CN113311278A - 基于矢量空间解耦的六相电机驱动系统故障诊断方法 - Google Patents

Abstract

本发明公开了基于矢量空间解耦的六相电机驱动系统故障诊断方法，属于电机控制技术领域。本发明针对电机驱动系统章逆变器的故障识别效率低、识别准确性差，严重影响电机的控制效果以及电机的容错运行稳定性的问题。本发明利用矢量空间解耦，根据电机的相电流得到解耦电流；根据相电流和所述解耦电流得到电机各相断相时故障指标F_n，当故障指标F_n为0时，表明逆变器第n相正常，当故障指标F_n为1时，表明逆变器出现第n相断相故障；本发明提高了电机驱动系统中逆变器故障的诊断效率，增强了故障诊断的可靠性。

Description

基于矢量空间解耦的六相电机驱动系统故障诊断方法

技术领域

本发明涉及电机控制领域，特别是涉及基于矢量空间解耦的六相电机驱动系统故障诊断方法。

背景技术

六相永磁同步电机具有低压大功率、效率高、可容错、噪声低等性能优点，已被应用于舰船推进、航空推动器等可靠性要求较高的应用场合。而逆变器是电机控制系统中最容易发生故障的部位，逆变器发生故障会导致各相电流不平衡，产生较大的转矩脉动，增大电磁干扰，长期工作可能还会带来其它隐患，严重影响电机控制系统的稳定性。目前，针对电机驱动系统章逆变器的故障识别效率低、识别准确性差，严重影响电机的控制效果以及电机的容错运行稳定性。

发明内容

为了解决上述问题，本发明提供了基于矢量空间解耦的六相电机驱动系统故障诊断方法，提高了电机驱动系统中逆变器故障的诊断效率，增强了故障诊断的可靠性。

本发明提供了基于矢量空间解耦的六相电机驱动系统故障诊断方法，所述六相电机驱动系统包括逆变器，所述故障诊断方法包括：

S1、利用矢量空间解耦，根据电机的相电流得到解耦电流；

S2、根据所述相电流和所述解耦电流得到电机各相断相时故障指标F_n，当故障指标F_n为0时，表明逆变器第n相正常，当故障指标F_n为1时，表明逆变器出现第n相断相故障；

S3、根据所述矢量空间解耦，通过谐波子平面电流分量建立单管和多管故障下电流矢量轨迹，通过所述单管和多管故障下电流矢量轨迹识别逆变器中开关管故障。

优选的，步骤S2包括故障指标F_n改进的过程，包括：

S21、对所述故障指标F_n进行尖峰脉冲处理得到第一故障指标E_n；

S22、在一个基本周期内对所述第一故障指标E_n进行积分，得到第二故障指标

S23、所述第二故障指标

经阈值比较得到改进的故障指标OPF_n。

优选的，步骤S21所述尖峰脉冲处理方法包括：

其中，F_ndeo为故障指标F_n的分母值，Δ为过零区域宽度值。

优选的，步骤S22所述积分方法包括：

其中，T_v＝τ*T_s(τ≤1)。

优选的步骤S23所述阈值比较方法包括：

当第二故障指标

大于判断阈值G_th时，改进的故障指标OPF_n数值为1；

当第二故障指标

小于判断阈值G_th时，改进的故障指标OPF_n数值为0。

步骤S3包括：

利用矢量空间解耦，通过谐波子平面电流分量建立单管和多管故障下电流矢量轨迹，并将所述单管和多管故障下电流矢量轨迹作为特征样本；

建立故障定位神经网络模型并训练；

利用训练后的故障定位神经网络模型识别单管、双管故障。

优选的，所述谐波子平面电流分量建立单管和多管故障下电流矢量轨迹通过故障电流矢量以x轴为起点时，逆时针转过的角度d_n-ref表示，具体为：

n表示逆变器的第n相，

为一个周期之内的故障电流平均值，当f_n(t)大于0表示该相下管故障，相反表示上管故障。

与现有技术相比，本申请具有如下有益效果：

1.本发明设计出一种双Y相移30°六相电机断相故障的故障指标，通过利用故障相电流为零的约束条件，通过矢量空间解耦逆矩阵推导出断相故障的故障指标来判断断相故障，故障指标简单高效，实用性强。

