《Vehicles》：Variational Mode Decomposition and Artificial Lemming Algorithm-Optimized Back Propagation Neural Network-Based Inter-Turn Short-Circuit Fault Diagnosis for Permanent Magnet Synchronous Motors
编辑推荐：
针对反向传播（BP）神经网络在永磁同步电机（PMSM）匝间短路（ITSC）故障诊断中易陷入局部最优和收敛速度慢的问题，本文提出了一种融合变分模态分解（VMD）与人工旅鼠算法（ALA）优化BP神经网络的故障诊断新方法。首先，研究人员采集不同故障状态下PMSM的定
针对反向传播（BP）神经网络在永磁同步电机（PMSM）匝间短路（ITSC）故障诊断中易陷入局部最优和收敛速度慢的问题，本文提出了一种融合变分模态分解（VMD）与人工旅鼠算法（ALA）优化BP神经网络的故障诊断新方法。首先，研究人员采集不同故障状态下PMSM的定子电流信号，并通过VMD提取三次谐波分量作为故障特征，以实现有效的ITSC故障识别。在此基础上，研究人员基于提取的特征参数构建故障特征数据集，并将其输入ALA-BP模型，对ITSC故障严重程度进行定量分类。仿真结果验证，所提出的ALA-BP模型诊断准确率达到98.5%。与PSO-BP、NGO-BP和GWO-BP模型相比，该方法诊断准确率分别提高3.2%、4.5%和5.3%，且收敛性能显著更优。
一、研究背景与问题提出
永磁同步电机（PMSM）凭借其控制精度高、运行可靠和维护成本低等优势，已成为电动汽车和工业驱动领域的核心动力部件。然而，在复杂运行工况下，PMSM易发生多种故障，其中匝间短路（ITSC）故障发生率最高。若未能及时诊断，短路损伤将逐步扩展，导致电机性能和效率下降，严重时甚至造成不可逆的电机损毁。因此，开展PMSM匝间短路诊断研究对于保障系统安全和防止重大事故具有重要的工程意义。
现有电机故障诊断方法可分为三类：基于信号处理的方法、基于解析模型的方法和基于人工智能的方法。信号处理方法中，小波变换（WT）存在小波基选取主观性强的问题，经验模态分解（EMD）易受模态混叠和端点效应影响，均难以有效捕捉早期微弱故障特征。变分模态分解（VMD）作为一种自适应信号分解技术，能有效抑制模态混叠和噪声干扰，可稳定地从变工况定子电流信号中分离微弱故障特征分量。基于解析模型的方法虽理论基础扎实，但PMSM结构复杂、故障建模困难，且模型参数对工况变化敏感，限制其工程应用。基于人工智能的方法中，BP神经网络虽被广泛采用，但易陷入局部最优且收敛速度慢。
综上，早期ITSC故障特征微弱且难以提取，传统BP神经网络在此类诊断任务中易陷入局部最优，而融合信号分解与优化神经网络的PMSM匝间短路诊断高效混合方法仍显不足。为此，本文提出融合VMD与ALA-BP的PMSM故障诊断方法。
二、研究内容与核心结论
研究人员首先在磁场定向控制（FOC）架构下建立Simulink仿真模型，通过可配置的ITSC故障模块注入不同程度的定子绕组短路故障。采用VMD算法对定子电流信号进行分解，在分解数K=3、惩罚因子α=200的参数设置下，成功提取出三次谐波分量作为故障特征。频谱分析结果表明，IMF2分量呈现明显的三次谐波幅值，验证了VMD算法能有效提取故障特征，而原始电流频谱中的三次谐波几乎淹没于背景噪声中难以识别。
研究人员进一步提出人工旅鼠算法（ALA），该算法受北极旅鼠四种核心行为模式启发，包括长距离迁移、挖洞行为、觅食行为和躲避捕食者行为。通过四种标准基准测试函数对ALA与粒子群优化（PSO）、北方苍鹰优化（NGO）和灰狼优化（GWO）进行对比验证，结果表明ALA在优化精度、解稳定性和收敛速度方面均具优势。
