CN115166517B

CN115166517B - 一种针对电机传动系统中逆变器故障诊断方法

Info

Publication number: CN115166517B
Application number: CN202211086515.9A
Authority: CN
Inventors: 杜远鹏; 张海峰; 胡文炳; 孙先睿; 纪晓楠
Original assignee: Shenyang Kelaiwo Electric Technology Co ltd
Current assignee: Shenyang Kelaiwo Electric Technology Co ltd
Priority date: 2022-09-07
Filing date: 2022-09-07
Publication date: 2022-11-25
Anticipated expiration: 2042-09-07
Also published as: CN115166517A

Abstract

本发明涉及逆变器故障诊断，尤其涉及一种针对电机传动系统中逆变器故障诊断方法。其不仅适用于电机正常运行条件下的逆变器故障诊断，仍然可以快速准确的实现逆变器开路故障诊断。包括两个阶段：步骤1、利用变模长均一化过程消除电机负载变化的暂态影响，并采用快速傅里叶分解(FFT)对均一化后的电流数据集特征进行提取；步骤2、对已经消除暂态影响的数据特征使用广义主元分析(Generalization Principal Component Analysis GPCA)算法进行计算，通过预设阈值，使用GPCA算法的预测误差值和贡献率指标综合判断电机所处状态。

Description

一种针对电机传动系统中逆变器故障诊断方法

技术领域

本发明涉及逆变器故障诊断，尤其涉及一种针对电机传动系统中逆变器故障诊断方法。

背景技术

目前，逆变器的控制策略已经到达一定高度，但在实际生产生活中，逆变器的可靠性仍不满足稳定运行条件，对于电机驱动系统中的逆变器来说，开路故障是最重要的故障类型，快速准确的检测出开路故障成为了近年来的热点。

现今电气设备高度集成，对于逆变器开路故障的研究可大致分为以下三种方法。

一、基于信号的故障诊断方法，二、基于模型化的故障诊断方法，三、基于人工智能神经网络的故障诊断方法。

其中，基于信号的故障诊断方法中：基于电流的故障诊断方法在电流受到较大的干扰时可能会影响诊断精度；基于电压信号的故障诊断方法需要增加额外的传感器，在一定程度上增加了故障的种类。

基于模型化的故障诊断方法是基于动态系统建立模型，对其进行的故障诊断，但该方法仅仅可以用于设定好的情况下进行故障检测。

基于神经网络的故障诊断方法需要大量的数据进行支持，同时数据驱动方法需要采集故障数据进行训练，数据的获取难度极大。

另外，针对逆变器开路故障的研究大多把负载变化当成扰动量来消除负载变化对开关管开路故障检测的影响。然而，能同时对故障和负载变化情况进行检测的研究目前还没有。且针对开关管开路故障的检测方法大致分为根据电流幅值或者电压值判断两个方向，由于电流数据易采取，多数方法都是基于电流幅值，其在负载频繁变动情况下，可能造成加/减载状态被误诊断为故障状态；也即在干扰存在的情况下，影响诊断方法的准确性。

发明内容

本发明就是针对现有技术存在的缺陷，提供一种针对电机传动系统中逆变器故障诊断方法。

为实现上述目的，本发明采用如下技术方案，包括两个步骤：

步骤1、利用变模长均一化过程消除电机负载变化的暂态影响，并采用快速傅里叶分解(FFT)对均一化后的电流数据集特征进行提取。

步骤2、对已经消除暂态影响的数据特征使用广义主元分析(GeneralizationPrincipal Component Analysis GPCA)算法进行计算，通过预设阈值，使用GPCA算法的预测误差值和贡献率指标综合判断电机所处状态。

