CN110703091B - 电动汽车用内置式永磁同步电机静态偏心故障检测方法 - Google Patents

Abstract

一种内置式永磁同步电机静态偏心故障检测方法，涉及电机测方法，其步骤如下：确定永磁电机中单元电机的数目；设置单元电机绕组电压测试线；测试每个单元电机每相空载反电动势；提取每个单元电机每相的空载反电动势的极大或极小值，将各单元电机各相空载反电动势极大或极小值取平均值，计算其畸变率

；若

，则未发生静态偏心；若

，对已知不同偏心率的标准电机进行测试，获取各单元电机的畸变率与静态偏心圆周角间的对应关系，建立数据预测模型；将

导入建立好的数据预测模型中，得待测永磁电机静态偏心圆周角和静态偏心率。本发明原理简单、使用方便、通用性较高、准确性高。

Description

电动汽车用内置式永磁同步电机静态偏心故障检测方法

技术领域

本发明涉及内置式永磁同步电机静态偏心故障的检测方法，更准确的说它适用于所有永磁同步电机静态偏心故障检测。

背景技术

内置式永磁同步电机具有高效、转矩密度高、抗退磁能力强、弱磁性能好、调速范围广等优点，在电动汽车领域得到了广泛应用。由于电机制造和安装误差、轴承磨损以及电动汽车在运行工况恶劣、负载变化明显等因素的影响下，电机定、转子可能会发生偏心。其中，转子旋转中心固定不动，定子几何中心发生偏移，导致气隙周向分布不均匀，为静态偏心。它会使气隙磁场发生畸变，导致电磁力分布不均匀，可能会使得电机发生共振，引起强烈的振动和噪声。偏心严重时还会使得定、转子接触，造成电机磨损甚至烧毁，给电动汽车的使用寿命带来极大的挑战。实际上，由于电机安装定、转子轴线与地面平行，受到重力作用，电机极易发生静态偏心，这对电机制造加工提出很高的要求。如果在电机生产阶段，即可简单、快捷的判断偏心程度和静态偏心圆周角，这对电机的制造安装有巨大的工程指导意义。

本领域技术人员对永磁电机空载反电动势已有了深入研究。对于旋转对称电机，有、无静态偏心空载反电势的幅值、波形均无明显变化。这是由于静态偏心情况下，气隙小处的导体产生的反电势与气隙大处的导体产生的反电势相叠加，抵消了偏心带来的差异。但静态偏心程度和静态偏心圆周角会导致不同单元电机的反电势最大幅值的差异。

单元电机定义为：整个电机空间分布的最小单元，电磁场空间分布的最小周期单元。单元电机数目取决于电机的极槽配合，极数和槽数的最大公约数a即为整个电机的单元电机数。

综合调研现有文献，现有的电机偏心故障检测技术大致分为两类:

1）、入侵式检测方式。大多通过安装检测环、检测线圈，用于近似测量自身所在位置处的电机气隙磁场时域信号，以所述电机磁场时域信号产生电压信号。将获得的电压信号进行频谱分析，通过有无出现特征频率判断是否偏心；根据所述特征频率的幅值及相对应检测线圈所在位置，判断出电机最小气隙位置。也有在伺服电机轴上安装编码器，通过至少三个转子磁极对应的编码器数值，根据定子磁极位置、定子圆心位置、转子圆心位置、转子圆心角建立方程组，接着对所述方程组进行求解获取伺服电机定转子间的偏心量。还有在定子槽内

沿轴向方向上等距离布置霍尔传感器，获取轴向上的磁感应强度，依据故障特征值准确识别偏心故障。该类方法检测准确性相对较高，但需要在电机制造时安装探测线圈等，工艺复杂，实施困难，受安装误差影响较大，且对不同类型电机测量方法不一样，通用性较差。

2）、非侵入式检测方式。通常根据电机振动加速度频谱有无出现特征频率，来判断静、动态偏心类型，接着通过该频率下振动加速度幅值与未偏心时加速度进行比较，判断偏心量。以及通过气隙检测百分表测量转子相对定子内表面的相对位置的方法，但会引起圆度误差。还有利用三相异步电机运行状态下的电压、电流和转速测量值，进行零序反电动势分析，得到偏心指示信号，通过故障指示值和阈值之间的关系，确定电机的偏心类型以及偏心故障程度。此外，还有基于振动速度峰值计算电机轴偏心量的方法，利用振动速度与频率关系计算偏心量。该方法不会对电机结构造成破坏，但多数采取对测量值进行频谱分析获得特征值，并与标准值相比较。该方法有两个较大缺陷，一是测量值会受电机负载变化、设备测量误差等影响，分析得到的特征值不够精确。二是标准值的选取，尤其是不同偏心程度下，标准值的选取很难精确取得。此外，由于内置式永磁同步电机极易受到饱和的影响，特征值受饱和影响较大，因此，该类方法检测准确性相对较低。

