基于深层卷积神经网络电动飞机主驱动电机故障诊断方法

杨 柏，关焕新，王 森，杨 亮，王鹤蓉

(1.沈阳工程学院 ，沈阳 110136； 2.国网张掖供电公司，甘肃 张掖 73400)

0 引 言

近年来，随着新能源产业的不断发展，航空电动飞机正在迅速崛起，纯电动飞机相关产业需求与日俱增。航空电动飞机的主动力系统是其关键性部件，在整机过程中占有举足轻重的地位。主驱动电机是电动飞机的主要动力系统，因此主驱动电机的是否正常工作是电动飞机安全工作的重要指标。

文献[1]通过堆叠降噪自编码提取电机的整体电流与振动信号，结合Softmax分类器对异步电机的故障诊断。由于电机匝间短路具有一定的危险性，因此造成电机匝间短路的故障数据无法支撑神经网络训练文献[2] 利用生成式对抗神经网络扩充永磁同步电机匝间短路样本数据，通过稀疏编码深度学习网络完成永磁同步电机匝间短路故障诊断。

因为专家系统诊断所需时间较长，所以研究者们尝试其他智能算法，张炜[3]等人通过建立并行BP神经网络来实现故障诊断的分类。文献[4]采用多重回归最小二乘法支持向量机模型，利用遗传算法与模糊理论的优点补充概率因果方法的不足诊断发电机组多重故障。 设计了一种小波支持向量机的混沌驱动永磁同步电机系统的故障识别器[5]。在文献[6]中，提出了一种基于多个隐马可夫模型与ACC和神经网络相结合的电机轴承故障诊断。文献[7]利用模型预测控制系统中价值函数的直流分量和二次谐波分量来诊断永磁同步电机匝间短路故障。

神经网络与专家系统的结合提高了专家系统诊断的准确度，减小了训练时间。神经网络与D-S推理结合的方法提高了诊断速度、扩大了诊断范围。并行BP神经网络提高了网络学习能力与诊断速度。模糊卷积神经网络飞机识别方法提高了模型计算速度。利用生成式对抗神经网络扩充永磁同步电机匝间短路样本数据，为研究电机匝间短路故障样本数据不足问题提供了新的解决方法。模型预测控制系统中价值函数的直流分量和二次谐波分量来诊断永磁同步电机匝间短路故障为电机匝间短路故障诊断提供新的思路。本文提出的基于卷积神经网络的电动飞机主驱动电机故障诊断具有诊断速度快、学习泛化能力强、鲁棒性强、能够准确、快速地确定判断故障类型。

1 卷积神经网络概念与结构

由于深度学习和深度网络的强大学习能力，在图像分类与识别、目标定位与检测、机器翻译、人脸识别等方面取得了突飞猛进的发展[8-10]。

1.1 卷积神经网络概念与结构

卷积神经网络是一种前馈式神经网络，Hubel和Wiesel根据猫视觉皮层电生理的原理，由此受到启发，提出了卷积神经网络Convolutional Neural Network(CNN)。卷积神经网络最先被应用到手写数字识别。近几年来研究者将卷积神经网络应用在多种领域，在语音识别、车牌识别、通用物体的识别、自然语言的处理以及在脑电波分析方面均得到长足突破[11]。

卷积神经网络的核心是卷积层与池化层组成的特征提取器。卷积层与其他层为稀疏连接。卷积层可以包含n个卷积面(特征平面)，权值在同一个卷积面内共享，权值即卷积核。共享权值(卷积核)降低了神经网络对数据过度拟合的风险。池化层(子采样层)可以把卷积层提取的特征值降低成相同维度，可以减少信息缺失度。池化层一般采用有均值子采样与最大值子采样两种池化方法。卷积神经网络的卷积核与池化层大大简化了模型复杂度，减少了模型的参数[12]。卷积神经网络模型结构如图1所示。

图1 卷积神经网络模型结构

卷积神经网络由输入层、n个卷积层和池化层、全连结的多层感知机分类器构成。

卷积核的任务：从数据输入到输出过程中求出输出节点矩阵。提出的节点矩阵中第i个节点值：

(1)