进一步地，所述步骤1包括。

步骤1.1：（采用滑动窗口采样法）分别采集A、B、C三相电流数据，并设置平均误差阈值，来判断此时电流是否为正弦波。

步骤1.2：计算k时刻采集到的N个采样点的三相电流的平均值。

步骤1.3：将计算出的三相电流平均值与误差阈值进行对比。

步骤1.4：若三相电流平均值小于误差阈值，认为（此时滑动窗口中的）电流波形为标准正弦波，并对三相电流进行Clark变换。

记i _k ^x是每个数据集D _k ^x中各个数据，i _k ^α，i _k ^𝛽分别表示坐标变化后α轴和β轴对应的k时刻的电流值，i _k ^x’为处理后每个数据集D _k ^x’中各个数据。

记D _k ^x=[i _k-N+1 ^x ,…,i _k ^x], x=a,b,c; D _k ^x’=[i _k-N+1 ^x’ ,…,i _k ^x’], x=a,b,c。

步骤1.5：若三相电流平均值大于误差阈值，电流波形不再看作正弦波。

步骤1.6：使用FFT处理均一化后的电流数据集，提取电流波形在不同频率上的分量。

更进一步地，所述步骤1.4分为。

步骤1.4.1：利用所得的i _k ^α，i _k ^𝛽确定出电流的瞬时幅值，再利用式（1）即可完成在正常运行，加载减载状态下的均一化过程。

i _k ^x’=i _k ^x∕((i _k ^α)²+(i _k ^𝛽)²)^1/2 (1)

步骤1.4.2：将步骤1.4.1得到的处理后的每个数据集中各个数据i _k ^x’重构为新的数据集。

记三相电流的幅值最大值为i _max ^x，A相最大值为i _max ^a，B相最大值为i _max ^b，C相最大值为i _max ^c。

更进一步地，步骤1.5包括。

步骤1.5.1：分别取三相电流的幅值最大值i _max ^x，并对每个数据集D _k ^x中的数据进行处理得到新的处理后的数据i _k ^x’：

i _k ^x’=i _k ^x∕i _max ^x (2)

步骤1.5.2：将变换后的i _k ^x’重新组成处理后的新数据集D _k ^x’。

步骤1.4.2和步骤1.5.2形成的新数据集即均一化处理过后的数据。

进一步地，所述步骤2包括：

步骤2.1、建立广义主元分析法模型。

步骤2.2、根据步骤2.1得到的故障值F _indicator计算出不同开关管故障数值,依据故障定位查找法定位故障发生的开关管位置。

记F为开关管故障数值，Round(·)为上取整函数，Q _dc ^x、Q _1st ^x分别为故障相的直流分量和基波分量。

F=Round((Q _dc ^x /Q _1st ^x )+0.5)×10+F _indicator。

故障定位查找法。

当故障相为A相时，记A相上桥臂开关管S ₁发生故障时，故障值F _indicator为21；记A相下桥臂开关管S ₂发生故障时，故障值F _indicator为11。

当故障相为B相时，记B相上桥臂开关管S ₃发生故障时，故障值F _indicator为22；记B相下桥臂开关管S ₄发生故障时，故障值F _indicator为12。

当故障相为C相时，记C相上桥臂开关管S ₅发生故障时，故障值F _indicator为23；记C相下桥臂开关管S ₆发生故障时，故障值F _indicator为13。

更进一步地，所述步骤2.1包括。

步骤2.1.1、对第一阶段的处理数据加入一个泛化层矩阵；（将引入泛化层后再进行主元分析的方法称为广义主元分析；(Generalization Principal Component AnalysisGPCA)；）

将泛化层加在电流信号上，均一化处理后再进行快速傅里叶分解提取特征，最后对其进行主元分析法处理，进而建立GPCA模型。

步骤2.1.2、加减载状态识别。

步骤2.1.3、故障状态诊断及故障定位。

更进一步地，建立GPCA模型包括：记加入泛化层后的矩阵为M ^{^}，矩阵M ^{^}的特征值组成的对角矩阵为V；记V降维后的对角矩阵为V’,其前l项保持不变，作为主元元素，剩余的特征值全部由0代替；矩阵V’与矩阵D乘积记作P*。

