一种基于GAMF-CNN的航空发电机整流器故障诊断技术

doi:10.7527/S1000-6893.2024.30398

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

一种基于GAMF-CNN的航空发电机整流器故障诊断技术

崔江(), 周凡, 陈永凡, 于立, 张卓然

南京航空航天大学自动化学院，南京 210016

收稿日期:2024-03-18 修回日期:2024-03-31 接受日期:2024-04-22 出版日期:2024-12-25 发布日期:2024-05-08
通讯作者: 崔江 E-mail:cuijiang@nuaa.edu.cn
基金资助:
国家自然科学基金(51977108)

A technique for aerospace generator rectifier fault diagnosis based on GAMF-CNN

Jiang CUI(), Fan ZHOU, Yongfan CHEN, Li YU, Zhuoran ZHANG

College of Automation Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China

Received:2024-03-18 Revised:2024-03-31 Accepted:2024-04-22 Online:2024-12-25 Published:2024-05-08
Contact: Jiang CUI E-mail:cuijiang@nuaa.edu.cn
Supported by:
National Natural Science Foundation of China(51977108)

摘要/Abstract

摘要：

针对航空发电机整流器实际故障样本数据较少等问题，提出一种基于格拉姆角积场-卷积神经网络（GAMF-CNN）的航空发电机整流器故障诊断技术。首先，采集整流器故障原始信号并进行预处理，将一维时序信号转化为格拉姆角积场图像，从而可以使故障诊断问题转变为图像识别问题；其次，借助深度迁移学习理念，采用卷积神经网络将仿真获取的故障特征知识迁移至缺少故障数据的发电机整流器中；最终，解决小样本数据下的航空发电机整流器故障诊断问题。经实验验证并与现有一些方法对比发现，所设计方法能以较高准确率实现故障二极管的诊断和定位。

关键词: 航空发电机, 整流器, 故障诊断, 格拉姆角积场, 迁移学习

Abstract:

To address the problems such as less actual sample data of aerospace generator rectifier faults， a fault diagnosis technique based on Gramian Angular Multiply Field-Convolutional Neural Network （GAMF-CNN） is presented. First， original rectifier fault signals are collected and preprocessed， and the one-dimensional time series signals are transformed into GAMF images， so that the fault diagnosis problem can be transformed into an image recognition problem. Second， with the help of deep transfer learning concept， a convolutional neural network is used to transfer the fault feature knowledge obtained from the simulation to the real generator rectifier that lacks fault data. Finally， the aerospace generator rectifier fault diagnosis problem with small sample data is solved. Experimental verification and comparison with some existing methods find that the propsoed method can realize diagnosis and localization of faulty diodes with high accuracy.

Key words: aerospace generator, rectifier, fault diagnosis, Gramian angular multiply field, transfer learning

中图分类号:

V240.2

崔江, 周凡, 陈永凡, 于立, 张卓然. 一种基于GAMF-CNN的航空发电机整流器故障诊断技术[J]. 航空学报, 2024, 45(24): 330398.

Jiang CUI, Fan ZHOU, Yongfan CHEN, Li YU, Zhuoran ZHANG. A technique for aerospace generator rectifier fault diagnosis based on GAMF-CNN[J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(24): 330398.

