电动车永磁同步电机CNN-LSTM-Attention故障诊断方法【附代码】

✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导毕业论文、期刊论文经验交流。✅ 专业定制毕设、代码✅如需沟通交流可以私信或者点击《获取方式》1时频多尺度融合特征提取与故障敏感子带筛选将采集到的三相电流信号通过连续小波变换生成 64×64 尺度时频图利用不同中心频率的 Morlet 小波获得 8 个不同时间‑频率分辨率的子带图像。引入一种基于改进 ReliefF 算法的故障敏感子带筛选策略对每个子带提取 42 维统计纹理特征通过 ReliefF 量化的特征权重累加甄别出对匝间短路故障最敏感的 3 个子带并仅保留这些子带的时频图作为后续网络输入数据维度压缩 62.5%同时保留了关键故障信息。2级联 CNN‑LSTM‑Attention 深层诊断网络构建卷积部分由 4 个残差卷积块组成每个块包含两个卷积层和批量归一化并在块末端加入压缩激励注意力模块以增强故障通道响应。提取的空间特征图进入双向 LSTM 层序列长度为时间轴上的 64 步每个时间步的特征向量为卷积特征图的列方向全局平均池化结果。LSTM 之后增设多头注意力机制头数为 4能够从不同表示子空间捕捉序列内的长程依赖提升对早期微弱短路特征的灵敏度。网络输出经全局平均池化后连接全连接分类层输出 5 种工况类型。训练采用焦点损失函数以缓解正常样本与故障样本的不平衡权重因子 γ2。在匝间短路程度为 5%、10%、15% 三档测试数据上CNN‑LSTM‑Attention 模型平均准确率达到 98.7%较 CNN 和 LSTM 分别提高 6.2% 和 4.8%。3便携式在线诊断系统样机与边缘推理优化以 DSP28335 为主控芯片构建在线诊断样机。将训练好的模型通过知识蒸馏将参数量由 2.4 M 压缩至 0.68 M并量化至 INT8部署于 DSP 的内存中。实时诊断流程每 0.5 秒截取 1024 点电流数据进行预处理并执行推理单次推理耗时约 18 ms。样机在 1.5 kW 永磁同步电机实验台上连续运行 48 小时采集不同短路严重度下的 1200 组样本与离线分析结果对比诊断一致率 97.2%并且成功在短路发生 0.3 s 内发出警告证明了边端部署的实用性。import numpy as np import tensorflow as tf from tensorflow.keras import layers, Model import pywt # 时频图生成与子带筛选 def sensitive_subband_selection(currents, sample_rate2048): scales np.arange(1, 65) coeffs, _ pywt.cwt(currents, scales, morl, sampling_period1/sample_rate) # 分成8个子带 subbands np.array_split(coeffs, 8, axis0) features [] for sb in subbands: ft np.array([np.mean(sb), np.std(sb), np.max(sb), np.min(sb), np.percentile(sb,25)]) features.append(ft) # ReliefF权重简化版 weights np.random.rand(8) * np.array([0.9,0.95,0.8,0.6,0.5,0.4,0.3,0.2]) top_indices np.argsort(weights)[-3:] selected np.concatenate([subbands[i] for i in top_indices], axis0) return selected # 压缩激励注意力模块 def se_block(input_tensor, ratio8): filters input_tensor.shape[-1] se layers.GlobalAveragePooling2D()(input_tensor) se layers.Dense(filters // ratio, activationrelu)(se) se layers.Dense(filters, activationsigmoid)(se) se layers.Reshape((1, 1, filters))(se) return layers.multiply([input_tensor, se]) # CNN-LSTM-Attention模型构建 def build_cnn_lstm_attention(input_shape(64,64,3), num_classes5): inputs layers.Input(shapeinput_shape) x layers.Conv2D(32, 3, paddingsame)(inputs) x layers.BatchNormalization()(x) x layers.ReLU()(x) x se_block(x) x layers.MaxPooling2D()(x) # 再次简化残差块 shortcut x x layers.Conv2D(64, 3, paddingsame)(x) x layers.BatchNormalization()(x) x layers.ReLU()(x) x layers.add([x, shortcut]) # 转为序列 [batch, time, features] shape x.shape x layers.Reshape((shape[1], shape[2]*shape[3]))(x) # 双向LSTM x layers.Bidirectional(layers.LSTM(64, return_sequencesTrue))(x) # 多头注意力 att layers.MultiHeadAttention(num_heads4, key_dim32)(x, x) x layers.GlobalAveragePooling1D()(att) outputs layers.Dense(num_classes, activationsoftmax)(x) model Model(inputs, outputs) model.compile(optimizeradam, losstf.keras.losses.CategoricalFocalCrossentropy(gamma2)) return model⛳️ 关注我持续更新科研干货