2.本发明针对故障指标固有的缺陷，设计了对指标的改进方法。对故障指标过零点的尖峰脉冲进行处理，加入了负积分及其限幅环节来抑制指标波动带来的误诊，通过积分后的值和阈值进行比较获得最后的改进故障指标，提高了故障指标的可靠性。

3.本发明设计了一种针对双Y相移30°六相电机逆变器单管、两管开路故障的诊断方法，利用六相电机矢量空间解耦VSD后独有的谐波子空间i_x、i_y电流的故障特征轨迹，通过神经网络来进行故障识别和定位。

4.本发明适用于轨道交通、风力发电以及航空航天等对可靠性要求较高的场合。

5.本发明的故障诊断方法包括两个部分，首先通过解耦后的相电流作为断相后的故障电流约束条件诊断逆变器的断相故障，然后根据故障后i_x、i_y电流的故障特征轨迹来进行开关管故障的识别诊断，这样可以优先诊断出对电机影响较大的断相故障，根据断相故障结果对电机进行及时处理。

附图说明

图1是本发明双Y相移30°中性点隔离的六相逆变器拓扑图；

图2是本发明双Y相移30°中性点隔离的六相永磁同步电机定子绕组图；

图3是本发明六相自然坐标系和αβ坐标系之间的转换图；

图4是本发明故障指标处理前和经过尖峰脉冲处理后的波形对比图；

图5是本发明积分环节处理前和处理后的故障指标波形对比图；

图6是本发明逆变器A相发生缺相故障时六相定子电流和故障指标波形对比图；

图7是本发明逆变器B、D相发生缺相故障时六相定子电流和故障指标波形对比图；

图8是本发明电机正常状态时i_α-i_β和i_x-i_y电流矢量轨迹图；

图9是本发明单管发生故障时x-y平面下电流矢量轨迹图；

图10是本发明两管发生故障时x-y平面下电流矢量轨迹图；

图11是本发明神经网络训练流程图；

图12是本发明神经网络Sigmoid和Purelin激活函数；

图13是本发明逆变器发生单管开路故障时x-y平面下电流故障特征轨迹波形图；

图14是本发明逆变器发生两管开路故障时x-y平面下电流故障特征轨迹波形图；

图15是本发明神经网络训练误差收敛曲线图；

图16是本发明神经网络训练误差回归曲线图；

图17是本发明控制系统结构框图；

图18是本发明主程序流程图；

图19是本发明中断程序流程图；

图20是本发明DSP供电电源电路图；

图21是本发明交流电流采样电路图；

图22是本发明直流偏置电路图；

图23是本发明过流保护电路图；

图24是本发明2SD315AI的驱动电路图；

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

本发明一具体实施例中提供了基于矢量空间解耦的六相电机驱动系统故障诊断方法，所述六相电机驱动系统包括逆变器，所述六相电机为双Y移30°六相永磁同步电机(PMSM)，六相电机参数如附表1所示，逆变器采用IGBT型号为GD75HFU120C1，耐压1200V，最大承受电流75A，电机的驱动电路选用落木源公司生产的超大功率驱动模块TX-DA102D6，可驱动高达2000A/1700V的IGBT模块。

附表1六相电机参数

从图17系统结构框图中可以看出，控制系统的硬件电路主要由控制电路、电压电流采样电路、IGBT驱动电路以及双Y相移30°六相电机等部分组成。六相电机控制系统功率侧拓扑结构为交-直-交拓扑，本文采用反并联二极管结构的六相电压型逆变器实现逆变处理。通过电流采样电路对采得的电机的相电流进行处理，并传输到DSP控制电路中，通过DSP的ADC转换单元将采样电路得到的电流模拟信号进行数字化信号处理，然后在DSP芯片上通过PI控制算法进行转速和电流双闭环控制，电流闭环输出给到SVPWM调制算法，得到驱动电路的驱动信号；通过控制逆变器中功率器件的通断实现SVPWM调制，进而控制六相电机运行。

本实施例所述故障诊断方法用以诊断逆变器断相故障，具体包括：

S1、利用矢量空间解耦，根据电机的相电流得到解耦电流；

所述双Y相移30°电机，通过解耦变换将六维的电机变量分解成参与机电能量转换的α-β平面的分量以及与机电能量转换无关的其它平面中，解耦变换如下式所示：

[i_αs i_βs i_xs i_ys i_o+ i_o-]＝[T_6/2s][i_a i_b i_c i_d i_e i_f] (1)

