李晓琳

电力拖动控制系统作为工业生产自动化核心装备，其短路故障的早期预测对于保障系统安全运行、降低非计划停机损失具有重要意义。传统基于物理模型与阈值判断的故障诊断方法难以适应非线性、时变性的复杂工况，预测精度与泛化能力存在明显不足。本文提出一种融合卷积神经网络（CNN）与长短时记忆网络（LSTM）的深度学习故障预测模型，利用CNN提取电流、电压信号中的局部特征，通过LSTM捕捉其时序依赖关系，实现对电力拖动系统早期匝间短路的有效识别与趋势预测。研究表明，该混合模型在故障识别准确率与预测时间效率方面均优于单一浅层方法，为工业场景下的短路故障预测提供了可行技术路径。

深度学习；电力拖动控制系统；短路故障预测；卷积神经网络；长短时记忆网络

[1] 张潇,刘沐阳.基于集成学习方法的机电作动器故障诊断框架[J].航天器环境工程,2023,40(5):559-566. [2] 邓旭辉,胡海涛,耿安琪,等.基于电化学阻抗谱的锂电池模组短路故障诊断方法研究[J].四川电力技术,2024,47(4):31-41. [3] 耿民,秦嘉翼,刘明杰,等.基于阶跃激励响应的牵引电机定子早期匝间短路故障诊断方法[J].机车电传动,2024(2):158-164. [4] 胡惠媛,赵祖玲.基于深度学习的电气自动化设备故障诊断与预测技术研究[J].传感器技术与应用,2025,13(3):447-458. [5] 胡惠媛,赵祖玲.基于深度学习的电气自动化设备故障诊断与预测技术研究[J].传感器技术与应用,2025,13(3):447-458.

点击下载PDF