基于大數(shù)據(jù)的永磁同步電機(jī)故障診斷技術(shù)

鄭麗輝

(衢州職業(yè)技術(shù)學(xué)院，浙江 衢州 324000)

0 引言

與傳統(tǒng)電機(jī)相比，永磁同步電機(jī)具有結(jié)構(gòu)簡單、體積小、效率高和運(yùn)行穩(wěn)定等應(yīng)用優(yōu)勢，被廣泛應(yīng)用于工業(yè)生產(chǎn)中[1-2]，尤其是精密制造行業(yè)，如精密儀器、航空航天和航海交通等，因此，永磁同步電機(jī)也被納入交通機(jī)車的重要牽引電機(jī)之一，同時(shí)也作為《中國制造2025》的重點(diǎn)發(fā)展內(nèi)容之一[3]。

永磁同步電機(jī)的可靠性與穩(wěn)定性直接影響整個(gè)生產(chǎn)系統(tǒng)的工作效率。但是由于永磁同步電機(jī)安裝空間較小、工況較為復(fù)雜，因此電機(jī)散熱條件較差，在持續(xù)負(fù)荷運(yùn)行狀態(tài)下，容易導(dǎo)致電機(jī)線圈老化、磨損等引發(fā)電機(jī)故障[4-6]。

目前，常見的永磁同步電機(jī)故障主要包括匝間短路和退磁故障等，可采用傳統(tǒng)的線性或者非線性數(shù)學(xué)模型進(jìn)行電機(jī)的故障診斷，但是前提是需要建立精確的數(shù)學(xué)模型，計(jì)算過程較為復(fù)雜，預(yù)測精度不高，無法滿足永磁同步電機(jī)故障快速診斷等要求。因此，本研究基于大數(shù)據(jù)技術(shù)和人工智能技術(shù)，提出一種將電機(jī)電流信號轉(zhuǎn)化為圖像信號的卷積神經(jīng)網(wǎng)絡(luò)故障診斷方法，滿足對永磁同步電機(jī)快速、高效和準(zhǔn)確的故障識別要求。

1 診斷方法分類

電機(jī)故障診斷技術(shù)的研究始于20世紀(jì)60年代，美國、英國等國家先后成立電機(jī)故障診斷研究中心。我國關(guān)于開展電機(jī)故障診斷技術(shù)始于20世紀(jì)70年代末期，但是初期發(fā)展緩慢。直到20世紀(jì)80年代，隨著計(jì)算機(jī)技術(shù)和電子信息技術(shù)的快速發(fā)展，極大地推動了現(xiàn)代檢測技術(shù)的發(fā)展。最初只是針對直流電機(jī)和感應(yīng)電機(jī)等傳統(tǒng)電機(jī)類型進(jìn)行研究，隨著后期永磁同步電機(jī)應(yīng)用逐漸廣泛，近年來關(guān)于永磁同步電機(jī)故障診斷的研究取得了大量的研究成果[7]。

永磁電機(jī)的故障診斷技術(shù)主要包括對故障信號檢測及特征提取等。故障信號檢測內(nèi)容主要包括電流、電壓、轉(zhuǎn)矩和溫度等信號，通過信號的運(yùn)行狀況判斷電機(jī)運(yùn)行狀態(tài)。特征提取技術(shù)主要是對采集到的電子電流信號數(shù)據(jù)進(jìn)行分析，提取到能夠代表電機(jī)當(dāng)前運(yùn)行狀態(tài)的特征信息，提取能夠代表電機(jī)運(yùn)行狀況信息的關(guān)鍵特征，并在關(guān)鍵信息特征提取的基礎(chǔ)上進(jìn)行故障分類與判定。目前，永磁同步電機(jī)故障診斷方法主要包括數(shù)學(xué)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(shù)學(xué)模型永磁同步電機(jī)故障診斷技術(shù)