发明内容

本发明的目的是解决上述现有技术存在的检测复杂、成本较大、操作困难、难以批量生产检测等缺点，提供一种原理简单、使用方便、通用性较高、可准确地测量内置式永磁同步电机静态偏心故障的检测方法。

本发明解决上述现有技术的不足所采用的技术方案是：

一种内置式永磁同步电机静态偏心故障检测方法，其特征在于包括如下步骤：

步骤1：确定待测永磁电机中单元电机的数目；

步骤2：设置单元电机绕组电压测试线；

步骤3：测试待测永磁电机的每个单元电机每相至少一个周期的空载反电动势；

步骤4：提取每个单元电机每相至少一个周期的空载反电动势的极大或极小值，将各单元电机各相空载反电动势极大或极小值取平均值，计算其畸变率

（其代指各单元电机的各相空载反电动势极大或极小值平均值，即各单元电机的各相空载反电动势极大或极小值平均值的畸变率

）；若

，则未发生静态偏心；若

，则进行步骤5；

步骤5：对已知不同静态偏心率的标准电机进行测试，获取不同静态偏心率下标准电机各单元电机的畸变率与静态偏心圆周角间的对应关系，并建立相应的数据预测模型；

步骤6：将步骤4测试得到的各单元电机的畸变率

导入建立好的数据预测模型中，即可判断待测永磁电机静态偏心圆周角和静态偏心率。

标准电机为静态偏心率已知的、与待测永磁电机种类相同的永磁电机。

本发明中所述的数据预测模型可以为BP神经网络模型、蚁群算法或模糊算法等已知的预测算法模型。优选BP神经网络模型。

所述的步骤1中，具体实施方法为：

计算永磁电机槽数与极对数的最大公约数a，a为永磁电机的单元电机数目。

所述的步骤2中，具体实施方法为：

将待测永磁电机的极槽分布在圆周上等分a份，每份为一个单元电机所占的极槽数，在每一个单元电机对应槽内的各相绕组端引出电压测试线；

所述的步骤3中，具体实施方法为：

1）将待测永磁电机通过夹具安装于测试平台上，将待测永磁电机各单元电机各相电压测试线与示波器相接，进行数据采集，计算机进行数据分析。

2）启动测功机，将待测永磁电机反拖至额定转速n _e 。

3）采集每个单元电机每相至少一个周期

以上的空载反电动势信号，其中n为转速，p为极对数。

所述的步骤4中，具体实施方法为：

1）提取采集周期内各单元电机各相空载反电势极大值或极小值，接着将各单元电机内各相空载反电势极大值或极小值取平均值，得到各单元电机平均空载反电势极大值或极小值。

2）定义畸变率

：其中e _i 代表第i个单元电机平均反电势极大值或极小值，e ₀ 代表标准电机无静态偏心下单元电机平均反电势极大值或极小值。

所述的步骤5中，具体实施方法为：

对标准电机进行测试，以静态偏心率x为步长，y为最大静态偏心率，可得到共y/x个静态偏心率（通过改变定子支架与转子轴之间的距离等方法，即可获得不同静态偏心率的标准电机）。在圆周方向上等分q份，可得到q个静态偏心角（通过改变转子相对定子支架的旋转角度等方法，即可获得不同静态偏心角的标准电机）。一共可获得z=(y/x)*q*a个单元电机的平均空载反电动势极大或极小值的畸变率，将数据组导入到BP神经网络中进行训练。建立a输入2输出的BP神经网络预测模型（a是输入的各个单元电机畸变率值，2输出指的是静态偏心率和静态偏心圆周角。

BP神经网络模型原理：

理论已经证明，至少有一个S型隐含层和一个线性输出层的BP神经网络，可以逼近任何一个有理函数。因此，通过建立BP神经网络可以建立a输入参数与2输出参数之间的映射关系，进而达到诊断的目的。

所述的步骤6中，具体实施方法为：

定义静态偏心圆周角：定、转子圆心连线与规定坐标轴的夹角，如图3定转子圆心连线与x轴正方向夹角α即为静态偏心圆周角。

将各个单元电机畸变率

输入到已经训练好的神经网络模型中，即可得到相对应的静态偏心率和静态偏心圆周角的输出。

本发明所依据的技术特征是：不同静态偏心率以及不同静态偏心圆周角处，各个单元电机空载反电势畸变率均不相同。各个单元电机畸变率与静态偏心率和静态偏心圆周角具有清晰的对应关系，可以通过BP神经网络模型进行训练诊断。本特征已经由有限元方法和解析计算方法科学论证。

