基于多特征融合与物理信息神经网络的同步发电机定子匝间故障诊断研究学术报告
一、 研究作者、机构与发表情况 本研究由华北电力大学（North China Electric Power University）的李俊卿教授（通讯作者，E-mail: junqing03@163.com）、硕士研究生尹乃钏、滕思宇、余长亮以及何玉灵共同完成。该研究成果以题为《基于多特征融合的同步发电机定子匝间故障诊断》的学术论文形式，发表于《华北电力大学学报(自然科学版)》（Journal of North China Electric Power University(Natural Science Edition)）。该论文于2026年01月28日收稿，并于2026年03月23日在网络平台进行了首发。
二、 学术背景与研究目的 本研究属于电力设备状态监测与故障诊断领域，具体聚焦于大型同步发电机这一电力系统核心设备的关键故障——定子绕组匝间短路。同步发电机运行环境复杂，长期承受电、热、机械等多重应力，定子绕组匝间短路是其最常见且破坏性极强的故障类型之一。早期、精准地诊断此类故障，对于保障电力系统的安全、稳定、可靠运行具有重大意义。
尽管已有多种诊断方法被提出，例如基于分支电流相位差、负序电流、电磁转矩谐波等特征量的方法，以及引入深度学习技术（如Hotelling-T-BiLSTM、Duffing系统、元学习框架、改进胶囊网络、KNN-CNN混合网络、MSK-CNN等）的方法，但这些方法仍存在局限性。传统单一信号诊断方法鲁棒性不足，而纯数据驱动的深度学习模型（如深度置信网络DBN）则普遍存在物理可解释性差、在数据稀缺或工况多变时泛化能力有限等问题。因此，如何将物理机理与数据驱动模型深度融合，提升诊断模型的准确性、鲁棒性和可解释性，成为当前研究的关键挑战。
在此背景下，本研究旨在提出一种创新的故障诊断框架。其核心目标是：通过融合物理信息神经网络（Physics-Informed Neural Network, PINN）与视觉Transformer（Vision Transformer, ViT），构建一个两阶段诊断模型，以实现对同步发电机定子匝间短路故障的高精度、高可靠诊断。该研究期望利用PINN模型引入的物理定律约束来增强模型的泛化能力和物理一致性，同时利用ViT强大的特征提取与分类能力处理多源异构数据，最终克服现有方法的不足。
三、 详细研究流程与方法 本研究的工作流程是一个精心设计的、包含数据采集、特征工程、模型构建与训练、实验验证的完整闭环，主要可分为两大阶段：基于PINN的物理参数估计阶段和基于多特征融合ViT的故障分类阶段。
第一阶段：基于PINN的发电机参数估计 1. 研究目标与物理模型构建：该阶段的核心目标是利用观测数据，估计能反映发电机内部状态的关键物理参数——直轴同步电感（Ld）和交轴同步电感（Lq）。这些参数在发生匝间短路故障时会发生变化。研究基于同步发电机的机电暂态模型，选取了在dq0旋转坐标系下的定子电压方程（见原文公式1）和磁链方程（见原文公式2）作为核心的物理约束。这两个方程描述了发电机内部电压、电流、磁链、电感及转速之间的内在电磁关系。 2. PINN模型构建：研究者构建了一个嵌入上述物理方程的PINN模型。该模型的前向网络部分采用了门控循环单元（Gated Recurrent Unit, GRU），以适应时间序列数据的处理。PINN的创新之处在于其损失函数的设计，总损失函数（L_total）由数据残差项（L_data）和物理残差项（L_physics）加权组成。数据残差项确保网络输出（如预测的磁链）与实测的电流、电压数据相匹配；物理残差项则进一步包含三部分：物理微分方程残差（L_pde，确保网络预测满足电压/磁链方程）、初始条件残差（L_ic，约束初始状态）和边界条件残差（L_bc，引入周期性约束以稳定求解）。通过优化这个复合损失函数，网络在拟合数据的同时，其解被强制遵循已知的物理规律。 3. 数据处理与模型训练：模型的输入数据为同步发电机的多源监测数据，包括定子三相电压、三相电流及转子转速，共7个物理量。这些数据经过清洗和归一化预处理后，用于训练PINN模型。通过反向传播和优化算法（如Adam、L-BFGS），调整网络参数，使得模型能够从带噪声的观测数据中，准确地估计出不同运行状态（正常及各故障程度）下的Ld和Lq参数值。
第二阶段：基于多特征融合ViT的故障诊断 1. 多模态特征提取与融合：此阶段的目标是对故障进行精确分类（正常、2%、5%、7%、10%、15%匝间短路共6类）。研究采用了多源信息融合策略以构建丰富的特征集。首先，对原始的电流、电压时序信号进行滑动窗口周期分割，以保留其时序关联性。接着，对分割后的信号进行傅里叶变换，提取其低阶奇数次谐波（特别是显著的三次谐波）的幅值作为频域特征。同时，计算电流的负序分量。此外，振动信号及其经短时傅里叶变换生成的二维时频特征图也被纳入。最后，将第一阶段PINN模型估计出的对应时间窗口内的Ld、Lq参数值与上述所有特征（时域波形片段、频域谐波幅值、负序分量、振动时频图）进行融合，共同构成一个高维、多模态的输入特征向量/图像。 2. ViT分类模型构建与训练：研究者采用Vision Transformer（ViT）模型作为分类器。