发明目的的技术解决方案为：一种基于深度学习的永磁同步电机均匀退磁
故障诊断方法，包括如下步骤：
6.步骤1：在id＝0控制下，在永磁同步电机定子齿中嵌入高斯计的霍尔传感器探头，利用霍尔传感器产生的霍尔电压与永磁同步电机的气隙磁密成正比，实时监测永磁同步电机气隙磁密的变化；获取永磁同步电机健康工作及不同程度均匀退磁下的气隙磁密，并贴上故障标签形成真实永磁同步电机健康和不同程度均匀退磁故障数据集a，其数据作为真实数据。
7.步骤2：根据真实永磁同步电机健康和不同程度均匀退磁故障数据集a中时序信号特征，重构生成对抗网络cyclegan模型。
8.步骤3：将真实电机健康和不同程度均匀退磁故障数据集a作为抗神经网络 cyclegan模型的输入，生成新的永磁同步电机健康工作和不同程度均匀退磁故障数据集b，其数据作为生成数据。生成数据与真实数据的相似性通过损失函数表现，根据总函数的下降情况决定训练轮数，直到总失函数下降到设定的阈值后，此时生成器与判别器达到纳什平衡，博弈双方达到自己期望收益的最大值。
9.步骤4，搭建深度降噪卷积自编码器，并将新的永磁同步电机健康工作和不同程度均匀退磁故障数据集b作为输入对其进行预训练，得到预训练模型，并保留该预训练模型参数。
10.步骤5，将预训练模型迁移到真实永磁同步电机健康和不同程度均匀退磁故障数据集a上，得到迁移模型，并搭建softmax分类器，通过softmax分类器对电机故障程度进行分类，实现永磁同步电机均匀退磁故障诊断。
11.本发明与现有技术相比，其显著优点是：
12.1)本发明基于深度学习的方法，将图像风格迁移的思想应用在故障数据生成上，对cyclegan改进，使其在处理一维时序信号上也表现良好。
13.2)传统gan只有一个对抗损失函数且使用高斯噪声作为输入，本网络含有循环损失函数、对抗损失函数、身份识别损失函数，使用永磁同步电机健康数据作为输入，能够极大提升生成数据的质量和速度。
14.3)采用深度降噪卷积自编码器，内部深层网络结构能够更好的提取数据特征；噪声的加入可以使其表现更好，不仅可以抑制过拟合，更符合永磁同步电机实际工况下采集到的信号，提高鲁棒性，其核心思想是，一个能够从中恢复出原始信号的神经网络表达未必是最好的，能够对“损坏”的原始数据编码、解码，然后还能恢复真正的原始数据，这样的特征才是好的。
15.4)使用了迁移学习的思想，使用生成数据预训练模型而后将模型迁移到真实数据上，解决了永磁同步电机退磁故障诊断中数据缺少难以对模型进行有效训练的难题，更能充分利用真实数据，提高诊断效果。
16.5)本发明的诊断方法具有较强的泛化性，模型的可迁移性使得在面对不同型号不同工况甚至不同故障类型的诊断时都可以快速训练参数，极大提高了故障诊断的速度，且为故障诊断领域提供了新的思路。
附图说明
17.图1为永磁同步电机均匀退磁故障诊断方法一种具体实施方法流程图。
18.图2为本发明cyclegan生成对抗网络结构示意图。
19.图3为本发明中深度降噪卷积自编码网络结构示意图。
20.图4为本发明中id＝0控制图。
具体实施方式
21.结合图1～图4，本发明所述的一种基于深度学习的永磁同步电机均匀退磁故障诊断方法，包括如下步骤：
22.步骤1：在id＝0控制下，在永磁同步电机定子齿中嵌入高斯计的霍尔传感器探头，利用霍尔传感器产生的霍尔电压与永磁同步电机的气隙磁密成正比，实时监测永磁同步电机气隙磁密的变化，id＝0控制图如图4所示；获取永磁同步电机健康工作及不同程度均匀退磁下的气隙磁密，并贴上故障标签形成真实永磁同步电机健康和不同程度均匀退磁故障数据集a，其数据作为真实数据。
23.步骤2：根据真实永磁同步电机健康和不同程度均匀退磁故障数据集a中时序信号特征，重构生成对抗网络cyclegan模型，并通过试验确定最佳模型结构。
24.所述生成对抗网络cyclegan模型具体如下：
[0025][0026]
其中layer表示隐层名，type表示隐层类型，ker/str/pad分别表示卷积层中卷积核尺寸/步长/填充数，bn表示归一化类型，activation表示激活函数类型，input 和output分别表示该隐层输入和输出的数据尺寸。
