CN113093005A - 一种永磁同步电机静态偏心故障诊断方法 - Google Patents

Abstract

一种永磁同步电机静态偏心故障诊断方法，涉及电机故障诊断领域，为待测永磁同步电机布置探测线圈、获得待测永磁同步电机样机；建立待测永磁同步电机样机的静态偏心故障电磁仿真模型；获取探测线圈的电压；获取探测线圈特征频率幅值；定义静态偏心故障的诊断指标并构建静态偏心故障特征库；BP神经网络结构的确定；BP神经网络节点传递函数和训练函数的选择；BP神经网络训练集的确定。获取待测永磁同步电机样机的探测线圈电压；获取诊断指标；静态偏心故障的诊断；所述的探测线圈在待测永磁同步电机定子的圆周方向上均匀分布；诊断结果更精准。本发明具有诊断精度高、通用性高，操作简单方便、成本低等优点。

Description

一种永磁同步电机静态偏心故障诊断方法

技术领域

本发明涉及电机故障诊断领域，具体是指一种永磁同步电机静态偏心故障的诊断方法。

背景技术

永磁同步电机具有工作效率高、调速范围广、转矩密度高、鲁棒性好等显著优点，符合全球能源变革发展趋势，在新能源汽车领域被广泛应用。然而，由于制造公差、装配误差、运行工况差等原因，永磁同步电机可能发生静态偏心故障。静态偏心故障是指电机的旋转中心O_r和转子中心O_R重合，与定子中心O_S分离的情况，如图1所示，图中，e为偏心距，γ为偏心圆周角。静态偏心故障会使轴承状况恶化，使电机产生剧烈振动，进而使电机性能降低、使用寿命缩短。如果可在永磁同步电机故障初期诊断出静态偏心故障，就可以尽早对其进行维修。因此，静态偏心故障诊断对于维护永磁同步电机的稳定运行具有重要意义。

一般地，静态偏心故障诊断方法分为以下四类:

(1)电压/电流诊断法。这种方法的诊断信号主要包含三相电压、三相电流、定子绕组电压、d轴电感、单元电机空载反电动势以及探测线圈电压等。三相电压、三相电流、定子绕组电压、d轴电感容易获取且不易受外界干扰，但对于非单元电机的诊断，三相电压、三相电流和d轴电感失效，而定子绕组电压只适用于感应电机。单元电机空载反电动势可以准确的诊断静态偏心故障，但单元电机引线困难，反电动势难以获取。例如专利CN110703091A中提出了一种基于单元电机空载反电动势的静态偏心故障诊断方法，较为准确的诊断了静态偏心率和静态偏心圆周角，但并未解决引线问题。探测线圈电压信号可以准确的诊断静态偏心率和静态偏心圆周角，且线圈布置简单。专利CN210072012U沿定子轭部均匀布置了四个探测线圈，揭示了探测线圈电压基波幅值的变化趋势和静态偏心圆周角的关系，但未诊断静态偏心率和静态偏心圆周角。专利CN103713261B在定子齿三个不同轴面分别均匀布置了6个探测线圈，分析了偏心类型、静态偏心圆周角与探测线圈电压的关系，但并未定量诊断静态偏心率和静态偏心圆周角。专利CN109541461B在12个定子齿上布置探测线圈，获取12个探测线圈的电压，根据电压信号估算定子齿磁通，根据磁通诊断静态偏心率和静态偏心圆周角，但诊断所需的探测线圈数量多、后处理过程复杂。

(2)气隙磁场诊断法。这种方法的诊断信号为气隙磁通密度，该方法可以准确诊断静态偏心率和静态偏心圆周角，但只能进行线下诊断，且会损坏电机。专利CN110501640A提出了一种利用特斯拉计直接采集磁通信号，进而利用磁通随静态偏心的变化规律来进行偏心故障诊断的方法。该方法可以诊断静态偏心率和静态偏心圆周角，但破坏了电机。

(3)振动信号诊断法。这种方法诊断信号为振动加速度或振动位移，这种方法不会对电机造成损坏，但振动信号易受外界干扰。专利CN110531259B利用加速度传感器采集了诊断点的轴向和切向振动，诊断了静态率、动态偏心率，但精度较低，且未诊断静态偏心圆周角。

