CN111551872A - 一种pmsm驱动系统逆变器开路故障在线诊断方法 - Google Patents

Abstract

本发明涉及一种PMSM驱动系统逆变器开路故障在线诊断方法，能够对多种逆变器开路故障进行在线的故障诊断和定位。引入龙伯格观测器，跟踪PMSM三相电流，从而获取三相电流观测残差作为故障诊断依据；设计采样策略，获取用于训练的原始样本集；在离线训练中，首先引入主成分分析法对原始样本集进行预处理，获得数据降维模型，之后通过训练支持向量机获得分类模型；最终将降维模型与分类模型运行在驱动系统中，实现故障的在线诊断与定位。本发明不增加硬件设备、不影响驱动控制，同时不受负载和模型参数变化的影响，且通过对实际工况的机器学习，不依赖于人工设定的诊断依据，降低了误诊的可能。

Description

一种PMSM驱动系统逆变器开路故障在线诊断方法

技术领域

本发明属于PMSM驱动系统故障诊断领域，涉及一种PMSM驱动系统逆变器开路故障在线诊断方法，具体涉及一种基于观测器与机器学习的PMSM驱动系统逆变器开路故障在线诊断方法。

背景技术

在现代工业生产及国防工业领域中，永磁同步电机因其响应快、功率密度高、效率高等优点得到了十分广泛的应用。而随着其应用越来越广泛，实际应用中对永磁同步电机驱动系统的可靠性也提出了更高的要求。在永磁同步电机驱动系统中，逆变器包含电力电子器件及其驱动电路，是数字控制与功率输出结合最紧密的环节，也是故障类别多样且故障发生频繁的薄弱环节。

逆变器中功率器件的故障形式可以分为开路故障与短路故障两类。由于错误的驱动信号、过压击穿、热击穿等原因造成的桥臂直通短路故障将对系统造成极大的危害甚至直接损坏逆变器，因此针对短路故障需要硬件设计响应快速的保护电路，或者采用加装热熔丝的方式将短路故障转换为开路故障。对于由结温过高器件损坏、驱动信号丢失、连接不良等情况造成的开路故障，不会立刻导致系统严重损害且不能触发常用的系统保护机制，但由于某一功率管或者某几个功率开路而造成的电流不平衡和转矩脉动会对作动系统造成二次损伤。因此对于逆变器各种形式下开路故障的研究成为逆变器故障研究的重点。

目前，在针对逆变器开路故障的诊断方法中，主要的诊断方法有基于电压电流信号的方法、基于模型的方法、数据驱动的方法。

专利申请号CN201910281011.4公开了一种基于电流信号的逆变器开路故障诊断方法，计算得到采样时刻三相电流绝对值之和的标幺值，将此标幺值与预设阈值进行比较，判断是否发生开路故障，并通过相电流极性进行故障定位。专利申请号 CN201711287150.5通过两相旋转坐标系下电流矢量的取值范围进行开路故障的诊断。基于电流信号分析的方法在电流幅值较小或者采样精度较低的应用场合下应用受限，且作为诊断标准的预设阈值受负载变化影响较大。

专利申请号CN201811102120.7与专利申请号CN201910725088.6，分别公开了基于滑模观测器与差动电流观测器的两种基于模型的开路故障诊断方法。通过构建状态观测器获取电流观测残差，之后通过与阈值的比较进行残差信号的评估与故障诊断的决策。虽然通过残差与阈值的判断可以较好的避免由于信号质量不佳引起的误判，但依赖于系统数学模型使得在应用中阈值存在设定不当的问题，无法很好地适应电驱动系统的实际工作情况，造成误警率较高。专利申请号CN201310743597.4中通过混杂系统电流观测器进行电流残差的获取，但存在同样的上述问题。

专利申请号CN201910404744.2公开了一种基于优化支持向量机的三电平逆变器开路故障诊断方法，以钳位二极管两端的电压信号为故障诊断的依据，使用一种优化支持向量机构造分类器，对开路故障进行诊断和分类。专利申请号CN201910668544.8 公开了一种以逆变器三相电流信号为故障诊断的依据，通过BP神经网络进行故障诊断与分类的方法。数据驱动的方法摆脱了系统数学模型的限制，且采用分类器可以将诊断和定位同步进行。然而，数据驱动方法需要合理的设置训练输入集的数据种类以及输入集大小，以兼顾训练成本和最终的训练结果。另一方面，目前用于学习的数据通常直接由信号采样获取，依然存在基于电压电流信号方法中相似的问题。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种PMSM驱动系统逆变器开路故障在线诊断方法，采用基于观测器与机器学习的PMSM驱动系统逆变器开路故障在线诊断方法，能够有效地避免负载和模型参数变化的影响，且通过对实际工况的机器学习，不依赖于人工设定的诊断依据，降低了误诊的可能。