[0027]
步骤3：将真实电机健康和不同程度均匀退磁故障数据集a作为抗神经网络 cyclegan模型的输入，生成新的永磁同步电机健康工作和不同程度均匀退磁故障数据集b，其数据作为生成数据；生成数据与真实数据的相似性通过损失函数表现，根据总函数的下降情况决定训练轮数，直到总失函数下降到设定的阈值后，此时生成器与判别器达到纳什平衡，博弈双方达到自己期望收益的最大值。
[0028]
总损失函数l(g,f,d
x
,dy)为：
[0029]
l(g,f,d
x
,dy)＝loss
gan
+λ
·
loss
cycle
+β
·
loss
id
[0030]
其中，g为故障样本生成器，f为健康样本生成器，d
x
为健康样本判别器， dy为故障样本判别器。loss
gan
为对抗损失，loss
cycle
为循环损失，loss
id
为身份识别损失。λ为循环损失在总损失函数中的系数，β为身份识别损失在总损失函数中的系数，经过试验得到λ＝10,β＝5为最佳结果。
[0031]
对抗损失loss
gan
表示生成器与判别器之间的对抗性损失，包括故障样本生成器g与故障样本判别器dy之间的对抗性损失l
gan
(g,dy,y)以及健康样本生成器f与健康样本判别
器d
x
之间的对抗性损失l
gan
(f,d
x
,x)：
[0032]
loss
gan
＝l
gan
(g,dy,y)+l
gan
(f,d
x
,x)
[0033][0034][0035]
其中，x为健康电机样本，y为故障电机样本；g(x)为将x输入到故障样本生成器g后的输出，f(y)为将y输入到健康样本生成器f后的输出； d
x
(f(y))为将f(y)输入到健康样本判别器d
x
后的输出，dy(g(x))为将g(x)输入到故障样本判别器dy后的输出；代表期望；
[0036]
循环损失loss
cycle
保证了抗神经网络cyclegan模型是将输入数据的特征变换为目标数据的特征，而非只是随机生成一个目标数据，这样能够最大程度保留数据除故障特征外的真实特征，提高了数据的生成质量，包括健康样本x的循环损失l
cycle
(g,f,x)和故障样本y的循环损失l
cycle
(g,f,y)：
[0037][0038]
其中，x为健康电机样本，y为故障电机样本。g(x)为将x输入到故障样本生成器g后的输出，f(y)为将y输入到健康样本生成器f后的输出。g(f(y)) 为将f(y)输入到故障样本生成器g后的输出，f(g(x))为将g(x)输入到健康样本生成器f后的输出。代表期望，|| ||1代表1范数。
[0039]
身份识别损失loss
id
的作用是使得无论输入健康电机样本x还是故障电机样本y，故障样本生成器g都只输出故障电机样本，健康样本生成器f都只生成健康电机样本。在实际实验中，添加loss
id
后生成效果提升。
[0040][0041]
其中，x为健康电机样本，y为故障电机样本。g(y)为将y输入到故障样本生成器g后的输出，f(x)为将x输入到健康样本生成器f后的输出。代表期望。
[0042]
纳什均衡需满足以下条件：
[0043]
1)故障样本生成器g产生的故障样本“瞒过”故障样本判别器d
x
的概率为49.9％～50.01％；健康样本生成器f产生的健康样本“瞒过”健康样本判别器dy的概率为49.9％～50.01％。
[0044]
2)故障样本判别器d
x
对故障样本生成器g产生的故障样本判断正确的概率为49.9％～50.01％；健康样本判别器dy对健康样本生成器f产生的健康样本判断正确的概率为49.9％～50.01％。
[0045]
步骤4，搭建深度降噪卷积自编码器，并将新的永磁同步电机健康工作和不同程度均匀退磁故障数据集b作为输入对其进行预训练，得到预训练模型，并保留该预训练模型参数。
[0046]
