多相无刷励磁系统广泛应用于大容量核电机组，对其旋转整流器故障的准确判断是保障机组安全稳定运行的重要前提，但是现有方法难以准确区分所有故障模式，无法满足工程实际需求。为此，北京交通大学电力系统保护与控制团队的郝亮亮、梁郑秋，清华大学电机系的周艳真等提出了一种基于一维空洞卷积神经网络的故障诊断方案，使用类激活映射分析了深度模型的诊断机制，兼顾了准确性和可解释性，并通过动模样机实验数据验证了方法的有效性。

研究背景

目前针对多相无刷励磁系统旋转整流器故障诊断的研究相对较少。现有基于谐波分析的方法未涉及多相旋转二极管更多故障模式的精细区分，由于部分故障模式的输入信号谐波特征存在混叠，基于谐波分析的方法仅能区分部分故障模式。

以深度学习为代表的人工智能方法为上述问题提供了解决思路，但现有深度学习方法仅局限于三相旋转整流系统；类似黑盒的工作方式也使其可解释性差，不利于实际落地应用。与之相比，本文关注的多相无刷励磁系统拓扑结构更复杂，故障类型更多，故障识别难度更大，亟需寻求准确有效的故障诊断方法。

论文所解决的问题及意义

为解决现有方法难以准确识别所有故障模式的问题，本文引入深度卷积神经网络进行多相无刷励磁系统旋转整流器的故障诊断。考虑到输入信号为一维时间序列，且空洞卷积能够在不增加模型计算负担的基础上提高准确率，故采用一维空洞卷积神经网络实现故障模式的准确识别，从而降低模型复杂度，并使得模型具备一定的抗噪能力。

为减少模型错判情况的发生，通过定义置信度指标来评估分类结果的可靠程度。此外，为了兼顾深度卷积神经网络应用的准确性和可解释性，进一步结合可解释性方法分析模型的诊断机制。本文所提方法能够准确区分旋转整流器的不同二极管开路故障模式，在含噪声情况下仍然有较高的准确率，具有良好的应用前景，对于其他领域的故障诊断问题也具有一定的参考价值。

论文方法及创新点

1)多相无刷励磁系统旋转整流器故障诊断的整体流程

研究建立的基于1D-DCNN模型的故障诊断整体流程包括三个阶段：励磁电流数据获取与预处理、模型训练与在线诊断、模型进行故障诊断的机制分析，如图1所示。

图1 旋转整流器故障诊断的整体流程

2)故障诊断准确率与抗躁能力分析

算例使用数据来源于以实际电厂同型无刷励磁机为原型制造的一台5对极11相环形凸极同步发电机。对比1D-DCNN方法和随机森林、CART决策树和多层感知机在原始测试集和含噪声数据集中的表现可知，1D-DCNN方法相比于其他算法有着更高的识别准确率和抗噪声干扰能力。

表1 不同模型在原始测试集中的交叉验证结果

表2 不同模型在含噪声测试集中的性能对比

3)模型诊断机制分析

采用Score-CAM类激活映射方法得到励磁电流信号的归因热度图，定位对诊断结果贡献最大的关键特征段，从而可以分析1D-DCNN模型进行旋转整流器故障诊断的工作机制。以一管开路故障样本为例，两个样本的起始时间不同以及实验设备条件引起波形形态差异，而影响1D-DCNN模型诊断结果最重要区域都位于励磁电流波形中较大的波谷附近，说明训练好的模型在判别同一故障模式下不同样本时关注到了类似的波形特征。

图2 一管开路故障样本的决策依据

此外，本文采用的可解释性分析方法能够解释超参数对模型性能的影响，分析样本被错判的原因，为模型的设计和优化提供针对性指导和有力支撑。

图3 不同卷积核大小对决策的影响

4)模型诊断结果的置信度分析

本文提出的1D-DCNN模型的置信度指标表征了诊断结果的可靠程度，可以为诊断结果提供更多的信息。对比原始测试集和含噪声测试集上样本的置信度分布情况，1D-DCNN模型对含噪声测试集的置信度整体上有所下降，表明外界噪声的干扰会减小模型对输出结果的确定程度，降低了置信度。为了进一步降低模型对故障模式的错判，可以设置置信度阈值以提高模型的分类准确率。

图4 不同置信度区间的样本数量分布

图5 不同置信度阈值对模型识别准确率的影响（含噪声测试集）

结论

（1）励磁电流能够充分反映旋转二极管的不同运行状态，原始励磁电流信号经滤波和平均值归一化等预处理步骤后具有更明显的区分度，为所提方法学习故障特征打下良好的基础。

（2）1D-DCNN模型能够充分挖掘励磁电流波形的深层特征，有效识别出旋转整流器的不同二极管开路故障模式，并且在考虑噪声干扰的情况下具有良好的应用潜力。

（3）类激活映射方法能够直观地展示1D-DCNN模型对不同故障模式样本的决策依据，分析网络结构超参数影响故障诊断性能的原因，从而为模型内部工作机制提供解释，也为模型的设计优化提供了重要依据。

（4）定义置信度指标能够评估分类结果的可靠程度，通过设定置信度阈值可以减少错判的发生，该指标也为诊断结果提供了更多信息，可以供现场人员借鉴和参考。

团队介绍

北京交通大学郝亮亮副教授课题组富有凝聚力和年轻活力，隶属于和敬涵教授为负责人的电力系统保护与控制团队。课题组现有博士研究生4人，硕士研究生9人，主要从事电力系统主设备故障分析及保护、直流输电系统的控制与保护、发电侧控制与保护的相关研究。课题组的研究贴近工程实际，承担了多项中广核集团及国家电网公司项目，近五年负责的科研项目经费达2000万元。

郝亮亮，北京交通大学电气工程学院副教授，博士，博士生导师。主要研究方向：高压直流输电(HVDC)系统的控制与保护，大型同步发电机故障诊断，电机及其系统的分析等。

周艳真，本科毕业于大连理工大学，博士毕业于北京交通大学，清华大学博士后，研究方向为电力系统分析与控制、人工智能在复杂电网调控及故障诊断中的应用。

梁郑秋，北京交通大学电气工程学院硕士研究生，研究方向为多相无刷励磁系统故障监测。

本工作成果发表在2023年第20期《电工技术学报》，论文标题为“基于卷积神经网络的核电多相无刷励磁系统旋转整流器故障诊断”。本课题得到中央高校基本科研业务费专项资金项目和中广核集团公司科技项目的支持。