ViT模型将融合后的多模态特征（被处理成类似于图像块“patch”的形式）进行编码，并引入位置信息。通过其核心的多头自注意力（Multi-Head Self-Attention）机制，模型能够全局地、动态地权衡不同特征（如电流谐波、振动特征、估计电感）对于故障分类的重要性，从而挖掘深层的特征关联性。最终，通过一个分类头（通常为全连接层加Softmax）输出故障类别的概率分布。 3. 实验平台与数据集：研究在华北电力大学动模实验室的MJF-30-6型同步发电机实验平台上进行。通过滑动变阻器短接定子绕组抽头的方式，模拟了0%（正常）至15%共6种不同程度的C相定子匝间短路故障。每种状态采集2.5秒数据，采样频率10kHz，经处理后每种状态获得15000个数据点。数据集即由这6种状态的数据构成，用于训练和测试所提出的PINN-ViT融合模型。
四、 主要研究结果与分析 1. 故障特征分析结果：研究首先对采集的原始数据进行了分析，验证了故障特征的物理有效性。如图4和表2所示，当发生C相15%匝间短路时，故障相电流幅值增大，三相电流相位对称性被破坏。定量分析表明，定子电流中的三次谐波分量和负序电流分量幅值均随故障程度加深而单调递增，且在故障程度超过10%后增长加快，这为故障诊断提供了明确的物理依据和特征指标。 2. PINN参数估计结果：PINN模型的性能通过将其电感估计值与高精度有限元仿真结果进行对比来验证。如图6、图7及表3所示，无论是在正常状态还是15%故障状态下，PINN估计的Ld和Lq均值与仿真结果高度吻合，预测误差（绝对误差）均小于0.03mH，相对误差在3%以内。图8所示的训练误差曲线显示，总损失、物理约束损失和数据拟合损失均能平稳收敛，证明了PINN模型成功地将物理规律与观测数据相结合，实现了高精度的、具有物理一致性的参数估计。这为后续分类提供了可靠的、蕴含深层物理状态的特征。 3. 整体诊断模型性能结果：所提出的PINC-ViT融合模型在故障分类任务上取得了卓越的性能。如表4所示，该模型在准确率、精确率、召回率和F1分数四项指标上均达到最优，准确率高达98.95%，显著优于对比的CNN、XGBoost、SVM、随机森林以及纯Transformer模型。图9的混淆矩阵直观显示，模型对6类状态的分类非常准确，混淆极少。 4. 消融实验结果：为验证模型各组成部分的必要性，研究设计了消融实验（表5）。对比发现：A1（仅使用PINN进行诊断）性能有限（F1分数88.5%），表明纯物理模型在复杂模式识别上灵活性不足；A2（不使用PINN，原始数据直接输入ViT）准确率虽达91.68%，但缺乏物理约束，在噪声环境下可能输出违背物理规律的结果；A3（不使用频域处理特征）性能也低于完整模型。这组实验有力地证明了PINN提供的物理约束、ViT强大的特征学习能力以及频域特征的有效提取三者融合的必要性和优越性，缺一不可。
五、 研究结论与价值 本研究成功提出并验证了一种基于PINN与ViT融合的同步发电机定子匝间故障诊断新方法。主要结论如下： 1. 方法有效性：该方法通过多源信息（电信号、振动信号）融合，弥补了单一信号的信息局限性，并通过多模型（PINN、GRU、ViT）融合，显著提升了故障诊断的准确率（达98.95%）、鲁棒性和泛化能力。 2. 创新性贡献：核心创新在于构建了“物理约束参数估计+多特征融合智能分类”的两阶段框架。PINN的引入是关键，它通过将发电机电磁方程作为约束嵌入网络损失函数，使模型在数据驱动学习的同时严格遵循物理定律，极大地增强了模型的物理可解释性和在数据稀缺或高噪声情况下的泛化能力。随后，将PINN估计的物理参数与原始信号、频域特征等融合，再由ViT进行端到端的分类，充分利用了深度学习的表征学习优势。 3. 应用价值：该研究为同步发电机及其他复杂旋转电机的智能故障诊断提供了新的思路和技术路径。所提模型不仅诊断精度高，而且因其具有物理一致性，可能更易于被工业界接受，为开发下一代高可靠性、可解释的在线监测与诊断系统提供了理论依据和算法基础。
六、 研究亮点 1. 方法论创新：首次将物理信息神经网络（PINN）与视觉Transformer（ViT）深度融合，应用于同步发电机故障诊断领域，开创性地实现了物理机理与数据驱动人工智能模型的深度耦合。 2. 模型架构新颖：提出了一个清晰的两阶段诊断框架（PINN参数估计 → 多特征融合ViT分类），逻辑严谨，兼具物理可解释性与强大的分类性能。 3. 特征工程全面：综合利用了时域原始信号、频域谐波特征（特别是三次谐波）、负序分量、振动信号以及PINN估计的物理参数，构建了极其丰富的多模态故障特征集，为高精度诊断奠定了坚实基础。 4. 实验验证充分：基于真实的动模实验平台获取数据，并通过与多种主流模型的对比实验及系统的消融实验，全面、客观地验证了所提方法的优越性及各组件的有效性，结论可靠。
七、 其他有价值内容 研究中对同步发电机定子匝间短路故障的机理进行了简要回顾，梳理了从传统基于信号处理的方法到现代深度学习方法的演进，为本研究的立项提供了充分的学术背景支撑。此外，论文对PINN的原理、GRU和ViT的网络结构进行了清晰的阐述，并对dq0坐标系下的电机方程进行了推导，使得整个研究过程透明、可复现，具有较高的学术参考价值。