高耐久UCAV推进系统：面向战术级IPMSM驱动的基于1-D CNN的实时故障分类
系统与控制
2026-03-24 v1 系统与控制
摘要
高性能推进系统对任务关键型应用的可靠性和实时鲁棒性提出了前所未有的要求。信号基准分析和标准机器学习模型虽是用于定子/转子故障检测的关键工具，但因延迟高且在可变转速下泛化性差而受到限制。为此，本文提出一种基于1-D卷积神经网络（CNN）的框架，用于HPDM-350内置永磁同步电机（IPMSM）的实时故障分类。该方案从高频电流和转速信号中提取判别性特征，实现嵌入式控制器上的亚毫秒级推理。与最先进的长短期记忆网络（LSTM）和经典机器学习方法相比，1-D CNN实现了0.9834的优异加权F1分数。通过高保真磁域MATLAB/Simscape模型验证，该方法在±2700 RPM的工作区间内表现出稳健的性能，为任务关键型电动推进系统提供了轻量级解决方案。
引用
@article{arxiv.2603.21133,
title = {High-Endurance UCAV Propulsion System: A 1-D CNN-Based Real-Time Fault Classification for Tactical-Grade IPMSM Drive},
author = {Tahmin Mahmud},
journal= {arXiv preprint arXiv:2603.21133},
year = {2026}
}
备注
8 pages, 5 figures, 4 tables. Accepted for a lecture presentation at the 2026 IEEE Intelligent Design and Control of Automation and Drive Systems (IDCD)