CN103558547A - 一种永磁同步电机的智能故障诊断方法 - Google Patents

Abstract

本发明公开了一种永磁同步电机的智能故障诊断方法，用于解决永磁同步电机定子绕组匝间短路故障的诊断问题。其技术方案是：首先利用坐标变换理论计算三相相电流基波的瞬时幅值。其次，分别计算三个瞬时幅值中任意两个瞬时幅值差的绝对值，并将三个绝对值的和作为故障特征量Fe，如果Fe>thr（thr为设定的阈值），则有匝间短路故障，并且定位故障相，反之，则没有匝间短路故障。最后，在匝间短路故障情况下，利用支持向量机自动地定位故障相。本发明不需要增加额外的设备，成本少，计算简单，不仅能实时地诊断匝间短路故障，而且能自动地定位故障相。

Description

一种永磁同步电机的智能故障诊断方法

技术领域

本发明属于故障诊断技术领域，尤其是一种永磁同步电机的智能故障诊断方法。

背景技术

永磁同步电机(Permanent Magnet Synchronous Machine，PMSM)具有功率密度高、效率高、转矩惯量比大、调速范围宽等优点。近年来，永磁同步电机在电动汽车和风力发电等场合得到了广泛关注，可靠性是保证其广泛应用的重要因素。因此，实时地监测和诊断电机的运行状况是提高其可靠性的重要手段。

本发明主要研究永磁同步电机的匝间短路故障。定子绕组故障是电机中很容易出现的一类故障，主要是由定子绕组绝缘失效造成的。在电机中主要有三种短路故障：匝间短路，相间短路和接地故障。其中，匝间短路是最易出现的一种故障。匝间短路会导致短路回路中产生大量的涡流，如果这种故障没有被监测到，故障就会不断加重，使电机的温度不断增加，严重的情况下会导致电机完全损坏，因此需要及时地诊断永磁同步电机的匝间短路故障。

目前，已经提出了一些方法来诊断永磁同步电机的匝间短路故障，例如，基于振动的方法，基于负序电流和负序阻抗的方法，基于功率的方法和基于定子电流的方法等。其中，最流行的方法是基于定子电流信号的分析方法，常用的分析技术有快速傅里叶变换、短时傅里叶变换、小波变换、经验模态分解和阶比分析等。但是这种故障诊断方法存在一定的不足，一方面这些信号分析技术的计算量比较大，不易实时地诊断故障，另一方面，这种方法只能诊断匝间短路故障，不能自动地定位故障相。

专利内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种永磁同步电机的智能故障诊断方法，不需要增加额外的设备，成本少，计算简单，不仅能实时地诊断匝间短路故障，而且能自动地定位故障相。

技术方案：为实现上述目的，本发明采用的方案为：一种永磁同步电机的智能故障诊断方法，该方法的包括如下步骤：

步骤1：首先利用坐标变换理论计算三相相电流基波的瞬时幅值I_a，I_b，I_c；

步骤2：分别计算三个瞬时幅值I_a，I_b，I_c中任意两个瞬时幅值差的绝对值，并将三个绝对值的和作为故障特征量Fe，如果Fe>thr，thr为阈值，则有匝间短路故障，并且定位故障相，反之，则没有匝间短路故障；

步骤3：在匝间短路故障情况下，利用支持向量机自动地定位故障相。

优选的，所述步骤2中得到故障特征量Fe，其方法为：

Fe＝|I_a-I_b|+|I_b-I_c|+|I_c-I_a|

三相相电流基波的瞬时幅值I_a，I_b，I_c。

优选的，步骤3中，在匝间短路故障情况下，利用支持向量机自动地定位故障相，其方法为：

f_l(x)＝sgn(ω_l·x+b_l)

式中：f_l(x)为第l个支持向量机分类器的决策函数，ω_l和b_l是第l个支持向量机分类器的优化参数，其中参数ω_l和b_l根据支持向量机的训练进行确定。

优选的，步骤2中，阈值thr确定方法为：

对于阈值thr，首先在永磁同步电机正常工作情况下，记录下故障特征量Fe在不同工作点的值，然后将其设置为阈值thr，最后把这些设定好的阈值保存在表格中，在故障诊断的时候进行调用。

有益效果：本发明提供的一种永磁同步电机的智能故障诊断方法，不需要增加额外的设备，成本少，计算简单；不仅能实时地诊断匝间短路故障，而且能自动地定位故障相；能够克服现有诊断方法的不足，提高诊断的实时性、有效性和可靠性。

