CN111917349B - 一种永磁同步电机的故障诊断方法及系统 - Google Patents

一种永磁同步电机的故障诊断方法及系统 Download PDF

Info

Publication number
CN111917349B
CN111917349B CN202010575525.3A CN202010575525A CN111917349B CN 111917349 B CN111917349 B CN 111917349B CN 202010575525 A CN202010575525 A CN 202010575525A CN 111917349 B CN111917349 B CN 111917349B
Authority
CN
China
Prior art keywords
permanent magnet
fault
synchronous motor
fault diagnosis
alpha
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010575525.3A
Other languages
English (en)
Other versions
CN111917349A (zh
Inventor
赵常均
林贞琼
王文双
吴码
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Intelligent Equipment Research Institute Co ltd
Original Assignee
Guangzhou Intelligent Equipment Research Institute Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Intelligent Equipment Research Institute Co ltd filed Critical Guangzhou Intelligent Equipment Research Institute Co ltd
Priority to CN202010575525.3A priority Critical patent/CN111917349B/zh
Publication of CN111917349A publication Critical patent/CN111917349A/zh
Application granted granted Critical
Publication of CN111917349B publication Critical patent/CN111917349B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/13—Observer control, e.g. using Luenberger observers or Kalman filters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/0003—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
    • H02P21/0007—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using sliding mode control
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P21/00—Arrangements or methods for the control of electric machines by vector control, e.g. by control of field orientation
    • H02P21/14—Estimation or adaptation of machine parameters, e.g. flux, current or voltage
    • H02P21/18—Estimation of position or speed
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P6/00—Arrangements for controlling synchronous motors or other dynamo-electric motors using electronic commutation dependent on the rotor position; Electronic commutators therefor
    • H02P6/14—Electronic commutators
    • H02P6/16—Circuit arrangements for detecting position
    • H02P6/18—Circuit arrangements for detecting position without separate position detecting elements
    • H02P6/182—Circuit arrangements for detecting position without separate position detecting elements using back-emf in windings

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Ac Motors In General (AREA)
  • Control Of Motors That Do Not Use Commutators (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

本公开提供了一种永磁同步电机的故障诊断方法，包括以下步骤：Step1:提取输入参数，所述输入参数包括同步电机的转子位置、角速度、电机的反电动势；Step2:根据输入参数，输出故障特征值,所述输出故障特征值包括负序分量、d轴磁链、转角位置差；Step3:神经网络根据故障特征值进行故障诊断。本公开还提供了一种永磁同步电机的故障诊断系统。本公开只需要在电机端或检测系统内构建一个观测器，能够有效地简化故障诊断系统。且相比传统的三次谐波分量提取，本公开采用的负序分量更简单且稳定可靠，同时采用了神经网络进行故障诊断，具有算法简单，应用成本低的特点，能够适用于低端小型三相永磁同步电机实现在线故障诊断。