(4)机械故障相关性诊断法。这种方法利用电机静态偏心故障和机械故障(轴承松动等)的模糊关系，通过诊断电机的机械故障，利用模糊算法来诊断静态偏心故障。这种方法操作便捷，但只能粗略地区分电机故障类型，用若干等级来表征故障的程度。

综上所述，现有能够同时诊断静态偏心率和静态偏心圆周角的技术多利用探测线圈电压信号进行诊断，但现有技术布置探测线圈数量多且后处理复杂，难以低成本、高精度地对静态偏心故障进行诊断。

本文在现有探测线圈诊断技术的基础上，结合BP神经网络对静态偏心率和静态偏心圆周角实现了高精度的诊断，同时减少了探测线圈的数量，降低了诊断成本。

发明内容

本发明的目的是解决上述现有技术的不足，提供一种高精度、低成本、操作简便的永磁同步电机静态偏心故障诊断方法，

本发明解决上述现有技术的不足所采用的技术方案是：

一种永磁同步电机静态偏心故障诊断方法，包括建立静态偏心故障特征库、建立基于BP神经网络的静态偏心故障的诊断模型、静态偏心故障诊断三部分；

所述建立静态偏心故障特征库包括如下步骤：

步骤S1：为待测永磁同步电机布置探测线圈、获得待测永磁同步电机样机：

待测永磁同步电机的槽数为Q_s，在待测永磁同步电机定子齿上布置x个探测线圈，探测线圈跨齿数为y，探测线圈匝数为2；将x个探测线圈依次编号为探测线圈i，i＝1,2,…,x，获得待测永磁同步电机样机；

其中，x和y为整数，且3≤x≤Q_s/3，1≤y≤floor(Q_s/x)，floor(Q_s/x)表示Q_s和x比值的向下取整函数；

步骤S2：建立待测永磁同步电机样机的静态偏心故障电磁仿真模型：

在电磁有限元仿真软件中，建立m×n个不同静态偏心率δ和不同静态偏心圆周角γ的待测永磁同步电机样机的静态偏心电磁有限元模型，设置静态偏心率分别为0、a、2a、…、(m-1)a，静态偏心圆周角分别为0°、b°、2b°、…、(n-1)b°，其中m和n为正整数，a≤10％，(m-1)a≤1，b≤2且nb＝360；建立的m×n个待测永磁同步电机样机的静态偏心电磁有限元模型的静态偏心故障特征构成的矩阵表示为U_m×n，

矩阵的每个元素U_jk为(δ，γ)，其中，U_jk为矩阵第i行第k列的元素，j和k为正整数，且1≤j≤m，1≤k≤n，δ为静态偏心率，γ为静态偏心圆周角；每个元素U_jk对应一种静态偏心工况，每个静态偏心工况包含静态偏心率δ和静态偏心圆周角γ两个静态偏心故障特征。(m×n个待测永磁同步电机样机的静态偏心电磁有限元模型可模拟待测永磁同步电机样机的m×n个偏心工况)

步骤S3：获取探测线圈的电压：

在m×n个待测永磁同步电机的静态偏心故障电磁仿真模型中，设置电机转速为n_s，并对其进行仿真，获取各静态偏心工况下x个探测线圈的电压、得到m×n个静态偏心工况下x个探测线圈电压；

步骤S4：获取探测线圈特征频率幅值：

将得到的m×n个静态偏心工况下x个探测线圈电压进行快速傅里叶变换，得到各偏心工况下x个探测线圈的基波幅值；

将U_jk所表示的偏心工况下第i个探测线圈的基波幅值记为V_{jk_i}；其中，基波对应的频率为f_c，f_c为电机的电频率，j和k为正整数；

步骤S5：定义静态偏心故障的诊断指标并构建静态偏心故障特征库：

在第U_jk偏心工况下第i个探测线圈的静态偏心故障诊断指标为：

β_{jk_i}＝V_{jk_i}/n_s

则各偏心工况下x个探测线圈的静态偏心故障的诊断指标可用矩阵表示为：

其中，矩阵中每个元素为U_m×n中各偏心工况下x个探测线圈的静态偏心故障的诊断指标；

所述建立基于BP神经网络的静态偏心故障的诊断模型包括如下步骤：

步骤T1：BP神经网络结构的确定：

所述BP神经网络的结构依次包括输入层、隐含层1、隐含层2和输出层；

步骤T2：BP神经网络节点传递函数和训练函数的选择：

选取BP神经网络输入层节点数为x，隐含层1节点数为25，隐含层2节点数为40，输出层节点数为2，输入层-隐含层1、隐含层1-隐含层2、隐含层2-输出层的节点传递函数分别为'tansig','tansig','purelin'，训练函数为'trainlm'；