深度降噪卷积自编码器是由多个编码层和解码层组成，多个编码层组成了编码器e，多个解码层组成了解码器d，且在数据输入第一层编码层前加入椒盐噪声“损坏”数据，该噪声出现在随机位置，噪点深度基本固定，符合实际工况下电机运行产生的噪声：
[0047][0048]
其中，x2为深度降噪卷积自编码器的输入，为x2加噪后的结果，为具有与x相同形状的噪声矩阵；
[0049]
自编码器的编码、解码过程可描述为：
[0050]
h＝e(x2)
[0051]
y2＝d(h2)
[0052]
其中，e为编码器，d为解码器，x2为编码器的输入，h为将x2输入到编码器后得到的中间变量，将作为softmax分类器的输入，y2为将中间变量h输入到解码器d后的输出；
[0053]
自编码器预训练完成的标志是代价函数j满足设定阈值，其公式为：
[0054][0055]
其中代表期望。
[0056]
步骤5，将预训练模型迁移到真实永磁同步电机健康和不同程度均匀退磁故障数据集a上，得到迁移模型，并搭建softmax分类器，通过softmax分类器对电机故障程度进行分类，通过softmax分类器对电机故障程度进行分类，实现故障诊断，其训练中损失函数j2如下：
[0057][0058]
其中，h为将x2输入到编码器后得到的中间变量，x
2label
为x2对应的标签， s为softmax分类器，为softmax分类器对该中间变量h的标签预测值。
[0059]
实施例
[0060]
下面结合附图对本发明的具体实施方案进行阐述，以便本领域的技术人员更好地理解本发明。需要提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。结合图1、图2、图3、图4基于深度学习的永磁同步电机故障诊断方法，具体步骤为：
[0061]
步骤1：在id＝0控制下，以采样频率10khz采集永磁同步电机正常工作状态及5％、10％、15％、20％四种不同程度电机均匀退磁故障状态下的气息磁密波形共5000组作为真实永磁同步电机健康和不同程度均匀退磁故障数据集a，其中电机正常状态下采集1000组，五种不同程度电机退磁故障下分别采集1000 组，并将该5000组数据集按4：1的比例堆积分割训练集和验证集。
[0062]
步骤2：构建并训练cyclegan生成对抗网络模型；
[0063]
本发明中的生成对抗网络模型结果图如图2所示，过程具体步骤如下：
[0064]
1)搭建生成器g、f：构建上采样层和下采样层，隐层使用一维卷积层；搭建判别器d
x
、dy：主要结构由一维卷积层组成；生成对抗网络模型的输入分为两个部分，一是将真实永磁同步电机健康和不同程度均匀退磁故障数据集a中的健康样本x分别输入到故障样本生成器g和健康样本判别器d
x
中，二将真实永磁同步电机健康和不同程度均匀退磁故障数据集a中的故障样本y分别输入到健康样本生成器f和故障样本判别器dy中；将故障样本生成
器g的输出输入到故障样本判别器dy中，故障样本判别器dy对其进行判定，为一[0,1]的概率值；健康样本生成器f和健康样本判别器d
x
同理。
[0065]
2)初始化生成对抗网络超参数：初始学习率、步长；训练过程使用adam 优化算法。生成对抗网络最终的优化目标函数描述为：
[0066]
l(g,f,d
x
,dy)＝loss
gan
+λloss
cycle
+βloss
id
[0067]
其中，g为故障样本生成器，f为健康样本生成器，d
x
为健康样本判别器，dy为故障样本判别器。loss
gan
为对抗损失，loss
cycle
为循环损失，loss
id
为身份识别损失；λ为循环损失在总损失函数中的系数，β为身份识别损失在总损失函数中的系数，经过试验得到λ＝10,β＝5为最佳结果。
[0068]
对抗损失loss
gan
表示生成器与判别器之间的对抗性损失，包括两部分，故障样本生成器g与故障样本判别器dy之间的对抗性损失l
gan
(g,dy,y)和健康样本生成器f与健康样本判别器d
x
之间的对抗性损失l
gan
(f,d
x
,x)。
[0069]
loss
gan
＝l
gan