Description

一种永磁同步电机的故障诊断方法及系统
技术领域
本公开涉及永磁同步电机控制技术领域，尤其涉及一种永磁同步电机的故障诊断方法。
背景技术
永磁同步电机(Permanent Magnet Synchronous Motor,PMSM)具有结构简单、运行可靠、体积小、质量轻、损耗小、效率高等特点，在工业、航空、军事等领域应用广泛。在应用过程中，由于PMSM的功率密度大，电机的热负荷较高；同时电机的工况恶劣，经常受到频繁的瞬间过载和冲击，导致电机容易发生匝间短路故障和退磁故障。位置传感器(常用编码器)的位置检测是电机的关键环节，一旦位置信号无法获取或者位置信号不准确，将导致电机控制系统瘫痪。然而位置传感器本身的结构脆弱，在复杂环境下的可靠性较低，容易发生失效故障。为提高电机驱动系统运行的稳定性，因此，本发明提出一种故障诊断模型，用于识别永磁同步电机驱动系统中常见的三类故障：匝间短路故障、退磁故障和位置传感器故障。
对于匝间短路故障诊断，常见的技术方案有：模型解析法、信号处理法、知识及人工智能法。其中模型解释法计算量较大，适用于高精密大型电机的离线诊断；信号处理法计算量较小，适用于小型电机，对主控芯片的要求不高；知识及人工智能法不依赖电机的理论模型，需要采集电机运行状态的数据，具有良好的自学习和自适应能力，但也存在计算量大，收敛速度慢、通用性差等问题。
对于退磁故障诊断，主要采用基于信号处理的方法和基于参数辨识的方法。其中基于信号处理方法是通过提取电机电流，并通过算法将退磁故障特征分离出来，此类方法随诊断精度高，但对硬件设备要求较高，不适用于低成本场合；参数辨识方法是通过判断故障前后电机参数的变化实现的，适用于在逆变器中运行，成本较低。
对于位置传感器故障诊断方法，常见的处理算法有：开环估计法、自适应系统法、扩展卡尔曼滤波器法及观测器法。其中开环估计法计算简单，动态响应快，但精度较低；自适应系统法的模型构建复杂，难以获得较高的系统稳定性；扩展卡尔曼滤波器法具有良好的动态性能和抗干扰能力，但算法对主控芯片的要求较高；观测器法稳定性好、鲁棒性强，应用广泛。
然而，现有的技术方案对于不同的故障类型，对应的故障诊断模块相对独立，每个诊断模块需要单独配置不同的状态观测器，因此导致整个故障诊断系统复杂度高。
发明内容
为了解决上述技术问题中的至少一个，本公开提供了一种永磁同步电机的故障诊断方法，以达到降低系统复杂度，并具有在线故障诊断、诊断精度、稳定性好、鲁棒性强、对系统硬件要求低的特点。本公开的目的通过以下方案实现：
一种永磁同步电机的故障诊断方法，包括以下步骤：
Step1:提取输入参数，所述输入参数包括同步电机的转子位置、角速度、电机的反电动势；
Step2:根据输入参数，输出故障特征值,所述输出故障特征值包括负序分量、d轴磁链、转角位置差；
Step3:神经网络根据故障特征值进行故障诊断。
进一步地，从所述同步电机输出端获取三相电流和三相电压值并进行Park变换，获得α-β坐标系下的电压、电流并将所述α-β坐标系下的电压、电流输入自适应滑模观测器获得所述反电动势。
进一步地，转角位置差采用以下函数获得：
Figure BDA0002551216380000021
其中，
Figure BDA0002551216380000022
为转角位置差，θ为转子位置，
Figure BDA0002551216380000023
为θ的观测值误差，ψf为永磁铁磁链值，ωc为低通滤波器的截止频率，
Figure BDA0002551216380000024
为α-β坐标系下的反电动势分量。
进一步地，d轴磁链采用以下函数获得：
Figure BDA0002551216380000031
其中，
Figure BDA0002551216380000032
为d轴磁链，ω为转子角速度，为转子位置，
Figure BDA0002551216380000033
为α-β坐标系下的反电动势分量。
进一步地，负序分量采用以下函数获得：
Figure BDA0002551216380000034
其中，V2hp为二次谐波幅值，θ为转子位置，φ2hp为二次谐波相位,Eαd、Eαq为
Figure BDA0002551216380000035
经过广义二次积分的输出结果，Eβd、Eβq为
Figure BDA0002551216380000036
经过广义二次积分的输出结果，Eαn、Eβn为α-β坐标系下反电势中负序分量。
进一步地，所述神经网络为BP神经网络。
