CN112285554A - 基于信息融合的永磁同步电机退磁故障诊断方法与装置 - Google Patents

Abstract

本发明公开电机故障诊断领域中的基于信息融合的永磁同步电机退磁故障诊断方法与装置，转矩传感器、N个加速度传感器采集实验电机在不同退磁程度下的转矩和振动信号并输入数据采集卡，数据采集卡将转矩信号和振动信号进行去燥处理并将模拟信号转换为数字信号后上传到上位机，上位机计算得到不同退磁程度情况下对应的转矩信号平均值和振动信号平均值，将转矩信号平均值、振动信号平均值作为BP神经网络的输入，将对应的退磁程度作为BP神经网络的输出，构建BP神经网络诊断模型；本发明利用径向电磁力产生的振动信号和切向电磁力产生的转矩信号具有互补特性，将转矩信号和振动信号的特征信息融合实现电机退磁故障诊断，提高退磁故障诊断的精确度。

Description

基于信息融合的永磁同步电机退磁故障诊断方法与装置

技术领域

本发明涉及电机故障诊断领域，具体地是对永磁同步电机的退磁故障进行诊断的装置及方法。

背景技术

永磁同步电机具有结构简单、运行可靠、体积小、质量轻、效率高和损耗少等一系列优点，在电动汽车、军工和航天航空行业得到广泛应用。但永磁同步电机在运行过程中，永磁体可能会受到温度、机械振动等原因，造成退磁故障。一旦发生退磁故障，会扭曲气隙磁通量的分布，造成电机中产生噪声、振动和转矩脉动的增大，导致永磁同步电机性能指标下降。因此，要尽可能在退磁情况轻微的状态下对故障电机进行实时在线诊断，使得退磁故障带来的损失降到最低。

永磁同步电机发生退磁故障时，会有多个故障特征信息，要想对退磁故障实现精确的诊断，需要对多个信号的单维信息有效组合，获取更加全面、有效的故障特征信息。而目前对永磁体退磁故障的诊断方法都是基于单一信号的分析对退磁故障进行诊断。中国专利申请号为CN201811164889.1的文献中公开了一种永磁同步电机退磁故障诊断方法,通过对线圈反电势信号的分析实现退磁故障诊断，但该方法是基于离线数据进行故障诊断，只能在电机断电状态下检测，不能实现电机退磁故障的实时在线诊断，且线圈灵敏度低，无法对退磁情况轻微的状态进行准确判断。中国专利申请号为CN201610412420.X的文献中公开了一种永磁同步电机退磁故障诊断方法，通过定子零序电流的v次谐波的幅值与正常电机定子零序电流信号的v次谐波的幅值的比较实现电机退磁故障诊断，该方法未考虑电机驱动为变频器驱动时会导致定子电流中出现大量的谐波，对退磁故障的判断产生一定影响，并且只有在特定的电机结构中，电机退磁故障时定子电流才会出现新的谐波分量，因此，只对定子电流信号进行分析实现退磁故障诊断方法具有一定局限性。

发明内容

针对上述问题，本发明提出了基于信息融合的永磁同步电机退磁故障诊断方法与装置，利用切向电磁力产生的转矩信号和径向电磁力产生的振动信号具有互补特性,将转矩信号与振动信号的特征信息进行融合,并基于构建的BP神经网络故障模型实现电机退磁故障的实时在线诊断，能实时在线诊断退磁轻微的故障。

本发明基于信息融合的永磁同步电机退磁故障诊断装置采用的技术方案是：其包括联轴器、转矩传感器、数据采集卡、负载设备、上位机、加速度传感器，永磁同步电机的输出轴经转轴同轴连接转矩传感器，转矩传感器和负载设备通过联轴器同轴连接，联轴器和转轴的中心轴共线，永磁同步电机的机壳的外表面上设有N个加速度传感器，N个加速度传感器沿着电机磁极轴向长度的方向等距离均匀分布，转矩传感器和N个加速度传感器均经信号线与数据采集卡相连接，数据采集卡通过数据传输线连接上位机。

所述的基于信息融合的永磁同步电机退磁故障诊断装置的故障诊断方法的技术方案是包括以下步骤：

步骤A：转矩传感器、N个加速度传感器采集实验电机在不同退磁程度D₁，D₂，……，D_n+1下的转矩信号和振动信号并输入数据采集卡，数据采集卡将转矩信号和振动信号进行去燥处理并将模拟信号转换为数字信号后上传到上位机，上位机计算得到不同退磁程度D₁，D₂，……，D_n+1情况下对应的转矩信号平均值T₁，T₂，……，T_n+1和振动信号平均值V₁，V₂，……；V_n+1；