(2)

(3)

为了使输入、输出矩阵保持同维度，可以采用在矩阵边缘全填0方式与调节卷积核的步长这两种方法来调节输入矩阵的维度。卷积网络中多采用第二种方法。式(2)、式(3)分别为矩阵边缘全填0方式与调节卷积核的步长公式。

卷积神经网络中多用Softmax函数处理分类问题。假设训练集为

{(x(1),y(1)),(x(2),y(2)),…,(x(n),y(n))}

(4)

y(i)∈{1,2,3…k}

(5)

设输入样本为x，则激励函数为

(6)

其中：

(7)

1.2 积神经网络优点

卷积神经网络有结合稀疏连接、权重共享、空间或时间上的降采样等优点[13]。通过充分利用数据中包含的局部特征，降低了算法对数据过度拟合的风险，降低了数据维数，降低了数据迁移的风险。并且处理数据越多，卷积神经网络的准确率越高[14-16]。并且卷积神经网络在解决大量实际问题时所表现的性能超越了机器学习的其他替代方法。当样本容量一定大时，卷积神经网络诊断永磁电机故障的准确率越高。

2 基于深层卷积神经网络电动飞机主驱动电机故障诊断方法

本文以电机定子电流与振动信号作为电动飞机主驱动电机故障类型判断依据。卷积神经网络具有较强的学习能力，并且具有深层结构的神经网络，适合大数据分析与处理。

2.1 深层卷积神经网络电动飞机主驱动电机故障判断流程

首先，采集各类型故障的振动信号与定子电流信号，作为一个输入(即xi=[V,I])。生成检测样本集合与训练样本集合，训练样本集合训练卷积神经网络参数，检测样本集合测试卷积神经网络对故障类型判断结果的准确率。当训练结果的错误率达到一定范围之内，保存训练好的卷积神经网络。输入故障数据，应用卷积神经网络输出故障类型。选取电机振动信号与定子电流为特征数据。假设样本集X={x1,x2,…,xn},其中xi∈R2×2。

图2 卷积神经网络模型电机故障判断流程

2.2 SoftMax分类器判断故障类型

SoftMax是卷积神经网络输出分类方式，其原理是对于n种独立分类，设置输出个数为n,对应的索引号依次为 1,2,……，n，索引号对应一个分类。设n个输出的最大值为1，其余输出值设为0，输出1端口的索引号对应的分类为理想分类W{表示为真}=1，W{表示为假}=0[13]。则代价函数：

(8)

样本中属于j类事件的概率表示为

(9)

现在对于代价函数的最小化都没有非常好的方法。研究者大多通过迭代优化算法来求出其梯度表达式。

(10)

将式(10)代入式(8)可得快速优化的代价函数：

(11)

式中,G为衰减项，加快参数模型的全局最优化处理速度。因为式(11)为凸函数因此可以计算出模型的最优参数γ。

偏置参数与迭代更新权重

(12)

(13)

式中,ε为学习率且ε∈[0,1]。

用一个卷积神经网络处理故障类型与故障线路的分类问题，本文采用两个 SoftMax 分类器，分别用于解决故障类型问题和故障线路判断问题。卷积神经网络用SoftMax处理多种非独立分类问题是由于卷积神经网络卷积面权值共享[11]。电动飞机主驱动电机故障分类原理如表1所示。

表1 输出分类及对应索引号

2.3 残差连接

深度学习的一大原则：神经网络越深，效果往往越好。但是，极深的神经网络并不容易训练。神经网络随着层数的增加则会出现梯度消失与梯度爆炸问题，造成神经网络越深，错误率越高的现象。为解决这一现象在卷积神经网络中增加了跨层连接(捷径连接)构成残差模块(如图3所示)，建立残差连接的深度卷积神经网络。在残差连接的深度卷积神经网络中，信息可以无障碍地跨越多层直接传递到后面的层。

