基于RBF神經網絡的永磁同步電機匝間短路故障診斷方法

中圖分類號：TP277 文獻標志碼：A 文章編號：2095-2945(2025)14-0026-0

Abstract:Inter-tumshort circuitfaultsareoneof themostcommonandserious faultsthatoccrinpermanent magnet synchronousmotors (PMSM).Motorfaultdiagnosistechnologyisanimportantmeanstoimprovemotorreliabityandreducefault loses.Therefore，thispaperproposesamethodbasedonRBFneuralnetworktodiagnoseinter-turnshortcircuitfaultsin permanentmagnetsynchronousmotors.First，afiteelementmodelof inter-turnshortcircuitfaultof permanentmagnet synchronousmotorisestablished.Themotorwindingisdividedintomultiplesub-windings，andthetwoendsofthesubwindingsareconectedinparaleltosimulateinter-turnshortcircuitfaults.Secondly，theestablishedfiniteelementmodelis usedtosimulatethemotorperfomanceunderdiferentfaultdegres.Thepaperanalyzesandextractsfaultcharacteristicsfrom motortorque，phasevoltage，andphasecurent.Finally，afaultdiagnosissystem isestablishedusingRBFneuralnetwork.Ithas benverifiedthat theproposed faultdiagnosis methodcan diagnose diffrent degreesof inter-turn short circuits.

Keywords:permanentmagnetsynchronousmotor;inter-tunshortcircuitfault；faultdegree；faultfeatureextraction;RBF neural network

永磁同步電機(PMSM)具有結構簡單、體積小、重量輕和可靠性高等優點-2，被廣泛應用于電動汽車、風力發電等領域[3-4。PMSM的運行環境較為復雜，如振動、高溫、濕度、粉塵和頻繁啟動等，這些因素都有可能誘發電動機故障5-。匝間短路故障是發生于該類型電機中最為常見也最為嚴重的故障類型之一。若匝間短路故障不能及時被識別和診斷，則有可能進一步擴大，造成嚴重事故[-8]。為減少電機故障造成的損失，需提高電機的可靠性。故障診斷技術是提高電機可靠性的重要手段。因此，PMSM匝間短路故障診斷技術是十分重要的。

本文利用工業數據分析思想，分析PMSM的轉矩、相電壓、相電流等數據，提取數據中有效特征。將提取到的電機不同運行狀態的數據可視化，然后根據圖像找到多個特征值，通過RBF神經網絡進行特征值的驗證完成電動機故障類型的識別。

1電機匝間短路故障建模

本文通過Magnet軟件建立永磁同步電機有限元模型。該電機為三相電機，額定頻率為 50Hz ，極對數為3，槽數為36，軸向長度為 65mm 。電機的有限元模型如圖1所示。

對電機模型的繞組進行改建，將繞組分為多個子繞組并將其串聯。在子繞組上并聯短路電阻實現對匝間短路故障的模擬，如圖2所示。

通過在不同子繞組上并聯短路電阻可以獲得所需的2種故障：A相 25% 繞組匝間短路故障與A相

50% 繞組匝間短路故障。并聯電阻的大小和被并聯的線圈匝數分別表示2個維度的故障嚴重程度。當被并聯匝數即故障匝數和總的匝數之比為 25% 時，圖2(b)為A相 25% 故障電路原理圖。當故障匝數和總匝數之比為 50% 時，圖2(b)為A相 50% 故障電路原理圖。采集同步電機在健康、A相 25% 故障、A相 50% 故障3種情況下的轉矩、相電壓、相電流的數據。故障狀態下短路電阻Rf的取值分別為 0.0.4，0.8，1.2，1.6，2.0. 2.4，2.8，3.2，3.6，4，6.8 和 10Ω ，短路匝數相同時短路電阻越小則故障程度越大。

L1 R1 mT1 W 0.00077165417473 8615940596409 E2 SIN 0.0007716541747 W 8615940596409 L3 31 W 0.00154330834944 1.723188119282 .B V2 5 M T2 0.003086616835238564 SIN C V3. L9 1 R9 T2 0.0030866166875238564 SIN (a）健康狀態 R4. S1 A-1. R1 V1 T1 0.00077165417472 8615940596409 SIN 0.00077165417473 8615940596409 000154330834941.723188119282 B L5. R5. V2 T2 0.00308661 238564 SIN C V3 L9 R9 M 國 T2 0.003086616 6238564 SIN

注：圖2(b）僅為A相 50% 故障原理示意，該建模方式能夠對A相 25% 故障、A相 50% 故障進行設置。設置A相 25% 故障時僅需將短路電阻R4并聯在線圈A-1兩端。