随后，研究人员采用ALA优化BP神经网络的初始权值和阈值，克服BP网络随机初始化易陷入局部最优的缺陷。BP网络采用单隐层结构，输入层、隐层和输出层神经元数分别为1、10和4，隐层采用Sigmoid激活函数，输出层采用Softmax函数，学习率设为0.01。
三、关键技术方法
研究人员采用的主要技术方法包括：其一，基于FOC架构的Simulink仿真建模，嵌入可配置ITSC故障模块以注入不同短路程度的故障；其二，VMD信号分解算法，用于从定子电流中提取三次谐波分量作为故障特征；其三，ALA元启发式优化算法，受北极旅鼠行为启发，用于优化BP神经网络的初始权值和阈值；其四，BP神经网络分类模型，用于故障严重程度的定量分类。所有故障信号和数据样本均由Simulink模型生成，而非来自真实电机试验台。
四、研究结果
4.1 基准函数测试结果
通过四种标准基准测试函数对ALA与PSO、NGO、GWO进行对比。对于F1和F2函数，仅ALA收敛到理论全局最优，验证其优异的搜索能力；对于F3函数，ALA和NGO均获得理想全局最优；对于F4函数，虽无算法达到理论最优，但ALA标准差为0，展现出卓越的稳定性。收敛曲线表明ALA收敛速度最快。
4.2 ALA-BP故障诊断结果
仿真设置四种运行状态：健康状态及h=0.05、h=0.15、h=0.25三种故障严重程度，依次编号1至4。每种故障状态选取240组电流信号，经VMD分解后计算各IMF归一化能量作为分析样本，其中192组作为训练样本，其余作为测试样本。对比模型采用完全相同的BP网络架构和训练超参数。结果表明，ALA-BP模型诊断准确率达98.5%，优于PSO-BP、NGO-BP和GWO-BP模型。
4.3 泛化能力验证
对未参与模型训练的中间故障等级h=0.1和h=0.2进行额外测试，诊断准确率分别达95.8%和97.1%，验证了模型对未训练故障严重程度的良好泛化性能。
4.4 工况适应性验证
在70%至120%额定转速和50%至100%额定负载范围内进行仿真测试，诊断准确率保持在95%以上，表明该方法对工况波动具有较强的适应性。
4.5 抗噪性能验证
向定子电流信号添加不同信噪比（SNR）的高斯白噪声模拟真实测量干扰，在SNR为20dB时诊断准确率仍保持在95%以上，证明该方法具有良好的抗干扰能力。
五、讨论与结论
本文针对标准BP神经网络在电机故障诊断中易陷入局部最优和收敛速度慢的固有缺陷，提出了融合VMD与ALA优化BP神经网络的PMSM匝间短路故障诊断方法。仿真结果表明，VMD算法能准确分解非平稳定子电流信号，提取的三次谐波分量可有效捕获微弱故障信息；引入ALA优化BP网络初始权值和阈值，克服了标准BP网络收敛慢和易陷入局部最优的缺陷，在仿真条件下实现98.5%的诊断准确率，较PSO-BP、NGO-BP和GWO-BP分别提高3.2%、4.5%和5.3%，收敛速度亦显著优于各对比模型。
需明确指出的是，仿真环境获得的诊断结果代表理想工况下的理论上限性能。实际场景中，逆变器开关谐波、传感器测量噪声、温度引起的电机参数漂移、负载波动及机械振动干扰等因素将对诊断精度产生不可忽视的影响。尽管如此，本文提出的VMD特征提取与ALA-BP诊断框架具有明确的理论有效性，VMD对非平稳信号的自适应分解能力及ALA对BP网络局部最优问题的改善效果在实际场景中仍具重要工程参考价值。受益于在优化精度、稳定性和收敛速度方面的卓越表现，ALA在工程优化领域具有广阔应用潜力，该优化框架不仅适用于PMSM故障诊断中的BP网络优化，还可推广至旋转机械故障诊断和工业过程控制器参数整定等其他工程优化领域。未来工作将构建物理电机试验平台，在真实运行条件下验证所提方法的实际性能，以进一步提升诊断框架的鲁棒性和工程适应性。