M ^{^} =TVD=TP*。

记负载矩阵为P∈R ^m×l，有l个特征向量组成；得分矩阵为T∈R ^n×l，得分矩阵T的各列称为主元变量，l代表主元的个数，得分矩阵的各列互相正交；E为残差空间；分解M ^{^}：

M ^{^}=

t _j p _j ^T+E=TP ^T+E (4)。

建立统计量平方预测误差(Squared Prediction Error SPE)和统计量T ²用于故障检测。

SPE=||(I−PP ^T M ^{^} || ²；

T ²=(M ^{^})^T P(⋀^-1)P ^T M ^{^} (6)。

记SPE的控制限为δ ²，T ²的控制限T _α ²。

更进一步地，所述加减载状态识别包括：

记预测误差值SPE和T ²的加载阈值分别为δ _upload ²，T _upload ²。

在GPCA预测误差值中设置一条加载阈值δ _upload ²，T _upload ²，以此来辨别电机的加载与减载状状态；加载阈值的值是加载到1.25倍额定电流的瞬态过程最大值之和，其大小小于可检测最小加载电流的SPE和T ²的最小值。

更进一步地，所述故障状态诊断包括：设置一条分别对应预测误差值SPE和T ²的故障阈值δ _fault ²和T _fault ²，其大小等于故障发生暂态过程中的SPE和T ²值。若预测误差值SPE和T ²均超出其对应的故障阈值δ _fault ²和T _fault ²，则认为此时存在开路故障。

更进一步地，所述故障定位包括。

计算贡献率绘制贡献图，采用贡献图对比法进行故障相定位；当某相电流的基波分量超过贡献图中故障阈值时，则认为控制该相电流的开关管发生开路故障。

记F _indicator为故障值；记A,B,C三相分别发生故障时对应的故障值为1，2，3，未产生故障时故障值为0。

与现有技术相比本发明有益效果。

本发明首先对电流数据的处理进行了改进，采用了全新的均一化方法，传统方法在电机加载减载暂态状态时，会出现一定程度上的波形畸变，本发明采用了分段式均一化方法，可以很好的将电流数据映射至区间[-1,1]内，数据方便携带，同时对后续电机的加载减载状态监测和逆变器开路故障的诊断有积极的作用。

本发明对主元分析法进行了改进，提出一种新的方法为广义主元分析法(Generalized Principal Component Analysis, GPCA)，通过增加了一层泛化层用解决掉训练矩阵不可逆的问题。

本发明不仅适用于电机正常运行条件下的逆变器故障诊断，在一定程度上的变载变频条件下仍然可以快速准确的实现逆变器开路故障诊断。同时，本发明采用的方法在诊断速度，准确度上能够超越传统的开路故障诊断方法，不仅如此，本发明提出的方法还可以对电机的加载减载状态进行监测，进一步提高开路故障诊断的精度，也为生产方法和生产计划提供了一定的决策数据。

附图说明

下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。

图1是变模长归一化原理图。

图2是广义主元分析法故障诊断及状态识别模型流程图。

图3是均一化前后的电流值对比图。

图4是电机状态识别及逆变器开路故障诊断结果图。

图5是S ₄故障实验结果图。

具体实施方式

如图1-5所示，图1中，(a)为本文方法归一化后结果，(b)为传统方法归一化后结果，(c)为加载过程。具体实施例：本发明将通过滑动窗口采样法采集到电流数据，将采集到的数据通过变模长均一化过程以消除暂态影响，并采用快速傅里叶分解(FFT)对数据特征进行提取。将FFT提取出的值进行构建广义主元分析法模型，通过SPE和T ²两个指标实现加减载状态识别以及故障状态诊断，通过贡献率指标实现故障定位。