(g,dy,y)+l
gan
(f,d
x
,x)
[0070][0071][0072]
其中，x为健康电机样本，y为故障电机样本；g(x)为将x输入到故障样本生成器g后的输出，f(y)为将y输入到健康样本生成器f后的输出； d
x
(f(y))为将f(y)输入到故障样本判别器dy后的输出，dy(g(x))为将g(x)输入到健康样本判别器d
x
后的输出；代表期望。
[0073]
循环损失loss
cycle
保证了抗神经网络cyclegan模型是将输入数据的特征变换为目标数据的特征，而非只是随机生成一个目标数据，这样能够最大程度保留数据除故障特征外的真实特征，提高了数据的生成质量。包括健康样本x的循环损失l
cycle
(g,f,x)和故障样本y的循环损失l
cycle
(g,f,y)。
[0074][0075]
其中，x为健康电机样本，y为故障电机样本；g(x)为将x输入到故障样本生成器g后的输出，f(y)为将y输入到健康样本生成器f后的输出；g(f(y)) 为将f(y)输入到故障样本生成器g后的输出，f(g(x))为将g(x)输入到健康样本生成器f后的输出；代表期望，|| ||1代表1范数。
[0076]
身份识别损失loss
id
的作用是使得无论输入健康电机样本x还是故障电机样本y，故障样本生成器g都只输出故障电机样本，健康样本生成器f都只生成健康电机样本；在实际实验中，添加loss
id
后生成效果提升；
[0077][0078]
其中，x为健康电机样本，y为故障电机样本；g(y)为将y输入到故障样本生成器g后的输出，f(x)为将x输入到健康样本生成器f后的输出；代表期望。
[0079]
当总失函数l(g,f,d
x
,dy)下降到设定的阈值后，生成器与判别器达到纳什平衡，达到该平衡的条件是：
[0080]
a.故障样本生成器g产生的故障样本“瞒过”故障样本判别器d
x
的概率为 49.9％
～50.01％；健康样本生成器f产生的健康样本“瞒过”健康样本判别器dy的概率为49.9％～50.01％。
[0081]
b.故障样本判别器d
x
对故障样本生成器g产生的故障样本判断正确的概率为49.9％～50.01％；健康样本判别器dy对健康样本生成器f产生的健康样本判断正确的概率为49.9％～50.01％。
[0082]
3)实验每次的batchsize为20(从训练集中随机采样20组健康样本和20组故障程度一样的样本)，epoch为100(迭代100次)，当损失函数降至3e-2后记录此时的网络参数作为最终数据扩张的网络模型。
[0083]
4)使用常规生成对抗网络和本发明方法中的生成对抗网络模型对永磁同步电机均匀退磁故障数据进行扩张，模型训练完成所需样本与训练时长如下：
[0084][0085]
从以上实验结果可知，本发明中的生成对抗式网络模型，训练速度快，所需训练样本少，在永磁同步电机退磁故障及其他故障诊断领域的数据扩张中具有广泛应用前景。
[0086]
步骤3：基于步骤2对真实故障样本进行数据扩张，将四种不同程度均匀退磁故障分别生成800组人工样本共3200组建立新的永磁同步电机健康工作和不同程度均匀退磁故障数据集b。
[0087]
步骤4：构建并训练深度降噪卷积自编码网络模型；
[0088]
本发明中的构建深度降噪卷积自编码网络模型结构图如图3所示，过程具体步骤如下：
[0089]
(1)与步骤3中类似将新的永磁同步电机健康工作和不同程度均匀退磁故障数据集b按照4：1的比例堆积分割训练集和验证集，将训练集中的样本加入椒盐噪声后再将其输入到深度降噪卷积自编码网络的输入层，对深度降噪卷积自编码器进行预训练。
[0090]
(3)将保存的深度降噪自编码器预训练模型迁移到步骤1中采集到的真实永磁同步电机健康和不同程度均匀退磁故障数据集a上进一步调整网络参数。
[0091]
步骤5：将步骤4中训练好的深度降噪卷积自编码器中编码器的输出作为 softmax分类器的输入，输出为不同程度均匀退磁故障的标签概率值，概率值标签最大的即为对应的故障类型，从而确定电机退磁故障的严重程度，测试集验证网络模型的有效性，最终得到训练好的永磁同步电机均匀退磁故障诊断模型。
