该文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
本研究由Tamer A. Kawady（埃及Menoufia大学电气工程系）、Wagdy M. Khater（埃及Menoufia大学电气工程系及苏伊士运河管理局疏浚部）、Hagar G. Abu-Faty（埃及Menoufia大学人工智能学院数据科学系）、Mohamed A. Izzularab（埃及Menoufia大学电气工程系及高压与介电材料实验室）和Mohamed E. Ibrahim（埃及Menoufia大学电气工程系及Delta科技大学能源与工业技术学院）合作完成，发表于期刊《Scientific Reports》2025年第15卷。研究主题为基于人工智能（AI）的感应电机（induction motors, IMs）定子匝间短路故障（inter-turn fault, ITF）诊断方法。
学术背景
感应电机因其高效、耐用和低成本而在工业中广泛应用，但定子匝间短路故障占其故障总数的36%以上，且难以早期检测。传统方法（如模型法和信号分析法）存在依赖精确参数、计算复杂或易受噪声干扰等局限。目前AI技术（如机器学习（ML）和深度学习）虽然展现出潜力，但电压不平衡（unbalanced supply voltage, USV）等问题仍会导致误判。因此，本研究旨在开发一种能区分ITF与USV干扰的AI诊断系统，实现高精度实时故障检测。
研究流程与方法
研究分为设计阶段和部署阶段，共包含以下关键步骤：
数据生成与特征提取
- 基于已验证的感应电机数学模型（参数见表1），通过Simulink仿真生成训练数据，涵盖22,218种工况，包括ITF故障比例（0.2%-73%）和USV条件（C相电压降低1%-10%）。
- 提出两个核心特征：
- 电流不平衡系数（δc）：通过离散傅里叶变换（DFT）提取电流序分量，反映ITF导致的电流失衡。实验显示δc与故障比例呈线性相关（图4），且不受负载变化影响（图5）。
- 电压不平衡系数（δv）：同理从电压序分量计算，用于区分USV干扰（图6）。
AI模型训练与验证
- 机器学习模型：测试了9种算法（如梯度提升（gradient boosting）、随机森林（RF）、K最近邻（KNN）等），采用Orange软件以10折交叉验证评估性能。梯度提升表现最佳（均方误差MSE=0.084，R²=1）。
- 深度神经网络（DNN）：自主设计4层结构（图7），输入为δc和δv的复数形式，隐藏层使用tanh和ReLU激活函数，输出层通过sigmoid函数预测故障比例。在MATLAB中训练，80%数据用于训练，20%用于验证。DNN最终RMSE低至0.32779（图8），优于所有ML模型。
仿真与实验验证
- 仿真测试：在包含1%-49% ITF和0.2%-2.8% USV的新数据集上，DNN的MSE（0.0642）和MAE（0.1729）均最优（表3），且能准确识别7%故障（图9）。误差分析显示DNN的稳定性显著高于梯度提升（图10-11）。
- 实验验证：搭建实物测试台（图12），通过短路定子抽头模拟故障。DNN在8.33%-58.33% ITF和3%-10% USV条件下，误差保持在±2.5%内（图14），且不受负载影响（图15）。实时检测单周期耗时仅6.4毫秒（图16），满足工业实时性需求。
主要结果与结论
关键成果：
- DNN在所有测试场景中均表现最优，故障检测精度达98%-100%，且能有效区分ITF与USV干扰。
- δc和δv的组合特征具有物理可解释性，且对负载变化不敏感。
科学价值：
- 首次将复数形式的电压/电流不平衡系数与DNN结合，解决了USV导致的误判难题。
- 实验验证了仿真数据训练的DNN可直接应用于实际电机，为工业场景提供低成本（无需额外传感器）、高鲁棒性的解决方案。
应用价值：
- 可集成至嵌入式系统（如DSP或FPGA），实现电机预防性维护，减少停机损失。
研究亮点
创新方法：
- 提出δc和δv作为故障特征，物理意义明确且计算高效。
- 设计轻量级DNN架构，兼顾精度与实时性。
技术优势：
- 检测范围广（1%-50% ITF），远超文献报道的同类方法（如文献[48]仅1%-10%）。
- 对比现有研究（表4），本方案在负载不变性、USV兼容性和无传感器需求上具有综合优势。
其他价值
研究开源了数据集，并提供了详细的模型参数（如DNN层数、激活函数选择），可供后续研究复现或优化。作者同时指出，未来可扩展至其他电机故障类型，并增强模型的可解释性。
此报告综合了研究的核心内容，突出其方法创新性与工业应用潜力，符合学术交流的严谨性和完整性要求。