本公开还提供了一种永磁同步电机的故障诊断系统，包括：自适应滑模观测器、故障特征提取模块及故障诊断模块；所述自适应滑模观测器用于接收永磁电机α-β坐标系下的电压、电流，并输出反电动势；所述故障特征提取模块接收所述反电动势及同步电机的转子位置、角速度，并输出故障特征值,所述输出故障特征值包括负序分量、d轴磁链、转角位置差；所述故障诊断模块包含神经网络，所述故障诊断模块根据所述故障特征值进行故障诊断。
进一步地，还包括Park变换模块，所述Park变换模块与所述同步电机的输出端连接，获取所述同步电机输出端的三相电流和三相电压值，并将α-β坐标系下的电压、电流输出至所述自适应滑模观测器。
进一步地，所述神经网络为BP神经网络。
进一步地，转角位置差采用以下函数获得，
Figure BDA0002551216380000037
其中，
Figure BDA0002551216380000038
为转角位置差，θ为转子位置，
Figure BDA0002551216380000039
为θ的观测值误差，ψf为永磁铁磁链值，ωc为低通滤波器的截止频率，
Figure BDA0002551216380000041
为α-β坐标系下的反电动势分量；
d轴磁链采用以下函数获得，
Figure BDA0002551216380000042
其中，
Figure BDA0002551216380000043
为d轴磁链，ω为转子角速度，为转子位置，
Figure BDA0002551216380000044
为α-β坐标系下的反电动势分量；
负序分量采用以下函数获得，
Figure BDA0002551216380000045
其中，V2hp为二次谐波幅值，θ为转子位置，φ2hp为二次谐波相位,Eαd、Eαq为
Figure BDA0002551216380000046
经过广义二次积分的输出结果，Eβd、Eβq为
Figure BDA0002551216380000047
经过广义二次积分的输出结果，Eαn、Eβn为α-β坐标系下反电势中负序分量。
相比于现有技术本公开的优势在于：本公开提供了永磁同步电机的故障诊断方法及系统，只需要输入永磁电机的反电动势。这样的处理方式只需要在电机端或检测系统内构建一个观测器，能够有效地简化故障诊断系统。本公开选取了负序分量作为故障特征值，相比传统的三次谐波分量提取，负序分量更容易从基波中分离出来，负序分量的分离算法更简单且稳定可靠。本公开还采用了神经网络进行故障诊断，具有算法简单，应用成本低的特点，能够适用于低端小型三相永磁同步电机实现在线故障诊断。
附图说明
附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，其中包括了这些附图以提供对本公开的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分。
图1为本公开故障诊断执行流程；
图2为本公开故障诊断模型与永磁电机连接方法；
图3为本公开使用BP神经网络的故障诊断模型；
图4为本公开故障诊断模型的电机故障诊断流程。
具体实施方式
下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开。
本公开的研究对象是应用于工业自动化领域的小型低成本的表贴式三相交流永磁同步电机(PMSM)。本公开选择了负序分量、d轴磁链、转角位置差作为故障信息，通过对三类故障电机的数学模型进行处理可知，三类故障信息都存在于电机的反电势中。本公开首先采用一个自适应滑模观测器(SMO)用于估计电机的反电动势，其次基于反电势的观测结果，提取三类故障的故障特征值，最后基于神经网络，实现电机的故障诊断。本公开的永磁同步电机的故障诊断方法主要通过以下步骤实现(参见附图1)：
Step1:提取输入参数，所述输入参数包括同步电机的转子位置、角速度、电机的反电动势；
Step2:根据输入参数，输出故障特征值,所述输出故障特征值包括负序分量、d轴磁链、转角位置差；
Step3:神经网络根据故障特征值进行故障诊断。
参见以上处理方法可知，本公开提供永磁同步电机的故障诊断方只需要输入永磁电机的反电动势。因此，在使用过程中只需要在电机端或检测系统内构建一个观测器，便能够完成检测工作，有效地简化故障诊断系统。同时，本公开选择负序分量、d轴磁链、转角位置差作为故障特征值，相比传统的三次谐波分量，其更容易从基波中分离出来，分离算法更简单且稳定可靠。更进一步地，本公开还采用了神经网络进行故障诊断，具有算法简单，应用成本低的特点，能够适用于低端小型三相永磁同步电机实现在线故障诊断。
