基于卷积神经网络的牵引电机定子绕组匝间短路故障诊断研究学术报告
一、 研究团队与发表信息
本研究由西南交通大学电气工程学院的张宝杰、麻宸伟、贾震、江周余、卢腾、宋文胜等人共同完成。论文《基于卷积神经网络的牵引电机定子绕组匝间短路故障诊断》发表于《铁道学报》2024年4月第46卷第4期。
二、 学术背景与研究目标
本研究属于轨道交通电气工程领域，具体聚焦于牵引电机的状态监测与智能故障诊断。铁路交流牵引电机是列车动力系统的核心，其运行可靠性直接关系到行车安全与效率。牵引电机工作环境恶劣，长期承受电、磁、热及机械应力的复合作用，易发生故障。其中，定子绕组绝缘故障，特别是匝间短路（inter-turn short circuit）故障，是发生比例高且危害严重的故障类型。早期轻微的匝间短路故障不易察觉，但若未及时处理，可能因短路电流导致局部过热，进而演变为相间短路或接地短路等灾难性故障。因此，对早期、轻微的匝间短路故障进行准确诊断和定位，具有重要的工程应用价值。
传统的故障诊断方法，如基于特征信号（如负序电流、Park矢量）或解析模型的方法，在应用于变频调速的牵引电机时，常面临因工况变化、控制器调节作用或模型精度依赖等因素导致的诊断性能下降问题。近年来，以卷积神经网络（Convolutional Neural Network， CNN）为代表的深度学习技术，因其强大的特征自动提取和模式识别能力，在故障诊断领域展现出巨大潜力。
本研究的核心目标是：针对异步牵引电机定子绕组匝间短路故障，提出一种结合信号处理与深度学习技术的智能诊断方法，以实现对早期轻微故障（如仅1匝短路）的高精度诊断，并能够准确识别故障发生的相别，为牵引电机的在线监测与健康管理提供一种“端到端”（end-to-end）的解决方案。
三、 详细研究流程与方法
本研究的工作流程主要包含五个步骤：数据采集、信号预处理与特征提取、数据集构建、一维卷积神经网络（1D-CNN）模型设计与训练、以及最终的故障诊断与验证。
第一步：电机电流数据采集与样本划分。 研究团队设计并搭建了一套专用的异步电机定子绕组匝间短路故障诊断实验平台。平台核心为一台经过特殊改装的1.5kW三相异步电机，其定子绕组被引出多个抽头，通过外部连接不同数量的抽头并串联限流电阻，可模拟不同相别（A、B、C相）和不同严重程度（短路匝数从1匝到19匝，故障率从0.438%到8.33%）的匝间短路故障。实验在两种控制模式下进行：恒压频比（V/f）开环控制和间接矢量闭环控制，以考察不同控制策略对诊断方法的影响。使用电流传感器采集电机在健康状态及各种故障状态下的三相定子电流信号。采集到的连续电流信号被划分为多个固定长度的数据段，形成用于后续处理的样本信号。
第二步：样本信号预处理与特征提取。 此步骤旨在从原始的电流信号中提取能够表征故障状态的有效特征。研究采用离散小波变换（Discrete Wavelet Transform， DWT）作为核心信号处理工具。具体操作为：对每一相定子电流的每一个样本信号，使用Daubechies-8（db8）小波基进行三层小波分解。分解后，每个样本信号会得到四组系数：第一层高频系数（D1）、第二层高频系数（D2）、第三层高频系数（D3）和第三层低频系数（A3）。这些系数分别代表了原始信号在不同频带上的成分。 为了量化各频带成分的能量或比重，研究计算了每组小波分解系数的L2范数（二范数）。对于一个系数向量，其二范数计算了该向量所有元素平方和的平方根，能够有效反映该频带信号分量的强度。对于三相电流的每一个样本，经过此步骤后，将得到一个包含12个特征值（3相 × 4组系数）的一维特征向量。这种方法将原始的时域电流信号，转换为一组能够反映信号频域能量分布且维度固定的特征向量，非常适合作为神经网络的输入。
第三步：数据集的创建。 将第二步处理得到的所有样本特征向量及其对应的标签组合，构建成用于模型训练和测试的数据集。标签采用整数编码：0代表电机健康状态，1、2、3分别代表A、B、C相发生匝间短路故障。数据集被划分为训练集和测试集，用于后续模型的训练与性能评估。
第四步：1D-CNN模型的设计与训练。 本研究设计了一个专门用于处理一维特征向量的卷积神经网络（1D-CNN）。1D-CNN的结构设计考虑了网络深度与感受野的平衡。较深的网络具有更强的表达能力，但也需要更多数据和计算资源，且易过拟合；卷积核的大小决定了网络捕捉特征的范围。经过调试，最终确定的网络结构（虽未在文中给出详细层数，但提及了设计考量）能够有效从输入的12维特征向量中学习到区分健康与不同故障状态（包括不同故障相）的深层模式。训练过程中，网络通过反向传播算法不断调整内部参数（权重和偏置），以最小化预测标签与真实标签之间的误差。训练好的1D-CNN模型即成为一个智能分类器。
