本文由Carlos Morales-Perez、Juan Pablo Amezquita-Sanchez、Martin Valtierra-Rodriguez、Jose Rangel-Magdaleno、Jorge Cerezo-Sanchez和Ambrosio Eden Leon-Bonilla共同完成。作者团队来自墨西哥的多所研究机构，包括克雷塔罗自治大学（UAG）的ENAP研究小组和CA-动态系统与控制实验室、墨西哥国立天体物理、光学与电子研究所（INAOE）的电子与数字系统部门，以及普埃布拉科技大学的机电工程系。该研究论文已被接收，并将于2025年在墨西哥Ixtapa举行的IEEE电力、电子与计算国际秋季会议（ROPEC 2025）上发表。
该研究属于电气工程、故障诊断与人工智能交叉的学术领域，具体聚焦于工业感应电机的健康状态监测。感应电机作为工业核心驱动设备，其可靠性至关重要。在各类电机故障中，定子匝间短路故障尤为常见且危害巨大，约占所有电机故障的30-40%。这种故障始于微小的绝缘劣化，若不及时检测，会迅速演变为灾难性损坏，导致昂贵的维修、生产中断甚至安全隐患。传统的故障检测方法，如振动分析、热成像等，往往存在需要专用传感器、对环境噪声敏感或在早期阶段灵敏度不足等局限。相比之下，基于电机电流特征分析（Motor Current Signature Analysis, MCSA）的方法因其非侵入性和易于实施的优点而受到青睐。然而，如何从复杂的电流信号中稳定、精确地提取早期微弱的故障特征，并实现自动化分类，仍是该领域的研究挑战。近年来，深度学习，特别是卷积神经网络，为从原始信号中自动学习特征提供了强大工具。其中，一维卷积神经网络因其能直接处理时间序列信号且计算复杂度较低，展现出独特优势。本研究正是在此背景下展开，其核心目标是开发一种结合先进信号处理与定制化一维CNN的鲁棒性方法，以实现对不同严重程度的异步电动机匝间短路故障进行高精度、与负载无关的自动检测与分类。
本研究的方法学流程设计严谨，共包含四个主要阶段：信号采集、信号预处理、特征提取与故障分类。整个工作流程始于数据获取。研究团队搭建了一套精密的实验平台，以一台2马力、三相、220V/60Hz的WEG感应电动机作为测试对象。为了模拟不同程度的匝间短路故障，研究人员通过一个开关箱，在电机一相定子绕组中人为制造了短路0、5、10、20、30和40匝的六种故障状态，以此代表从健康到严重故障的不同等级。同时，为了验证方法的鲁棒性，研究还考虑了电机在不同机械负载下运行的情况，通过一个四象限测功机（Lab-Volt 8540）模拟了0.00 Nm、4.09 Nm和6.13 Nm三种负载条件。定子电流信号使用三个Fluke i200s电流钳以非侵入方式采集，并通过NI USB-6211数据采集卡进行数字化，采样频率为6 kHz。最终，构建了一个包含2520个样本的数据集（6种故障严重程度 × 3种负载条件 × 140个样本），每个样本为0.5秒时长的电流信号（即3000个数据点）。这一详尽的实验设计确保了数据的多样性和真实性，为后续算法验证奠定了坚实基础。
获得原始电流信号后，进入关键的信号处理与特征提取阶段。此阶段包含两个核心步骤，旨在从原始信号中分离并增强与故障相关的调制信息。第一步是滑动窗口积分。其原理基于一个关键观察：匝间短路故障会在电流频谱中引入以基频为中心的边带谐波，这等效于对原始正弦电流信号进行了幅度调制。对于一个完美的正弦波，在一个完整周期内积分结果为零；但当存在幅度调制时，积分值将不再为零。因此，研究采用了一个长度与电源基波周期（60Hz对应100个采样点）严格同步的滑动窗口，对原始电流信号进行移动积分操作。这一操作（论文中式(2)）有效地滤除了占主导地位的基波分量，从而提取并突出了原本被掩盖的、微弱的故障诱导幅度变化信号。如图1所示，经过此处理，原始电流信号（蓝色）中几乎不可见的幅度波动被清晰地提取为一条变化曲线（橙色）。第二步是多级离散小波变换。为了进一步分析幅度变化信号中的多尺度特征，研究采用了基于Daubechies-4 (db4)母小波的多级离散小波变换对第一步得到的信号进行分解。DWT能够将信号迭代分解为不同频率子带的近似系数和细节系数，提供时频联合分析能力。经过经验性评估，研究者选择了第三层分解的细节系数作为最终特征，因为这些系数能最一致地捕获与匝间短路相关的关键模式，同时有效滤除了与故障无关的高频噪声和低频成分。经过此步骤，输入CNN分类器的信号维度从原始的3000点大幅降至368点，降维比例高达约87.7%。这不仅显著降低了后续深度学习模型的计算负担，更重要的是，它去除了冗余信息，使特征更加聚焦于故障本身。
