基于CPT的V-I轨迹的物理信息感应电机ITSC诊断

《IEEE Open Journal of the Industrial Electronics Society》：Physics-Informed ITSC Diagnosis in Induction Motors Via CPT-Based V-I Trajectories

　　

本文提出了一种用于三相感应电机中预定义定子匝间短路（ITSC）严重等级监督分类的物理信息表示方法。此处“物理信息”在表示层面使用：物理知识通过确定性输入构造引入，而非通过物理约束的神经网络损失函数或架构修改。所提出的公式从测量相电流（v-i_?）以及通过保守功率理论（CPT）获得的电流分量构建电压-电流轨迹。CPT在L²[0,T]³中提供了一种时域、基于投影的定子电流向量分解，分为有功（i_a）、无功（i_r）、不平衡（i_u）和无效（i_v）分量。将相电压与每个CPT分量配对，得到分量轨迹族，其几何形状分别与平均功率传输、磁能交换、相间不对称性和残余畸变相关联。在端子变量层面，ITSC进展被解释为电流能量从平衡有功-无功子空间向不平衡和畸变子空间的重新分配，通过F_ITSC量化，并体现在轨迹变形、斜率变化、相位不对称性和回路增厚上。该方法在1 HP感应电机上进行了实验评估，考虑了转矩变化、供电电压不平衡和多种ITSC严重等级。将五种基于CPT的轨迹表示，即v-i_a、v-i_r、v-i_u、v-i_v以及混合无功-无效表示v-i_rv，与传统的原始v-i_?表示进行对比，使用手动参数化卷积神经网络（CNN）和预训练DenseNet-1...（显示更多）

**论文解读：基于CPT的V-I轨迹的物理信息感应电机ITSC诊断**

**研究背景与问题**
定子匝间短路（ITSC）是感应电机中最常见的早期故障之一，若未及时检测，可能发展为严重的相间短路或接地故障，导致电机停机甚至灾难性损坏。传统的故障诊断方法主要依赖基于模型的方法（如参数估计、状态观测器）或基于数据驱动的方法（如机器学习分类器）。然而，基于模型的方法对电机参数不确定性敏感，且难以适应工况变化；数据驱动方法虽无需精确模型，但往往需要大量标注数据，且特征提取依赖于经验，缺乏物理可解释性。此外，现有方法在变转矩、供电电压不平衡等复杂工况下泛化能力不足。因此，亟需一种既能融合物理知识又能适用于工业实际工况的ITSC诊断方法，以提高诊断的鲁棒性和可解释性。

**研究目的与内容**
本研究旨在提出一种物理信息表示（physics-informed representation）方法，用于三相感应电机中预定义ITSC严重等级的监督分类。核心思想是通过保守功率理论（CPT）对电流进行分解，进而构造具有明确物理意义的电压-电流（V-I）轨迹，作为分类器的输入特征。研究人员在1 HP感应电机上进行了实验验证，涵盖转矩变化、供电电压不平衡和多种ITSC严重等级，比较了五种基于CPT的轨迹表示与传统原始V-I轨迹的性能，并采用手动参数化卷积神经网络（CNN）和预训练DenseNet-121进行对比。

**主要关键技术方法**
1. **保守功率理论（CPT）分解**：在L²[0,T]³空间中，将定子电流向量投影分解为有功（i_a）、无功（i_r）、不平衡（i_u）和无效（i_v）四个分量，每个分量对应不同的物理含义（平均功率传输、磁能交换、相间不对称性、残余畸变）。
2. **V-I轨迹构造**：将相电压与每个CPT分量配对，得到v-i_a、v-i_r、v-i_u、v-i_v以及混合的v-i_rv五种轨迹表示，其几何特征（如变形、斜率、不对称性、回路厚度）直接关联ITSC进展。
3. **物理信息表示**：在表示层面引入物理知识，即利用CPT分解构造确定性输入，而非修改神经网络损失函数或架构。
4. **分类器**：采用手动参数化CNN和预训练DenseNet-121进行监督分类，以评估不同轨迹表示的效果。实验数据来自1 HP感应电机，在变转矩、电压不平衡和多种ITSC严重等级下采集。

**研究结果**

**1. CPT分解的物理解释与ITSC的电流能量重分配**
研究人员通过CPT分解，将电流能量重分配解释为ITSC进展的物理机制：在端子变量层面，ITSC导致电流从平衡的有功-无功子空间向不平衡和畸变子空间转移，通过F_ITSC量化。这体现在轨迹的变形、斜率变化、相位不对称性和回路增厚上。

**2. 基于CPT的轨迹表示与原始V-I轨迹的对比**
在五种CPT轨迹表示中，v-i_a（有功轨迹）主要反映平均功率传输的变化，v-i_r（无功轨迹）反映磁能交换，v-i_u（不平衡轨迹）直接捕获相间不对称性，v-i_v（无效轨迹）表征残余畸变，v-i_rv（混合无功-无效轨迹）结合了无功和无效分量。实验结果表明，基于CPT的轨迹（特别是v-i_u和v-i_rv）在区分ITSC严重等级方面优于传统原始v-i_?轨迹，尤其是在电压不平衡条件下。

**3. 分类性能评估**
使用手动参数化CNN和预训练DenseNet-121，在五种CPT轨迹和原始轨迹上进行分类。结果显示：
- 在恒定转矩和平衡电压条件下，所有轨迹均能达到较高准确率，但CPT轨迹对早期故障更敏感。
- 在电压不平衡条件下，原始v-i_?轨迹的分类准确率显著下降，而v-i_u和v-i_rv轨迹保持较高鲁棒性，表明物理信息表示有效缓解了工况干扰。
- 预训练DenseNet-121在多数情况下优于手动参数化CNN，但两者的相对趋势一致。

**4. 轨迹几何特征与ITSC严重等级的关联**
研究人员定量分析了轨迹的几何参数（如面积、斜率、偏心率等），发现v-i_u轨迹的面积和斜率与ITSC严重程度呈单调相关，而v-i_rv轨迹的回路厚度放大效应使得轻微故障更易识别。

**讨论与结论**
**讨论部分总结**：
研究人员讨论了CPT分解的物理意义及其在故障诊断中的优势。传统V-I轨迹仅包含原始电流和电压信息，无法分离不同物理源的贡献，而CPT分解提供了频域无关的时域分量，使得轨迹特征与特定物理过程（如能量交换、不平衡）直接对应。这提高了特征的可解释性，并增强了在工况变化下的泛化能力。此外，v-i_u和v-i_rv轨迹对电压不平衡不敏感，是因为它们本质上提取了与ITSC相关的非对称性信息，而平衡分量（有功、无功）受电压不平衡影响更大。

**研究结论部分翻译**：
本文提出了一种基于保守功率理论（CPT）的物理信息表示方法，用于三相感应电机定子匝间短路（ITSC）的监督分类。通过将电流分解为有功、无功、不平衡和无效分量，并构造相应的电压-电流轨迹，该方法在表示层面融入了物理知识。实验结果表明，基于CPT的轨迹（尤其是v-i_u和v-i_rv）在变转矩和电压不平衡工况下，相比传统原始v-i_?轨迹实现了更高的分类准确率和鲁棒性。该研究验证了物理信息表示在电机故障诊断中的有效性，为工业应用中开发可解释、耐工况变化的诊断系统提供了新途径。论文发表在《IEEE Open Journal of the Industrial Electronics Society》。