王浩楠, 蓝益鹏

(沈阳工业大学 电气工程学院,辽宁 沈阳 110870)

0 引 言

机械故障诊断是现代工业中的重要技术[1]。直线同步电动机由于其可控性和高效率，在工业中有着越来越广泛的应用。电机的可靠性与工业生产的安全性密切相关。电机在长时间的运行过程中可能发生一些故障，如单相接地短路、绕组匝间短路和绕组断路等。轻微的短路故障若不加以重视，会导致严重的多匝线圈间短路，甚至发生其他更严重的故障，因此，必须对绕组故障进行可靠的检测[2]。

随着近些年深度学习领域的迅速发展，卷积神经网络(CNN)已经在故障诊断领域得到广泛应用[3]。Sun等[4]开发出卷积判别特征学习方法来对电动机进行故障诊断，该方法具有极高的鲁棒性和有效性。王丽华等[5]对振动信号进行短时傅里叶变换并通过CNN实现了电机故障诊断。尽管振动信号分析在故障诊断中能取得良好的结果，但是消除背景噪声通常是一个复杂的过程。振动测量还受到安装位置不确定性的影响，需要在电动机上安装传感器，会带来额外的成本；另外，相邻机器也会影响振动测量。

利用电流信号分析来进行电动机故障诊断，可以减少背景噪声和其他机械干扰的影响。此外，如果将霍尔传感器集成到逆变器中检测电动机的电枢电流，则无需安装其他传感器[6]。杨大雷等[7]利用交流电压和电流信号中频域信号的相关性分析了交流电机系统的故障，提高了故障诊断、识别的准确性。……