五相永磁同步电机匝间短路智能诊断新方法：贝叶斯优化与多尺度卷积网络的融合应用

一、 研究作者、机构与发表信息

本研究由江苏大学电气信息工程学院的戴显阳、陈前、宋向金、刘正蒙、徐高红共同完成。研究成果以《采用贝叶斯优化和多尺度卷积网络的五相永磁同步电机匝间短路诊断》为题，发表于《电气工程学报》（Journal of Electrical Engineering）2023年12月第18卷第4期。

二、 学术背景与研究目的

本研究属于电气工程领域，具体聚焦于电机故障诊断与健康管理方向。五相永磁同步电机（Five-Phase Permanent Magnet Synchronous Motor, FPPMSM）因其高效率、高功率密度、高转矩惯量比等优点，在电动汽车、风力发电等高可靠性要求的电驱动系统中应用前景广阔。然而，绕组匝间短路（Inter-Turn Short Circuit, ITSC）故障作为其高发电气故障之一，若不能早期诊断，将导致系统性能急剧下降甚至崩溃。因此，实现早期、精确的ITSC故障诊断对于提升系统容错运行能力和可靠性至关重要。

现有的故障诊断方法主要分为三类：基于信号分析的方法、基于模型的方法和基于人工智能（AI）的方法。传统AI方法，尤其是深度学习中的卷积神经网络（Convolutional Neural Network, CNN），虽已成功应用于故障诊断，但仍面临两大挑战：其一，在噪声干扰下，传统单尺度CNN难以提取足够且鲁棒的故障特征；其二，网络模型的超参数（如卷积核尺寸、数量、优化器等）通常依赖经验选取，难以达到全局最优性能，限制了诊断准确率的进一步提升和算法的广泛应用。

针对上述问题，本研究旨在提出一种新型智能诊断算法，以克服传统方法的局限性。具体研究目标为：1）设计一种能够从噪声信号中有效提取多尺度故障特征的网络结构；2）引入自动化超参数优化策略，以替代耗时且依赖经验的手工调参，获得最优模型性能；3）构建一个完整的诊断框架，实现对五相PMSM在不同转速、不同短路严重程度下早期ITSC故障的准确、鲁棒诊断。

三、 详细研究流程与方法

本研究工作流程清晰，主要包含理论建模、算法设计、数据采集、模型训练与优化、以及对比验证五个核心环节。

第一环节：故障机理分析与数学建模。 研究人员首先建立了发生A相ITSC故障的五相PMSM数学模型。通过等效电路分析，推导了故障电流的表达式，并引入了故障指数（FI）作为故障发生的判据。分析指出，故障电流的幅值同时受短路匝数比（μ）和短路点绝缘电阻（R_f）的影响。这为后续试验中通过调节这两个参数来模拟不同严重程度故障（从轻微到严重）提供了理论依据，确保了所采集数据能涵盖故障的早期阶段和不同程度变化。

第二环节：诊断算法核心设计——BO-MSCNN模型。 这是本研究的创新核心，包含两个关键部分：多尺度卷积神经网络（MSCNN）和贝叶斯优化（Bayesian Optimization, BO）框架。 1. 多尺度卷积神经网络（MSCNN）设计： 为解决单尺度卷积核在变工况、噪声环境下特征提取能力不足的问题，研究团队设计了一个具有五个并行分支的MSCNN结构。每个分支由两个CNN子块（包含卷积层、激活函数层和池化层）构成，且五个分支分别使用不同尺寸的一维卷积核（例如，小尺寸核捕捉局部细微特征，大尺寸核捕捉全局趋势特征）。这种结构允许网络同时从多个尺度感知输入电流信号，融合后的特征具有更丰富的空间上下文信息，显著增强了网络对复杂故障特征的提取能力和鲁棒性。 2. 贝叶斯优化（BO）集成： 为解决深度网络超参数组合爆炸、手工调参低效且非最优的问题，研究引入了贝叶斯优化算法。BO是一种基于概率模型的序列优化策略。在本研究中，其目标函数是MSCNN模型在验证集上的诊断准确率，优化变量（超参数）包括五个分支的卷积核尺寸、卷积核数量以及优化器类型（如Adam或SGD）。BO通过高斯过程（Gaussian Processes, GP）代理模型来拟合超参数与模型性能之间的黑盒关系，并利用采集函数（本研究采用期望改进EI）智能地选择下一个待评估的超参数组合，从而以最少的评估次数快速逼近全局最优解。BO与MSCNN的训练过程形成闭环：BO提议一组超参数 -> 构建并训练MSCNN -> 得到验证准确率反馈给BO -> BO更新代理模型并提议下一组超参数，如此迭代直至达到预设次数。