其中，推广的Clarke矩阵T_6/2s为：

经过解耦后的变量可以分为基波子空间的α-β分量，与基波子空间分量形成正交子空间的x-y分量，也就是谐波子空间分量、零序子空间的o₁-o₂分量。

S2、根据所述相电流和所述解耦电流得到电机各相断相时故障指标F_n，当故障指标F_n为0时，表明逆变器第n相正常，当故障指标F_n为1时，表明逆变器出现第n相断相故障。

在对电机进行控制时需要对Clark得到的分量进行Park变换，得到用于调节磁通和转矩的d轴分量和q轴分量。在分解后的变量中α-β分量参与电机能量转换，与基波空间垂直的x-y分量在正常运行时电流值为零，由于是Y型连接，o1-o2分量不流动，上述分量与三相电机相比，区别是新增加了x-y谐波子空间分量。因此，本实施例利用逆变器故障发生时x-y分量的变化，来进行逆变器的断相故障诊断。

对式(1)进行逆变换，可得：

[i_a i_b i_c i_d i_e i_f]＝[T_6/2s]^-1[i_αs i_βs i_xs i_ys i_o+i_o-] (3)

由于零序子空间电流在电机系统中没有流通路径，因此不考虑i_o+和i_o-，由式(4)可得在约束条件i_a＝0，等式i_a+i_x＝0成立，建立a相断相的故障指标F_a如下：

若故障发生在b相，此时故障相电流i_b＝0，将此约束条件带入式(3)，可知等式

成立，建立b相断相的故障指标F_b如下：

若故障发生在c相，此时故障相电流i_c＝0，将此约束条件带入式(3)，可知等式

成立。建立c相断相的故障指标F_c如下：

若故障发生在d相，此时故障相电流i_d＝0，将此约束条件带入式(3)，可知等式

成立。建立d相断相的故障指标F_d如下：

若故障发生在e相，此时故障相电流i_e＝0，将此约束条件带入式(3)，可知等式

成立。建立e相断相的故障指标F_e如下：

若故障发生在f相，此时故障相电流i_f＝0，将此约束条件带入式(3)，可知等式i_β+i_y＝0成立。建立f相断相的故障指标F_f如下：

理想情况下，故障指标的值在电机正常运行时一直保持在0，当某相出现断相故障时，该相的故障指标跳变为1。

上述故障指标的分子为i_x或i_y电流分量，因为i_x或i_y电流分量在正常运行时值为0，所以故障指标的分子是i_x或i_y电流分量时，故障指标在正常时故障指标为0，在故障时变为1，才能区别开正常和故障情况，本实施例中的上述故障指标的分子尽量采用i_x电流分量，当没有i_x电流分量时，选择iy电流分量，根据断相时相电流为0得到故障指标F_n的分母。

单纯只是用上述故障指标F_n时，当出现尖峰脉冲有可能导致误诊，因此，本实施例对所述故障指标F_n进行改进，尖峰脉冲的产生是由于故障指标在靠近过零点的区域时分母过小而导致的，因此，本实施例对故障指标F_n的具体改进过程包括：

S21、对所述故障指标F_n通过式(11)进行尖峰脉冲处理得到第一故障指标E_n，处理前和经过式(11)处理后的故障指标波形对比如图4所示；

其中，F_ndeo为故障指标F_n的分母值，n＝a，b，c，d，e，f；Δ为过零区域宽度值，其定义了过零点的区域的大小，所述过零区域宽度值不能过大，过大的话会影响故障后的诊断速度，该值按照经验值和实际实验情况确定，本实施例中取Δ值为0.1，建议该值在0.1—0.3范围内取。

S22、在一个基本周期内对所述第一故障指标E_n进行积分，得到第二故障指标

经过处理后的故障指标会在故障发生后置1，但是因对过零点尖峰脉冲的处理会在过零点的区域内将故障指标置0；因此要对故障指标按式(12)积分进而获得新的故障指标E_n ^int：

其中：

T_v＝τ*T_s(τ≤1) (13)

