基于大數據的永磁同步電機故障診斷技術

鄭麗輝

(衢州職業技術學院，浙江 衢州 324000)

0 引言

與傳統電機相比，永磁同步電機具有結構簡單、體積小、效率高和運行穩定等應用優勢，被廣泛應用于工業生產中[1-2]，尤其是精密制造行業，如精密儀器、航空航天和航海交通等，因此，永磁同步電機也被納入交通機車的重要牽引電機之一，同時也作為《中國制造2025》的重點發展內容之一[3]。

永磁同步電機的可靠性與穩定性直接影響整個生產系統的工作效率。但是由于永磁同步電機安裝空間較小、工況較為復雜，因此電機散熱條件較差，在持續負荷運行狀態下，容易導致電機線圈老化、磨損等引發電機故障[4-6]。

目前，常見的永磁同步電機故障主要包括匝間短路和退磁故障等，可采用傳統的線性或者非線性數學模型進行電機的故障診斷，但是前提是需要建立精確的數學模型，計算過程較為復雜，預測精度不高，無法滿足永磁同步電機故障快速診斷等要求。因此，本研究基于大數據技術和人工智能技術，提出一種將電機電流信號轉化為圖像信號的卷積神經網絡故障診斷方法，滿足對永磁同步電機快速、高效和準確的故障識別要求。

1 診斷方法分類

電機故障診斷技術的研究始于20世紀60年代，美國、英國等國家先后成立電機故障診斷研究中心。我國關于開展電機故障診斷技術始于20世紀70年代末期，但是初期發展緩慢。直到20世紀80年代，隨著計算機技術和電子信息技術的快速發展，極大地推動了現代檢測技術的發展。最初只是針對直流電機和感應電機等傳統電機類型進行研究，隨著后期永磁同步電機應用逐漸廣泛，近年來關于永磁同步電機故障診斷的研究取得了大量的研究成果[7]。

永磁電機的故障診斷技術主要包括對故障信號檢測及特征提取等。故障信號檢測內容主要包括電流、電壓、轉矩和溫度等信號，通過信號的運行狀況判斷電機運行狀態。特征提取技術主要是對采集到的電子電流信號數據進行分析，提取到能夠代表電機當前運行狀態的特征信息，提取能夠代表電機運行狀況信息的關鍵特征，并在關鍵信息特征提取的基礎上進行故障分類與判定。目前，永磁同步電機故障診斷方法主要包括數學模型故障診斷法、基于信號分析的故障診斷法及基于人工智能的故障診斷法。

1.1 基于數學模型永磁同步電機故障診斷技術

永磁同步電機在工作過程中，定子繞組和永磁體會按照正常軌跡運行，但是當電機運行出現故障時，通過建立相關的數學模型描述各個組件的運行狀態，通過相應的參數變化規律判斷電機的運行狀態與故障類型。目前，常見的數學模型主要為卡爾曼濾波算法。但是數學模型存在計算復雜、無法實現永磁同步電機快速診斷等問題。

1.2 基于信號分析下永磁同步電機故障診斷技術

基于信號分析下故障診斷方法是目前在永磁電機故障診斷過程中應用最為廣泛的方法之一。基于電機正常運行和故障狀態下運行信號的差異性提取故障特征，進而實現對電機故障的診斷與分析。目前，常見的信號分析法有負序分量法、頻譜分析法等。基于信號分析法下永磁同步電機故障診斷具有準確度高、技術相對成熟等應用優勢，但是當電機運行環境較為復雜，電流等特征信號處于隨時變化過程中，難以僅從信號分析中提取故障類型和信息，常常需要相關技術人員進行輔助判斷，在故障類型判斷中會存在較多的人為因素，因此故障判別率大大降低。

1.3 基于大數據技術下永磁同步電機故障診斷技術

基于人工神經網絡技術不需要建立復雜的數學模型，在故障判定過程中不存在人為因素的干擾，適用于復雜系統的電機故障檢測與判斷。目前已經廣泛應用于電機故障診斷，并且具有廣闊的應用前景，具有更加強大的學習能力和特征表達能力，提高電機故障診斷精度與效率。通過上述分析，本研究基于卷積神經網絡下電機故障診斷，對不同電機運行狀態進行分析，完成對電機故障的診斷，并通過與LS-SVM、PNN、AlexNet方法進行對比分析。