2故障特征提取

本文是通過對電機轉矩、相間電壓與電流的可視化進而提取出圖形中的特征值，來實現對同步電動機故障診斷的。當系統工作時，數據一般呈現出周期性的波動，這就需要以周期為標準把數據先進行整理。電機運行時的各項基本數據如溫度、濕度等是不斷變化著的，在同一個系統周期內提取到的同步電機轉矩、相電流、相電壓因為時間較短可以視為采集時的電機運行狀況是統一的，減少了系統誤差，可以提高數據特征的準確性。前文中我們采集了 2100ms 即105組周期的數據，因此可以提取系統在同一個周期內的特征，來反映整個數據周期中同步電機的故障情況。

此時可以用MATLAB中的reshape（函數使導入的原始數據結構符合數據處理的需求。因電機啟動產生沖擊電流，致使啟動后的第一個周期內各項數據和后面采集的周期數據圖像差距過大，不具有采集使用的價值。故舍去未進人平穩運行狀態的首個周期的數據，得到104個周期的各項數據樣本。

2.1 最大值

最大值是數據最為明顯且易于分辨的特征之一，是進行數據篩選所首先應該考慮的因素之一。如在一定數目的剛體中識別出其中的某個，那么可以通過測量物體內部任意2點距離的最大值來進行先一步的篩選。最大值可以反映出電機運行過程中電機本身所承受的最大負荷，同時也反映電機所能承受的最大轉動力，對選擇以何種方式固定電機有很大幫助。在不同運行情況下，電機的承載力是不同的。正常運行時電壓、電流、轉矩的最大值與A相 25% 故障、A相 50% 故障也是不一樣的。用最大值來作為特征值，可以分辨出同步電動機的不同運行狀況。對reshape函數變換過的數據矩陣提取每個周期的電壓、電流和轉矩的最大值，這里采用MATLAB中的 max 函數。該函數可以通過比較篩選出變換后的特征矩陣每列數據的最大值，將提取到的最大值特征放入矩陣中等待以后使用。

2.2 最小值

數據的最小值可以反映出電機運行過程中本身所承受的最小負荷。最小值和最大值一樣也是數據最為明顯的特征之一，是進行數據篩選前首先考慮的因素之一。由于故障注入是通過電阻的并聯得出不同故障下該項電阻不同，故不同運行狀態下的電壓、電流、轉矩的最小值也不相同，可以用最小值來區分不同的電機運行狀況。通過MATLAB對最小值進行特征提取，可以使用min 函數。這個函數通過篩選特征矩陣中每列即每個周期數據的最小值進而實現最小值的特征提取，同樣地，將提取到的最小值特征放入矩陣備用。

2.3 平均值

取電機不同運行狀態下的各項數據的算數平均值作為數據特征可以約束前2種特征值，使得診斷結果更為準確。同時上文采用的最大值與最小值作為特征值也可以有效避免算數平均值這一特征減少極端值的影響，使取得的各項特征值更立體、更有說服力。在MATLAB中計算算數平均值先使用abs（函數對數據取絕對值，避免數據中的負數使結果產生偏差影響評估結果。而后可以使用mean函數對原始數據矩陣按列求得平均值，一列即為一個周期，得到每個周期中各特征的算數平均值。

2.4故障特征診斷性能分析

前文中我們提取出了3種特征值分別為最大值、最小值和算數平均值用于對各項數據進行分類，若這些特征分別在同步電機健康、A相 25% 故障、A相 50% 故障不同的組合情況下能夠彼此區分開，則證明提取出這3種特征值是有效的，基于最大值、最小值、算數平均數3種特征的電機故障診斷是可行的。

以一個周期內相電壓的最大值作為空間中點集的 x 坐標軸，最小值作為點集的 y 坐標軸，平均值作為點集的 z 坐標軸，分別把在3種運行狀況下得到的每個周期的3個坐標確定的總計104個周期的三維數據點組成的有104個點的空間點集在這同一個坐標尺度下表現出來。通過MATLAB所得的結果如圖3所示。同理3種情況下周期內電流最大值、最小值、平均值圖像如圖4所示。而3種情況下周期內轉矩最大值、最小值、平均值圖像如圖5所示。

由圖3一圖5可以明顯地看出上文中我們選擇的3種特征值在3種運行條件下是很容易區分出來的。進而在電機正常運行、A相 25% 故障、A相 50% 故障作用下的特征值共有9個，組成了一個九維數據點，而這個點亦是可以區分電機工作情況的特征點。