附图说明

图1为永磁同步电机匝间短路等效图；

图2为定位故障相的流程图；

图3为永磁同步电机匝间短路故障诊断的流程图；

图4为永磁同步电机在矢量控制情况下匝间短路故障诊断的框图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

（1）首先利用坐标变换理论计算三相相电流基波的瞬时幅值I_a，I_b，I_c；

（2）分别计算三个瞬时幅值中任意两个瞬时幅值差的绝对值，并将三个绝对值量的和作为故障特征量Fe，如果Fe>thr（thr为阈值），则有匝间短路故障，并且定位故障相，反之，则没有匝间短路故障；

（3）在匝间短路故障情况下，利用支持向量机分类器自动地定位故障相。

下面以永磁同步电机A相（B相和C相类似）发生匝间短路为例对本案进行说明：

（1）匝间短路故障情况下的电压方程

做以下假设：永磁同步电机的三相绕组的连接方式为Y型，不考虑饱和的影响，认为转子是隐极的。永磁同步电机匝间短路等效图如图1所示，一个附加的电阻R_f放在a相中，并且将其分成a₁和a₂两部分，流过R_f的故障电流称为i_f。在一般情况下，定子的电阻和反电动势与绕组的匝数是成比例的。为了表示定子绕组短路故障的程度，做以下定义

$\begin{array}{cc}\mathrm{\&mu;}=\frac{N_f}{N}& (0<\mathrm{\&mu;}<1)---\left(1\right)\end{array}$

τ＝1-μ(0＜τ＜1)    （2）

式中：N是一相定子总的绕组匝数，N_f为一相中短路的匝数。

根据图1，永磁发电机在A相发生匝间短路故障的情况下，定子绕组的电压方程在abc坐标系下表示为

$\left[\begin{array}{c}{V}_a\\ V_b\\ V_c\end{array}\right]=R_s\left[\begin{array}{c}{i}_a\\ i_b\\ i_c\end{array}\right]+L_{\mathrm{cy}}\&CenterDot;\frac{d}{\mathrm{dt}}\left[\begin{array}{c}{i}_a\\ i_b\\ i_c\end{array}\right]+\left[\begin{array}{c}{e}_a\\ e_b\\ e_c\end{array}\right]+\left[\begin{array}{c}\mathrm{\&alpha;}\\ \mathrm{\&beta;}\\ \mathrm{\&gamma;}\end{array}\right]---\left(3\right)$

式中：

$\left\{\begin{array}{c}\mathrm{\&alpha;}=-R_{a2}\&CenterDot;i_f-(L_{a2}+M_{a1a2})\&CenterDot;\frac{{\mathrm{di}}_f}{\mathrm{dt}}\\ \mathrm{\&beta;}=-M_{a2b}\&CenterDot;\frac{{\mathrm{di}}_f}{\mathrm{dt}}\\ \mathrm{\&gamma;}=-M_{a2c}\&CenterDot;\frac{{\mathrm{di}}_f}{\mathrm{dt}}\\ L_{\mathrm{cy}}=L_a-M_{\mathrm{ab}}=L_b-M_{\mathrm{bc}}=L_c-M_{\mathrm{ac}}\end{array}\right.---\left(4\right)$

式中：R_s是定子绕组的电阻，R_a2是绕组a₂的电阻，L_j(j＝a,b,c,a₁,a₂)是绕组j的自感，M_jk(j,k＝a,a₁,a₂,b,c)是绕组j和绕组k之间的互感。

根据式（3）可得

$\frac{d}{\mathrm{dt}}\left[\begin{array}{c}{i}_a\\ i_b\\ i_c\end{array}\right]=\frac{1}{L_{\mathrm{cy}}}\left[\begin{array}{c}{V}_a\\ V_b\\ V_c\end{array}\right]-\frac{R_s}{L_{\mathrm{cy}}}\left[\begin{array}{c}{i}_a\\ i_b\\ i_c\end{array}\right]+\frac{1}{L_{\mathrm{cy}}}\left[\begin{array}{c}{e}_a\\ e_b\\ e_c\end{array}\right]+\frac{1}{L_{\mathrm{cy}}}\left[\begin{array}{c}\mathrm{\&alpha;}\\ \mathrm{\&beta;}\\ \mathrm{\&gamma;}\end{array}\right]---\left(5\right)$