图3 残差模块

用H(χ)表无跨层连接的相应计算结果，用F(χ)表示加入跨层连接后的计算结果。F(χ)与H(χ)之间的关系为

F(χ)∶=H(χ)-χ

(14)

用{Zj}表示残差模块的所有权值，残差模块计算输出结果：

y=F(χ,{Zj} )+χ

(15)

式中，F(χ,{Zj})是残差映射(或残差函数)。在残差计算模块中F(χ,{Zj})与χ具有相同的维数，如果维数不同则要引进一个全新的权值矩阵Zs对χ投影，保证他们具有相同的维数，计算结果为

y=F(χ,{Zj})+Zsχ

(16)

3 实验仿真

为了验证基于卷积神经网络(CNN)电动飞机主驱动电机故障诊断的有效性,容错性与精度。本文搭建了如图4所示的实验平台，功率分析仪采集定子电流信号，两个振动传感器分别采集底座振动信号与输出轴端振动信号。本文采集1000组正常数据，每种故障类型数据各采集1000组，组成样本数据其中4900组做为训练样本集其余2100组做为检测样本集。

图4 实验平台

3.1 不同激活函数对卷积神经网络模型的影响

在训练神经网络模型中选择不同的激活函数所需要的训练时间是不同的。神经网络激活函数一般多为sigmoid或tanh。本文选择ReLU函数为卷积神经网络的激活函数。图5为3种不同激活函数对卷积神经网络模型训练时间的影响。从图5中可以看出3种激活函数整体变化趋势为隐含层个数与训练时间成正比。Sigmoid函数与tanh函数所需的训练时间基本一致；ReLU函数所需的训练时间都低于Sigmoid函数与tanh函数；因此ReLU函数有助于训练更深的网络。

图5 不同激活函数对卷积的神经网络的影响

3.2 残差模块对网络故障诊断准确率的影响

图6(a)为使用普通架构的深度卷积神经网络训练结果，从图中可得15层网络的训练损失率与测试损失率都高于8层网络的损失率。图6(b)为具有残差模块搭建的深度卷积神经网络训练结果，从图中可得15层网络的训练损失率与测试损失率都低于8层网络的损失率。对比图6(a)与图6(b)可得具有残差模块的深度卷积神经网络模型训练损失率与测试损失率都低于无残差模块的深度卷积神经网络模型。残差模块可以改善深度神经网络的过拟合与、梯度消失与梯度爆炸等现象。

图6 残差模块对不同层数深度卷积神经网络的影响

3.3 实验结果与传统方法比较

仿真结果如图7所示，选择下采样方式(平均池化)并且重叠池化，卷积核数目都为4，诊断模型迭代750次后，卷积神经网络诊断结果的损失率为0%。利用训练完成神经网络对2100组测试样本进行无错误的对电动飞机主驱动电机故障判断。

图7 卷积神经网络模型损失率

本文方法与文献[1]和文献[17]中的方法进行比较。选取样本总量的70%作为训练集合，30%作为测试集合。比较结果如表2所示，SDAE诊断方法是通过深层网络自适应提取特征，并利用网络的微调机制提高诊断准确率，但是SDAE诊断方法需要较长的训练时间。ASPNN诊断方法是通过正余弦算法与一种AdaBooost的集成学习算法，优化概率神经网络网络的平滑因子人为设定的缺点，提高了网络训练时间。具有残差模块的卷积神经网络的相比于SDAE、ASPNN、CNN具有更高的准确率，更少的训练时间。

表2 不同方法的诊断结果

4 结 论

本文提出基于卷积神经网络对电动飞机主驱动电机故障诊断方法，利用卷积神经网络强大的识别能力与学习能力，实现了高精度的电动飞机主驱动电机故障诊断。本文研究了不同激活函数对卷积神经网络训练时间、准确率的影响。对构建卷积神经网络结构具有一定意义。利用残差模块提高了深度卷积神经网络的准确率。解决了随着神经网路层数增加网络错误率越高的现象。仿真与实验验证了提出的故障诊断方法的有效性。