← 返回
一种基于对抗网络的电机静态偏心数据生成与定量表征新方法
A Novel Data Generation and Quantitative Characterization Method of Motor Static Eccentricity With Adversarial Network
| 作者 | Wei Sun · Haowen Wang · Ronghai Qu |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2023年7月 |
| 技术分类 | 智能化与AI应用 |
| 技术标签 | 故障诊断 机器学习 深度学习 可靠性分析 |
| 相关度评分 | ★★★ 3.0 / 5.0 |
| 关键词 | 电机偏心 对抗网络 数据生成 健康管理 故障诊断 神经网络 |
语言:
中文摘要
电机偏心会导致设备损坏，准确获取偏心程度对健康管理至关重要。由于电磁机制复杂，传统方法难以获取偏心度。虽然神经网络适用于此，但偏心数据稀缺限制了模型训练。本文提出一种基于对抗网络的数据生成与定量表征方法，有效解决了数据不足问题，实现了电机偏心程度的精准评估。
English Abstract
Eccentricity can cause motor damage. It is necessary to obtain the degree of motor eccentricity for health management or eccentricity suppression. Due to the complex electromagnetic mechanism, it is hard to obtain the degree of motor eccentricity in traditional way. The neural network is suitable for obtaining the degree of eccentricity, but the eccentricity data are too few to train network. In t...
S
SunView 深度解读
该研究提出的基于对抗网络（GAN）的数据增强与故障诊断方法，对阳光电源的风电变流器及储能系统中的旋转电机部件具有参考价值。在风电变流器领域，电机偏心监测是提升风机可靠性的关键，该方法可解决工业现场故障样本少、难以训练诊断模型的问题。建议研发团队将其应用于iSolarCloud智能运维平台，通过仿真数据与实测数据结合，提升对风电变流器及储能系统辅助电机（如冷却风扇电机）的早期故障预警能力，降低运维成本，提升系统全生命周期可靠性。