《Machines》：Deep Learning-Enhanced Fault Detection and Localization in Induction Motor Drives: A ResMLP and TCN Framework
Hamza Adaika,
Khaled Laadjal,
Zoheir Tir and
Mohamed Sahraoui
编辑推荐：
为解决三相感应电机在工业应用中因供电电压不平衡导致的性能退化、效率降低和寿命缩短问题，研究人员开展了一项主题为“深度学习增强的感应电机故障检测与定位”的研究。他们提出了一个结合残差多层感知器和时序卷积网络的统一深度多任务学习框架。该研究实现了对相序阻抗的高精度估计，并同时检测电压不平衡的严重程度。实验结果表明，该框架在实时推理延迟仅2.3 ms的情况下，表现出优异的故障诊断精度和鲁棒性，为工业环境下电机状态监测和预测性维护提供了可靠、快速的解决方案。
在现代工业生产中，三相感应电机是名副其实的“工作马”，为生产线、暖通空调、水处理乃至船舶推进系统等提供核心动力。据统计，它们占据了工业领域近85%的电机市场份额，其可靠性不言而喻。然而，这些看似“皮实”的设备也面临着严峻的挑战，其中之一便是供电电压不平衡。想象一下，三相电源中的电压在大小或相位上稍有偏差，就好比为三位步调一致的舞者提供了不协调的节拍，整个表演便会失去和谐。在电机系统中，即使小到3-5%的电压不平衡，也可能因其较低的负序阻抗而引发数倍于电压失衡的电流不平衡，从而引发一系列连锁反应：定子绕组过热、铁损和铜损增加、扭矩脉动、噪音加剧，并加速轴承和转子条的机械磨损，最终严重影响电机性能、效率和寿命。
为了实时监控电机健康，关键在于两件事：一是精确“诊断”不平衡的严重程度，即计算负序电压因子；二是准确“评估”电机的“体质”，即估计其三相定子绕组的阻抗，以便区分是电源侧故障还是电机自身内部退化。虽然现有的机器学习方法展现了潜力，但它们在处理这一问题时仍显得有些“力不从心”：它们通常依赖于人工设计的特征，缺乏深度表示学习能力，并且将阻抗估计和故障检测视为两个独立任务，未能协同优化。面对这些局限性，由Hamza Adaika、Khaled Laadjal、Zoheir Tir和Mohamed Sahraoui组成的研究团队在《Machines》期刊上发表了一项创新研究，提出了一种全新的深度多任务学习框架，旨在为感应电机的故障诊断带来更智能、更高效的解决方案。
为了开展这项研究，作者们运用了几个关键技术方法。他们首先利用公开的USV（不平衡供电电压）数据集，该数据集基于一台1.1 kW的三相感应电机，在多样化的负载条件和USV幅度下采集电压和电流信号。在数据处理方面，作者采用了短时最小二乘普朗尼信号处理技术，从原始10 kHz采样的电压/电流波形中提取特征，如振幅、相位、频率和阻尼因子，构建了特征向量。在模型构建上，研究者们设计了两种并行路径：一条是“特征学习”路径，他们引入了多头的残差多层感知器架构，该架构拥有一个共享编码器和两个针对阻抗估计和NVF（负序电压因子）检测的特定任务预测头，实现了统一的多任务学习；另一条是“端到端学习”路径，他们探索了基于原始电压波形的时序卷积网络模型，以评估仅依赖电压信号进行诊断的可能性。最后，团队通过综合的消融研究，深入分析了网络深度、数据增强和训练协议等因素对模型泛化能力的影响，并使用PyTorch v2.0.1实现了模型，确保其适合在计算资源受限的嵌入式系统中进行实时推理部署。
实验结果
- •
基准验证与模型比较
实验首先在公开的USV数据集上验证了所提出框架的有效性。与先前基于决策树回归器和STLSP的方法相比，本研究所提出的深度学习模型在阻抗估计精度上取得了显著提升。特别是多头ResMLP架构，在联合优化相序阻抗估计和故障检测方面表现出色。
- •
多头ResMLP性能分析
该部分详细展示了ResMLP模型的具体表现。研究发现，该模型在阻抗估计任务上达到了很高的精度，平均绝对误差（MAE）仅为0.0412Ω，远优于先前方法。同时，在负序电压因子估计任务上，MAE降低至0.0007，在故障检测（不平衡严重程度分类）任务上，F1分数达到了0.8831。这些结果表明，通过多任务学习，模型能够有效捕捉阻抗与NVF之间的复杂非线性关系，并通过任务间的相关性相互促进，提升了模型的整体泛化能力。
- •
端到端TCN模型评估
研究者评估了仅使用原始电压波形的TCN模型的性能。结果表明，虽然纯电压信号的TCN模型在部分指标上表现出一定的诊断能力，但其整体性能上限明显低于结合了STLSP特征提取和多任务学习的ResMLP模型。这一结果从实证角度证明，在感应电机故障诊断中，同时利用电压和电流信息（即耦合传感器拓扑）对于实现最高精度至关重要，而仅依赖电压信号存在固有的信息局限。
- •
消融研究与鲁棒性分析
通过一系列消融实验，论文深入探讨了影响模型性能的关键因素。研究发现，增加网络深度、采用适当的数据增强策略（如添加高斯噪声）以及精心设计的训练协议（如学习率调度和早停法）对提高模型的泛化能力和鲁棒性具有显著作用。模型在跨不同负载条件（0-10 Nm）和不同USV幅度（5-15 V）下的测试中保持了稳定的性能，证明了其在实际工业环境中的适用性。
- •
实时部署与延迟评估
考虑到工业应用对实时性的要求，研究团队对所部署的PyTorch模型进行了推理延迟测试。结果显示，模型在标准硬件上完成一次端到端诊断的平均推理时间仅为2.3毫秒。这一极低的延迟满足了工业嵌入式系统对实时状态监测和预测性维护的苛刻要求，为框架的实际部署扫清了关键障碍。
研究结论与意义
本研究成功开发并验证了一个统一的深度多任务学习框架，用于三相感应电机在不平衡供电电压条件下的故障诊断与健康状态监测。该框架的核心贡献在于：第一，提出了一个结合ResMLP和TCN的双路径架构，分别从特征学习和端到端学习两个角度探索了最优解决方案；第二，首次在该领域引入了多任务学习范式，通过共享表示和任务特定头，协同优化了阻抗估计（回归）和故障检测（分类）两个关键任务，取得了优于传统独立任务方法的性能；第三，通过严谨的实验，明确了电压-电流信息耦合对于实现最高诊断精度的必要性，为传感器部署策略提供了理论依据；第四，整个框架经过优化，具备极低的推理延迟（2.3 ms），可直接部署于资源受限的工业嵌入式设备，实现了从算法研究到工程应用的跨越。
这项研究的意义深远。它为解决工业环境中普遍存在且危害严重的供电电压不平衡问题，提供了一种可靠、快速且易于部署的智能诊断方案。所建立的框架不仅显著提升了故障检测与状态评估的精度和效率，而且为未来在更复杂工况下的电机健康管理以及其他旋转电机的故障诊断研究树立了新的标杆，推动了深度学习在工业预测性维护领域的实际应用。