步骤T3：BP神经网络训练集的确定：

选择m×n个静态偏心工况下x个探测线圈电压的静态偏心故障的诊断指标V_m×n为BP神经网络的输入训练集，与诊断指标相对应的m×n个静态偏心工况下的两个静态偏心故障特征静态偏心率δ和静态偏心圆周角γ，即U_m×n作为BP神经网络的输出训练集，两者一一对应，作为BP神经网络的训练集；

步骤T4：步骤T1、步骤T2确定的神经网络结构经步骤T3确定的BP神经网络的训练集训练后得出基于BP神经网络的静态偏心故障的诊断模型；基于BP神经网络的静态偏心故障的诊断模型如图9所示；

所述静态偏心故障诊断包括如下步骤：

步骤P1：获取待测永磁同步电机样机的探测线圈电压：

在步骤S1获得的待测永磁同步电机样机一定转速n_s'下，采集其x个探测线圈的电压；

步骤P2：获取诊断指标：

将步骤P1采集的x个探测线圈的电压进行快速傅里叶变换，得到x个探测线圈电压的基波幅值，将第i个探测线圈的基波幅值记为V_{11_i}'，则静态偏心故障诊断指标β_{11_i}'表示为：

β_{11_i}'＝V_{11_i}'/n_s'

计算得到待测永磁同步电机样机的静态偏心故障诊断指标，用矩阵表示为V_1×1'：

V_1×1'＝[(β_{11_1}',β_{11_2}',…,β_{11_x}')]

步骤P3：静态偏心故障的诊断：

将步骤P2所得到的静态偏心故障诊断指标V_1×1'中的元素作为基于BP神经网络的静态偏心故障的诊断模型的输入，基于BP神经网络的静态偏心故障的诊断模型的输出为待测永磁同步电机样机的静态偏心故障特征。

本发明步骤S1：所述的探测线圈在待测永磁同步电机定子的圆周方向上均匀分布；诊断结果更精准。

与现有技术相比，本发明具有以下优点：

(1)诊断精度高：本发明所提静态偏心诊断方法可以准确的诊断静态偏心率和静态偏心圆周角。

(2)通用性高：本发明提出的静态偏心故障诊断方法适用于任何永磁同步电机，通过探测线圈的电压可以方便快捷的进行诊断。

(3)操作简单：本发明提出的静态偏心故障诊断方法结合了BP神经网络，诊断网络训练完成后，每次故障诊断只需获取探测线圈电压，调用程序即可直接得到静态偏心率和静态偏心圆周角。

附图说明

图1是静态偏心示意图。

图2是静态偏心故障诊断流程图。

图3探测线圈布置示意图；

图4是待测永磁同步电机样机的静态偏心圆周角为0°，静态偏心率分别为0和60％时探测线圈1的电压波形图；

图5是待测永磁同步电机样机的静态偏心圆周角为0°，静态偏心率分别为0和60％时探测线圈2的电压波形图；

图6是待测永磁同步电机样机的静态偏心圆周角为0°，静态偏心率分别为0和60％时探测线圈3的电压波形图；

图7是待测永磁同步电机样机的静态偏心圆周角为0°，静态偏心率分别为0和60％时探测线圈4的电压波形图；

图8是待测永磁同步电机样机的静态偏心圆周角为0°，静态偏心率分别为0和60％时探测线圈1的电压幅频特性图；

图9是发明方法中的BP神经网络示意图；

图10是实施例中的BP神经网络示意图；

图11是探测线圈电压采集实验台架结构示意图；

图12是实施例中静态偏心率和静态偏心圆周角诊断值和实际值示意图

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。

一种永磁同步电机静态偏心故障诊断方法，包括建立静态偏心故障特征库、建立基于BP神经网络的静态偏心故障的诊断模型、静态偏心故障诊断三部分；

所述建立静态偏心故障特征库包括如下步骤：

步骤S1：为待测永磁同步电机布置探测线圈、获得待测永磁同步电机样机：

待测永磁同步电机的槽数为Q_s，在待测永磁同步电机定子齿上布置x个探测线圈，探测线圈跨齿数为y，探测线圈匝数为2；将x个探测线圈依次编号为探测线圈i，i＝1,2,…,x，获得待测永磁同步电机样机；