3故障診斷系統構建

和傳統的電機故障診斷方法相比，神經網絡算法能夠處理傳統故障診斷方法所無法解決的問題，具有傳統診斷方法無以比擬的優越性-10]。使用神經網絡算法實現對故障情況分類之前，需要通過學習或者訓練將系統的參數固定下來。被處理識別的數據經過訓練后的神經網絡算法的處理，通過對某些判斷標準對其進行分類，可以得到準確快速的診斷結論，完成故障識別。本課題采用RBF神經網絡來設計故障診斷算法部分。基本流程設計如圖6所示。

如圖6所示，通過對運行中的電機轉矩、相電流、相電壓數據進行特征提取，可以得到相應的多組特征數據。從這些特征數據中，采取部分用與對神經網絡進行訓練，學習過后的RBF神經網絡算法即可用于對電機運行情況進行監測。可以使用剩余部分特征數據對構建完成的神經網絡進行驗證，以鑒定算法的準確性。

在MATLAB中選擇newrb函數來建立RBF神經網絡，并對其進行調試。使用newrb函數來建立神經網絡前，需要先建立出2個必須的矩陣： P 矩陣和 T 矩陣。 P 矩陣就是數據集中的訓練集， T 矩陣就是將 P 矩陣通過RBF處理之后希望得到的矩陣形式。由于診斷的電機運行狀況只有3種，故將 T 矩陣代表相應運行情況的行均設為1，其余行設置為0。此外，還有4個參數需要根據運行結果調試，它們分別為均方差目標（goal）、徑向基的擴展速度（spreed）最大神經元個數(MN)和每次加入的網絡參數(DF)。由前文提取的特征矩陣可以知道，各個特征的數量級并不相同，需要我們先對其進行歸一化處理才可以用于RBF網絡的訓練，這里使用了MATLAB中的mapminmax函數。

歸一化后的故障特征數值在0\\~1之間。使用newrb函數創建RBF網絡需要不斷地嘗試，這時需要不斷改變中間層的數量和神經元的數目，使其滿足輸出誤差，實現目標矩陣的輸出效果。

在MATLAB軟件中，導人了數據并對各個特征值按照周期、故障情況進行了整合處理，得到了目標的 P 矩陣和設置好的 _T 矩陣。3種運行狀況合并起來共有312列數據，每種運行狀況取80列共240列用于RBF神經網絡的訓練，剩余的每種24列共72列數據用于對神經網絡進行驗證，確認這個算法能否能達到目標需求。

接下來開始對newrb函數的4個參數進行調節，首先確定網絡的均方差目標，這里取goal為0.0001，與0.001相比的話這樣的精確度更高，而且比較容易調試我們的結果。取DF值為1，訓練過程中最符合的結果是n ιeurons=3，MSE=0.000 152 715 ，訓練過程圖如圖7(a)所示；而取2時訓練過程中最好的結果是neurons ，訓練過程圖和圖7(b）圖像一致，這時和目標均方差仍有較大的差距。分析DF=1，3 時的神經網絡訓練過程圖像，可以看出 DF= 3.5可以取得最優的結果。因 DF 只能取整數，故取值為3或4時可以得到最優解。當 DF 值取4時，訓練結果最優為neu _{rons=0，MSE=0..} ，MSE=0.222 2222 ，不符合要求。當DF值為3時，計算出的MES值最為貼近預設的均方差目標，這個值為 0.000 151 171 。

MN的值默認為 _P，T 矩陣的行數，這個參數是神經網絡的最大神經元個數，一般來說MN的值越大，則最后得到的結果相對精確，這里取它的值為 300 。

調節spreed，徑向基擴展速度spreed的取值從默認值1開始逐漸增大得到不同的輸出矩陣y。當徑向基擴展速度spreed取值為21時，此時輸出的結果矩陣 _y 和預設的輸出矩陣 _T 在均方差目標為0.0001的條件下數據結構基本可以視為相同。這證明了調試出來的RBF神經網絡算法是符合設計要求的。通過MATLAB輸出的訓練過程效果圖可以看出，要求的目標精度也是符合要求的。訓練過程圖像如圖7所示。

由此，通過函數newrb(訓練得到的RBF神經網絡算法的參數分別為 goal=0.000 1，spreed=21，MN= 300，DF=3 。把剩余的每種24列共72列數據對訓練好的RBF神經網絡進行驗證，得到診斷正確率為100% ，證明該系統能夠實現故障診斷。