上式中，Ts代表一个电流周期，τ的值越大，诊断速度变慢，但是诊断正确性较高，τ的值越小，诊断速度越快，但是可能误诊，该值建议取0.5—0.8之间，比较均衡。传统的积分是对整个周期的故障指标进行积分，这样会延长故障诊断时间，降低诊断效率，通过式(13)的积分可以在一个周期内选择τ从而获得一个小于基本周期的特定T_v周期，可以加快检测速度，处理前和经过式(13)处理后的故障指标波形对比如图5所示。

S23、所述第二故障指标

经阈值比较得到改进的故障指标OPF_n；

在经过积分环节之后，最后通过积分后的值和阈值进行比较获得最后的改进故障指标，如式(14)所示：

即，当第二故障指标

大于判断阈值G_th时，改进的故障指标OPF_n数值为1；

当第二故障指标

小于判断阈值G_th时，改进的故障指标OPF_n数值为0。

所述判断阈值在(0，1)之间取，取值过小会使得故障指标的波动超过阈值而导致误诊，取值过大会使得诊断速度变慢，因为有负积分环节防止故障指标的波动，因此该值可以取的较低，本专利中取该值为0.1，根据实际数据经验，所述判断阈值Gth数值范围为(0.1，0.3)。

综上，利用缺相故障后故障相电流为零的约束条件，通过矢量空间解耦VSD逆矩阵推导出缺相故障的故障指标，该指标可以对逆变断相故障共15种故障类型进行故障识别和定位，本发明的电机绕组分为ABC和DEF两组绕组，所述15种断相故障包括6种单相断相故障(A相、B相、C相、D相、E相、F相)和不同组绕组的9种两相断相故障(A和D相、A相和E相、A相和F相、B相和D相、B相和E相、B相和F相、C和D相、C相和E相、C相和F相)。因为同绕组的两相绕组发生断相故障后，该绕组的第三相绕组电流也会发生很大变化，电机的故障情况已经比较严重，误诊的概率很大，因此不包括这六种情况(A和B相、A相和C相、B相和C相、D相和E相、D相和F相、E相和F相)。

为了验证本实施例所述基于矢量空间解耦的六相电机驱动系统故障诊断方法仿真分析：

仿真中，双Y相移30°六相永磁同步电机正常运行在转速为500Rpm，负载转矩为5N.M情况下，六相电流稳定，六个故障指标值均为零。

在t＝0.2s时A相发生断相故障，如图6所示，故障发生后A相电流i_a变为零，非故障相电流的幅值和相位均发生变化。经过约1/4个周期后，故障指标F_a从低电平迅速上升为高电平，表示A相发生开路故障，其他相故障指标均保持在零值未发生变化。

在t＝0.2s时B相发生断相故障，t＝0.3s时D相也发生断相故障，故障发生后B相和D相电流i_b、i_d变为零，非故障相电流的幅值和相位均发生变化。经过约1/2个周期后，故障指标F_b和F_d从低电平迅速上升为高电平，表示B相和D相发生开路故障，其他相故障指标均保持在零值未发生变化。可以看出本发明中所提出的一种新的基于矢量解耦的断相故障指标能够精准诊断出断相故障。

当六相永磁同步电机正常运行时，逆变器输出的六相定子电流为：

其中，n＝1,2,3,4,5,6为电机相数，此处的1,2,3,4,5,6与a,b,c,d,e,f对应；k为输出电流谐波的次数；I^k为k次谐波电流的幅值；f为电流频率。

在电机正常运行时，六相定子电流经过解耦变换得到VSD静止坐标系下基波子空间i_α,i_β电流关系为：

将式(15)中电流代入式(16)和式(17)中，可得：

其中，其中I_m为相电流电流幅值，θ为电机转子转过的角度；

同理可得谐波子平面下i_x，i_y的电流关系为：

将式(15)中电流代入式(20)和式(21)中，可得：

可见，六相永磁同步电机的输出电磁转矩主要由基波子空间αβ分量提供，正常运行时x-y谐波子平面的电流为零，在电机正常运行时VSD解耦变换后的i_α，i_β和i_x，i_y电流如图8所示，和理论计算结果一致。

S3、根据所述矢量空间解耦，通过谐波子平面电流分量建立单管和多管故障下电流矢量轨迹，通过所述单管和多管故障下电流矢量轨迹识别逆变器中开关管故障，即利用矢量空间解耦VSD后独有的谐波子空间i_x，i_y电流的故障特征轨迹，通过神经网络来进行故障识别和定位，具体包括：

