一种半自动的机器学习架构搜索方法，用于生成最优的故障诊断流程，以检测同步磁阻电机（SynRM Drive）定子匝间故障的早期迹象

《IEEE Industry Applications Magazine》：A Semi-Automated ML Architectural Search for Optimal Pipeline Generation for Incipient Stator Inter-Turn Fault Diagnosis of SynRM Drive

　　

同步磁阻电机（SynRMs）由于其非磁性设计、高功率密度、坚固性和卓越的效率，在工业和车辆应用中成为永磁同步电机（PMSMs）的有力竞争者。尽管设计坚固，但SynRMs的定子绕组容易发生定子匝间故障（SITFs）。在故障初期诊断这些故障对于防止意外停机和事故至关重要，从而提高系统和操作员的安全性。本研究提出了一种半自动机器学习架构搜索（SAMLAS），以找到最佳的机器学习（ML）流程来评估SITF的严重程度，从而实现SynRM驱动中的早期检测。SAMLAS利用领域知识、ML模型和优化技术生成最佳的ML流程。开发了一个专用测试平台来模拟这些故障。最佳流程在故障严重程度方面的测试得分为0.8633。通过建立适当的阈值，可以在训练和测试数据集上以100%的置信度对故障进行分类。这些结果是之前文献中未报道的。最佳流程通过消除不相关的谐波并仅保留对诊断必要的谐波来提高可解释性。还提出了一种可解释性指标，用于评估每个谐波对模型的局部和全局贡献。此外，该流程还与多种ML模型和数据结构进行了比较以进行验证。

由于稀土元素可能在全球范围内短缺，同时电动汽车和可再生能源系统的需求激增，SynRMs作为PMSMs的替代品应运而生。SynRMs的一个显著优势是它们在转子中不需要使用硬磁体。这大大降低了制造成本，并减少了转子发热，因为较低的转子损耗意味着产生的热量更少。此外，SynRMs不易退磁，使它们能够在苛刻的工业环境中可靠运行。鉴于全球对更高能效标准的追求，SynRMs成为广泛使用的感应电机的有前途的替代品。它们更高的能量密度和相当的成本结构使它们成为变速应用的有吸引力的选择[1]，[2]。