基于LSTM的交流电机系统故障诊断方法研究

被引：41

作者：

张鹏 ^{[1
]}

束小曼 ^{[1
,2
]}

厉雪衣 ^{[1
,2
]}

杭俊 ^{[1
,2
]}

丁石川 ^{[1
,2
]}

王群京 ^{[1
,2
]}

机构：

[1] 安徽大学电气工程与自动化学院

[2] 安徽大学高节能电机及控制技术国家地方联合实验室

来源：

电机与控制学报 | 2022年 / 26卷 / 03期

基金：

安徽省自然科学基金;

关键词：

交流电机; 故障诊断; 长短时记忆网络; 深度学习; 循环神经网络;

D O I：

10.15938/j.emc.2022.03.013

中图分类号：

TM34 [交流电机]; TP183 [人工神经网络与计算];

学科分类号：

120113 [物流与交通管理]; 140502 [人工智能];

摘要：

交流电机在人们生产及日常生活的各个领域中被广泛应用，并为生产力水平的进步以及日常生活水平的提升做出了重要贡献。电机系统的故障不仅会损害电机系统本身，严重时会导致大量经济和资源的损失与浪费，甚至威胁人身安全，所以，研究电机系统故障诊断方法对保障交流电机系统安全运行具有重要的现实意义。相较于传统故障诊断技术，深度学习方法在“大数据”的背景下，拥有更强大的数据学习能力和表达能力，已开始被应用于电机系统故障诊断领域，发表了一系列相关成果。因此，本文提出一种基于长短时记忆网络的交流电机系统故障诊断方法，并进行交流电机故障模拟的仿真和实验，结果表明所提方法具有高准确率。

引用

页码：109 / 116

页数：8

共 16 条

[1]

Multi-scale compositionality: identifying the compositional structures of social dynamics using deep learning..[J].Huan-Kai Peng;Radu Marculescu.PLoS ONE.2017, 4

[2]

A Data-Driven Fault Diagnosis Methodology in Three-Phase Inverters for PMSM Drive Systems [J].