[0092]
本发明中的诊断方法与同类诊断方法结果对比分析
[0093][0094]
综上所述，本发明在能够有效解决永磁同步电机退磁故障诊断中数据缺少的问题，生成样本质量高，可用性强，为样本扩张提供了新的思路；在同领域中诊断方法中，该方法表现优异，准确率高，提高了永磁同步电机及所在系统运行的安全性和稳定性；具有较强的泛化性，模型的可迁移性使得在面对不同型号不同工况甚至不同故障类型的诊断时都可以快速训练参数，极大提高了故障诊断的速度。
技术特征：1.一种基于深度学习的永磁同步电机均匀退磁故障诊断方法，其特征在于，包括如下步骤：步骤1：在i
d
＝0控制下，在永磁同步电机定子齿中嵌入高斯计的霍尔传感器探头，利用霍尔传感器产生的霍尔电压与永磁同步电机的气隙磁密成正比，实时监测永磁同步电机气隙磁密的变化；获取永磁同步电机健康工作及不同程度均匀退磁下的气隙磁密，并贴上故障标签形成真实永磁同步电机健康和不同程度均匀退磁故障数据集a，其数据作为真实数据；步骤2：根据真实永磁同步电机健康和不同程度均匀退磁故障数据集a中时序信号特征，重构生成对抗网络cyclegan模型，并通过试验确定最佳模型结构；步骤3：将真实电机健康和不同程度均匀退磁故障数据集a作为抗神经网络cyclegan模型的输入，生成新的永磁同步电机健康工作和不同程度均匀退磁故障数据集b，其数据作为生成数据；生成数据与真实数据的相似性通过损失函数表现，根据总函数的下降情况决定训练轮数，直到总失函数下降到设定的阈值后，此时生成器与判别器达到纳什平衡，博弈双方达到自己期望收益的最大值；步骤4，搭建深度降噪卷积自编码器，并将新的永磁同步电机健康工作和不同程度均匀退磁故障数据集b作为输入对其进行预训练，得到预训练模型，并保留该预训练模型参数；步骤5，将预训练模型迁移到真实永磁同步电机健康和不同程度均匀退磁故障数据集a上，得到迁移模型，并搭建softmax分类器，通过softmax分类器对电机故障程度进行分类，实现永磁同步电机均匀退磁故障诊断。2.根据权利要求1所述基于深度学习的永磁同步电机均匀退磁故障诊断方法，其特征在于，步骤2中，所述生成对抗网络cyclegan模型具体如下：其中layer表示隐层名，type表示隐层类型，ker/str/pad分别表示卷积层中卷积核尺寸/步长/填充数，bn表示归一化类型，activation表示激活函数类型，input和output分别表示该隐层输入和输出的数据尺寸。3.根据权利要求2所述基于深度学习的永磁同步电机均匀退磁故障诊断方法，其特征在于，步骤3中的总损失函数l(g,f,d
x
,d
y
)为：l(g,f,d
x
,d
y
)＝loss
gan
+λ
·
loss
cycle
+β
·
loss
id
其中，g为故障样本生成器，f为健康样本生成器，d
x
为健康样本判别器，d
y
为故障样本判别器；loss
gan
为对抗损失，loss
cycle
为循环损失，loss
id
为身份识别损失；λ为循环损失在总损失函数中的系数，β为身份识别损失在总损失函数中的系数，经过试验得到λ＝10,β＝5为最佳结果；
对抗损失loss
gan
表示生成器与判别器之间的对抗性损失，包括故障样本生成器g与故障样本判别器d
y
之间的对抗性损失l
gan
(g,d
y
,y)以及健康样本生成器f与健康样本判别器d
x
之间的对抗性损失l
gan
(f,d
x
,x)：loss
gan
＝l
gan
(g,d
y
,y)+l
gan
(f,d
x
,x),x)其中，x为健康电机样本，y为故障电机样本；g(x)为将x输入到故障样本生成器g后的输出，f(y)为将y输入到健康样本生成器f后的输出；d
x
(f(y))为将f(y)输入到健康样本判别器d
x
后的输出，d
y
(g(x))为将g(x)输入到故障样本判别器d
y
后的输出；代表期望；循环损失loss
cycle