步骤1：消除暂态影响的变模长归一化过程及特征提取。

步骤1.1：采用滑动窗口采样法分别采集A、B、C三相电流数据，并设置平均误差阈值，来判断此时电流是否为正弦波。

步骤1.2：计算k时刻步骤1.1内采集到的N个采样点的三相电流的平均值。

步骤1.3：将计算出的三相电流平均值与误差阈值进行对比。

步骤1.4：若三相电流平均值小于误差阈值，认为此时滑动窗口中的电流波形为标准正弦波，并对三相电流进行Clark变换。

记D _k ^x=[i _k-N+1 ^x ,…,i _k ^x], x=a,b,c; D _k ^x’=[i _k-N+1 ^x’ ,…,i _k ^x’], x=a,b,c;

步骤1.4.1：使用所得的i _k ^α，i _k ^𝛽可以确定出电流的瞬时幅值，再使用式（8）即可完成在正常运行，加载减载状态下的均一化过程。

i _k ^x’ =i _k ^x/((i _k ^α)²+(i _k ^𝛽)²)^1/2 (8)。

步骤1.4.2：将步骤1.4.1得到的处理后的每个数据集D _k ^x’中各个数据i _k ^x’重构为新的数据集。

步骤1.5.1：分别取三相电流的幅值最大值i _max ^x，并对每个数据集D _k ^x中的数据进行处理得到新的处理后的数据i _k ^x’。

i _k ^x’ =i _k ^x ∕i _max ^x。

步骤1.5.2：将变换后的i _k ^x’重新组成处理后的新数据集。

步骤2：通过广义主元分析法实现对电机的加/减载状态判断及其逆变器故障诊断。

整体流程如图2所示。分为两个过程：离线(Off-line)过程，在线(On-line)过程。

离线(Off-line)过程。

过程1.1：将一个泛化层矩阵插入经过步骤1.4.2和步骤1.5.2处理后的离线电流信号矩阵，并对其进行FFT处理，通过主元分析法处理数据来构建广义主元分析法模型。

过程1.2：建立统计量平方预测误差(Squared Prediction Error SPE)和统计量T ²用于故障检测。

记加入泛化层后的矩阵为M ^{^}，矩阵M ^{^}的特征值组成的对角矩阵为V。记V降维后的对角矩阵为V’,其前l项保持不变，作为主元元素，剩余的特征值全部由0代替。矩阵V’与矩阵D乘积记作P*。

M ^{^=} TVD=TP*。

记负载矩阵为P∈R ^m×l，有l个特征向量组成。得分矩阵为T∈R ^n×l，得分矩阵T的各列称为主元变量，l代表主元的个数，得分矩阵的各列互相正交。E为残差空间。分解M ^{^}。

M ^{^}=

t _j p _j ^T+E=TP ^T+E (11)

SPE=||(I−PP ^T)M ^{^} || ² (12)

T ²=(M ^{^})^T P(⋀^-1)P ^T M ^{^} (13)

记SPE的控制限为δ ²，T ²的控制限T _α ²。

过程1.3：在GPCA 预测误差值SPE和T ²中分别设置一条对应的加载阈值δ _upload ²，T _upload ²，以此来辨别电机的加载与减载状状态。加载阈值的值是加载到1.25倍额定电流的瞬态过程最大值之和，其大小小于可检测最小加载电流的SPE和T ²的最小值。设置一条分别对应预测误差值SPE和T ²的故障阈值δ _fault ²和T _fault ²，其大小等于故障发生暂态过程中的SPE和T ²值。

在线(On-line)过程。

过程2.1：将一个泛化层矩阵插入经过步骤1.4.2和步骤1.5.2处理后的在线电流信号矩阵，并对其进行FFT处理，通过主元分析法处理数据来构建广义主元分析法模型。

过程2.2：计算SPE和T ²的误差值，并与之前离线过程训练预存的δ ²，δ _upload ²，δ _fault ²，T _α ²，T _upload ²，T _fault ²对比。

当预测误差值SPE和T ²同时超出其对应控制限δ ²和T _α ²，则认为发生加/减载。若预测误差值SPE和T ²超出其对应的加载阈值δ _upload ²和T _upload ²，但是均未超出其对应的故障阈值δ _fault ²和T _fault ²，则认为此时为加载状态；若预测误差值SPE和T ²未超出其对应的加载阈值δ _upload ²和T _upload ²，则认为此时为减载状态。