其中，x和y为整数，且3≤x≤Q_s/3，1≤y≤floor(Q_s/x)，floor(Q_s/x)表示Q_s和x比值的向下取整函数；

步骤S2：建立待测永磁同步电机样机的静态偏心故障电磁仿真模型：

在电磁有限元仿真软件中，建立m×n个不同静态偏心率δ和不同静态偏心圆周角γ的待测永磁同步电机样机的静态偏心电磁有限元模型，设置静态偏心率分别为0、a、2a、…、(m-1)a，静态偏心圆周角分别为0°、b°、2b°、…、(n-1)b°，其中m和n为正整数，a≤10％，(m-1)a≤1，b≤2且nb＝360；建立的m×n个待测永磁同步电机样机的静态偏心电磁有限元模型的静态偏心故障特征构成的矩阵表示为U_m×n，

矩阵的每个元素U_jk为(δ，γ)，其中，U_jk为矩阵第i行第k列的元素，j和k为正整数，且1≤j≤m，1≤k≤n，δ为静态偏心率，γ为静态偏心圆周角；每个元素U_jk对应一种静态偏心工况，每个静态偏心工况包含静态偏心率δ和静态偏心圆周角γ两个静态偏心故障特征。(m×n个待测永磁同步电机样机的静态偏心电磁有限元模型可模拟待测永磁同步电机样机的m×n个偏心工况)

步骤S3：获取探测线圈的电压：

在m×n个待测永磁同步电机的静态偏心故障电磁仿真模型中，设置电机转速为n_s，并对其进行仿真，获取各静态偏心工况下x个探测线圈的电压、得到m×n个静态偏心工况下x个探测线圈电压；

建立如图1所示的坐标系，定义横轴，即探测线圈1与坐标系原点的相对方向为静态偏心圆周角的0°，逆时针方向为正，来表示静态偏心的方向。则图4、图5、图6、图7为布置4个探测线圈时，静态偏心圆周角为0°，静态偏心率分别为0和60％的4个探测线圈电压的波形图，图8为静态偏心圆周角为0°，静态偏心率分别为0和60％时，探测线圈1的电压幅频特性图。由图4至图8可知，永磁同步电机无偏心时，4个探测线圈电压的幅值和波形一致。当发生静态偏心时，4个探测线圈电压的幅值发生变化，且靠近0°的第1个探测线圈幅值最大，即最靠近偏心方向的探测线圈电压幅值最大。

步骤S4：获取探测线圈特征频率幅值：

将得到的m×n个静态偏心工况下x个探测线圈电压进行快速傅里叶变换，得到各偏心工况下x个探测线圈的基波幅值；

将U_jk所表示的偏心工况下第i个探测线圈的基波幅值记为V_{jk_i}；其中，基波对应的频率为f_c，f_c为电机的电频率，j和k为正整数；

步骤S5：定义静态偏心故障的诊断指标并构建静态偏心故障特征库：

在第U_jk偏心工况下第i个探测线圈的静态偏心故障诊断指标为：

β_{jk_i}＝V_{jk_i}/n_s

则各偏心工况下x个探测线圈的静态偏心故障的诊断指标可用矩阵表示为：

其中，矩阵中每个元素为U_m×n中各偏心工况下x个探测线圈的静态偏心故障的诊断指标；

所述建立基于BP神经网络的静态偏心故障的诊断模型包括如下步骤：

步骤T1：BP神经网络结构的确定：

所述BP神经网络的结构依次包括输入层、隐含层1、隐含层2和输出层；

步骤T2：BP神经网络节点传递函数和训练函数的选择：

选取BP神经网络输入层节点数为x，隐含层1节点数为25，隐含层2节点数为40，输出层节点数为2，输入层-隐含层1、隐含层1-隐含层2、隐含层2-输出层的节点传递函数分别为'tansig','tansig','purelin'，训练函数为'trainlm'；

步骤T3：BP神经网络训练集的确定：

选择m×n个静态偏心工况下x个探测线圈电压的静态偏心故障的诊断指标V_m×n为BP神经网络的输入训练集，与诊断指标相对应的m×n个静态偏心工况下的两个静态偏心故障特征静态偏心率δ和静态偏心圆周角γ，即U_m×n作为BP神经网络的输出训练集，两者一一对应，作为BP神经网络的训练集；

