张 凯，林谷烨，罗 权

(华南理工大学 电力学院，广州 510000)

0 引言

伴随着人工智能领域的发展，越来越多的传统领域开始尝试采用神经网络理论来解决工程实践中难以精确建立数学模型的问题。异步电动机由于具有故障种类较多，受外界干扰大等特点，而传统基于建模分析的方法难以建立适应各个复杂场景下的三相异步电机运行时的数学模型，所以使用神经网络进行故障诊断分析相比于传统的电机建模分析等方法有着得天独厚的优势。目前国内外也已经有一些研究采用神经网络进行电机故障诊断的研究[1-3]。但是目前采用的方法仍然存在一些不足：首先，基于模型的方法虽然精度高，但计算量大，且难以得到精确的模型；其次，对于传统的神经网络模型存在无法排除扰动，收敛精度不足或者无法保证收敛等问题。

在这样的背景下，本文基于最新提出的RAdam优化器构建LSTM神经网络，相比于传统的神经网络而言：1)LSTM神经网络的网络结构更适合进行时序自回归预测[4]；2)使用RAdam优化器解决了传统神经网络模型在训练的初期学习率的方差较大、收敛速度较慢、收敛精度较低等问题；3)针对输出精度较低以及模型易受干扰等问题[5-6]，采用双峰插值法[7]进行滑窗滤波，并采用时间序列进行输入以提高精度。

1 双峰谱线插值与滑窗法提取谐波

在实际工业场景下，由于电网电压存在波动等情况，导致三相异步电机在运行过程中无法针对一个长的时间序列进行高精度的谐波分析，所以在实际应用中采用滑窗法对实际运行的波形进行分段分析[8]。……