第五步：故障诊断与性能验证。 将测试集数据输入到训练好的1D-CNN模型中，模型会输出每个样本的预测类别（0， 1， 2， 3）。通过对比预测结果与真实标签，可以计算出模型在不同故障条件下的诊断准确率，并生成混淆矩阵（confusion matrix）以直观展示分类详情，特别是错误分类的具体情况。
四、 主要研究结果与分析
研究结果通过实验数据得到了充分验证，并清晰展示了所提方法的有效性和优势。
1. 故障特征分析结果： 通过对健康和故障状态下定子电流的小波分解及二范数计算，研究直观地展示了所提取特征的有效性。在健康状态下，三相电流的小波分解系数二范数基本相近。当发生匝间短路故障后，故障相的第三层低频系数（A3）的二范数值显著高于健康相，且随着短路匝数（故障严重程度）的增加，故障相与健康相的二范数差异愈发明显。这一现象为后续的智能分类提供了可区分的物理依据，证明了小波分解系数的二范数能够作为表征匝间短路故障及其严重程度的有效特征。
2. 故障诊断结果分析： 诊断性能通过不同控制模式和不同短路匝数下的准确率进行评估。 * 开环控制下的诊断结果： 当电机发生仅1匝短路（故障率0.438%）的轻微故障时，诊断正确率达到了94.5%。对于7匝及以上的短路故障，诊断正确率达到100%，并且能够完全正确地识别故障相。 * 闭环控制下的诊断结果： 闭环控制下，由于电流调节器的快速调节作用，会部分抑制由故障引起的电流畸变，使得故障特征比开环控制时更微弱，诊断难度更大。即便如此，所提方法在闭环控制下对1匝短路故障的诊断正确率仍高达90.5%。对于7匝及以上短路故障，诊断正确率同样为100%，并能有效区分故障相。
混淆矩阵进一步细化了诊断结果。例如在闭环控制1匝短路情况下，虽然整体准确率为90.5%，但可能存在少数将A相故障误判为B相，或将健康状态误判为某相轻微故障等情况。这些细节说明了模型在极端轻微故障下的性能边界，但总体而言，其诊断和定相能力非常突出。
3. 结果之间的逻辑关系： 信号处理阶段（小波分解与二范数计算）的结果（即特征向量的可分性）是深度学习模型能够成功训练和取得高精度的基础。如果没有有效的特征提取，原始电流信号在轻微故障下差异极小，直接输入神经网络可能难以学习。而1D-CNN模型的设计与训练结果，则验证了基于这些特征实现“端到端”智能诊断的可行性。最终在不同工况（开环/闭环）和不同故障程度下的测试结果，综合证明了整个方法流程的鲁棒性和实用性。从特征有效性到模型训练成功，再到多场景验证通过，构成了一个完整、严谨的逻辑闭环。
五、 研究结论与价值
本研究成功提出并验证了一种基于一维卷积神经网络（1D-CNN）与小波分解相结合的牵引电机定子绕组匝间短路故障智能诊断方法。主要结论为：该方法无需建立精确的电机数学模型，仅利用定子电流信号，通过小波分解提取故障特征，并利用1D-CNN进行自动分类，能够实现对早期、轻微匝间短路故障（低至1匝短路）的高精度诊断，并在闭环矢量控制这一更具挑战性的工况下仍保持优越性能（1匝短路诊断正确率90.5%），同时能有效区分故障发生的相别。
本研究的科学价值在于：将先进的信号处理技术（小波分析）与深度学习模型（1D-CNN）有机结合，为旋转电机的故障诊断提供了一种新的、有效的技术路线。它展示了如何将物理信号转化为适合深度学习模型处理的特征，并验证了1D-CNN在处理此类一维特征序列问题上的优势。
其应用价值尤为显著：为轨道交通牵引电机乃至工业领域其他电机的在线状态监测与预测性维护提供了切实可行的解决方案。能够早期发现匝间绝缘劣化，避免故障扩大，对于保障列车运行安全、减少非计划停运、降低维护成本具有重要意义。所提出的方法具有“端到端”的自动化特性，易于集成到现有的电机控制或监测系统中。
六、 研究亮点
七、 其他有价值内容
研究在背景介绍中，引用具体数据（如HXD1系列机车在不同线路条件下的故障统计）说明了定子绝缘故障的高发性，增强了研究的必要性和针对性。同时，论文对现有诊断方法（基于特征信号、解析模型）的局限性进行了分析，从而凸显了所提智能诊断方法的优势。在讨论部分，也隐含了该方法可能推广至其他类型电机故障（如轴承故障、转子故障）诊断的潜力，为后续研究指明了方向。