参见附图2，本公开提出的故障诊断模型包括自适应滑模观测器(SMO)、故障特征提取模块及故障诊断模块。
首先从所述同步电机输出端获取三相电流和三相电压值并进行Park变换，获得α-β坐标系下的电压、电流并将所述α-β坐标系下的电压、电流输入自适应滑模观测器获得所述反电动势。利用位置传感器从所述同步电机输出轴获得电机的转子角度，并将转子角度及其微分获得的转子角速度一并输入所述故障特征提取模块。
其中，自适应滑模观测器用于估计电机在α-β坐标系下的反电动势
Figure BDA0002551216380000061
Es＝[Eα Eβ]T的微分方程满足
Figure BDA0002551216380000062
其中，ψf为永磁铁磁链值；ω为转子角速度，θ为转子位置。
定义滑模面函数为：
Figure BDA0002551216380000063
其中，
Figure BDA0002551216380000064
定子电流观测值误差，
Figure BDA0002551216380000065
is＝[iα iβ]T。
构建自适应滑模观测器为：
Figure BDA0002551216380000066
其中
Figure BDA0002551216380000067
其中，A、B、Ke和K均为系数矩阵，us为定子电压。
Figure BDA0002551216380000068
根据Lyapunov稳定性定理，可以证明上述观测器算法是稳定的。
再次，求解所述位置传感器故障特征值，即所述转角位置差。在α-β坐标系下，表贴式PMSM的扩展反电动势可以表示为：
Figure BDA0002551216380000069
因此转子的位置信息的估计值可以表示为：
Figure BDA0002551216380000071
其中，
Figure BDA0002551216380000072
ψf为永磁铁磁链值ωc为低通滤波器的截止频率，
Figure BDA0002551216380000073
为α-β坐标系下的反电动势分量。
Figure BDA0002551216380000074
为θ的观测值误差，则：
Figure BDA0002551216380000075
选择
Figure BDA0002551216380000076
作为判断位置传感器故障是否发生的特征值。
其中，
Figure BDA0002551216380000077
为转角位置差，θ为转子位置，
Figure BDA0002551216380000078
为θ的观测值误差。
进一步地，求解退磁故障特征值，即求解d轴磁链。在相同的工作状态下，退磁故障的电机，d轴磁链值ψrd相应减小，因此根据
Figure BDA0002551216380000079
是否超过一定阈值Thψ，可以判断电机是否发生退磁故障。其中Thψ与已知的永磁铁磁链值ψf相关。
对电机的数学模型处理可得
Figure BDA00025512163800000710
即：
Figure BDA00025512163800000711
其中，
Figure BDA00025512163800000712
为d轴磁链，ω为转子角速度，θ为转子位置，
Figure BDA00025512163800000713
为α-β坐标系下的反电动势分量。
最后，求解匝间短路故障特征值，即所述负序分量。对于匝间短路故障，其故障特征为电机d-q轴反电势
Figure BDA00025512163800000714
中的三次谐波分量。经过Park变换转到α-β坐标系，
Figure BDA00025512163800000715
中的三次谐波成分被转换成了负序分量。因此，采用广义二次积分算法，将
Figure BDA00025512163800000716
的负序分量分离出来，得：
Figure BDA00025512163800000717
其中，V2hp为二次谐波幅值，θ为转子位置，φ2hp为二次谐波相位，Eαd、Eαq为
Figure BDA0002551216380000081
经过广义二次积分的输出结果，Eβd、Eβq为
Figure BDA0002551216380000082
经过广义二次积分的输出结果，Eαn、Eβn为α-β坐标系下反电势中负序分量。
进一步地，所述神经网络为BP神经网络。