利用矢量空间解耦，通过谐波子平面电流分量建立单管和多管故障下电流矢量轨迹，并将所述单管和多管故障下电流矢量轨迹作为特征样本；

所述谐波子平面电流分量建立单管和多管故障下电流矢量轨迹通过故障电流矢量以x轴为起点时，逆时针转过的角度d_n-ref表示，具体为：

n表示逆变器的第n相，n＝a，b，c，d，e，f，k＝1,5,-3,-4,6,4分别对应发生故障的是a,b,c,d,e,f相，

为一个周期之内的故障电流平均值，当f_n(t)大于0表示该相下管故障，相反表示上管故障。

建立故障定位神经网络模型并训练；

由图9图10可知，逆变器发生单管、双管故障时，谐波子平面i_x，i_y电流矢量轨迹有不同的故障特征，可以利用神经网络对单管、双管故障特征进行识别，达到故障定位的目的。通过式(24)建立BP网络进行样本训练，神经网络的训练流程如图11所示。

net＝newff(minmax(p),[9,12],{'logsig','purelin'},'trainlm') (24)

式中：net为预测输出值；purelin和tansig为激活函数，激活函数如图12所示；隐含层神经元个数为9个，输出层神经元个数为12个，采用LM算法对权值矩阵进行优化调整。

本本实施例利用训练后的故障定位神经网络模型识别单管、双管故障，通过提取矢量空间解耦VSD后谐波子空间i_x，i_y电流的故障特征轨迹，使用神经网络可以对逆变单管、两管故障共36种故障类型进行故障识别和定位，仿真结果如图13-图16所示，其中，图13和图14分别为逆变器发生单管开路故障和两管开路故障时x-y平面下电流故障特征轨迹波形，该轨迹与理论推导一致，证明矢量空间解耦后的x-y平面电流轨迹可以作为故障特征值识别逆变器的单管及两管开路故障。

图15为神经网络训练误差收敛曲线，由图15的神经网络训练误差收敛曲线可见，经过优化的神经网络仅15步就满足了误差要求，神经网络的输入层节点数为800、隐藏层节点数为9、输出层节点数为12。从神经网络误差收敛曲线可见，神经网络的收敛速度比较快，在训练15次时均方误差为{3.0745e}^{-6}，已经满足了误差要求。

神经网络误差回归曲线如图16所示，从图中可以看出，该训练好的神经网络预测曲线和期望曲线基本重合，拟合效果比较好。由上述可知，本发明训练好的神经网络模型在不同故障类型的测试样本输入时，神经网络的实际输出经过四舍五入后与期望输出一致，达到了预期效果。因此，本发明提出的故障诊断方案切实可行。

为了进一步验证本发明具体实施例方法的可行性，通过提取出i_x，i_y电流值送入已经训练好的神经网络进行逆变器单管及两管故障诊断，共得到32组故障诊断结果，诊断结果证明本发明提出的基于矢量空间解耦的六相电机故障诊断方法可以有效定位逆变器发生的单管及两管故障位置，实际输出结果见附表2。

附表2神经网络实际诊断输出与期望输出对比

上述实施例采用TMS320F28335进行控制，主程序主要完成系统初始化以及中断等内容，中断程序包括AD采样，故障诊断算法以及速度环和电流环等内容。在图18所示的系统的主程序流程图中，在系统在刚开始运行时候关闭一切中断后进行系统的初始化，完成了程序中所用到的各个单元的初始设定。在初始化完成后开中断，启动定时器，等待中断。

中断子程序的流程图如图19所示，用于完成相电流的采样、估算转子位置和速度、速度环PI调节、电流环PI调节、坐标变换，通过SVPWM算法输出控制信号到功率模块进而控制电机运行。

如图20所示为DSP供电电源电路，采用TPS767D301芯片为DSP供电，输出两路稳定的直流电压，1.9V供给DSP内核，3.3V直流电供给I/O口。

如图21所示为交流电流采样电路，通过电流霍尔传感器实现电机交流电流的采集，电流霍尔的型号选用YHDC公司生产的HA2020，最大采样电流值为100A，供电电源为±15V，变比为2000:1。

