永磁同步电机是一种高性能的驱动设备,在控制及自动化领域应用广泛。永磁同步电机匝间短路故障隐蔽且破坏性强,若故障初期没有及时发现并予以排除轻则影响工作效率,重则停产停业。为尽量减小因匝间短路故障造成的经济损失,对永磁同步电机初期匝间短路故障的研究就尤为重要。本文在对永磁同步电机匝间短路故障深入研究的基础上。一方面针对原始负序电流数据不充足且没有引入噪声的问题,引入信息最大化生成对抗网络进行数据扩充并选取生成数据中稳定部分与原始数据拼接。这一方法不仅扩充了数据集,并引入噪声,增强预测网络的鲁棒性。另一方面引入循环神经网络,自回归模型网络和长短期记忆网络分别对永磁同步电机匝间短路故障进行预测实验结果证实长短期记忆网络预测精确度最高。本文从3个方面论述基于长短期记忆网络的永磁同步电机健康状态预测:(1)永磁同步电机故障特征分析。首先介绍永磁同步电机正常ABC相象限下、-??象限下和d-q象限下的数学模型。然后介绍永磁同步电机匝间短路情况下的数学模型并选取负序电流作为故障特征。当永磁同步电机匝间短路故障发生时,短路电流上升的同时会引起负序分量的上升,故使用负序电流研究匝间短路是合理的。(2)信息最大化生成对抗网络数据扩充方法的研究。首先选取生成式对抗网络和条件生成式对抗网络进行数据扩充,扩充后数据的准确度分别为64.5%,85.6%。因为网络扩充准确度太低,所以进一步选取信息最大化生成对抗网络进行数据扩充。实验结果证实信息最大化生成对抗网络的隐层数量为3,学习率为0.01,优化算法为Adam时网络状态最优,且数据扩充的准确度最高,高达96.8%。最后选取生成数据中稳定部分的200个点与原始数据拼接,构成一个新的连续的数据集,这样不仅扩充了数据集,而且在一定程度上引入噪声,增强网络的鲁棒性。(3)基于长短期记忆网络永磁同步电机健康状态预测研究。首先选取循环神经网络作为故障预测网络,结果证实循环神经网络不能用于处理长时的、非周期的数据,会出现梯度消失的问题。然后进一步选择自回归模型网络进行预测研究,结果证实虽然自回归模型网络可以很快达到收敛,但是收敛后有较明显的震荡点。基于此进一步选择长短期记忆网络对电机健康情况进行预测。实验结果表明长短期记忆网络窗口大小为200,学习率为0.01,优化算法为Adam时网络状态最优,该网络可以克服循环神经网络自身的缺点,不仅不会出现梯度消失或者梯度爆炸的问题,还具备长时间记忆能力。长短期记忆网络对永磁同步电机的负序电流曲线拟合十分准确,预测精确度高达98.3%。网络仅在1.3万次训练后有轻微震荡且未出现梯度爆炸的现象。因此选取长短期记忆网络为永磁同步电机健康状态预测研究网络。