技术方案

一种PMSM驱动系统逆变器开路故障在线诊断方法，其特征在于步骤如下：

步骤1：采用状态观测器估算PMSM三相电流，得到三相电流观测值；将三相电流观测值与PMSM驱动系统反馈中的三相电流实际值作差，得到三相电流的观测残差；

步骤2：对三相电流观测残差数据进行采样，得到原始样本集，用于离线的机器学习模型训练，采样的方法为：

步骤2.1：以电机A相电流由负半周向正半周变化过零点时的电机转子位置为标志，当转子运动到此位置时开始三相电流观测残差的采样过程；

步骤2.2：根据电机转速指令计算电气周期，每个电气周期的时间为t_e，设PMSM 驱动系统电流采样周期的时间为t_s，则电流观测残差采样次数为N_s＝(t_e/k)/t_s，其中k为正整数；

步骤2.3：在对电流观测残差采样N_s次后，结束采样过程，得到1k电气周期的三相电流残差数据，设采样得到的三相电流残差样本分别为行向量

用于离线训练的原始样本集中的每个电流残差样本为一个维数为3×N_s的列向量

步骤2.4：设f₁,f₂,......,f_n分别为n种逆变器开路故障模式的标志，f₀为逆变器健康的标志，在每种故障模式及健康状态下各采样m个电流残差样本，得到用于离线训练的原始样本集，原始样本集是一个大小为(3×N_s)×(n×m)的矩阵：

步骤3：对原始样本集进行离线训练，首先对原始样本集进行降维，得到降维后的训练输入集，以及能够对采样样本进行降维的模型；

步骤4：使用机器学习中的分类模型学习训练输入集中代表不同故障类型的电流观测残差样本，得到可对不同故障类型的电流残差样本进行分类的模型；

步骤5：将降维模型与分类模型运行在PMSM驱动系统的控制芯片中，在线进行样本采样、降维和分类计算，实现对逆变器开路故障的诊断与定位。

所述步骤1中，采用滑窗平均滤波处理得到电流观测残差。

在步骤3中对观测残差的原始样本集进行降维的步骤为：

步骤3.1：使用主成分分析法对原始样本集进行降维，保留对应特征值最大的两组特征向量，得到一个大小为(3×N_s)×2的矩阵

即为降维模型；

步骤3.2：使用降维模型将原始样本集中的各个样本降维到2维，得到预处理后的训练输入集是一个大小是为2×(n×m)的矩阵：

在步骤4中使用有向无环图式支持向量机对训练输入集进行学习，训练结果为 n(n+1)/2个二元分类器，表达形式为a×x₁+b×x₂+c＝0，其中x₁和x₂为经过降维的样本的两个元素，a和b为离线训练得到的常数，每次进行在线的故障诊断与定位时调用其中的n个分类器。

有益效果

本发明提出的一种PMSM驱动系统逆变器开路故障在线诊断方法，能够对多种逆变器开路故障进行在线的故障诊断和定位。引入龙伯格观测器，跟踪PMSM三相电流，从而获取三相电流观测残差作为故障诊断依据；设计采样策略，获取用于训练的原始样本集；在离线训练中，首先引入主成分分析法对原始样本集进行预处理，获得数据降维模型，之后通过训练支持向量机获得分类模型；最终将降维模型与分类模型运行在驱动系统中，实现故障的在线诊断与定位。本发明不增加硬件设备、不影响驱动控制，同时不受负载和模型参数变化的影响，且通过对实际工况的机器学习，不依赖于人工设定的诊断依据，降低了误诊的可能。

本发明具有以下有益技术效果：

(1)本发明提出的故障诊断方法将基于模型的状态观测器与数据驱动的机器学习模型相结合，状态观测器使得诊断过程不受负载和转速变化的影响，而由系统运行数据训练的机器学习模型使得诊断过程排除了模型参数变化的干扰，同时使得诊断依据不依赖于人工设定的阈值，降低了误诊的可能；

(2)本发明中引入多分类器进行多种开路故障的诊断与定位，使得故障诊断与定位同时进行，提高了故障诊断与定位的效率，使得逆变器开路故障的诊断可在小于半个电周期的时间内完成；

