摘要

同步电机的可靠运行关系着电力系统的稳定性以及工业生产的可靠性,而定子绕组匝间和接地短路故障是同步电机中常见的故障。近年来,基于脉冲频率响应法(impulse frequency response analysis,IFRA)的神经网络模型已被证实能够有效检测定子绕组故障。然而,这些模型普遍具有鲁棒性不强、抗噪能力差等特点,究其原因是大多数的模型采用简单的神经网络架构且常规的IFRA普遍采用快速傅里叶变换(fast fourier transform,FFT)对暂态信号进行时频变换,而FFT并不适合处理暂态突变的非平稳信号。本文以散绕结构的同步电机定子绕组为检测对象,采用连续小波变换(continual wavelet transform,CWT)代替FFT处理IFRA的暂态信号,并基于一维卷积神经网络(convolutional neural networks,CNN)和长短时记忆网络(long short-term memory,LSTM)构建CNN-BiLSTM模型对采用CWT变换之后的信号进行故障检测。实验结果表明:采用CWT处理后的频域序列作为该模型的输入,同时相较于其它结构单一的模型,其平均准确率最优且高达99.01%。噪声对比实验表明:采用CWT变换后的数据能使故障诊断模型的鲁棒性及泛化性更强。

全文