特征提取完成后，进入基于深度学习的故障分类阶段。本研究设计并实现了一个定制化的一维卷积神经网络作为分类器。该网络架构（如图3和表I所示）专为处理时间序列信号而优化，包含一系列一维卷积层、批归一化层、ReLU激活函数层和平均池化层，最后通过全连接层和Softmax激活函数输出六类故障严重程度的概率分布。网络参数经过经验性选择。在模型训练与评估方面，研究采用了严谨的机器学习实践。首先，将来自不同负载条件下的同一故障严重程度样本合并，形成6个类别。随后，将整个数据集按80/20的比例随机划分为训练集和测试集。为了确保评估的无偏性和可靠性，采用了五折交叉验证策略。模型使用Adamax优化器进行编译，以分类交叉熵作为损失函数，并在批量大小为20、训练轮数为200的设置下进行训练。训练过程（如图5所示）显示，模型在训练集和测试集上均快速收敛，准确率迅速超过98%，损失值稳步下降至接近零，且两条曲线贴合紧密，表明模型未出现过拟合，具有良好的泛化能力。
本研究取得了一系列明确且令人印象深刻的结果。最核心的成果体现在分类性能上。如表II所示，经过五折交叉验证，所提出的一维CNN模型在测试集上取得了高达99.417%的平均分类准确率，且各折之间的结果非常稳定，标准差极小。这充分证明了该方法对不同严重程度匝间短路故障具有极高的识别精度。更重要的是，该方法展现出了卓越的鲁棒性。它能够在0.00 Nm至6.13 Nm的不同机械负载条件下，始终保持高精度分类，这意味着方法的性能不受电机运行负载变化的影响，这对于工业现场应用至关重要。实验结果表明，该方法能够稳定检测出最少5匝短路（即最小模拟故障严重程度），这体现了其对早期故障的敏感性。从工作流程的逻辑关系看，信号预处理阶段（滑动窗口积分）成功提取了故障调制特征，特征提取阶段（DWT）进一步提炼和浓缩了这些特征，而最终的高分类准确率则直接验证了前面两个步骤的有效性以及CNN模型强大的模式学习能力。这些结果共同支撑了论文的最终结论。
本研究提出并验证了一种用于感应电机匝间短路故障检测与分类的实用、高效且鲁棒的方法。其科学价值在于，创新性地将滑动窗口积分与多级离散小波变换相结合，构建了一个针对电流信号中故障调制成分的特征提取管道，有效地将故障特征从强背景噪声中分离和增强。在工程应用价值上，该方法完全基于非侵入式的定子电流信号，无需安装额外专用传感器，成本低廉且易于集成到现有监控系统中。所采用的轻量级一维CNN模型计算效率高，为实现在线、实时故障诊断提供了可能。该方法的高精度和负载无关特性，使其具备了成为工业环境中早期预警可靠工具的潜力，有助于预防意外停机、减少维修成本并保障生产安全。
本研究的亮点突出体现在以下几个方面：首先，在方法学上具有显著新颖性。提出的“滑动窗口积分 + 多级DWT + 1D-CNN”混合框架是一个创新组合，其中滑动窗口积分用于精准提取幅度调制特征的设计尤为巧妙。其次，研究目标具有明确的特殊性和实用性。它专注于工业中高发的匝间短路故障，并系统性地模拟了从5匝到40匝共六种严重程度以及三种负载条件，实验设计全面，验证充分。第三，取得了卓越的性能指标。高达99.4%以上的分类准确率，以及对最小5匝短路故障的检测能力和跨负载的鲁棒性，综合性能突出。第四，实现了高效的降维。通过特征提取流程将数据维度降低约87.7%，使得后续可以采用更轻量的CNN模型，提升了方法的实时应用前景。最后，整个研究流程完整，从实验台搭建、数据采集、信号处理、特征工程到深度学习模型设计、训练与验证，形成了一个闭环，研究过程严谨，结论可信。
此外，论文还提及了该方法是作者团队前期基于余弦滤波和二维CNN架构工作的重大改进，转向一维CNN使其能更直接、更高效地处理时间序列信号。所有实验均在配备消费级GPU的计算机上完成，并使用了广泛普及的Python、TensorFlow和Keras框架，这进一步强调了该方法的可复现性和易于部署的特点。作者在结论中也展望了未来的工作方向，包括将该方法应用于更轻微的故障、组合故障类型诊断以及适配其他电机配置，显示了该研究领域的持续发展潜力。