近日，我院机械工程学科博士研究生张庆雪在永磁同步电机退磁故障诊断方面取得重要进展，相关研究成果《应用图像深度学习的直驱钻井电机局部退磁故障诊断》（Partial Demagnetization Fault Diagnosis of Direct-drive Drilling Motor Using Image Deep Learning）发表在《IEEE Sensors Journal》上。《IEEE Sensors Journal》为传感器工程和技术领域的国际知名期刊，具有较高的认可度，目前影响因子为4.3（SCI二区）。论文第一作者为博士研究生张庆雪，通讯作者为崔俊国副教授，中国石油大学（华东）为第一署名单位和唯一通讯单位，该研究得到了国家重点研发计划项目的资助支持。
论文首页
永磁电机具有高转矩、高功率密度等优点，采用永磁电机直接驱动钻头进行钻井作业将显著提升钻井效率，但在高温、强冲击、长工作时间等恶劣的钻井条件下，可能会出现退磁故障。若不及时发现，将严重影响永磁同步电动机的性能，可能会造成巨大的经济损失。
永磁同步电机局部退磁故障诊断框架
为了提高直驱钻井电机局部退磁故障诊断的准确性和效率，论文提出了一种利用双谱图像与残差网络结构相结合的智能诊断方法，同时开发了轻量自适应混合注意力模块对模型进行增强，该模块可以嵌入卷积网络的任意位置。通过建立不同退磁程度的电机原型验证了所提诊断模型的有效性及鲁棒性。论文所提方法为钻井永磁同步电机状态实时监测提供了理论支撑。
论文链接：https://ieeexplore.ieee.org/document/10856806