保证了抗神经网络cyclegan模型是将输入数据的特征变换为目标数据的特征，而非只是随机生成一个目标数据，这样能够最大程度保留数据除故障特征外的真实特征，提高了数据的生成质量，包括健康样本x的循环损失l
cycle
(g,f,x)和故障样本y的循环损失l
cycle
(g,f,y)：其中，x为健康电机样本，y为故障电机样本；g(x)为将x输入到故障样本生成器g后的输出，f(y)为将y输入到健康样本生成器f后的输出；g(f(y))为将f(y)输入到故障样本生成器g后的输出，f(g(x))为将g(x)输入到健康样本生成器f后的输出；代表期望，|| ||1代表1范数；身份识别损失loss
id
的作用是使得无论输入健康电机样本x还是故障电机样本y，故障样本生成器g都只输出故障电机样本，健康样本生成器f都只生成健康电机样本；在实际实验中，添加loss
id
后生成效果提升；其中，x为健康电机样本，y为故障电机样本；g(y)为将y输入到故障样本生成器g后的输出，f(x)为将x输入到健康样本生成器f后的输出；代表期望。4.根据权利要求3所述基于深度学习的永磁同步电机均匀退磁故障诊断方法，其特征在于，步骤3中纳什均衡需满足以下条件：1)故障样本生成器g产生的故障样本“瞒过”故障样本判别器d
x
的概率为49.9％～50.01％；健康样本生成器f产生的健康样本“瞒过”健康样本判别器d
y
的概率为49.9％～50.01％；2)故障样本判别器d
x
对故障样本生成器g产生的故障样本判断正确的概率为49.9％～50.01％；健康样本判别器d
y
对健康样本生成器f产生的健康样本判断正确的概率为49.9％～50.01％。5.根据权利要求4所述基于深度学习的永磁同步电机均匀退磁故障诊断方法，其特征在于，步骤4中的深度降噪卷积自编码器是由多个编码层和解码层组成，多个编码层组成了编码器e，多个解码层组成了解码器d，且在数据输入第一层编码层前加入椒盐噪声“损坏”数据，该噪声出现在随机位置，噪点深度基本固定，符合实际工况下电机运行产生的噪声：
其中，x2为深度降噪卷积自编码器的输入，为x2加噪后的结果，为具有与x相同形状的噪声矩阵；自编码器的编码、解码过程可描述为：h＝e(x2)y2＝d(h2)其中，e为编码器，d为解码器，x2为编码器的输入，h为将x2输入到编码器后得到的中间变量，将作为softmax分类器的输入，y2为将中间变量h输入到解码器d后的输出；自编码器预训练完成的标志是代价函数j满足设定阈值，其公式为：其中代表期望。6.根据权利要求5所述基于深度学习的永磁同步电机均匀退磁故障诊断方法，其特征在于，步骤5中，将预训练好的深度降噪卷积自编码器迁移到真实电机健康和不同程度均匀退磁故障数据集a上，得到迁移模型，并搭建softmax分类器，通过softmax分类器对电机故障程度进行分类，实现故障诊断，其训练中损失函数j2如下：如下：其中，h为将x2输入到编码器后得到的中间变量，x
2label
为x2对应的标签，s为softmax分类器，为softmax分类器对该中间变量h的标签预测值。
技术总结本发明公开了一种基于深度学习的永磁同步电机均匀退磁故障诊断方法，利用循环生成对抗网络（CycleGAN）扩充样本集，并使用深度降噪自编码器模型提取数据特征，最后使用Softmax分类器对电机退磁故障类型进行分类。该方法包括以下步骤：步骤1，采集永磁同步电机健康状态下，（5%、10%、15%、20%）均匀退磁故障下气息磁密波形；步骤2，重构CycleGAN网络并确定最佳结构；步骤3，将步骤1中采集到的电机信号输入到步骤2中生成故障信号；步骤4，搭建深度降噪卷积自编码器并将步骤3中生成的故障信号输入其中进行预训练；步骤5，将步骤4中训练好的模型迁移到真实电机信号上并进行故障分类。经过实验验证，该方法训练出来的故障诊断网络具有比同类方法更高的准确度。同类方法更高的准确度。同类方法更高的准确度。
技术研发人员：钱林方 赵启阳 陈红彬
受保护的技术使用者：南京理工大学
技术研发日：2022.07.21
技术公布日：2022/11/1