(3)本发明中提出的采样策略根据电机转子位置与相电流相位的对应关系判断开始采样过程的时机，并结合电机运行转速决定采样次数，使得所提的故障诊断方法可应用在全速度段，同时可灵活地调整单次采样的时间长度与样本数量，为将机器学习模型在线运行在动态的PMSM驱动系统中提供了可靠和高效的数据采集策略。

(4)本发明提出的故障诊断方法依据系统反馈和状态变量进行故障的诊断与定位，不增加硬件设备、不影响驱动器设计。

附图说明

图1为本发明中的PMSM驱动系统逆变器开路故障诊断方法示意图

图2为本发明实验结果波形图

图3为本发明实验结果波形图

图4为本发明实验结果波形图

图5为本发明实验结果波形图

图6为本发明实验结果波形图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

如图1所示，本发明中的PMSM驱动系统逆变器开路故障诊断方法。具体实施如下：

步骤1：使用状态观测器估算PMSM三相电流，得到三相电流观测值，将电流观测值与系统反馈中的三相电流实际值作差，以得到三相电流的观测残差。

用于跟踪PMSM三相电流的观测器为龙伯格观测器，表达式为：

其中，

u(t)＝(u_d,u_q)^T，y(t)＝(i_d,i_q)^T，K为反馈系数矩阵，A、B、C 为PMSM状态方程中的系数矩阵。

如图2所示，为设计的龙伯格观测器在逆变器健康状态与A相上桥臂功率管发生开路故障时，电机三相电流残差的变化情况。可以看出，三相电流残差在由于开路故障引起的电流突变发生的同时，迅速偏离正常运行时的零点附近，显现出故障特征，因此使用电流残差作为故障诊断的依据可以满足故障诊断的快速性要求。

如图3所示，为设计的龙伯格观测器在电机负载发生变化时，电机三相电流残差的变化情况。负载电流I_q表示了负载的变化情况，电机的负载在大约0.5秒的时间内由3N.m增加到6N.m，在运行6秒后卸除负载，负载在极短的时间内减小到初始的 3N.m。可以看出，无论是在负载逐渐增大的阶段、负载稳定的阶段，或是负载突变的阶段，A相电流的观测残差始终在恒定的范围内周期性变化，不受负载变化的影响。因此采用相电流的观测残差作为故障诊断的依据，可以有效地避免电机负载变化对诊断结果的干扰。

步骤2：对步骤1得到的三相电流观测残差进行滑窗平均滤波，滤波过程应用于采样过程与在线的故障诊断过程，以减小同一类工作状态下各样本之间的分布方差，有利于提高分类器的诊断精度。

之后设计采样策略，对三相电流观测残差进行采样，所设计的采样策略为：

步骤2.1：以电机A相电流由负半周向正半周变化过零点时的电机转子位置为标志，当转子运动到此位置时开始三相电流观测残差的采样过程；

步骤2.2：根据电机转速指令计算电气周期，每个电气周期的时间为t_e，设PMSM 驱动系统电流采样周期的时间为t_s，则电流观测残差采样次数为N_s＝(t_e/k)/t_s，其中k为正整数；

步骤2.3：在对电流观测残差采样N_s次后，结束采样过程，得到1/k电气周期的三相电流残差数据，在结束采样过程后，设得到的三相电流观测残差样本分别为行向量

用于离线训练的原始样本集中的每个样本为一个维数为3×N_s的列向量

如图4所示，为采样所得的半个电周期的三相电流观测残差数据，在图4中，从上向下为示波器的采集通道一至采集通道四，通道一为发生故障后的电机A相电流，通道二至通道四分别为A、B、C三相电流残差采样。

步骤3：对采样所得的观测残差原始样本集进行预处理，步骤为：

步骤3.1：设f₁,f₂,......,f_n分别为n种逆变器开路故障模式的标志，f₀逆变器健康的标志，在每种故障模式及健康状态下各采样m个电流残差样本，得到用于离线训练的原始样本集是一个大小为(3×N_s)×(n×m)的矩阵

步骤3.2：引入主成分分析法对原始样本集进行预处理，保留对应特征值最大的两组特征向量，得到一个大小为(3×N_s)×2的矩阵

即为降维模型；

步骤3.3：使用降维模型将原始样本集中的各个样本降维到2维，得到训练输入集是一个大小为2×(n×m)的矩阵

步骤4：引入有向无环图式支持向量机对训练输入集进行学习，训练结果为 n(n+1)/2个二元分类器，表达形式为a×x₁+b×x₂+c＝0，其中x₁和x₂为经过降维的样本的两个元素，a和b为离线训练得到的常数，每次进行在线的故障诊断与定位时调用其中的n个分类器。