本公开还提供了一种永磁同步电机的故障诊断系统，包括：自适应滑模观测器、故障特征提取模块及故障诊断模块；所述自适应滑模观测器用于接收永磁电机α-β坐标系下的电压、电流，并输出反电动势；所述故障特征提取模块接收所述反电动势及同步电机的转子位置、角速度，并输出故障特征值，所述输出故障特征值包括负序分量、d轴磁链、转角位置差；所述故障诊断模块包含神经网络，所述故障诊断模块根据所述故障特征值进行故障诊断。
进一步地，还包括Park变换模块，所述Park变换模块与所述同步电机的输出端连接，获取所述同步电机输出端的三相电流和三相电压值，并将α-β坐标系下的电压、电流输出至所述自适应滑模观测器。
进一步地，所述神经网络为BP神经网络。
进一步地，转角位置差采用以下函数获得，
Figure BDA0002551216380000083
其中，
Figure BDA0002551216380000084
为转角位置差，θ为转子位置，
Figure BDA0002551216380000085
为θ的观测值误差，ψf为永磁铁磁链值，ωc为低通滤波器的截止频率，
Figure BDA0002551216380000086
为α-β坐标系下的反电动势分量；
d轴磁链采用以下函数获得，
Figure BDA0002551216380000087
其中，
Figure BDA0002551216380000088
为d轴磁链，ω为转子角速度，θ为转子位置，
Figure BDA0002551216380000089
为α-β坐标系下的反电动势分量；
负序分量采用以下函数获得，
Figure BDA00025512163800000810
其中，V2hp为二次谐波幅值，θ为转子位置，φ2hp为二次谐波相位，Eαd、Eαq为
Figure BDA0002551216380000091
经过广义二次积分的输出结果，Eβd、Eβq为
Figure BDA0002551216380000092
经过广义二次积分的输出结果，Eαn、Eβn为α-β坐标系下反电势中负序分量。
对于匝间短路的故障特征提取，相比与传统的三次谐波分量提取，优势在于，负序分量更容易从基波中分离出来，负序分量的分离算法更简单、稳定可靠。
如图3，本公开的神经网络优选为三层BP神经网络，从样本点采集的状态观测值经过故障特征提取后输入BP神经网络，最终输出诊断结果向量。根据诊断结果向量容易判断永磁电机的状态。BP神经网络具有很强的非线性映射能力和柔性的网络结构，采用BP神经网络，算法简单，应用成本低，适用于低端小型三相永磁同步电机实现在线故障诊断。该故障诊断算法主要包括训练和诊断两个过程。具体实施过程如下：
(1)采用Matlab中的神经网络工具箱建立三层BP神经网络，含3个输入，3个输出。3个输入分别为提取的特征值
Figure BDA0002551216380000093
和V2hp，3个输出为三类故障，用A、B、C表示，分别对应匝间短路故障、电机退磁故障和位置传感器故障，类型D表示正常状态。
(2)采用Matlab仿真模块构建电机仿真模型和故障诊断模型，根据三类故障的特点，在电机模型中输入不同程度的故障内容，通过状态观测器和特征提取模块，提出故障特征值作为输入，并对这些故障数据进行手动标定故障类型。通过标定后的数据样本对BP神经网络模型进行训练。
(3)利用训练好的模型实现电机模型的故障诊断，给出最终诊断结果。
参见附图4，展示了本公开故障诊断的具体步骤，采用如下步骤实现：
步骤1：从电机输出端获取三相电流和三相电压值ia，ib，ic和ua，ub，uc；
步骤2：进行Clark变换，得到iα，iβ和uα，uβ；
步骤3：iα，iβ和uα，uβ作为SMO的输入量，运行SMO，获得电机反电动势的估计值
Figure BDA0002551216380000101
步骤4：计算转子位置的观测值误差
Figure BDA0002551216380000102
d轴磁链值
Figure BDA0002551216380000103
和反电势
Figure BDA0002551216380000104
的负序分量特征值V2hp；
步骤5：故障特征值作为神经网络的输入量，输入训练好的神经网络中计算，并得到故障诊断结果。
下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。
在本说明书的描述中，参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本公开，而并非是对本公开的范围进行限定。对于所属领域的技术人员而言，在上述公开的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本公开的范围内。

