一種基于SVM的開關磁阻電機故障檢測方法

戴 婷， 李 軍

(1. 浙江理工大學 機械與自動控制學院，浙江 杭州 310018；2. 上海大學 機電工程與自動化學院，上海 200072；3. 臺州學院 機械工程學院,浙江 臺州 318000)

0 引 言

開關磁阻電機(Switched Reluctance Motor， SRM)的系統可靠性高，主要源自功率變換器各相主電路之間及電機本體中各相磁路之間相互獨立的工作特性。在要求高可靠性的應用場合，電機驅動系統一旦出現故障或停止運行，會造成巨大的經濟損失，甚至可能危及人身安全，故對電機驅動系統進行有效的故障診斷十分必要。

1 SRM

SRM結構簡單、堅固、工作可靠、效率高，由其構成的調速系統——開關磁阻電機調速系統(Swithed Reluctance Drive, SRD)是一種具有特殊雙凸極結構的新型電機驅動系統。該系統兼有異步電動機變頻調速系統和直流電動調速系統的優點，調速范圍寬、調速性能優異。這些優點使得開關磁阻電機特別適合一些環境惡劣、要求連續工作的應用場合，如在家用電器、通用工業、航空工業/發電系統、車載系統、礦井提升機、牽引電機、高轉速電機等。

SRD主要由SRM、功率變換器、控制器、位置檢測和電流檢測五部分組成，如圖1所示。

圖1 SRD的基本構成

SRM是調速系統中實現機電能量轉換的部件，也是此系統區別于其他電機調速系統的主要標志。功率變換器負責向開關磁阻電機提供運行所需能量，其由蓄電池或交流電經整流提供直流電。控制器是整套調速系統的核心，其綜合處理給定轉速、速度反饋信號及位置傳感器和電流傳感器反饋的信號，然后向功率變換器發出控制信號，實現功率變換器對開關磁阻電機的驅動。

2 支持向量機

支持向量機(Support Vector Machine, SVM)是由Vapnik于1995年在統計學習理論的基礎上提出的一種新的機器學習方法。以VC維理論和結構風險最小化原則為基礎，該算法能夠保證找到的極值解是全局最優解，在解決非線性及高維模式識別問題中表現出了許多特有的優勢。支持向量機具有在小樣本下即可獲得滿意的學習效果，及保證所求解為全局最優解等優點，所以基于SVM的方法被廣泛應用于故障診斷等問題。

本文針對SRM故障診斷問題，通過對SVM的應用，并對算法進行改進，使之能夠更好的滿足工業生產中SRM的適應性和穩定性要求。

3 故障檢測

IGBT是開關磁阻電機功率變換器的關鍵元件，短路、開路及性能偏移軟故障是其常見故障。本文通過試驗模擬了這3種信號。為更好地接近實際，試驗中給電機添加了隨機負載，采樣周期為0.01s，采集的正常信號及3類故障波形如圖2所示。

圖2 正常信號及3類故障波形

由圖2可知，在SRM發生故障時，產生的信號含有大量的非平穩成分；故障類型不同，輸出信號在各頻率波段中的表現也不同。小波包分析方法可把不同頻率的信號分解到不同的頻帶中，提高時頻分辨率，實現故障特征提取。

3.1 小波包故障特征提取

在不同的負載下，即使是同一故障，其信號波形幅值也相差很大，但其頻譜特征基本相同，小波分析是頻譜分析的有力工具。經過對比篩選，本文使用Daubechies小波作w為3層小波包分解后提取狀態特征(既保證一定的時頻分辨率，又減少特征提取、訓練與診斷的計算量)。分別提取第3層從低頻到高頻8個頻率成分的特征信號，小波分解樹結構如圖3所示。

圖3 小波分解樹結構

圖3中每個結點都代表一定的信號特征。(0,0)代表原始信號S；(1,0)代表小波包分解的第1層低頻系數X10，依此類推。S10代表X10的重構信號，依此類推。由于輸入信號是一個隨機信號，其輸出也是一個隨機信號。

經過db1至db10的波形對比，發現db1正交小波基對信號處理特征明顯，經db1小波處理后的短路故障特征波形，如圖4所示。

其中，S2是指短路的故障波形圖，S230是指信號S2的[3、0]結點的重構系數，其他依此類推。

圖4 db1小波處理后的短路故障特征波形

通過對故障信號進行小波分析，使故障信號更清晰明確，特征更明顯，使原來一些不易分辨的信號可準確提取出來。

3.2 SVM的系統辨識

經小波分析得出的一組功率變換器短路的特征向量為T=(537.3897，11.6792，5.7923，0.3769，2.9022，0.1890，0.1110，0.0908)。每組共8個特征分量，試驗總共提取樣本178個，其中樣本1～59屬于第1類(類別標簽為1)是短路故障，60～130屬于第2類(類別標簽是2)是開路故障，131～178屬于第3類(類別標簽為3)是軟故障。

試驗將每個類別分成兩組，重新組合數據，將第1類的1～30 ,第2類的60～95，第3類的131～153 作為訓練集，剩余的部分作為測試集用訓練集對SVM進行訓練可得到分類模型，再用得到的模型對測試集進行類別標簽預測。

SRM數據的分維可視化如圖5所示。Class是3類故障標簽，attrib是3類故障的每個特征向量數值的分布情況。

圖5 SRM數據的分維可視化

模型建立首先需要從原始數據中把訓練集和測試集提取出來，然后進行一定的預處理，之后用訓練集對SVM進行訓練，再用得到的模型來預測測試集的分類標簽。最終分類結果如圖6所示。

圖6 測試集的實際分類和預測分類圖分類

由圖6可知，測試集共89組數據，其中有兩組將第3類故障錯分為第1類故障，故準確率達97.7528%。

4 結 語

通過試驗仿真驗證可得該方法能準確辨識IGBT元件的開路、短路、性能偏移等故障。試驗通過小波包分析方法有效提取了非平穩信號特征，訓練SVM的故障診斷模型，成功實現了對SRM的故障診斷，且所要求訓練樣本少，其故障診斷的正確率很高。

【參考文獻】

[1] 齊群. 基于混沌時間序列支持向量機的開關磁阻電機建模[J].制造業自動化，2012(6)： 46- 48.

[2] LIONG S Y, SIVAPRAGASM C. Flood stage forecasting with SVM [J].Journal of the American Water Association, 2002, 38(1): 173-186.

[3] 吳紅星.開關磁阻電機系統理論與控制技術[M].北京: 中國電力出版社，2010.

[4] 胡良謀，曹克強.支持向量機故障診斷及控制技術[M].北京: 國防工業出版社，2011.

[5] 趙博，張洪亮.Ansoft12在工程電磁場中的應用[M].北京: 中國水利水電出版社，2010.

[6] 甘衛紅.開關磁阻電機的故障診斷與容錯控制研究[D].西安： 西北工業大學,2006.

[7] 盧銘.電動自行車用開關磁阻電機驅動系統的研究[D].南京： 南京航空航天大學，2008.

[8] 盧勝利.開關磁阻電機系統的故障診斷方法研究[D].徐州： 中國礦業大學，2010.

[9] 王春生，朱友遠，甘醇.開關磁阻電機故障診斷系統研究[J].變頻器世界，2012(8)： 109-113.