2 永磁同步電機故障類型分析

以三相永磁同步交流電機為研究對象，其主要技術參數：額定電壓290 V，額定功率20 kW，額定轉速1 500 r·min-1，額定轉矩75 N·m，極對數8，定子內徑127 mm，轉子外徑125.6 mm，線圈數20，線圈疊厚4 mm，分布式繞組，氣隙3 mm，永磁體材料NdFe35。

2.1 永磁同步電機正常運行分析

永磁同步電機的數學模型主要包括電壓方程、轉矩方程、運動方程等，在已知電機電壓、電流、電感和電阻相關參數的前提下，得到永磁同步電機電壓與定子電流之間的關系。

永磁同步電機的等效電路圖通常是一個三相三線系統，包括電源，電機繞組，濾波電容器和加速電阻等元件。在正常運行條件下，等效電路圖包括電源、電機繞組、濾波電容器、加速電阻。

2.2 永磁同步電機匝間短路分析

永磁同步電機匝間短路故障會使線圈阻抗值減小，電流增加，過大的電流會影響線圈的可靠性，匝間短路會使電機反電動勢降低，導致繞組三相阻抗和電動勢不平衡。永磁同步電機匝間短路故障下等效電路圖仍然是一個三相三線系統，但是包括了一些故障相關的元件，電源、電機繞組、濾波電容器、加速電阻、故障電阻、故障電感等。

永磁同步電機在三相繞組中產生的磁鏈可表示為

(1)

式中，k為正整數，np為極對數，θ為永磁體氣隙磁場軸線與PMSMA相軸線之間的夾角，λPMK/np為永磁體在PMSM三相定子繞組中產生的基波與各次諧波磁鏈幅值。

定子繞組磁鏈方程如式(2)所示

(2)

式中，Maa、Mab、Mac分別為三相繞組的互感；Laa、Lbb、Lcc分別為三相繞組的自感；λfa、λfb、λfc分別為永磁體在三相繞組中產生的磁鏈。在永磁同步電機發生退磁故障的情況下施加相同的激勵，永磁同步電機三相電流產生的基波磁鏈不會出現顯著變化，但是方程的第二項由永磁體產生的磁鏈會呈比例減小，進而導致電流增大。

2.3 永磁同步電機退磁分析

永磁同步電機短路和負荷過大會引起大電流和電機溫度過高，進而會導致永磁同步電機退磁故障。電機溫度過高主要包括以下3種原因。

1)由于電機設計不合理等原因，會導致電機運行過程中內部磁場出現大量諧波，進而產生渦流損耗。

2)永磁同步電機散熱效果不好。

3)電機長時間處于過載運行的工作狀態，導致永磁體材料對溫度變化十分敏感，當永磁體材料溫度高于正常溫度時，會導致永磁體磁性減弱。

3 基于Park矢量變換下電流信號圖像轉換

傳統基于信號進行永磁同步電機故障診斷的方法主要為一維信號，在進行數據特征提取時往往會發生數據丟失的問題，進而降低故障診斷的準確率。本章節介紹基于Park矢量變換實現將電子信號轉換為對應的二維數據圖像。基于深度學習算法下進行圖像特征提取，提高永磁同步電機故障診斷精度。

3.1 永磁同步電機正常運行圖像分析

永磁同步電機在正常運行情況下進行運轉時，只存在正序電流分量，沒有負序電流分量產生，因此Park圖像為一個近似圓形的圖像。

3.2 永磁同步電機匝間短路圖像分析

永磁同步電機匝間短路故障是一種常見的故障類型，通常是由于電機內部繞組或絕緣問題導致的。此類故障可能對電機造成嚴重損壞，因此對其進行圖像分析是非常重要的。永磁同步電機出現匝間短路時，其Park矢量圖會出現變化，永磁同步電機匝間短路比為μ，則

(3)