4結論

本文提出了一種基于RBF神經網絡的永磁同步電機匝間短路故障診斷方法。該方法使用電機電流、電壓和轉矩作為故障特征量，并從中提取最大值、最小值和平均值作為故障特征。構建故障特征數據集，并基于該數據集對RBF神經網絡進行訓練和測試。結果顯示該方法能夠有效診斷匝間短路故障。該方法在幫助維護人員對電機運行狀況有一個較為明確的認知和參考的同時，也可將診斷結果作為對系統評價及維護的方案進行支撐。

參考文獻：

[1] PENG Y，SUN Z C，WANG X J.Research on PMSM harmonic coupling models based on'magnetic co-energy[J]. IETElectric Power Applications，2019，13(4):571-579.

[2]LEE S G，BAE JN，KIM W H.A study on the maxi

（上接25頁）

法調度的優越性；此外，在裝焊計劃編制方面，利用構件標準裝焊時間進行了甲板片體預制計劃編制，為排產提供了指導。

參考文獻：

[1]LIW，NAULTB，YE H.Trade-of balancing in schedulingforflow shop production and perioperativeprocesses [J].European Journal of Operational Research，2019，273（3)：817-830.

[2] JOHNSON S M. Optimal two-and three- stage productionschedules with setup:times included [J]. Naval ResearchLogistics Quarterly，1954(1):61-68.

[3]LIU W，JINY，PRICE M.A New improved neh heuristicforpermutation flowshop schedulingproblems[J].InternationalJournal of Production Economis，2017(193):21-30.

[4]FUYP，WANG YF，GAO K Z，et al.Reviewonensemble meta -heuristics and reinforcement learning formanufacturingschedulingproblems[J].Computers andmum flux linkage and the goodness factor for the spoke-type PMSM [J].IEEE Transactions on Applied Superconduc-tivity，2018，28(3):5200705.

[3] JANG S M，YOU D J，KO K J，et al. Design and exper-imental evaluation of synchronous machine without iron lossusing double-sided halbach magnetized PM rotor in highpower FESS [J]. IEEE Transactions on Magnetics，2008，44(11):4337-4340.

[4] DAIY，SONG L W，CUI S M.Development ofPMSMdrives for hybrid electric car applications[J]. IEEE Transac-tions on Magnetics，2007，43(1):434-437.

[5]劉亞兵，胡利民，胡欽龍，等.單相永磁同步電機自學習故障檢測[J].微特電機，2019，47(1):17-24.

[6]沈艷霞，紀志成，姜建國.電機故障診斷的人工智能方法綜述[J].微特電機，2004(2):39-42.

[7]凌標燦，楊佳濱.電機滾動軸承故障診斷中BP與RBF神經網絡的比較[J].華北科技學院學報，2018，15(6):53-57.

[8]劉攀，趙曉艷，成慧翔，等.發電機轉子繞組匝間短路故障診斷研究[J].現代制造技術與裝備，2018(11):102-103.

[9]彭偉，趙峰，王永興，等.永磁同步電機匝間短路故障在線檢測方法[J].電工電能新技術，2018，37(3)：41-48.

[10]孫祎，莊煒瑋，霍鳳鳴，等.電機轉子繞組匝間短路故障診斷研究[J].河北科技大學學報，2011，32(4):38-341.Electrical Engineering，2024（120):109780.

[5]劉闖，于忠清，YUJQ，等.求解分布式混合流水線調度問題的改進雙層嵌套式遺傳算法[J].現代制造工程，2020(4)：27-35，12.

[6]彭勇，鄭慧君.改進布谷鳥搜索算法求解零空閑流水線調度問題[J].現代信息科技，2019，3(24):20-22.

[7]王盈聰．面向混線生產的智能調度方法研究[D].南京：南京航空航天大學，2019.

[8]軒華，李文婷，李冰.混合離散人工蜂群算法求解含不相關并行機的分布式柔性流水線調度[J].控制與決策，2023，38(3)：779-789.

[9]彭菁，段程，李益兵.改進布谷鳥算法求解有限緩沖區批量流水調度問題[J].數字制造科學，2022，20(1):7-10，28.

[10]李健，李洹坤，何鵬博，等.協同智能體強化學習算法的柔性作業車間調度方法研究[J].系統仿真學報，2024，36(11)：2699-2711.

[11]魏鑫.面向多目標優化的改進型多Agent車間調度技術研究[D].南京:南京航空航天大學，2018.

[12]楊博見，杜麗，郭景仁.基于多Agent 的柔性作業車間動態調度方法研究[J].航空制造技術，2023，66(6):99-107.