永磁同步電機(jī)在工作過程中，定子繞組和永磁體會按照正常軌跡運(yùn)行，但是當(dāng)電機(jī)運(yùn)行出現(xiàn)故障時(shí)，通過建立相關(guān)的數(shù)學(xué)模型描述各個(gè)組件的運(yùn)行狀態(tài)，通過相應(yīng)的參數(shù)變化規(guī)律判斷電機(jī)的運(yùn)行狀態(tài)與故障類型。目前，常見的數(shù)學(xué)模型主要為卡爾曼濾波算法。但是數(shù)學(xué)模型存在計(jì)算復(fù)雜、無法實(shí)現(xiàn)永磁同步電機(jī)快速診斷等問題。

1.2 基于信號分析下永磁同步電機(jī)故障診斷技術(shù)

基于信號分析下故障診斷方法是目前在永磁電機(jī)故障診斷過程中應(yīng)用最為廣泛的方法之一?；陔姍C(jī)正常運(yùn)行和故障狀態(tài)下運(yùn)行信號的差異性提取故障特征，進(jìn)而實(shí)現(xiàn)對電機(jī)故障的診斷與分析。目前，常見的信號分析法有負(fù)序分量法、頻譜分析法等?；谛盘柗治龇ㄏ掠来磐诫姍C(jī)故障診斷具有準(zhǔn)確度高、技術(shù)相對成熟等應(yīng)用優(yōu)勢，但是當(dāng)電機(jī)運(yùn)行環(huán)境較為復(fù)雜，電流等特征信號處于隨時(shí)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(guān)技術(shù)人員進(jìn)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(shù)據(jù)技術(shù)下永磁同步電機(jī)故障診斷技術(shù)

基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)不需要建立復(fù)雜的數(shù)學(xué)模型，在故障判定過程中不存在人為因素的干擾，適用于復(fù)雜系統(tǒng)的電機(jī)故障檢測與判斷。目前已經(jīng)廣泛應(yīng)用于電機(jī)故障診斷，并且具有廣闊的應(yīng)用前景，具有更加強(qiáng)大的學(xué)習(xí)能力和特征表達(dá)能力，提高電機(jī)故障診斷精度與效率。通過上述分析，本研究基于卷積神經(jīng)網(wǎng)絡(luò)下電機(jī)故障診斷，對不同電機(jī)運(yùn)行狀態(tài)進(jìn)行分析，完成對電機(jī)故障的診斷，并通過與LS-SVM、PNN、AlexNet方法進(jìn)行對比分析。

2 永磁同步電機(jī)故障類型分析

以三相永磁同步交流電機(jī)為研究對象，其主要技術(shù)參數(shù)：額定電壓290 V，額定功率20 kW，額定轉(zhuǎn)速1 500 r·min-1，額定轉(zhuǎn)矩75 N·m，極對數(shù)8，定子內(nèi)徑127 mm，轉(zhuǎn)子外徑125.6 mm，線圈數(shù)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(jī)正常運(yùn)行分析

永磁同步電機(jī)的數(shù)學(xué)模型主要包括電壓方程、轉(zhuǎn)矩方程、運(yùn)動方程等，在已知電機(jī)電壓、電流、電感和電阻相關(guān)參數(shù)的前提下，得到永磁同步電機(jī)電壓與定子電流之間的關(guān)系。

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

2.2 永磁同步電機(jī)匝間短路分析

永磁同步電機(jī)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(jī)反電動勢降低，導(dǎo)致繞組三相阻抗和電動勢不平衡。永磁同步電機(jī)匝間短路故障下等效電路圖仍然是一個(gè)三相三線系統(tǒng)，但是包括了一些故障相關(guān)的元件，電源、電機(jī)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(jī)在三相繞組中產(chǎn)生的磁鏈可表示為

(1)

式中，k為正整數(shù)，np為極對數(shù)，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(chǎn)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(chǎn)生的磁鏈。在永磁同步電機(jī)發(fā)生退磁故障的情況下施加相同的激勵，永磁同步電機(jī)三相電流產(chǎn)生的基波磁鏈不會出現(xiàn)顯著變化，但是方程的第二項(xiàng)由永磁體產(chǎn)生的磁鏈會呈比例減小，進(jìn)而導(dǎo)致電流增大。