图/表 15

图 1

图 2

表1

图 3

表2

图 4

表3

图 5

图 6

表4

表5

表6

图 7

图 8

表7

参考文献 25

1	张卓然，于立，李进才，等. 飞机电气化背景下的先进航空电机系统［J］. 南京航空航天大学学报， 2017， 49（5）： 622-634.
	ZHANG Z R， YU L， LI J C， et al. Advanced aircraft electric motor system in the context of aircraft electrification［J］. Journal of Nanjing University of Aeronautics and Astronautics， 2017， 49（5）： 622-634 （in Chinese）.
2	于立. 多电发动机高速双凸极起动发电机系统关键技术研究［D］. 南京：南京航空航天大学， 2019： 22-23.
	YU L. Research on key technology of high-speed double convex pole starter generator system for multi-electric engine［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2019： 22-23 （in Chinese）.
3	冯小宝. 电励磁双凸极电机电动运行故障诊断与容错控制［D］. 南京：南京航空航天大学， 2021： 1-3.
	FENG X B. Electrically excited double convex pole motor electric operation fault diagnosis and fault tolerant control［D］.Nanjing： Nanjing University of Aeronautics and Astronautics， 2021： 1-3 （in Chinese）.
4	SHARIDA A， BAYHAN S， ABU-RUB H， et al. Voltage-sensorless open-switch fault-tolerant control of three-phase T-type rectifier［J］. IEEE Transactions on Power Electronics， 2023， 38（12）： 15365-15376.
5	KOU L， LIU C， CAI G W， et al. Fault diagnosis for three-phase PWM rectifier based on deep feedforward network with transient synthetic features［J］. ISA Transactions， 2020， 101： 399-407.
6	CHEN J L， HAO L L， LI H Z， et al. Time–frequency characteristics analysis and diagnosis of rotating rectifier faults in multiphase annular brushless system［J］. IEEE Transactions on Industrial Electronics， 2023， 70（4）： 3233-3244.
7	JIAO N F， HAN X， WEI Z H， et al. Online fault diagnosis for rotating rectifier in wound-rotor synchronous starter–generator based on geometric features of current trajectory［J］. IEEE Transactions on Industrial Electronics， 2021， 68（4）： 2952-2963.
8	唐军祥. 航空三级式发电机旋转整流器故障诊断技术研究［D］. 南京：南京航空航天大学， 2017： 5-7.
	TANG J X. Research on fault diagnosis technology of rotating rectifier of aviation three-stage type generator［D］.Nanjing： Nanjing University of Aeronautics and Astronautics， 2017： 5-7 （in Chinese）.
9	TANTAWY A， KOUTSOUKOS X， BISWAS G. Aircraft power generators： Hybrid modeling and simulation for fault detection［J］. IEEE Transactions on Aerospace and Electronic Systems， 2012， 48（1）： 552-571.
10	HUANG C， YUAN H W， MA Z， et al. The fault diagnosis of aircraft power system based on inverse problem of fuzzy optimization［J］. Proceedings of the Institution of Mechanical Engineers， Part G： Journal of Aerospace Engineering， 2016， 230（6）： 1059-1074.
11	夏一文，张卓然，张健，等. 基于反电势电流的电励磁双凸极电机驱动电路单管开路故障诊断研究［J］. 电工技术学报， 2020， 35（23）： 4888-4897.
	XIA Y W， ZHANG Z R， ZHANG J， et al. A study on single-tube open-circuit fault diagnosis of electrically excited biconvex pole motor drive circuit based on counterpotential current［J］. Journal of Electrotechnology， 2020， 35（23）： 4888-4897 （in Chinese）.
12	赵刚，周波. 基于小波包分析的双凸极无刷直流发电机系统故障诊断［J］. 中国电机工程学报， 2008， 28（8）： 121-126.
	ZHAO G， ZHOU B. Fault diagnosis of doubly salient brushless DC generator system based on wavelet packet analysis［J］. Proceedings of the CSEE， 2008， 28（8）： 121-126 （in Chinese）.
13	JORDAN S， APSLEY J. Open-circuit fault analysis of diode rectified multiphase synchronous generators for DC aircraft power systems［C］‍∥ 2013 International Electric Machines & Drives Conference. Piscataway： IEEE Press， 2013： 926-932.
14	SHI X D， LI P J， ZHU J J， et al. Modeling and feather extraction of rotating rectifier faults of Aircraft integrated drive generator［J］. Journal of Applied Sciences， 2013， 13（16）： 3128-3136.
15	XU L， CAO M Y， SONG B Y， et al. Open-circuit fault diagnosis of power rectifier using sparse autoencoder based deep neural network［J］. Neurocomputing， 2018， 311： 1-10.
16	崔江，冯赛，张卓然，等. 基于BLS的无刷发电机旋转整流器特征提取技术研究［J］. 中国电机工程学报， 2020， 40（12）： 4004-4013.
	CUI J， FENG S， ZHANG Z R， et al. Research on feature extraction technique of rotating rectifier for brushless generator based on BLS［J］. Proceedings of the CSEE， 2020， 40（12）： 4004-4013 （in Chinese）.
17	陈文杰，崔江. 基于LSTM的航空发电机整流电路诊断技术［J］. 电机与控制应用， 2023， 50（4）： 85-90.
	CHEN W J， CUI J. Diagnosis technology of aero-generator rectifier circuit based on LSTM［J］. Electric Machines & Control Application， 2023， 50（4）： 85-90 （in Chinese）.
18	PAN S J， TSANG I W， KWOK J T， et al. Domain adaptation via transfer component analysis［J］. IEEE Transactions on Neural Networks， 2011， 22（2）： 199-210.
19	LONG M S， WANG J M， DING G G， et al. Transfer feature learning with joint distribution adaptation［C］‍∥ 2013 IEEE International Conference on Computer Vision. Piscataway： IEEE Press， 2013： 2200-2207.
20	WANG J D， CHEN Y Q， HAO S J， et al. Balanced distribution adaptation for transfer learning［C］∥2017 IEEE International Conference on Data Mining （ICDM）. Piscataway： IEEE Press， 2017： 1129-1134.
21	WANG J D， FENG W J， CHEN Y Q， et al. Visual domain adaptation with manifold embedded distribution alignment［C］‍∥Proceedings of the 26th ACM international conference on Multimedia. New York： ACM， 2018： 402-410.
22	KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM， 2017， 60（6）： 84-90.
23	韩淞宇，邵海东，姜洪开，等. 基于提升卷积神经网络的航空发动机高速轴承智能故障诊断［J］. 航空学报， 2022， 43（9）： 625479.
	HAN S Y， SHAO H D， JIANG H K， et al. Intelligent fault diagnosis of aero-engine high-speed bearings using enhanced CNN［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（9）： 625479 （in Chinese）.
24	WANG Z， OATES T. Imaging time-series to improve classification and imputation［C］∥International Joint Conference on Artificial Intelligence. Buenos Aires： IJCAI， 2015： 3939-3945.
25	KEOGH E， CHAKRABARTI K， PAZZANI M， et al. Dimensionality reduction for fast similarity search in large time series databases［J］. Knowledge and Information Systems， 2001， 3（3）： 263-286.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

故障模式	故障描述	故障二极管
模式 Ⅰ	健康	无
模式 Ⅱ	单管开路	D1，D2，D3
模式 Ⅱ	单管开路	D4，D5，D6
模式 Ⅲ	双管开路	D1D2，D3D4，D5D6
		D1D3，D1D5，D3D5
		D2D4，D2D6，D4D6
		D1D4，D1D6，D2D3
		D2D5，D3D6，D4D5

名称	数值	名称	数值
定子极数	12	转子内径/mm	35
转子极数	8	额定转速/（r·min^-1）	3 000
铁芯长度/mm	68	额定输出电压/VDC	54
气隙长度/mm	0.25	额定输出功率/kW	2

三相电流	A相	B相	C相
波形正负均有	A±	B±	C±
仅有正半波形	A+	B+	C+
仅有负半波形	A－	B－	C－
波形正负均无	A/	B/	C/

方法	诊断准确率/%
时域图像-CNN	65.64
本文方法	90.16
GADF-CNN	75.45
GASF-CNN	74.53

类型	数据集	转速/（r·min^-1）	励磁源/V	负载/Ω
仿真数据	i	1 000	17.94	22
	ii	1 500	17.94	22
	iii	2 000	17.94	22
	iv	3 000	17.94	22
	v	6 000	17.94	22
实际数据	vi	1 000	1.6， 4.8， 8.0， 9.8	2
	vii	1 500	1.6， 4.8， 8.0， 9.8	2
	viii	2 000	1.6， 4.8， 8.0， 9.8	2
	ix	1 000	1.6， 4.8， 8.0， 9.8	2
		1 500
		2 000

一种基于GAMF-CNN的航空发电机整流器故障诊断技术

A technique for aerospace generator rectifier fault diagnosis based on GAMF-CNN

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 25

相关文章 15

编辑推荐

Metrics

本文评价

迁移任务	准确率/%	测试时间/s	迁移任务	准确率/%	测试时间/s
i→vi	93.94	0.71	iii→viii	89.39	0.68
i→vii	84.85	0.61	iii→ix	87.37	0.63
i→viii	90.91	0.63	iv→vi	95.45	0.62
i→ix	92.42	0.60	iv→vii	84.24	0.66
ii→vi	92.91	0.77	iv→viii	89.39	0.70
ii→vii	89.90	0.69	iv→ix	87.37	0.72
ii→viii	90.91	0.66	v→vi	88.34	0.70
ii→ix	87.88	0.60	v→vii	91.36	0.75
iii→vi	95.45	0.71	v→viii	91.36	0.75
iii→vii	88.79	0.83	v→ix	88.38	0.60