Claims (9)

1.一种永磁同步电机的故障诊断方法，其特征在于包括以下步骤：
Step1：提取输入参数，所述输入参数包括同步电机的转子位置、角速度、电机的反电动势；
Step2：根据输入参数，输出故障特征值，所述输出故障特征值包括负序分量、d轴磁链、转角位置差；其中，转角位置差采用以下函数获得，
Figure FDA0003472591110000011
其中，
Figure FDA0003472591110000012
为转角位置差，θ为转子位置，
Figure FDA0003472591110000013
为θ的观测值，ψf为永磁铁磁链值，ωc为低通滤波器的截止频率，
Figure FDA0003472591110000014
为α-β坐标系下的反电动势分量；
d轴磁链采用以下函数获得，
Figure FDA0003472591110000015
其中，
Figure FDA0003472591110000016
为d轴磁链，ω为转子角速度，θ为转子位置，
Figure FDA0003472591110000017
为α-β坐标系下的反电动势分量；
负序分量采用以下函数获得，
Figure FDA0003472591110000018
其中，V2hp为二次谐波幅值，θ为转子位置，φ2hp为二次谐波相位，Eαd、Eαq为
Figure FDA0003472591110000019
经过广义二次积分的输出结果，Eβd、Eβq为
Figure FDA00034725911100000110
经过广义二次积分的输出结果，Eαn、Eβn为α-β坐标系下反电势中负序分量；
Step3：神经网络根据故障特征值进行故障诊断。
2.如权利要求1所述的一种永磁同步电机的故障诊断方法，其特征在于：从所述同步电机输出端获取三相电流和三相电压值并进行Park变换，获得α-β坐标系下的电压、电流并将所述α-β坐标系下的电压、电流输入自适应滑模观测器获得所述反电动势。
3.如权利要求1所述的一种永磁同步电机的故障诊断方法，其特征在于：转角位置差采用以下函数获得，
Figure FDA0003472591110000021
其中，
Figure FDA0003472591110000022
为转角位置差，θ为转子位置，
Figure FDA0003472591110000023
为θ的观测值，ψf为永磁铁磁链值，ωc为低通滤波器的截止频率，
Figure FDA0003472591110000024
为α-β坐标系下的反电动势分量。
4.如权利要求1所述的一种永磁同步电机的故障诊断方法，其特征在于：d轴磁链采用以下函数获得，
Figure FDA0003472591110000025
其中，
Figure FDA0003472591110000026
为d轴磁链，ω为转子角速度，θ为转子位置，
Figure FDA0003472591110000027
为α-β坐标系下的反电动势分量。
5.如权利要求1所述的一种永磁同步电机的故障诊断方法，其特征在于：负序分量采用以下函数获得，
Figure FDA0003472591110000028
其中，V2hp为二次谐波幅值，θ为转子位置，φ2hp为二次谐波相位，Eαd、Eαq为
Figure FDA0003472591110000029
经过广义二次积分的输出结果，Eβd、Eβq为
Figure FDA00034725911100000210
经过广义二次积分的输出结果，Eαn、Eβn为α-β坐标系下反电势中负序分量。
6.如权利要求1所述的一种永磁同步电机的故障诊断方法，其特征在于：所述神经网络为BP神经网络。
7.一种永磁同步电机的故障诊断系统，其特征在于包括：自适应滑模观测器、故障特征提取模块及故障诊断模块；
所述自适应滑模观测器用于接收永磁电机α-β坐标系下的电压、电流，并输出反电动势；
所述故障特征提取模块接收所述反电动势及同步电机的转子位置、角速度，并输出故障特征值，所述输出故障特征值包括负序分量、d轴磁链、转角位置差；其中，转角位置差采用以下函数获得，
Figure FDA0003472591110000031
其中，
Figure FDA0003472591110000032
为转角位置差，θ为转子位置，
Figure FDA0003472591110000033
为θ的观测值，ψf为永磁铁磁链值，ωc为低通滤波器的截止频率，
Figure FDA0003472591110000034
为α-β坐标系下的反电动势分量；
d轴磁链采用以下函数获得，
Figure FDA0003472591110000035
其中，
Figure FDA0003472591110000036
为d轴磁链，ω为转子角速度，θ为转子位置，
Figure FDA0003472591110000037
为α-β坐标系下的反电动势分量；
负序分量采用以下函数获得，
Figure FDA0003472591110000038
其中，V2hp为二次谐波幅值，θ为转子位置，φ2hp为二次谐波相位，Eαd、Eαq为
Figure FDA0003472591110000039
经过广义二次积分的输出结果，Eβd、Eβq为
Figure FDA00034725911100000310
经过广义二次积分的输出结果，Eαn、Eβn为α-β坐标系下反电势中负序分量；
所述故障诊断模块包含神经网络，所述故障诊断模块根据所述故障特征值进行故障诊断。
8.如权利要求7所述的一种永磁同步电机的故障诊断系统，其特征在于：还包括Park变换模块，所述Park变换模块与所述同步电机的输出端连接，获取所述同步电机输出端的三相电流和三相电压值，并将α-β坐标系下的电压、电流输出至所述自适应滑模观测器。
9.如权利要求7所述的一种永磁同步电机的故障诊断系统，其特征在于：所述神经网络为BP神经网络。
CN202010575525.3A 2020-06-22 2020-06-22 一种永磁同步电机的故障诊断方法及系统 Active CN111917349B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010575525.3A CN111917349B (zh) 2020-06-22 2020-06-22 一种永磁同步电机的故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010575525.3A CN111917349B (zh) 2020-06-22 2020-06-22 一种永磁同步电机的故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN111917349A CN111917349A (zh) 2020-11-10
CN111917349B true CN111917349B (zh) 2022-06-28