步骤B：上位机将转矩信号平均值T₁，T₂，……，T_n+1、振动信号平均值V₁，V₂，……，V_n+1作为BP神经网络的输入，将对应的退磁程度D₁，D₂，……，D_n+1作为BP神经网络的输出，构建BP神经网络诊断模型D＝F(T,V)；

步骤C：转矩传感器、N个加速度传感器采集待诊断电机一个机械周期的转矩信号和振动信号，上位机获得待诊断电机的转矩信号和振动信号并计算出待诊断电机的转矩信号平均值和振动信号平均值，将待诊断电机的转矩信号平均值和振动信号平均值作为BP神经网络模型D＝F(T,V)的输入，输出待诊断电机的退磁故障程度。

本发明与已有方法和技术相比，具体如下优点：

1、本发明首次利用径向电磁力产生的振动信号和切向电磁力产生的转矩信号具有互补特性，将转矩信号和振动信号的特征信息融合实现电机退磁故障诊断，大大提高了退磁故障诊断的精确度。而目前退磁故障诊断方法，都是基于单一信号的特征信息对退磁故障诊断，单一信号的特征信息往往很难全面的表征故障信息，使得对退磁故障诊断的精确度较低，容易产生误诊。

2、本发明使用多个加速度传感器沿永磁体轴向方向阵列排布对振动信号进行采集，提高采样数据的准确性。与单个传感器采集相比，可多位置获取信号信息，及时检测早期轻微的局部退磁故障现象，从而在故障早期及时诊断并作出故障处理，避免故障严重。

3、现有技术利用定子电流谐波分量或线圈反电势分析的方法，定子电流易受变频器驱动影响，并且只有在特定的电机结构中，定子电流才会出现新的谐波分量，线圈反电势难以采集，且线圈灵敏度较低，不能对轻微退磁故障诊断。本发明通过转矩传感器和加速度传感器对转矩信号、振动信号进行采集，不易受电机结构影响且为高精度传感器灵敏度高，提高了退磁故障诊断的灵敏度。

4、本发明通过构建故障模型实现电机退磁故障的实时在线诊断，与传统的离线数据计算分析相比，无需大量样本数据，计算量小，不易出现误诊，提高了永磁同步电机退磁故障诊断的准确性。

附图说明

图1为本发明基于信息融合的永磁同步电机退磁故障诊断装置的结构连接示意图；

图2为图1中永磁同步电机上的加速度传感器的布局放大图；

图3为图1中永磁同步电机内部的电磁力与加速度传感器、转矩传感器之间的局部放大图；

图4为图1所示装置的控制原理框图；

图5为图1所示装置的退磁故障诊断实现流程图；

附图中各部件的序号和名称：1、永磁同步电机；2、联轴器；3、转矩传感器；4、负载设备；5、转轴；6、加速度传感器；7、上位机；8、数据采集卡；9、数据传输线；10、电机机壳；11、转子永磁体；12、定子铁心。

具体实施方式

参见图1，本发明基于信息融合的永磁同步电机退磁故障诊断装置包括联轴器2、转矩传感器3、数据采集卡8、负载设备4、上位机7、加速度传感器6。转矩传感器3和负载设备4通过联轴器2同轴连接，永磁同步电机1的输出轴经转轴5同轴连接转矩传感器3，联轴器2和转轴5的中心轴共线，在同一水平面上。N个加速度传感器6安装在永磁同步电机1的机壳10的外表面上，沿着磁极轴向长度的方向等距离均匀分布。转矩传感器3和N个加速度传感器6均经信号线与数据采集卡8相连接，将采集到的转矩信号、振动信号输入数据采集卡8中，数据采集卡8通过数据传输线9连接上位机7，数据采集卡8将采集的转矩信号和振动信号去燥处理，并将其转化为数字信号，再将结果输出到上位机7，上位机7保存数据并对数据进行处理，实现永磁同步电机1退磁故障诊断。

参见图2所示的图1中永磁同步电机1上的加速度传感器6的布局图，根据永磁同步电机1内的转子永磁体11对应的机械角度θ＝360/2p(p为永磁体极对数)所对应的机壳10外表面，将N个加速度传感器6沿着转子永磁体11的轴向长度等距离均匀分布，将N个加速度传感器6分别编号为1,2，……，N，每个加速度传感器6所固定的位置相当于一个监测点，可对每块转子永磁体11的不同位置方向对应的定子铁心12产生的振动信号进行采集。在实际安装时，加速度传感器6的个数N由转子永磁体11的轴向长度和相邻两个加速度传感器6的轴向长度决定，设转子永磁体11的轴向长度为L1,相邻两个加速度传感器6的轴向长度为L2，则N＝L1/L2。