2.3 永磁同步電機(jī)退磁分析

永磁同步電機(jī)短路和負(fù)荷過大會引起大電流和電機(jī)溫度過高，進(jìn)而會導(dǎo)致永磁同步電機(jī)退磁故障。電機(jī)溫度過高主要包括以下3種原因。

1)由于電機(jī)設(shè)計(jì)不合理等原因，會導(dǎo)致電機(jī)運(yùn)行過程中內(nèi)部磁場出現(xiàn)大量諧波，進(jìn)而產(chǎn)生渦流損耗。

2)永磁同步電機(jī)散熱效果不好。

3)電機(jī)長時(shí)間處于過載運(yùn)行的工作狀態(tài)，導(dǎo)致永磁體材料對溫度變化十分敏感，當(dāng)永磁體材料溫度高于正常溫度時(shí)，會導(dǎo)致永磁體磁性減弱。

3 基于Park矢量變換下電流信號圖像轉(zhuǎn)換

傳統(tǒng)基于信號進(jìn)行永磁同步電機(jī)故障診斷的方法主要為一維信號，在進(jìn)行數(shù)據(jù)特征提取時(shí)往往會發(fā)生數(shù)據(jù)丟失的問題，進(jìn)而降低故障診斷的準(zhǔn)確率。本章節(jié)介紹基于Park矢量變換實(shí)現(xiàn)將電子信號轉(zhuǎn)換為對應(yīng)的二維數(shù)據(jù)圖像?；谏疃葘W(xué)習(xí)算法下進(jìn)行圖像特征提取，提高永磁同步電機(jī)故障診斷精度。

3.1 永磁同步電機(jī)正常運(yùn)行圖像分析

永磁同步電機(jī)在正常運(yùn)行情況下進(jìn)行運(yùn)轉(zhuǎn)時(shí)，只存在正序電流分量，沒有負(fù)序電流分量產(chǎn)生，因此Park圖像為一個(gè)近似圓形的圖像。

3.2 永磁同步電機(jī)匝間短路圖像分析

永磁同步電機(jī)匝間短路故障是一種常見的故障類型，通常是由于電機(jī)內(nèi)部繞組或絕緣問題導(dǎo)致的。此類故障可能對電機(jī)造成嚴(yán)重?fù)p壞，因此對其進(jìn)行圖像分析是非常重要的。永磁同步電機(jī)出現(xiàn)匝間短路時(shí)，其Park矢量圖會出現(xiàn)變化，永磁同步電機(jī)匝間短路比為μ，則

(3)

式中，n為永磁同步電機(jī)一相線圈短路匝數(shù)；N為永磁同步電機(jī)總匝數(shù)。

永磁同步電機(jī)出現(xiàn)匝間短路時(shí)，電機(jī)中會出現(xiàn)負(fù)序電流，因此，與永磁同步電機(jī)正常運(yùn)行狀態(tài)下Park矢量圖像相比，Park矢量圖像會出現(xiàn)畸變，而且隨著匝間短路的比例越大，永磁同步電機(jī)的負(fù)序電流分量越大，畸變越顯著。

3.3 永磁同步電機(jī)退磁圖像分析

當(dāng)電機(jī)出現(xiàn)退磁故障時(shí)，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(jī)退磁是指電機(jī)內(nèi)部磁場減弱或消失的情況。該情況可能是由于電機(jī)內(nèi)部繞組損壞、溫度過高或絕緣問題導(dǎo)致的。退磁圖像分析是通過不同的測量技術(shù)診斷電機(jī)退磁情況的過程。測量技術(shù)包括：1)電動勢圖像分析。電動勢圖像分析可以識別電機(jī)內(nèi)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(jī)的諧波情況，并確定其是否與退磁有關(guān)。3)波形分析。波形分析可以識別電機(jī)輸出的波形情況，并確定其是否與退磁有關(guān)。

上述測量技術(shù)可以使用專業(yè)的測試儀器進(jìn)行，并結(jié)合相關(guān)的理論知識和分析方法進(jìn)行診斷。通過退磁圖像分析，我們可以確定電機(jī)退磁的類型和原因，從而采取適當(dāng)?shù)木S修和修復(fù)措施。

4 基于卷積神經(jīng)網(wǎng)絡(luò)下永磁同步電機(jī)故障診斷方法

4.1 工作原理

通過永磁同步電機(jī)不同運(yùn)行狀態(tài)下圖像信息，基于深度學(xué)習(xí)算法可以自動提取圖像特征，進(jìn)行圖像識別，進(jìn)而進(jìn)行電機(jī)故障分類，實(shí)現(xiàn)電機(jī)故障的快速判斷與檢測。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)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(shù)，它是卷積層輸入圖像轉(zhuǎn)換的核心，其中也包含不同的池化方式。池化過程表達(dá)式如式(4)所示

(4)

全連接層輸出連接的是Softmax層，Softmax可以應(yīng)用于多分類場合，該層的目的是輸出分類情況下各個(gè)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(jīng)網(wǎng)絡(luò)下模型訓(xùn)練工作流程如圖2所示。

圖2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

為了避免出現(xiàn)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(shù)；隨機(jī)挑選神經(jīng)元并且讓其與某個(gè)確定神經(jīng)元共同工作。在向前傳播過程中，是某個(gè)神經(jīng)元停止工作的概率為p，如此一來可有效削弱神經(jīng)元之間的連結(jié)適應(yīng)性，從而提高網(wǎng)絡(luò)泛化能力，使網(wǎng)絡(luò)結(jié)構(gòu)簡單化，提高模型的工作效率，公式如式(6)所示

(6)

4.2 結(jié)果與分析

本次實(shí)驗(yàn)以永磁同步電機(jī)匝間短路和退磁現(xiàn)象為故障狀態(tài)，分別標(biāo)記為Ⅰ和Ⅱ。其中，永磁同步電機(jī)正常工作狀態(tài)標(biāo)記為Ⅰ，永磁同步電機(jī)A相匝間短路9%、22%和29%分別標(biāo)記為ⅠA1、ⅠA2和ⅠA3；永磁同步電機(jī)B相匝間短路9%、22%和29%分別標(biāo)記為ⅠB1、ⅠB2和ⅠB3；永磁同步電機(jī)C相匝間短路9%、22%和29%分別標(biāo)記為ⅠC1、ⅠC2和ⅠC3；永磁同步電機(jī)退磁12%、28%和51%分別標(biāo)記為ⅡA、ⅡB、ⅡC，綜上所述共13種故障狀態(tài)。

本研究將提出的GoogleNet卷積神經(jīng)網(wǎng)絡(luò)模型與其他算法模型進(jìn)行故障診斷對比，試驗(yàn)結(jié)果如表2所示。研究結(jié)果表明，基于卷積神經(jīng)網(wǎng)絡(luò)模型對故障診斷的準(zhǔn)確率與PNN、LS-SVM和AlexNet更高，同時(shí)驗(yàn)證了本研究提出的GoogleNet卷積神經(jīng)網(wǎng)絡(luò)模型的有效性和故障診斷準(zhǔn)確率。

表2 試驗(yàn)結(jié)果與分析

5 結(jié)論

本研究提出一種大數(shù)據(jù)下卷積神經(jīng)網(wǎng)絡(luò)永磁同步電機(jī)故障診斷模型，首先對永磁同步電機(jī)基本結(jié)構(gòu)與工作原理進(jìn)行敘述，建立基于卷積神經(jīng)網(wǎng)絡(luò)下永磁同步電機(jī)故障診斷模型，并通過與LS-SVM、PNN、AlexNet等進(jìn)行對比驗(yàn)證可知，卷積神經(jīng)網(wǎng)絡(luò)模型在永磁同步電機(jī)故障診斷方面具有較高的故障診斷精度，研究結(jié)果為永磁同步電機(jī)故障診斷的應(yīng)用與發(fā)展提供參考。