步骤T4：步骤T1、步骤T2确定的神经网络结构经步骤T3确定的BP神经网络的训练集训练后得出基于BP神经网络的静态偏心故障的诊断模型；基于BP神经网络的静态偏心故障的诊断模型如图9所示；

所述静态偏心故障诊断包括如下步骤：

步骤P1：获取待测永磁同步电机样机的探测线圈电压：

在步骤S1获得的待测永磁同步电机样机一定转速n_s'下，采集其x个探测线圈的电压；

步骤P2：获取诊断指标：

将步骤P1采集的x个探测线圈的电压进行快速傅里叶变换，得到x个探测线圈电压的基波幅值，将第i个探测线圈的基波幅值记为V_{11_i}'，则静态偏心故障诊断指标β_{11_i}'表示为：

β_{11_i}'＝V_{11_i}'/n_s'

计算得到待测永磁同步电机样机的静态偏心故障诊断指标，用矩阵表示为V_1×1'：

V_1×1'＝[(β_{11_1}',β_{11_2}',…,β_{11_x}')]

步骤P3：静态偏心故障的诊断：

将步骤P2所得到的静态偏心故障诊断指标V_1×1'中的元素作为基于BP神经网络的静态偏心故障的诊断模型的输入，基于BP神经网络的静态偏心故障的诊断模型的输出为待测永磁同步电机样机的静态偏心故障特征，静态偏心故障特征包括静态偏心率δ'和静态偏心圆周角γ'，以确定静态偏心工况，δ'和γ'分别为诊断得到的静态偏心率和静态偏心圆周角。

本发明步骤S1：所述的探测线圈在待测永磁同步电机定子的圆周方向上均匀分布；诊断结果更精准。

实施例：

针对某额定转速为6500rpm的8极48槽内置式永磁同步电机，使用本发明提供的永磁同步电机静态偏心故障诊断方法进行诊断。

按图2流程图所示，对于待测永磁同步电机的诊断过程如下：

(1)在待测内置式永磁同步电机定子齿上设有圆周方向上均匀布置的探测线圈，线圈跨齿数为3，匝数为2，共布置4个探测线圈，并按照逆时针方向依次编号为线圈i(i＝1,2,3,4)，获取待测永磁同步电机样机，探测线圈的布置结构如图3所示。

(2)取a＝10％，b＝1.875，m＝9，n＝192，在电磁有限元仿真软件中，建立9×192个不同静态偏心率δ和不同静态偏心圆周角γ的待测永磁同步电机样机的静态偏心电磁有限元模型，设置静态偏心率δ分别为0、10％、20％、…、80％，静态偏心圆周角γ分别为0°、1.875°、3.75°、…、358.125°。建立的9×192待测永磁同步电机样机的静态偏心电磁有限元模型的静态偏心故障特征构成的矩阵表示为U_9×192，矩阵的每个元素U_jk为(δ，γ)，其中，U_jk为矩阵第i行第k列的元素，j和k为正整数，且1≤j≤9，1≤k≤192，δ为静态偏心率，γ为静态偏心圆周角：

(3)在9×192个待测内置式永磁同步电机的静态偏心故障电磁有限元模型中，设置电机转速n_s为6500rpm，并对其进行仿真，获取4个探测线圈的电压，将得到的9×192个静态偏心工况下4个探测线圈电压进行快速傅里叶变换，得到各偏心工况下4个探测线圈的基波幅值；将U_jk所表示的偏心工况下第i个探测线圈的基波幅值记为V_{jk_i}；其中，基波对应的频率为f_c，f_c为电机的电频率，j和k为正整数。然后，计算各工况下4个探测线圈的静态偏心故障诊断指标，在第U_jk偏心工况下第i个探测线圈的静态偏心故障诊断指标为：

β_{jk_i}＝V_{jk_i}/n_s

则各偏心工况下4个探测线圈的静态偏心诊断指标可用矩阵表示为：

其中，矩阵中每个元素为U_9×192中各偏心工况下4个静态偏心故障诊断指标。

(4)如图10所示，以(3)中得到的9×192个偏心工况下4个探测线圈的静态偏心故障诊断指标V_9×192为BP神经网络输入训练集，以(2)中得到的9×192个偏心工况下的两个静态偏心故障特征静态偏心率δ和静态偏心圆周角γ，即U_9×192为BP神经网络的输出训练集，构建一个4-25-40-2的双层BP神经网络。其中，输入层-隐含层1、隐含层1-隐含层2、隐含层2-输出层的节点传递函数分别选择'tansig','tansig','purelin'，训练函数选择'trainlm'。获得基于BP神经网络的静态偏心故障的诊断模型。

(5)随机选择168°、192°、257°、353°四个静态偏心圆周角下，静态偏心率为10％、20％、…、80％的偏心工况作为验证数据，静态偏心率和静态偏心圆周角构成的验证数据集可用矩阵U_4×8'表示为：

(6)图11为实施例待测内置式永磁同步电机探测线圈电压采集台架结构示意图，控制柜1通过连接线2控制驱动电机4转动，驱动电机4安装在支架3上，通过减速器5降速增扭，通过转矩转速传感器7监测输出转矩和转速，将已知转速和转矩输入待测永磁同步电机9转动，探测线圈接线头引出至接线盒10，并通过数采13和连接线12、14将探测线圈电压采集至电脑15。待测永磁同步电机9安装在支撑夹具8、11上，减速器5转矩转速传感器7经联轴器6相连。

(7)制造(1)中所述的包含4个探测线圈的、静态偏心工况(即静态偏心圆周角和静态偏心率)可调的待测内置式永磁同步电机样机。

使用图11所示台架，在转速n_s'＝2000rpm下采集U_4×8'所表示的4×8个静态偏心工况下待测内置式永磁同步电机样机的4个探测线圈的电压数据。利用快速傅里叶变换得到4个探测线圈电压的基波幅值，计算得到U_4×8'所表示的4×8个静态偏心工况下4个探测线圈的静态偏心故障诊断指标，可用矩阵表示为V_4×8'：

(8)将(7)中所得到的U_4×8'所表示的4×8个静态偏心工况下4个探测线圈的静态偏心故障诊断指标，即V_4×8'中的元素作为(4)获得的基于BP神经网络的静态偏心故障的诊断模型的输入，其输出为待测内置式永磁同步电机样机的静态偏心故障特征，静态偏心故障特征包括静态偏心率δ'和静态偏心圆周角γ'，以确定静态偏心工况。

(9)通过本实施例的实验获得静态偏心故障特征(静态偏心率和静态偏心圆周角)的诊断值和实际值误差表如表1所示，图12为本实施例中静态偏心率和静态偏心圆周角诊断值和实际值示意图，横坐标为静态偏心率、纵坐标为静态偏心圆周角，+和o分别表示实际偏心数据和诊断偏心率和偏心圆周角。由表1和图12可知，静态偏心率和静态偏心圆周角诊断结果与实际值吻合较好。静态偏心率诊断的最大误差为0.2576％，静态偏心圆周角诊断的最大误差为1.1063°。

表1

上述分析表明，本发明可以准确、全面、快速的诊断静态偏心率和静态偏心圆周角，与现有技术对比诊断精度高、通用性高、操作简单、成本低。

Claims (2)

1.一种永磁同步电机静态偏心故障诊断方法，包括建立静态偏心故障特征库、建立基于BP神经网络的静态偏心故障的诊断模型、静态偏心故障诊断三部分；

所述建立静态偏心故障特征库包括如下步骤：

步骤S1：为待测永磁同步电机布置探测线圈、获得待测永磁同步电机样机：

待测永磁同步电机的槽数为Q_s，在待测永磁同步电机定子齿上布置x个探测线圈，探测线圈跨齿数为y，探测线圈匝数为2；将x个探测线圈依次编号为探测线圈i，i＝1,2,…,x，获得待测永磁同步电机样机；

其中，x和y为整数，且3≤x≤Q_s/3，1≤y≤floor(Q_s/x)，floor(Q_s/x)表示Q_s和x比值的向下取整函数；

步骤S2：建立待测永磁同步电机样机的静态偏心故障电磁仿真模型：

在电磁有限元仿真软件中，建立m×n个不同静态偏心率δ和不同静态偏心圆周角γ的待测永磁同步电机样机的静态偏心电磁有限元模型，设置静态偏心率分别为0、a、2a、…、(m-1)a，静态偏心圆周角分别为0°、b°、2b°、…、(n-1)b°，其中m和n为正整数，a≤10％，(m-1)a≤1，b≤2且nb＝360；建立的m×n个待测永磁同步电机样机的静态偏心电磁有限元模型的静态偏心故障特征构成的矩阵表示为U_m×n，