参见图3所示的图1中永磁同步电机1内部的电磁力与加速度传感器6、转矩传感器3之间的局部放大图，在永磁同步电机1运行时，定子和转子之间产生电磁力，定子和转子之间的电磁力可分解为两个方向的力：径向电磁力F_r和切向电磁力F_t。由径向电磁力

(其中B_r为径向气隙磁密，μ₀表示真空磁导率，大小为4π×10^-7H/m)可知，当永磁同步电机1发生转子永磁体11退磁故障时，会引起径向气隙磁密B_r减小，定子铁心12受到径向电磁力F_r的作用产生变形，会引起电机机壳10的振动，通过安装在电机机壳10表面的N个加速度传感器6采集振动信号。另一方面，由切向电磁力

(其中B_t为切向气隙磁密)可知，当永磁同步电机1的转子永磁体11发生退磁故障时，切向和径向气隙磁密B_t、B_r会变化，导致切向电磁力F_t产生的转矩信号改变，通过与永磁同步电机1与同轴连接的转轴5相连接的转矩传感器3采集转矩信号。

参见图4所示的故障硬件检测图，转矩传感器3、N个加速度传感器6将采集的转矩信号、振动信号输入到数据采集卡8，数据采集卡8对转矩传感器3、加速度传感器6采集到的转矩信号、振动信号进行去燥处理，并且依靠自身所带的模数转换电路将采集到的模拟信号进行模数转换，最后送到上位机7进行保存，上位机7再对采集到的所有信号进行数据处理。

参见图5所示的本发明实现退磁故障诊断的流程图，转矩传感器3、N个加速度传感器6采集不同退磁程度D₁，D₂，……，D_n+1下的转矩信号和振动信号，上位机7计算不同退磁程度D₁，D₂，……，D_n+1情况下对应的转矩信号平均值T₁，T₂，……，T_n+1和振动信号平均值V₁，V₂，……，V_n+1后，将转矩信号平均值T₁，T₂，……，T_n+1、振动信号平均值V₁，V₂，……，V_n+1作为BP神经网络的输入，将对应的退磁程度D₁，D₂，……，D_n+1作为BP神经网络的输出，构建好BP神经网络诊断模型D＝F(T,V)，D是不同退磁程度，T是转矩信号平均值，V是振动信号平均值。然后，在待诊断电机采集转矩信号和振动信号，上位机7将转矩信号平均值和振动信号平均值输入构建好的BP神经网络诊断模型D＝F(T,V)中，得到退磁程度D，从而实现了电机退磁故障的实时在线诊断。

参见图1-4所示，首先改变转子永磁体11退磁程度获取模型数据，构建BP神经网络诊断模型即退磁故障诊断模型，并基于该模型对同参数的待诊断永磁同步电机进行故障诊断，具体步骤如下：

步骤1：将实验电机作为图1中的永磁同步电机1，实验电机的转子永磁体11退磁程度D分为n等分，每一份的步长为

则退磁程度从小到大依次分为D₁，D₂，……，D_n+1(其中D₁＝0％，表示永磁同步电机1无退磁故障)，将退磁程度D₁，D₂，……，D_n+1内置在上位机7中。

步骤2：先设置第一个退磁程度D₁＝0％，即实验电机无退磁故障，转矩传感器3、N个加速度传感器6分别采集实验电机的转矩信号和振动信号输入数据采集卡8，数据采集卡8将采集到的转矩信号和振动信号进行去燥处理，并将模拟信号转换为数字信号，通过数据传输线9上传到上位机7进行处理，上位机7获得转矩传感器3、编号为1，2，……N的N个加速度传感器6采集的一个机械周期的转矩信号T_1i、振动信号V₁₁，V₁₂，……，V_1N，根据两种信号求出此时在退磁程度D₁＝0％情况下的第一个转矩信号平均值

(M为采样点的个数)和第一个振动信号平均值

在对无退磁故障电机的转矩信号平均值和振动信号平均值计算完成后，改变退磁程度为D₂，D₂是在D₁的基础上增加一个步长△D，即D₂＝D₁+△D。重复上述步骤，上位机7得到退磁程度D₂情况下电机的转矩信号平均值T₂和振动信号平均值V₂。

如此循环，控制退磁程度D的递增，上位机7得到每个退磁程度D₁，D₂，……，D_n+1情况下对应的转矩信号平均值T₁，T₂，……，T_n+1和振动信号平均值V₁，V₂，……，V_n+1，最后将采集的所有转矩信号平均值和振动信号平均值保存至上位机7上。