Family

ID=73226971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010575525.3A Active CN111917349B (zh) 2020-06-22 2020-06-22 一种永磁同步电机的故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN111917349B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022119945B3 (de) 2022-08-08 2024-01-25 Danfoss Power Electronics A/S Verfahren zum Detektieren eines Kurzschlusses und Steuereinheit

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112564579A (zh) * 2020-11-30 2021-03-26 中国航空工业集团公司西安航空计算技术研究所 一种主从架构机电控制器及健康管理方法
CN113064074B (zh) * 2021-03-15 2021-12-17 合肥恒大江海泵业股份有限公司 基于负序分量的永磁同步电机定子绕组故障诊断方法
CN114264953B (zh) * 2021-12-01 2024-05-24 珠海格力电器股份有限公司 一种永磁同步电机退磁故障诊断方法和系统以及诊断装置
CN114236389A (zh) * 2021-12-27 2022-03-25 大连特种设备检验检测研究院有限公司 一种用于电梯永磁主机的在线退磁检测系统
CN115951270B (zh) * 2023-03-15 2023-05-30 东南大学 一种永磁同步电机外部线缆连接故障诊断方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102608491A (zh) * 2010-12-22 2012-07-25 通用电气公司 用于同步机健康状况监测的系统和方法
CN106712596A (zh) * 2016-11-22 2017-05-24 上海航天控制技术研究所 一种基于双核mcu的永磁同步电机伺服驱动器
CN108805289A (zh) * 2018-05-08 2018-11-13 南京理工大学 一种基于基底神经节的电机故障诊断方法
CN109194219A (zh) * 2018-09-25 2019-01-11 湖南工业大学 基于无模型非奇异终端滑模控制永磁同步电机方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4895703B2 (ja) * 2006-06-28 2012-03-14 三洋電機株式会社 モータ制御装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102608491A (zh) * 2010-12-22 2012-07-25 通用电气公司 用于同步机健康状况监测的系统和方法
CN106712596A (zh) * 2016-11-22 2017-05-24 上海航天控制技术研究所 一种基于双核mcu的永磁同步电机伺服驱动器
CN108805289A (zh) * 2018-05-08 2018-11-13 南京理工大学 一种基于基底神经节的电机故障诊断方法
CN109194219A (zh) * 2018-09-25 2019-01-11 湖南工业大学 基于无模型非奇异终端滑模控制永磁同步电机方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022119945B3 (de) 2022-08-08 2024-01-25 Danfoss Power Electronics A/S Verfahren zum Detektieren eines Kurzschlusses und Steuereinheit

Also Published As

Publication number Publication date
CN111917349A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN111917349B (zh) 一种永磁同步电机的故障诊断方法及系统
CN107359837B (zh) 基于滑模观测器和自抗扰的永磁同步电机转矩控制方法
CN110441643B (zh) 永磁同步电机控制系统中逆变器功率管断路故障诊断方法
CN108490353B (zh) 多相永磁同步电机驱动系统故障诊断方法
CN109768753B (zh) 新型滑模观测器的无位置传感器永磁同步电机模型预测控制方法
CN108288936B (zh) 一种永磁直线电机低速无位置传感器控制方法
CN106533303A (zh) 一种永磁无刷直流电机驱动器控制方法
CN106655952A (zh) 一种检测永磁同步电机转子初始位置的电流包络线法
WO2021174582A1 (zh) 无位置传感器的永磁同步电机控制方法及汽车动力系统
CN103501150A (zh) 一种内嵌式永磁同步电机参数辨识装置及方法
CN103338002A (zh) 一种永磁同步电机永磁体磁通和交轴电感的辨识方法
CN103259479A (zh) 一种永磁同步电机神经网络左逆状态观测方法
CN109782105B (zh) 一种变频调速系统三相逆变器功率管故障实时检测方法
CN111181458A (zh) 基于扩展卡尔曼滤波器的表贴式永磁同步电机转子磁链观测方法
Zhou et al. UKF-based sensor fault diagnosis of PMSM drives in electric vehicles
CN112511059A (zh) 一种永磁同步电机高精度位置估算方法
CN114172443A (zh) 一种永磁电机驱动系统电流传感器故障在线诊断方法
Ibrahim et al. Conceptual modelling of an EV-permanent magnet synchronous motor digital twin
CN109194224A (zh) 基于扩张状态观测器的永磁同步电机无传感器控制方法
CN109660169B (zh) 一种感应电机的转动惯量瞬态辨识方法
CN112083349A (zh) 一种永磁同步电机定子绕组匝间短路故障诊断方法
CN110649847A (zh) 一种pmslm在低速段的无位置传感器控制方法
CN103051275B (zh) 电动汽车感应电机磁链观测器的构造方法
CN112910350B (zh) 一种永磁同步电机鲁棒控制系统及方法
CN104022707A (zh) 基于新型转子磁链观测器的异步电机速度控制装置及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant