基于深度迁移学习与时间感知卷积Transformer的电动汽车电机定子绕组故障诊断数字孪生方法

《Complex System Modeling and Simulation》：Leveraging deep transfer learning and time-aware convolutional transformers for stator winding fault diagnosis in electric motors: A digital twin approach

　　本文针对电动汽车电机定子绕组故障（特别是匝间短路）早期检测难题，提出了一种集成时间感知卷积Transformer（TaCT）模型和深度迁移学习（DTL）的数字孪生框架。研究通过新型时间序列位置编码技术增强长程依赖关系捕捉能力，采用四种迁移学习策略实现模型持续优化。实验表明TaCT模型在所有更新步骤中保持0.95以上准确率，显著优于传统深度学习模型，为电动汽车预测性维护提供了创新解决方案。

　　

随着电动汽车行业的快速发展，电机作为核心动力部件面临着严峻的可靠性挑战。定子绕组故障特别是匝间短路（ITSC），是电机最常见的故障类型之一。这种故障往往从微小的匝间短路开始，若不及时检测，会迅速演变为相间或对地短路，导致永磁体退磁甚至电机完全损坏。传统诊断方法如电机电流特征分析（MCSA）虽有一定效果，但在电动汽车非平稳运行条件下，其诊断性能会因训练数据分布变化而显著下降。

现有深度学习方法包括卷积神经网络（CNN）和长短期记忆网络（LSTM）也存在明显局限。CNN擅长捕捉局部时间相关性但难以理解全局上下文，LSTM虽然专为序列数据设计，但计算成本高且仍难以捕捉真正的长程依赖关系。这种缺陷对于早期故障检测尤为关键，因为早期故障往往随时间推移而微妙显现。更棘手的是，动态运行环境会导致训练数据分布偏移，使得模型需要频繁重新训练，带来高昂的时间和计算成本。

针对这些挑战，印度尼西亚理工学院Imron Rosyadi等研究人员在《Complex System Modeling and Simulation》上发表了一项创新研究，提出将时间感知卷积Transformer（TaCT）模型与深度迁移学习（DTL）数字孪生框架相结合的新方法。这项研究旨在解决电动汽车电机定子绕组故障诊断中的关键难题，为预测性维护提供了新的技术路径。

研究人员采用了几项关键技术方法：首先开发了新型TaCT模型架构，将Transformer的自注意力机制与卷积层相结合，并设计了专门针对时间序列的位置编码方法；其次构建了数字孪生框架，通过传感器实时采集电机三相电流和振动数据（采样频率40Hz），建立物理电机的虚拟副本；然后设计了四种迁移学习策略（TL0-TL3），通过周期性触发机制实现模型增量更新；最后通过实验测试平台模拟不同严重程度的定子绕组短路故障，使用Arduino Mega微控制器板同步采集数据，系统评估模型性能。

模型架构设计

TaCT模型的核心创新在于其独特的结构设计。与传统Transformer不同，该模型采用仅编码器结构，使用卷积层替代全连接层作为分类器网络。

时间感知位置编码是另一项重要创新。研究人员发现，标准位置编码在处理低维时间序列数据时会出现各向异性现象，导致位置嵌入向量过于相似。通过调整频率项ω_k^new = (ω_k × d_model)/L，新方法即使在低嵌入维度下也能保持稳定的距离感知能力。图示对比清晰展示了时间感知编码相比绝对位置编码的优越性。

数字孪生框架

研究提出的深度迁移学习数字孪生（DTLDT）框架实现了物理电机与虚拟模型的持续交互。

系统架构包含完整的数据流处理链：从Arduino数据采集到云平台MQTT代理，再到TensorFlow模型训练和服务部署。

三维可视化界面通过three.js库实现，为用户提供直观的电机状态监控体验。

实验验证

研究人员搭建了专门的实验测试平台，通过旁路电阻模拟不同严重程度的匝间短路故障。

故障模拟采用9.1Ω、4.7Ω和1.2Ω三种旁路电阻，分别代表低、中、高三种故障严重程度。

性能评估结果显示，TaCT模型在所有更新步骤中均保持优异性能，准确率稳定在0.95以上，显著优于其他对比模型。

Conover-Friedman检验进一步证实了TaCT模型的统计显著性优势，其在所有模型中排名最高。

迁移学习策略比较表明，TL1方法（重新初始化输出层同时保留预训练权重）整体效果最佳，平均准确率达到0.8731。而TL3方法（固定基础模型仅训练附加层）表现最差，凸显了有效利用预训练知识的重要性。

研究结论与意义

本研究通过创新性地结合TaCT模型和数字孪生框架，为电动汽车电机定子绕组故障诊断提供了有效解决方案。TaCT模型凭借其时间感知位置编码和卷积-Transformer混合架构，在捕捉时间序列长程依赖关系方面表现出色，特别适合检测细微的早期故障。数字孪生框架下的深度迁移学习方法成功解决了灾难性遗忘问题，使模型能够持续适应变化的工作条件。

四种迁移学习策略的比较分析为不同应用场景提供了灵活选择：TL1方法在平衡适应性和稳定性方面表现最佳，而TL2方法对某些架构有特殊优势。研究还揭示了模型架构与迁移学习策略之间的重要交互作用，强调需要根据具体任务需求选择合适的组合方案。

该研究的实际意义在于为电动汽车行业提供了可靠的预测性维护工具，通过实时故障检测和早期预警，有望显著提高电动汽车的安全性和可靠性。数字孪生平台的三维可视化功能进一步增强了系统的可用性，为运维人员提供直观的决策支持。

未来研究方向包括探索更自适应的迁移学习技术，如元学习方法，以及开发混合架构模型，进一步结合Transformer和循环神经网络的优势。同时，需要扩大实验范围，验证方法在不同类型电机和更复杂工作条件下的普适性。

这项研究不仅推动了故障诊断技术的发展，也为数字孪生在工业领域的应用提供了重要范例，标志着电动汽车维护策略向智能化、预测性方向迈出了关键一步。