根据式（5）可知，在匝间短路故障情况下，由于存在α，β和γ三个变量导致三相相电流的瞬时幅值不再相等。因此，定义故障特征量Fe

Fe＝|I_a-I_b|+|I_b-I_c|+|I_c-I_a|    （6）

式中：I_a，I_b，I_c分别为三相相电流基波的瞬时幅值。

（3）利用坐标变换理论计算相电流中基波的瞬时幅值

以计算A相相电流中基波的瞬时幅值为例，其余的类似。为了方便分析只考虑基波，假设在故障情况下i_a表示为

i_a＝I_asin(ω_st+φ)    （7）

式中：ω_s是基波角频率，φ为基波的初相位。

利用坐标变换理论对式（7）进行变换，可得d轴和q轴的电压为

$\left\{\begin{array}{c}{I}_d=I_a\sin ({\mathrm{\&omega;}}_{s}t+\mathrm{\&phi;})\cos \left({\mathrm{\&omega;}}_{s}t\right)\\ I_q=I_a\sin ({\mathrm{\&omega;}}_{s}t+\mathrm{\&phi;})\sin \left({\mathrm{\&omega;}}_{s}t\right)\end{array}\right.---\left(8\right)$

对式（8）作进一步的运算可得

$\left\{\begin{array}{c}{I}_d=\frac{1}{2}{I}_a(\sin (2{\mathrm{\&omega;}}_{s}t+\mathrm{\&phi;})+\sin \left(\mathrm{\&phi;}\right))\\ I_q=-\frac{1}{2}{I}_a(\cos (2{\mathrm{\&omega;}}_{s}t+\mathrm{\&phi;})-\cos \left(\mathrm{\&phi;}\right))\end{array}\right.---\left(9\right)$

利用低通滤波器滤除式（9）中高频成分，可得

$\left\{\begin{array}{c}{I}_{\mathrm{dl}}=\frac{1}{2}{I}_a\sin \left(\mathrm{\&phi;}\right)\\ I_{\mathrm{ql}}=\frac{1}{2}{I}_a\cos \left(\mathrm{\&phi;}\right)\end{array}\right.---\left(10\right)$

根据式（10）可得，i_a中基波的幅值为

$I_a=5\sqrt{{I_{\mathrm{dl}}}^2+{I_{\mathrm{ql}}}^2}---\left(11\right)$

此外，利用类似的方法可以提取另外两相相电流中基波的瞬时幅值。

（3）故障相的定位

本发明中利用支持向量机（Support Vector Machine,SVM）分类器自动地定位故障相，其原理如下：

对于二类分类问题，假设训练样本集为(x₁,y₁)…(x_i,y_i),i＝1,2,…n。其中x_i∈R^l为样本输入，l为输入空间的维数，y_i∈{-1，1}为样本输出。假设

是将原始空间映射到高维特征空间的非线性映射。在特征空间中利用结构风险最小化原理和分类间隔最大化思想，求最优分类超平面问题转化为下面的最优化问题

$\mathrm{Subject\; to}\begin{array}{c}{y}_i[(\mathrm{\&omega;}\&CenterDot;x_i)+b]\&GreaterEqual;1-{\mathrm{\&epsiv;}}_i\\ {\mathrm{\&epsiv;}}_i\&GreaterEqual;0,i=\mathrm{1,2},...n\end{array}---\left(12\right)$

式中：ω,b分别是分类超平面的权值和偏置，ε_i是非负松弛变量，C＞0是惩罚系数，是为了保持分类最大间隔和分类误差之间的平衡。

为求解上述约束最优化问题，引入Lagrange函数

$L=\frac{1}{2}{\left|\right|\mathrm{\&omega;}\left|\right|}^2+C\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&epsiv;}}_i-\underset{i=}{\overset{n}{\mathrm{\&Sigma;}}}{a}_i[y_i(x_i\&CenterDot;\mathrm{\&omega;}+b)-1+{\mathrm{\&epsiv;}}_i]-{\mathrm{\&beta;}}_i{\mathrm{\&epsiv;}}_i---\left(13\right)$

式中：a_i≥0,β_i≥0是Lagrange系数。将L分别对ω、b、ε_i求偏微并令其等于0，就可以把最优化问题（13）转化为等价的对偶规划问题

$\mathrm{Maximize\; W}\left(\mathrm{\&alpha;}\right)=\underset{i=}{\overset{n}{\mathrm{\&Sigma;}}}{a}_i-\frac{1}{2}\underset{i=}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j}{\overset{n}{\mathrm{\&Sigma;}}}{a}_i{a}_j{y}_i{y}_{j}K(x_i,x_j)$

$\mathrm{Subject\; to}\begin{array}{c}\underset{i}{\overset{n}{\mathrm{\&Sigma;}}}{a}_i{y}_i=0\\ 0\&le;a_i\&le;C,i=\mathrm{1,2},...,n\end{array}---\left(14\right)$

式中：

是核函数。

通过求解最优化问题，得到最优决策函数为

$f\left(x\right)=\mathrm{sgn}((\mathrm{\&omega;}\&CenterDot;x)+b)=\mathrm{sgn}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_i{a}_{i}K(x_i\&CenterDot;x)+b)---\left(15\right)$

式中：a_i、ω和b是优化问题的最优解。

上述介绍的支持向量机针对的是二类分类问题，对于多类的分类问题，本发明采用改进的一对多的算法来实现多类分类，构造N-1个SVM分类器可以实现N类分类。在构造N-1个分类器中的第i个分类器时，将属于第i类的SVM的故障训练样本作为一类，类别标号由原来的i改为1，将除去属于第i类故障的其余所有训练样本作为一类，类别标号为-1，决策函数为

f_l(x)＝sgn(ω_l·x+b_l)    （16）

式中：ω_l和b_l是第l个SVM分类器的优化参数。

对于本发明，在检测到存在匝间短路故障后，将某一时刻三相相电流基波的瞬时幅值作为故障特征向量输入到训练好的SVM分类器（本发明中考虑A、B和C三相的定位，因此只需要2个SVM），根据图2所示的多类分类流程图和决策函数式（16）的输出自动地定位故障相。

（4）故障诊断

永磁同步电机匝间短路故障诊断的流程图如图3所示，分成三个步骤：首先利用坐标变换理论计算三相相电流基波的瞬时幅值I_a，I_b，I_c。其次，分别计算三个瞬时幅值中任意两个瞬时幅值差的绝对值，并将三个绝对值量的和作为故障特征量Fe，如果Fe>thr（thr为阈值），则有匝间短路故障，并且定位故障相，反之，则没有匝间短路故障。最后，在匝间短路故障情况下，利用支持向量机分类器自动定位故障相。图4为永磁同步电机在矢量控制情况下匝间短路故障诊断方法的框图。

对于阈值thr，首先在永磁同步电机正常工作情况下，记录下Fe在不同工作点的值，然后将其设置为阈值thr，最后把这些设定好的阈值保存在表格中，在故障诊断的时候进行调用。

利用本发明提出的方法，可以实现永磁同步电机的智能故障诊断。本发明提出的方法不需要增加额外的设备，成本少，计算简单；不仅能诊断匝间短路故障，而且能自动地定位故障相；可以提高诊断的实时性、有效性和可靠性。

Claims (4)

1.一种永磁同步电机的智能故障诊断方法，其特征在于：该方法的包括如下步骤：

步骤1：首先利用坐标变换理论计算三相相电流基波的瞬时幅值I_a，I_b，I_c；

步骤2：分别计算三个瞬时幅值I_a，I_b，I_c中任意两个瞬时幅值差的绝对值，并将三个绝对值的和作为故障特征量Fe，如果Fe>thr，thr为阈值，则有匝间短路故障，并且定位故障相，反之，则没有匝间短路故障；

步骤3：在匝间短路故障情况下，利用支持向量机分类器自动地定位故障相。

2.根据权利要求1所述的永磁同步电机的智能故障诊断方法，其特征在于：所述步骤2中得到故障特征量Fe，其方法为：

Fe＝|I_a-I_b|+|I_b-I_c|+|I_c-I_a|

三相相电流基波的瞬时幅值I_a，I_b，I_c。

3.根据权利要求1所述的永磁同步电机的智能故障诊断方法，其特征在于：步骤3中，在匝间短路故障情况下，利用支持向量机分类器自动地定位故障相，其方法为：

f_l(x)＝sgn(ω_l·x+b_l)

式中：f_l(x)为第l个支持向量机分类器的决策函数，ω_l和b_l是第l个支持向量机分类器的优化参数，其中参数ω_l和b_l根据支持向量机的训练进行确定。

4.根据权利要求1所述的永磁同步电机的智能故障诊断方法，其特征在于：步骤2中，阈值thr确定方法为：

对于阈值thr，首先在永磁同步电机正常工作情况下，记录下故障特征量Fe在不同工作点的值，然后将其设置为阈值thr，最后把这些设定好的阈值保存在表格中，在故障诊断的时候进行调用。

Images