摘要：对现有的永磁同步电机由于物理原因所产生故障的机理和故障诊断技术进行了归纳整理,指出分析了各类故障诊断方法的优势与不足,指出当前的故障诊断技术主要集中在单故障诊断层面,各种诊断方法和技术也比较独立的运用在各类故障诊断中,对多故障联合诊断关注度不高。提出了今后的故障诊断技术在实现联合故障诊断的同时,还需关注电机功率元器件所造成的故障影响,同时结合多种技术和算法实现对故障的诊断。在此基础之上,为了满足智能化的人工智能诊断技术的发展,设计准确、高效的信号提取系统,来提取故障数据库是未来的发展趋势。

摘要：随着工业过程复杂程度的不断提高,高维工业数据呈现出很强的非线性,给工业过程的故障诊断带来了相当大的挑战。为了有效提取对故障诊断至关重要的深层特征,首先,设计了稀疏高斯特征提取器(SGFE)来学习非线性映射,该映射能够将原始数据投影到具有故障标签维度的特征空间中。特征空间由故障类别标签的one-hot编码作为正交基构成。这样,SGFE可以从原始数据中逐步学习到与故障标签相关的深度稀疏高斯特征。然后,在特征空间中,设计了稀疏高斯(SG)损失函数,将特征约束为多个稀疏多元高斯分布。稀疏的高斯特征在特征空间是线性可分的,这有利于提高下游故障分类任务的性能。最后,对本文所提出的SGFE算法的可行性和实用性分别通过手写数字(MNIST)数据集和田纳西-伊士曼(TE)过程进行了验证。