如图22所示为直流偏置电路，将采样得到的电位信号通过偏置电路将电流采样信号的电压幅值限制在0-3V之间，1.65V的偏置电压由电阻R37、R39分压生成，电阻R39与电容C10组成了一阶RC滤波电路，由肖特基二极管D2构成采样电压的钳位电路，防止进入到DSP的电压太大，导致芯片损坏。

本实施例所述过流保护电路如图23所示，主要作用是防止电机的相电流超过IGBT开关管的额定值，导致IGBT开关管被烧坏，该电路由比较器构成电压比较器，将采样后的电流信号经过偏置电路，与限定值进行比较，若经偏置后的电流信号电压值高于4.5V或者低于0.6V，控制系统封死PWM输出。限定值的选取与电机额定值与采样电路的增益有关。

所述驱动电路用于将DSP输出的低电平小功率的控制信号放大，使之可以驱动功率开关管。如图24所示，本实施方案中的驱动电路选用瑞士CONCEPT公司推出的型号为2SD315AI的驱动模块，其具有直接模式和半桥模式两种工作方式，将驱动器的8脚MOD与VDD短接，工作于直接模式，此时通道A和B没有关系，两通道独立工作，并将RC1和RC2与GND短接，此时状态输出SO1/SO2也是独立工作。将驱动器的8脚MOD与GND短接，工作于半桥模式，两通道间产生一个死区时间，死区时间由引脚5和7间的RC网络调整，此时INB接高电平使能，INA为两个信号的总输入端。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (7)

1.基于矢量空间解耦的六相电机驱动系统故障诊断方法，所述六相电机驱动系统包括逆变器，其特征在于，所述故障诊断方法包括：

S1、利用矢量空间解耦，根据电机的相电流得到解耦电流；

S2、根据所述相电流和所述解耦电流得到电机各相断相时故障指标F_n，当故障指标F_n为0时，表明逆变器第n相正常，当故障指标F_n为1时，表明逆变器出现第n相断相故障；

S3、根据所述矢量空间解耦，通过谐波子平面电流分量建立单管和多管故障下电流矢量轨迹，通过所述单管和多管故障下电流矢量轨迹识别逆变器中开关管故障。

2.根据权利要求1所述基于矢量空间解耦的六相电机驱动系统故障诊断方法，其特征在于，步骤S2包括故障指标F_n改进的过程，包括：

S21、对所述故障指标F_n进行尖峰脉冲处理得到第一故障指标E_n；

S22、在一个基本周期内对所述第一故障指标E_n进行积分，得到第二故障指标

S23、所述第二故障指标

经阈值比较得到改进的故障指标OPF_n。

3.根据权利要求2所述基于矢量空间解耦的六相电机驱动系统故障诊断方法，其特征在于，步骤S21所述尖峰脉冲处理方法包括：

其中，F_ndeo为故障指标F_n的分母值，Δ为过零区域宽度值。

4.根据权利要求2所述基于矢量空间解耦的六相电机驱动系统故障诊断方法，其特征在于，步骤S22所述积分方法包括：

其中，T_v＝τ*T_s(τ≤1)。

5.根据权利要求2所述基于矢量空间解耦的六相电机驱动系统故障诊断方法，其特征在于，步骤S23所述阈值比较方法包括：

当第二故障指标

大于判断阈值G_th时，改进的故障指标OPF_n数值为1；

当第二故障指标

小于判断阈值G_th时，改进的故障指标OPF_n数值为0。

6.根据权利要求1所述基于矢量空间解耦的六相电机驱动系统故障诊断方法，其特征在于，步骤S3包括：

利用矢量空间解耦，通过谐波子平面电流分量建立单管和多管故障下电流矢量轨迹，并将所述单管和多管故障下电流矢量轨迹作为特征样本；

建立故障定位神经网络模型并训练；

利用训练后的故障定位神经网络模型识别单管、双管故障。

7.根据权利要求6所述基于矢量空间解耦的六相电机驱动系统故障诊断方法，其特征在于，所述谐波子平面电流分量建立单管和多管故障下电流矢量轨迹通过故障电流矢量以x轴为起点时，逆时针转过的角度d_n-ref表示，具体为：

n表示逆变器的第n相，

为一个周期之内的故障电流平均值，当f_n(t)大于0表示该相下管故障，相反表示上管故障。

Images