第三环节：试验数据采集与预处理。 为验证算法有效性，研究搭建了真实的五相PMSM试验平台。平台包括上位机、实时控制平台（RTU-BOX204）、被测电机（A相绕组引出短路点）、转矩传感器、伺服加载系统、数据采集卡（NI USB-6351）等。在恒负载（1 N·m）下，设置了两种转速工况（300 rpm和500 rpm）。通过短接A相绕组不同匝数的引线并串联一个保护性故障电阻（0.1 Ω），模拟了三种短路匝比（1.4%, 7.1%, 14.2%）的早期故障，连同健康状态，共构成8类样本（HLA, HLB, A1R0.1, A2R0.1, A3R0.1, B1R0.1, B2R0.1, B3R0.1）。使用采集卡以20 kHz频率采集五相定子电流信号。对每个类别采集1200个数据段，每个段包含2048个数据点。按4:1的比例划分为训练集（960样本/类）和测试集（240样本/类）。采用数据增强（如重叠采样）和归一化等预处理方法，以扩充数据量并加速模型收敛。

第四环节：模型训练、超参数优化与性能评估。 研究确定了需要BO优化的超参数空间范围（如卷积核尺寸区间、数量区间等），固定了其他结构参数（如丢弃率、全连接层节点数等）。启动BO-MSCNN训练流程，经过多次迭代，BO自动寻优得到了一组最优超参数组合（例如，五个卷积核尺寸分别为10, 20, 35, 70, 130；卷积核数量为64；优化器为Adam）。使用这组最优参数构建最终的MSCNN模型进行训练。训练过程中，模型损失函数迅速下降并趋于稳定，准确率快速上升，最终在测试集上达到了99.4%的极高诊断准确率。为了深入理解模型内部工作机制，研究还利用t-SNE降维可视化技术，展示了原始信号以及网络全连接层输出特征在二维空间的分布。可视化结果清晰表明，经过MSCNN学习后，原本混杂的八类故障特征在高维空间中被清晰地区分开来，证明了网络强大的特征学习与分类能力。

第五环节：对比实验与分析。 为凸显所提BO-MSCNN算法的优越性，研究将其与四种主流深度学习诊断模型进行了横向对比：传统CNN、带残差结构的CNN（ResCNN）、未使用BO优化的MSCNN、以及带残差结构的多尺度CNN（MS-ResCNN）。在保证除对比项外其他条件一致的前提下，各模型在同一数据集上进行训练和测试。对比结果以准确率和损失函数随训练迭代变化的曲线图形式呈现。结果显示，BO-MSCNN在收敛速度、最终诊断准确率（99.4%）以及训练过程的稳定性（波动最小）上均显著优于其他四种模型。这直接证明了多尺度结构对于提升特征提取能力的有效性，以及贝叶斯优化对于发掘模型最佳性能的必要性。单纯的MSCNN（无BO）性能虽优于传统CNN，但仍不及BO优化后的版本，说明了超参数优化是关键一环。

四、 主要研究结果及其逻辑关联

1. 理论建模结果： 成功推导了包含ITSC故障的五相PMSM数学模型和简化后的故障电流表达式，明确了故障指数（FI）与短路匝比μ、绝缘电阻R_f的关系。该结果为试验中故障程度的精确设置提供了理论指导，确保了数据集的科学性和覆盖面。
2. 算法优化结果： 贝叶斯优化过程输出了一组针对本故障诊断任务的最优MSCNN超参数组合。这组参数并非来自经验猜测，而是通过数据驱动的全局搜索得到，是模型取得高性能的基础。
3. 模型诊断结果： 采用最优超参数训练的BO-MSCNN模型，在包含两种转速、三种故障严重程度的复杂测试集上，取得了99.4% 的总体诊断准确率。混淆矩阵显示，极少数误判发生在故障程度相近的类别之间（如A1与A2），这符合客观规律，因为相近故障程度的特征本身更为相似。
4. 特征可视化结果： t-SNE可视化直观证实，BO-MSCNN能够将原始的、混杂的电流信号，通过多层非线性变换，映射到特征空间中易于分类的分离簇。这从机理上解释了模型高准确率的原因——它真正学习到了区分不同健康状态的本质特征。
5. 对比验证结果： 系统的对比实验提供了强有力的证据链。BO-MSCNN的性能全面超越CNN、ResCNN、MSCNN（无BO）和MS-ResCNN。这一结果清晰地论证了本研究两个核心创新点（多尺度结构、贝叶斯优化）各自的价值及其结合产生的协同增效作用。逻辑关系在于：理论建模指导了试验设计 -> 试验产生了高质量数据 -> 数据用于训练和优化BO-MSCNN -> 优化后的模型展现出卓越的诊断性能 -> 通过对比实验，该性能优势被量化证实，并溯源至所提出的创新方法。

五、 研究结论与价值

本研究成功提出并验证了一种基于贝叶斯优化多尺度卷积网络（BO-MSCNN）的五相永磁同步电机早期匝间短路故障诊断方法。主要结论如下： 1. 所设计的多尺度卷积网络（MSCNN） 能够从包含噪声的原始电流信号中有效捕获多尺度故障特征，显著提升了模型在变工况下的特征提取能力和诊断鲁棒性。 2. 引入的贝叶斯优化（BO）算法能够自动化、高效地完成模型超参数的全局寻优，避免了传统手工调参的盲目性和次优性，节省了大量时间，并确保了模型性能达到最优。 3. 将BO与MSCNN相结合的BO-MSCNN诊断框架，在真实的五相PMSM试验数据上取得了极高的诊断准确率（99.4%），优于多种现有深度学习诊断方法，证明了其优越性和有效性。

本研究的价值体现在： * 科学价值： 为电机故障诊断领域提供了一种新的算法框架，即“先进网络结构 + 智能超参数优化”的模式。它强调了在利用深度学习强大表示能力的同时，自动化优化工具对于释放模型潜力、保证结果可复现性的重要性。 * 应用价值： 所提方法不依赖于精确的电机数学模型或复杂的信号处理先验知识，直接处理原始电流信号，易于实现。其高准确率和强鲁棒性使其非常适合于对可靠性要求极高的实际应用场景，如电动汽车驱动系统、风力发电机组等，为实现电机的状态监测、早期故障预警和预测性维护提供了有力的技术工具。

六、 研究亮点

1. 诊断对象具有前沿性和实用性： 聚焦于性能优越但故障诊断研究相对较少的五相永磁同步电机，并针对其高发的早期匝间短路故障，研究目标具有明确的工程应用指向性。
2. 方法创新性强： 创新性地将多尺度卷积神经网络（MSCNN） 与贝叶斯优化（BO） 相结合。MSCNN解决特征提取的深度和广度问题，BO解决模型配置的最优性问题，两者相辅相成，构成了方法论上的核心创新。
3. 验证充分且可信度高： 研究基于真实物理试验平台获取数据，而非仿真数据，使结论更具说服力。通过系统的对比实验，与多种主流算法进行性能比拼，严谨地证明了所提方法的优越性。同时，利用t-SNE可视化技术对网络学习到的特征进行解释，增强了模型的可解释性。
4. 流程完整且可复现： 研究从故障机理分析、数学建模，到算法设计、试验验证，再到对比分析，流程完整、逻辑清晰。文中给出了关键的网络参数和优化设置，有利于其他研究者复现和借鉴。

七、 其他有价值内容

研究在引言部分对现有的ITSC故障诊断方法（信号分析法、模型法、AI法）进行了简要而清晰的综述，指出了各类方法的优缺点，为本研究的立项提供了充分的学术背景和问题定位。此外，在试验部分，明确说明了为保护试验平台而人为设置故障电阻的细节，体现了研究的严谨性和对实际约束条件的考虑。这些内容使得整篇论文的论述更加扎实和全面。