式中，n為永磁同步電機一相線圈短路匝數；N為永磁同步電機總匝數。

永磁同步電機出現匝間短路時，電機中會出現負序電流，因此，與永磁同步電機正常運行狀態下Park矢量圖像相比，Park矢量圖像會出現畸變，而且隨著匝間短路的比例越大，永磁同步電機的負序電流分量越大，畸變越顯著。

3.3 永磁同步電機退磁圖像分析

當電機出現退磁故障時，三相定子電流的對稱性基本不變，電流隨著永磁體退磁比例的增加逐漸增加。

永磁同步電機退磁是指電機內部磁場減弱或消失的情況。該情況可能是由于電機內部繞組損壞、溫度過高或絕緣問題導致的。退磁圖像分析是通過不同的測量技術診斷電機退磁情況的過程。測量技術包括：1)電動勢圖像分析。電動勢圖像分析可以識別電機內部的退磁情況，并確定其原因。2)諧波分析。諧波分析可以識別電機的諧波情況，并確定其是否與退磁有關。3)波形分析。波形分析可以識別電機輸出的波形情況，并確定其是否與退磁有關。

上述測量技術可以使用專業的測試儀器進行，并結合相關的理論知識和分析方法進行診斷。通過退磁圖像分析，我們可以確定電機退磁的類型和原因，從而采取適當的維修和修復措施。

4 基于卷積神經網絡下永磁同步電機故障診斷方法

4.1 工作原理

通過永磁同步電機不同運行狀態下圖像信息，基于深度學習算法可以自動提取圖像特征，進行圖像識別，進而進行電機故障分類，實現電機故障的快速判斷與檢測。卷積神經網絡結構如圖1所示。

圖1 卷積神經網絡基本結構

卷積神經網絡中卷積層與池化層前后相接，池化過程中最重要的是池化函數，它是卷積層輸入圖像轉換的核心，其中也包含不同的池化方式。池化過程表達式如式(4)所示

(4)

全連接層輸出連接的是Softmax層，Softmax可以應用于多分類場合，該層的目的是輸出分類情況下各個類型概率。通過Softmax層可以得到圖像是某種類型的概率，Softmax層所有輸出概率和為1，公式如式(5)所示

(5)

卷積神經網絡下模型訓練工作流程如圖2所示。

圖2 卷積神經網絡訓練過程

為了避免出現過擬合并且保證模型識別的速度，需要采用一種新的工作方式，即Dropout技術；隨機挑選神經元并且讓其與某個確定神經元共同工作。在向前傳播過程中，是某個神經元停止工作的概率為p，如此一來可有效削弱神經元之間的連結適應性，從而提高網絡泛化能力，使網絡結構簡單化，提高模型的工作效率，公式如式(6)所示

(6)

4.2 結果與分析

本次實驗以永磁同步電機匝間短路和退磁現象為故障狀態，分別標記為Ⅰ和Ⅱ。其中，永磁同步電機正常工作狀態標記為Ⅰ，永磁同步電機A相匝間短路9%、22%和29%分別標記為ⅠA1、ⅠA2和ⅠA3；永磁同步電機B相匝間短路9%、22%和29%分別標記為ⅠB1、ⅠB2和ⅠB3；永磁同步電機C相匝間短路9%、22%和29%分別標記為ⅠC1、ⅠC2和ⅠC3；永磁同步電機退磁12%、28%和51%分別標記為ⅡA、ⅡB、ⅡC，綜上所述共13種故障狀態。

本研究將提出的GoogleNet卷積神經網絡模型與其他算法模型進行故障診斷對比，試驗結果如表2所示。研究結果表明，基于卷積神經網絡模型對故障診斷的準確率與PNN、LS-SVM和AlexNet更高，同時驗證了本研究提出的GoogleNet卷積神經網絡模型的有效性和故障診斷準確率。

表2 試驗結果與分析

5 結論

本研究提出一種大數據下卷積神經網絡永磁同步電機故障診斷模型，首先對永磁同步電機基本結構與工作原理進行敘述，建立基于卷積神經網絡下永磁同步電機故障診斷模型，并通過與LS-SVM、PNN、AlexNet等進行對比驗證可知，卷積神經網絡模型在永磁同步電機故障診斷方面具有較高的故障診斷精度，研究結果為永磁同步電機故障診斷的應用與發展提供參考。