使用本发明的内置式永磁同步电机静态偏心故障检测方法，可准确判断永磁电机是否发生静态偏心以及获得静态偏心圆周角和偏心率。本发明具有结构简单，操作简便，检测精度高，通用性好等优点。

与已有技术相比，本发明有益效果体现在：

1．本发明是一种非侵入式检测方式，无需任何改装，通过引出电机两端电压测试线，只需进行常规的空载反电动势测试，即可检测其是否存在静态偏心以及静态偏心圆周角和偏心程度。

2．本发明结合BP神经网络模型，能够快速分析出不同静态偏心率及不同静态偏心圆周角处各单元电机畸变率的变化规律，进而准确诊断出偏心率和静态偏心圆周角。

3．本发明几乎不受磁饱和等因素的影响，对具有复杂转子结构的内置式永磁电机可以精确诊断。

4．本发明适用于所有永磁电机，且操作方法是一样的，具有很高的通用性。

5．本发明依据的评判指标经过解析公式与有限元仿真工具的双重科学论证，具有很高的实践价值。

6．本发明操作流程、计算方法简单，可快速应用于生产实践和工程检测中。

用以判断是否存在静态偏心以及确定静态偏心圆周角和偏心程度。

附图说明

图1是空载反电动势的测试台架的结构示意图。

图2是图1中被测永磁电机的单元电机划分示意图。

图3是电机静态偏心率与静态偏心圆周角示意图。

图4是本发明检测方法的流程图。

图5-图12是本发明中实测得到的不同静态偏心率下标准电机各单元电机的畸变率与静态偏心率和静态偏心圆周角间的对应关系图。

图13是BP神经网络模型结构图。

图14是应用本发明检测已知不同静态偏心率和静态偏心圆周角的标准电机所得到的诊断值与标准值的对比。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

针对某8极48槽，额定转速5100rpm的电动汽车用V型内置式永磁同步电机为待测永磁电机，按本发明方法进行全流程检测。

如图1所示，为内置式永磁同步电机空载反电动势的测试台架示意图，设有测功机控制器1经控制线2连接用于拖动被测永磁电机的测功机3，发出转矩通过联轴器4经转轴带动被测永磁电机7转动达到额定转速。采集四个单元电机空载反电势，通过接线盒8，将各单元电机各相电压测试线连接至数据采集与分析单元9。5是支架、6是轴承座，用于固定支撑，整个试验在试验平台10上进行。

对于待测电机，按图4流程所示，有如下执行过程：

1）确定待测永磁电机中单元电机的数目：电机为8极48槽，最大公约数a=4，包含4个单元电机。

2）设置单元电机绕组电压测试线：划分每一个单元电机所占的极槽分布，将每一个单元电机对应槽内的绕组两端分别引出电压测试线。如图2所示，一个单元电机为2极12槽，M1-M4分别代表第一个到第四个单元电机。

3）测试待测永磁电机每个单元电机每相两个周期的空载反电动势：将待测永磁电机通过夹具安装于测试平台上，将待测永磁电机电压测试线与数据采集分析单元相接，具体连接结构如图1所示。启动测功机3，将待测永磁电机反拖至额定转速n _e ，数据采集单元采集至少一个周期

的各单元电机电压信号。

4）提取两个周期的各单元电机各相空载反电动势的极大值，并分别取各单元电机各相平均值计算其畸变率.若畸变率

，则未发生静态偏心；若

，继续步骤5。

5）利用解析法代替标准电机试验，获取以10%静态偏心率，7.5°圆周角为步长，10-80%共8个静态偏心率下整圆周360°各单元电机的平均空载反电动势极大值的畸变率。并建立4输入2输出（4个单元电机空载反电势畸变率输入，静态偏心率和静态偏心圆周角输出）的BP神经网络模型，进行数据训练，如图6所示。

6）将4）测试得到的4个单元电机平均空载反电动势极大值的畸变率代入训练好的BP神经网络模型中进行预测，即可得到待测内置式永磁同步电机静态偏心圆周角以及静态偏心程度。

图7为应用本发明检测已知不同静态偏心率和静态偏心圆周角的标准电机所得到的诊断值与标准值的对比图。诊断值的精确度与神经网络搭建模型精度有关。

BP神经网络模型的建立：

基于MATLAB神经网络工具箱，建立具有一个隐含层的BP神经网络，其中隐含层响

应采用S型正切函数tansig，输入层的响应函数采用线性函数purelin，选取隐含层节点数目经验公式为：

其中，

代表隐含层节点数，

代表输入层节点数，

代表输出层节点数，a通常取0-10。根据4输入2输出模型，结合经验公式，试算选取隐层节点数为8，建立4-8-2的BP神经网络模型，其中训练函数为trainlm，学习函数为learngdm，如图6所示。将得到的畸变率数据样本作为训练数据，根据达成指标训练步数、均方误差等，完成BP神经网络模型的建立。与已有技术相比，本发明有益效果体现在：

