← 返回
基于贝叶斯优化残差CNN的永磁同步电机匝间短路故障估计
On Bayesian Optimization-Based Residual CNN for Estimation of Inter-Turn Short Circuit Fault in PMSM
| 作者 | Qiang Song · Mingsheng Wang · Wuxuan Lai · Sifang Zhao |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2023年2月 |
| 技术分类 | 智能化与AI应用 |
| 技术标签 | 故障诊断 深度学习 机器学习 可靠性分析 |
| 相关度评分 | ★★★ 3.0 / 5.0 |
| 关键词 | 贝叶斯优化 残差CNN 匝间短路 故障诊断 PMSM 深度学习 |
语言:
中文摘要
本文提出了一种基于贝叶斯优化（BO）的残差卷积神经网络（CNN）算法，用于永磁同步电机（PMSM）匝间短路（ITSC）故障的早期诊断。该方法通过优化CNN结构提升了故障特征提取能力，有效解决了传统CNN在电机故障诊断中应用面临的挑战，提高了电机运行的安全性与可靠性。
English Abstract
Interturn short circuit (ITSC) fault diagnosis at its early stage is very essential to improve the security of permanent magnet synchronous motors. In this article, a Bayesian optimization (BO) based residual convolutional neural network (CNN) algorithm for ITSC fault diagnosis was proposed. There are mainly two aspects of the contributions. First, it is a challenge to apply a conventional CNN on ...
S
SunView 深度解读
该技术主要针对电机驱动系统的故障诊断，与阳光电源的风电变流器及电动汽车充电桩业务具有一定的技术关联性。虽然阳光电源目前核心业务侧重于电力电子变换，但随着风电变流器向高可靠性、智能化运维方向发展，引入基于深度学习的故障预测与健康管理（PHM）技术是提升产品竞争力的关键。建议研发团队关注该算法在变流器功率模块及电机侧故障特征提取中的迁移应用，通过iSolarCloud平台集成此类AI诊断模型，实现对风电变流器及相关驱动部件的早期故障预警，从而降低运维成本并提升系统可用性。