步骤3：上位机7对保存的数据进行处理，将各个转矩平均值T₁，T₂，……，T_n+1、振动信号平均值V₁，V₂，……，V_n+1作为BP神经网络的输入，将对应的退磁程度D₁，D₂，……，D_n+1作为BP神经网络的输出，构建BP神经网络诊断模型。上位机7先对训练样本进行归一化并初始化BP神经网络模型，设置好相关参数，计算各层的输入和输出，并计算误差，如果此时函数收敛，则保存此BP神经网络，如果函数不收敛，则修改阈值和权值，重复直至函数收敛则构建好BP神经网络模型D＝F(T,V)，最后将构建好的模型保存到上位机7中。

步骤4：当BP神经网络模型D＝F(T,V)构建完成之后，对待诊断电机进行故障诊断，将待诊断电机作为图1中的永磁同步电机1。转矩传感器3、N个加速度传感器6采集一个机械周期的转矩信号T_m和振动信号V_m1，V_m2，……，V_mN，上位机7获得转矩信号和振动信号并计算出转矩信号平均值和振动信号平均值，根据上位机7保存的BP神经网络模型D＝F(T,V)，输入此时的转矩信号平均值和振动信号平均值进而得到待诊断电机的退磁故障程度，从而完成了对待诊断电机退磁故障的诊断。

Claims (5)

1.一种基于信息融合的永磁同步电机退磁故障诊断装置，包括联轴器、转矩传感器(3)、数据采集卡、负载设备、上位机(7)、加速度传感器(6)，其特征是：永磁同步电机的输出轴经转轴5同轴连接转矩传感器(3)，转矩传感器(3)和负载设备通过联轴器同轴连接，联轴器和转轴的中心轴共线，永磁同步电机的机壳的外表面上设有N个加速度传感器(6)，N个加速度传感器(6)沿着电机磁极轴向长度的方向等距离均匀分布，转矩传感器(3)和N个加速度传感器(6)均经信号线与数据采集卡相连接，数据采集卡通过数据传输线连接上位机(7)。

2.根据权利要求1所述的基于信息融合的永磁同步电机退磁故障诊断装置，其特征是：加速度传感器(6)的个数N＝L1/L2，L1是永磁同步电机的转子永磁体的轴向长度为L1,L2是相邻两个加速度传感器(6)的轴向长度。

3.一种如权利要求1所述的基于信息融合的永磁同步电机退磁故障诊断装置的诊断方法，其特征是包括以下步骤：

步骤A：转矩传感器(3)、N个加速度传感器(6)采集实验电机在不同退磁程度D₁，D₂，……，D_n+1下的转矩信号和振动信号并输入数据采集卡，数据采集卡将转矩信号和振动信号进行去燥处理并将模拟信号转换为数字信号后上传到上位机(7)，上位机(7)计算得到不同退磁程度D₁，D₂，……，D_n+1情况下对应的转矩信号平均值T₁，T₂，……，T_n+1和振动信号平均值V₁，V₂，……；V_n+1；

步骤B：上位机(7)将转矩信号平均值T₁，T₂，……，T_n+1、振动信号平均值V₁，V₂，……，V_n+1作为BP神经网络的输入，将对应的退磁程度D₁，D₂，……，D_n+1作为BP神经网络的输出，构建BP神经网络诊断模型D＝F(T,V)；

步骤C：转矩传感器(3)、N个加速度传感器(6)采集待诊断电机一个机械周期的转矩信号和振动信号，上位机(7)获得待诊断电机的转矩信号和振动信号并计算出待诊断电机的转矩信号平均值和振动信号平均值，将待诊断电机的转矩信号平均值和振动信号平均值作为BP神经网络模型D＝F(T,V)的输入，输出待诊断电机的退磁故障程度。

4.根据权利要求3所述的基于信息融合的永磁同步电机退磁故障诊断装置的诊断方法，其特征是：步骤A中，将实验电机的转子永磁体的退磁程度D分为n等分，每一份的步长为

退磁程度从小到大依次分为D₁，D₂，……，D_n+1，D₁＝0％，表示永磁同步电机无退磁故障。

5.根据权利要求4所述的基于信息融合的永磁同步电机退磁故障诊断装置的诊断方法，其特征是：先设置第一个退磁程度D₁＝0％，上位机(7)获得转矩传感器(3)、N个加速度传感器(6)采集的一个机械周期的转矩信号T_1i、振动信号V₁₁，V₁₂，……，V_1N，求出第一个转矩信号平均值

和第一个振动信号平均值

M为采样点的个数；然后改变退磁程度为D₂＝D₁+△D，得到退磁程度D₂情况下转矩信号平均值T₂和振动信号平均值V₂，依次循环，得到每个退磁程度D₁，D₂，……，D_n+1情况下对应的转矩信号平均值T₁，T₂，……，T_n+1和振动信号平均值V₁，V₂，……，V_n+1。

Images