1.本发明是一种非侵入式检测方式，无需任何改装，通过引出电机两端电压测试线，只需进行常规的空载反电动势测试，即可检测其是否存在静态偏心以及静态偏心圆周角和偏心程度。

2.本发明结合BP神经网络模型，能够快速分析出不同静态偏心率及不同静态偏心圆周角处各单元电机畸变率的变化规律，进而准确诊断出偏心率和静态偏心圆周角。

3.本发明几乎不受磁饱和等因素的影响，对具有复杂转子结构的内置式永磁电机可以精确诊断。

4.本发明适用于所有永磁电机，且操作方法是一样的，具有很高的通用性。

5.本发明依据的评判指标经过解析公式与有限元仿真工具的双重科学论证，具有很高的实践价值。

6.本发明操作流程、计算方法简单，可快速应用于生产实践和工程检测中。

用以判断是否存在静态偏心以及确定静态偏心圆周角和偏心程度。

Claims (8)

1.一种内置式永磁同步电机静态偏心故障检测方法，其特征在于包括如下步骤：

步骤1：确定待测永磁电机中单元电机的数目；

步骤2：设置单元电机绕组电压测试线；

步骤3：测试待测永磁电机的每个单元电机每相至少一个周期的空载反电动势；

步骤4：提取每个单元电机每相至少一个周期的空载反电动势的极大或极小值，计算每 个单元电机各相空载反电动势极大或极小值的平均值，计算其畸变率

；若

，则未发 生静态偏心；若

，则进行步骤5；

步骤5：对已知不同静态偏心率的标准电机进行测试，获取不同静态偏心率下标准电机各单元电机的畸变率与静态偏心圆周角间的对应关系，并建立相应的数据预测模型；

步骤6：将步骤4测试得到的各单元电机的畸变率

导入建立好的数据预测模型中，即可 得到待测永磁电机静态偏心圆周角和静态偏心率。

2.根据权利要求1所述的内置式永磁同步电机静态偏心故障检测方法，其特征在于所述的数据预测模型为BP神经网络模型。

3.根据权利要求1所述的内置式永磁同步电机静态偏心故障检测方法，其特征在于步骤1的具体实施方法为：

计算永磁电机槽数与极对数的最大公约数a，a为永磁电机的单元电机数目。

4.根据权利要求1所述的内置式永磁同步电机静态偏心故障检测方法，其特征在于步骤2的具体实施方法为：

将待测永磁电机的极槽分布在圆周上等分a份，每份为一个单元电机所占的极槽数，在每一个单元电机对应槽内的各相绕组端引出电压测试线。

5.根据权利要求1所述的内置式永磁同步电机静态偏心故障检测方法，其特征在于步骤3的具体实施方法为：

1）将待测永磁电机通过夹具安装于测试平台上，将待测永磁电机各单元电机各相电压测试线与示波器相接，进行数据采集，计算机进行数据分析；

2）启动测功机，将待测永磁电机反拖至额定转速n _e ；

3）采集每个单元电机每相至少一个周期

以上的空载反电动势信号，其中n为转速，p为极对数。

6.根据权利要求1所述的内置式永磁同步电机静态偏心故障检测方法，其特征在于步骤4的具体实施方法为：

1）提取采集周期内各单元电机各相空载反电势极大值或极小值，接着将各单元电机内各相空载反电势极大值或极小值取平均值，得到各单元电机平均空载反电势极大值或极小值；

2）定义畸变率

：

其中e _i 代表第i个单元电机平均反电势极大值或极小值，e ₀ 代表标准电机无静态偏心下单元电机平均反电势极大值或极小值。

7.根据权利要求1所述的内置式永磁同步电机静态偏心故障检测方法，其特征在于步骤5的具体实施方法为：

对标准电机进行测试，以静态偏心率x为步长，y为最大静态偏心率，可得到共y/x个静态偏心率；在圆周方向上等分q份，可得到q个静态偏心角；一共可获得z=(y/x)*q*a个单元电机的平均空载反电动势极大或极小值的畸变率，将数据组导入到BP神经网络中进行训练；建立a个输入2个输出的BP神经网络预测模型。

8.根据权利要求1所述的内置式永磁同步电机静态偏心故障检测方法，其特征在于步骤6的具体实施方法为：

将各个单元电机畸变率

输入到已经训练好的神经网络模型中，即可得到相对应的静 态偏心率和静态偏心圆周角的输出。

Images