迁移任务	准确率/%
迁移任务	本文方法	TCA	JDA	BDA	MEDA
平均	90.16	75.93	73.99	74.63	76.04
i→vi	93.94	72.90	66.76	66.53	77.56
i→vii	84.85	79.26	76.36	75.51	88.07
i→viii	90.91	81.02	75.97	77.44	89.66
i→ix	92.42	77.50	71.82	71.82	87.50
ii→vi	92.91	70.85	66.19	67.39	69.66
ii→vii	89.90	78.41	74.49	73.81	85.85
ii→viii	90.91	78.75	75.68	76.25	90.00
ii→ix	87.88	76.70	72.33	72.73	82.90
iii→vi	95.45	72.33	66.93	69.89	76.02
iii→vii	88.79	79.32	74.94	79.32	77.67
iii→viii	89.39	81.70	78.52	78.18	88.01
iii→ix	87.37	77.78	74.20	76.88	74.94
iv→vi	95.45	63.35	69.03	68.58	68.07
iv→vii	84.24	72.67	75.91	78.35	59.94
iv→viii	89.39	74.43	78.69	79.94	63.01
iv→ix	87.37	73.64	74.43	75.23	59.83
v→vi	88.34	70.63	72.39	69.60	66.40
v→vii	93.94	78.18	77.39	77.33	70.73
v→viii	91.36	81.88	81.19	81.31	82.89
v→ix	88.38	77.27	76.48	76.48	61.99

[1]	李荣祖, 刘莉, 杨盾. 基于多源域融合代理模型的氢能无人机优化设计[J]. 航空学报, 2025, 46(9): 630979-630979.
[2]	郭庆, 刘晓阳, 樊俊峰, 付宇, 左洪福. 融合先验信息的民航发动机自适应气路故障诊断方法[J]. 航空学报, 2025, 46(4): 230871-230871.
[3]	焦阳, 陆雨婷, 许拔, 欧阳键. 基于时空相关性的卫星流量迁移预测[J]. 航空学报, 2025, 46(4): 330938-330938.
[4]	郭程洁, 徐典, 李进宝, 程超宇, 郭硕昌, 李锐. 基于数据融合-知识迁移方法的高温数字图像相关试验应力表征[J]. 航空学报, 2025, 46(19): 531574-531574.
[5]	王鹏飞, 曾丽芳, 邵雪明, 黎军. 基于预训练微调的机翼气动载荷多源数据融合建模方法[J]. 航空学报, 2025, 46(19): 532297-532297.
[6]	杨述明, 吴建军, 谢昌霖, 程玉强, 王彪. 数据驱动智能故障诊断技术在液体火箭发动机的应用与展望[J]. 航空学报, 2025, 46(15): 131427-131427.
[7]	刘子超, 王江, 王鹏, 林德福, 何智川. 时间约束多导弹协同制导律[J]. 航空学报, 2024, 45(S1): 730607-730607.
[8]	胡明辉, 高金吉, 江志农, 王维民, 邹利民, 周涛, 凡云峰, 王越, 冯家欣, 李晨阳. 航空发动机振动监测与故障诊断技术研究进展[J]. 航空学报, 2024, 45(4): 630194-630194.
[9]	黄湛钧, 董鑫, 卢沐宇, 张瑞涛, 闫钊阳, 张安. 基于DRSN与电压幅值分析的航空HVDC系统逆变器故障诊断[J]. 航空学报, 2024, 45(3): 328685-328685.
[10]	栾信宇, 王宇, 吴章武. 三端口整流器面向脉冲负载频率突降控制策略[J]. 航空学报, 2024, 45(24): 330424-330424.
[11]	王婷, 周浩轩, 张晓斌, 李伟林, 曹文平. 航空起动/发电机中旋转整流器故障分析与诊断方法综述[J]. 航空学报, 2024, 45(23): 30405-030405.
[12]	胡明辉, 刘少朋, 王浩, 李晨阳, 王维民, 江志农. 基于宽频振动的燃气轮机叶片断裂故障识别特征与辨识方法[J]. 航空学报, 2024, 45(20): 230098-230098.
[13]	李天晴, 王维民, 张旭龙, 王树慧, 付振宇. 基于叶尖定时的转子叶片轴向位移辨识方法[J]. 航空学报, 2024, 45(2): 228682-228682.
[14]	陈勇刚, 刘康妮, 王帅. 基于BiGRU⁃Attention改进的航空设备故障知识图谱构建[J]. 航空学报, 2024, 45(18): 229916-229916.
[15]	李晖, 陈银超, 孙绍山, 梁兆鑫, 毛刚, 乔彬, 李永波. 基于联邦图网络的转子系统故障诊断方法[J]. 航空学报, 2024, 45(17): 530611-530611.