步骤5：将降维模型与分类模型运行在PMSM驱动系统的控制芯片中，实现对逆变器开路故障的诊断与定位。

如图5所示，为有向无环式支持向量机中最后一个节点的分类器的在线计算结果，以及计算结果与A相电流故障前后的对应关系。图5中运算结果大于1表示采样样本属于逆变器健康状态，运算结果小于-1表示采样样本属于逆变器发生A相上桥臂功率管开路故障。

从图5中可以看出，在T1开路故障发生前，样本在分类器上的运算结果均大于1，即诊断结果为逆变器处于健康状况。而T1开路故障发生后，运算结果均小于-1，即诊断结果为逆变器T1开路。

如图6所示，为经过多次试验，测试本发明所提方法的最短诊断时间，可以看出，实验中开路故障发生后小于半个电周期的时间内，控制器完成了故障的诊断。

实验条件：直流母线电压60V，电机的极对数为4对极，L_d＝L_q＝2.4mH，绕组电组0.306Ω，永磁体磁链0.281Wb，工作转速150rpm，逆变器开关频率10kHz，控制芯片为TMS320F28335。

Claims (4)

1.一种PMSM驱动系统逆变器开路故障在线诊断方法，其特征在于步骤如下：

步骤1：采用状态观测器估算PMSM三相电流，得到三相电流观测值；将三相电流观测值与PMSM驱动系统反馈中的三相电流实际值作差，得到三相电流的观测残差；

步骤2：对三相电流观测残差数据进行采样，得到原始样本集，用于离线的机器学习模型训练，采样的方法为：

步骤2.1：以电机A相电流由负半周向正半周变化过零点时的电机转子位置为标志，当转子运动到此位置时开始三相电流观测残差的采样过程；

步骤2.2：根据电机转速指令计算电气周期，每个电气周期的时间为t_e，设PMSM驱动系统电流采样周期的时间为t_s，则电流观测残差采样次数为N_s＝(t_e/k)/t_s，其中k为正整数；

步骤2.3：在对电流观测残差采样N_s次后，结束采样过程，得到1/k电气周期的三相电流残差数据，设采样得到的三相电流残差样本分别为行向量

用于离线训练的原始样本集中的每个电流残差样本为一个维数为3×N_s的列向量

步骤2.4：设f₁,f₂,......,f_n分别为n种逆变器开路故障模式的标志，f₀为逆变器健康的标志，在每种故障模式及健康状态下各采样m个电流残差样本，得到用于离线训练的原始样本集，原始样本集是一个大小为(3×N_s)×(n×m)的矩阵：

步骤3：对原始样本集进行离线训练，首先对原始样本集进行降维，得到降维后的训练输入集，以及能够对采样样本进行降维的模型；

步骤4：使用机器学习中的分类模型学习训练输入集中代表不同故障类型的电流观测残差样本，得到可对不同故障类型的电流残差样本进行分类的模型；

步骤5：将降维模型与分类模型运行在PMSM驱动系统的控制芯片中，在线进行样本采样、降维和分类计算，实现对逆变器开路故障的诊断与定位。

2.根据权利要求1所述PMSM驱动系统逆变器开路故障在线诊断方法，其特征在于：所述步骤1中，采用滑窗平均滤波处理得到电流观测残差。

3.根据权利要求1所述PMSM驱动系统逆变器开路故障在线诊断方法，其特征在于：在步骤3中对观测残差的原始样本集进行降维的步骤为：

步骤3.1：使用主成分分析法对原始样本集进行降维，保留对应特征值最大的两组特征向量，得到一个大小为(3×N_s)×2的矩阵

即为降维模型；

步骤3.2：使用降维模型将原始样本集中的各个样本降维到2维，得到预处理后的训练输入集是一个大小是为2×(n×m)的矩阵：

4.根据权利要求1所述PMSM驱动系统逆变器开路故障在线诊断方法，其特征在于：在步骤4中使用有向无环图式支持向量机对训练输入集进行学习，训练结果为n(n+1)/2个二元分类器，表达形式为a×x₁+b×x₂+c＝0，其中x₁和x₂为经过降维的样本的两个元素，a和b为离线训练得到的常数，每次进行在线的故障诊断与定位时调用其中的n个分类器。

Images