矩阵的每个元素U_jk为(δ，γ)，其中，U_jk为矩阵第i行第k列的元素，j和k为正整数，且1≤j≤m，1≤k≤n，δ为静态偏心率，γ为静态偏心圆周角；每个元素U_jk对应一种静态偏心工况，每个静态偏心工况包含静态偏心率δ和静态偏心圆周角γ两个静态偏心故障特征；

步骤S3：获取探测线圈的电压：

在m×n个待测永磁同步电机的静态偏心故障电磁仿真模型中，设置电机转速为n_s，并对其进行仿真，获取各静态偏心工况下x个探测线圈的电压、得到m×n个静态偏心工况下x个探测线圈电压；

步骤S4：获取探测线圈特征频率幅值：

将得到的m×n个静态偏心工况下x个探测线圈电压进行快速傅里叶变换，得到各偏心工况下x个探测线圈的基波幅值；

将U_jk所表示的偏心工况下第i个探测线圈的基波幅值记为V_{jk_i}；其中，基波对应的频率为f_c，f_c为电机的电频率，j和k为正整数；

步骤S5：定义静态偏心故障的诊断指标并构建静态偏心故障特征库：

在第U_jk偏心工况下第i个探测线圈的静态偏心故障诊断指标为：

β_{jk_i}＝V_{jk_i}/n_s

则各偏心工况下x个探测线圈的静态偏心故障的诊断指标可用矩阵表示为：

其中，矩阵中每个元素为U_m×n中各偏心工况下x个探测线圈的静态偏心故障的诊断指标；

所述建立基于BP神经网络的静态偏心故障的诊断模型包括如下步骤：

步骤T1：BP神经网络结构的确定：

所述BP神经网络的结构依次包括输入层、隐含层1、隐含层2和输出层；

步骤T2：BP神经网络节点传递函数和训练函数的选择：

选取BP神经网络输入层节点数为x，隐含层1节点数为25，隐含层2节点数为40，输出层节点数为2，输入层-隐含层1、隐含层1-隐含层2、隐含层2-输出层的节点传递函数分别为'tansig','tansig','purelin'，训练函数为'trainlm'；

步骤T3：BP神经网络训练集的确定：

选择m×n个静态偏心工况下x个探测线圈电压的静态偏心故障的诊断指标V_m×n为BP神经网络的输入训练集，与诊断指标相对应的m×n个静态偏心工况下的两个静态偏心故障特征静态偏心率δ和静态偏心圆周角γ，即U_m×n作为BP神经网络的输出训练集，两者一一对应，作为BP神经网络的训练集；

步骤T4：步骤T1、步骤T2确定的神经网络结构经步骤T3确定的BP神经网络的训练集训练后得出基于BP神经网络的静态偏心故障的诊断模型；

所述静态偏心故障诊断包括如下步骤：

步骤P1：获取待测永磁同步电机样机的探测线圈电压：

在步骤S1获得的待测永磁同步电机样机一定转速n_s'下，采集其x个探测线圈的电压；

步骤P2：获取诊断指标：

将步骤P1采集的x个探测线圈的电压进行快速傅里叶变换，得到x个探测线圈电压的基波幅值，将第i个探测线圈的基波幅值记为V_{11_i}'，则静态偏心故障诊断指标β_{11_i}'表示为：

β_{11_i}'＝V_{11_i}'/n_s'

计算得到待测永磁同步电机样机的静态偏心故障诊断指标，用矩阵表示为V_1×1'：

V_1×1'＝[(β_{11_1}',β_{11_2}',…,β_{11_x}')]

步骤P3：静态偏心故障的诊断：

将步骤P2所得到的静态偏心故障诊断指标V_1×1'中的元素作为基于BP神经网络的静态偏心故障的诊断模型的输入，基于BP神经网络的静态偏心故障的诊断模型的输出为待测永磁同步电机样机的静态偏心故障特征。

2.根据权利要求1所述的永磁同步电机静态偏心故障诊断方法，其特征在于步骤S1中：所述的探测线圈在待测永磁同步电机定子的圆周方向上均匀分布。

Images