买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉南京理工大学申请的专利基于深度学习的永磁同步电机故障诊断方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117171607B 。

龙图腾网通过国家知识产权局官网在2025-12-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210461826.2，技术领域涉及：G06F18/24；该发明授权基于深度学习的永磁同步电机故障诊断方法是由陈龙淼;王佳浩;王满意;徐亚栋;孙乐;邹权;陈光宋设计研发完成，并于2022-04-28向国家知识产权局提交的专利申请。

本基于深度学习的永磁同步电机故障诊断方法在说明书摘要公布了：本发明公开了一种基于深度学习的永磁同步电机故障诊断方法，利用改造后的生成对抗网络对故障数据扩张，在数据集加入损伤噪声后输入深度稀疏自编码网络结合softmax分类器实现电机匝间短路故障的分类。该方法包括如下步骤：1采集电机不同程度匝间短路的三相定子电流信号和零序电压信号，组建数据集；2搭建自编码器模型；3将自编码器作为生成对抗网络的生成模型，采集的正常数据作为生成模型输入，完成故障数据的扩张；4将扩张后数据集按设定比例划分成训练集和测试集；5无监督学习与有监督微调有机结合训练深度稀疏自编码网络，结合分类器实现匝间短路故障的分类。通过对比验证，本发明比同类方法有更高的适用性及可行性。

本发明授权基于深度学习的永磁同步电机故障诊断方法在权利要求书中公布了：1.一种基于深度学习的永磁同步电机匝间短路故障诊断方法，其特征在于，包括如下步骤： 步骤1，采集永磁同步电机正常工作及多种不同程度匝间短路故障时的三相定子电流信号和零序电压信号作为电机匝间短路故障诊断的组合特征量，将采集的数据组通过批量计算获取对应的特征分量，形成数据集，包含正常样本集和多种不同程度匝间短路故障样本集； 步骤2，搭建自编码器模型，将步骤1中的正常样本集作为自编码网络的输入，完成自编码网络的训练； 步骤3，搭建生成对抗网络模型，将步骤2中训练好的自编码网络作为生成对抗网络的生成模型，判别模型为深度神经网络；使用正常样本集作为生成模型的输入，生成模型的输出与不同程度匝间短路故障样本集作为判别模型的输入，当生成对抗网络得到最优目标函数时，完成网络模型的训练，此时生成模型与判别模型达到纳什均衡，通过训练好的生成对抗网络完成不同程度匝间短路故障样本的扩张； 使用最优目标函数为： ； 其中：表示固定生成模型得到对应的判别模型最小损失函数，表示生成模型最大化目标函数，为判别模型待优化参数，为生成模型待优化参数，表示故障样本，服从电机故障样本下的采样，表示生成模型的输出数据，服从生成模型下生成数据分布的采样，为判别模型的映射函数，为生成模型的映射函数，表示将为判别为真的概率值，表示将判别为伪的概率值； 步骤4，将步骤3生成的故障样本与步骤1的数据集混合形成扩张后的数据集，将扩张后数据集按设定比例划分成训练集和测试集； 步骤5，将步骤4划分好的训练集加入损伤噪声后，输入深度稀疏自编码网络进行特征学习，在深度稀疏自编码网络的最后一层隐藏层之后添加一个softmax分类层，分类层神经元个数为电机不同程度匝间短路故障类别数，完成网络预训练，在步骤4样本扩张后的数据集中根据电机匝间短路故障严重程度加入类型标签，对深度稀疏自编码网络进行有监督微调，通过计算总体代价函数是否收敛来判断模型是否训练完成，输出为不同程度匝间短路故障的标签概率值，概率值最大的即为对应的故障类型，从而确定电机匝间短路故障的严重程度，最终得到训练好的电机匝间短路故障诊断模型； 深度稀疏自编码网络模型总体代价函数为: ； 其中：、分别表示连接输入层和隐藏层的权值矩阵和两层之间的偏差值矩阵，为训练样本数，表示每一层的稀疏自编码网络，表示第组输入样本，表示第组类别标签。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京理工大学，其通讯地址为：210094 江苏省南京市孝陵卫200号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。