在误差值SPE和T ²超出故障阈值时，认为此时存在开路故障，对其进行故障定位：

过程2.2.1：计算贡献率绘制贡献图，采用贡献图对比法进行故障相定位。当某相电流的基波分量超过贡献图中故障阈值时，可以认为控制该相电流的开关管发生开路故障。

记F _indicator为故障值。记A,B,C三相分别发生故障时对应的故障值为1，2，3，未产生故障时故障值为0。

记F为开关管故障数值，Round(·)为上取整函数Q _dc ^x、Q _1st ^x分别为故障相的直流分量和基波分量。

过程2.2.2：根据步骤4.1得到的故障值F _indicator计算出不同开关管故障数值,依据故障定位法定位故障发生的开关管位置。

F=Round((Q _dc ^x ∕Q _1st ^x )+0.5)×10+F _indicator。

仿真与实验结果及分析：使用PLECS仿真软件搭建仿真模型，负载为异步电动机。系统给定母线电压为538V，电机额定电流为4A。仿真给定故障相为A相，电机运行状态包括加载过程，减载过程以及逆变器发生开路故障。

在仿真过程中，电流采样频率为25KHz，N=500，滑动窗口周期为20ms。分别在1.7s和2s时刻给定电机加载，在1.8s和2.2s给定电机减载，逆变器开路故障给定在电机驱动系统运行的2.4s。

如图3所示，(a)为三相电流值，(b)为本文方法均一化后的电流值，(c)为传统方法均一化后的电流值。本发明提出的方法可以完美的消除加载和减载暂态过程的暂态特征，可以更好的区分逆变器故障状态和电机的加/减载暂态过程。

如图4所示，本发明通过使用SPE和T ²值来实现状态识别和故障诊断，通过与加载阈值以及故障阈值的比对，能够准确的判断电机的运行状态，同时能够定位到故障的逆变器开关管位置。

实验使用电机的额定电流为1A，给定故障为A相对应的下管发生开路故障，即S ₄发生故障。

实验结果如图5所示，图(a)为故障结果图。在故障定位图中，右侧曲线代表检测故障发生的时间，左侧曲线代表故障实际发生时间，二者的时间差大约0.5T。

可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。

Claims

1.一种针对电机传动系统中逆变器故障诊断方法，其特征在于，包括两个步骤：

步骤1、利用变模长均一化过程消除电机负载变化的暂态影响，并采用快速傅里叶分解对均一化后的电流数据集特征进行提取；

步骤2、对已经消除暂态影响的数据特征使用广义主元分析算法进行计算，通过预设阈值，使用GPCA算法的预测误差值和贡献率指标综合判断电机所处状态；

所述步骤1包括：

步骤1.1：分别采集A、B、C三相电流数据，并设置平均误差阈值，来判断此时电流是否为正弦波；

步骤1.2：计算k时刻采集到的N个采样点的三相电流的平均值；

步骤1.3：将计算出的三相电流平均值与误差阈值进行对比；

步骤1.4：若三相电流平均值小于误差阈值，认为电流波形为标准正弦波，并对三相电流进行Clark变换；

记

是每个数据集

中各个数据，i_k ^α表示坐标变化后α轴对应的k时刻的电流值，

示坐标变化后β轴对应的k时刻的电流值，

为处理后每个数据集

中各个数据；

记

步骤1.5：若三相电流平均值大于误差阈值，电流波形不再看作正弦波；

步骤1.6：使用FFT处理均一化后的电流数据集，提取电流波形在不同频率上的分量；

所述步骤1.4分为：

步骤1.4.1：利用所得的i_k ^α，

定出电流的瞬时幅值，再利用式(1)即能够完成在正常运行，加载减载状态下的均一化过程：

步骤1.4.2：将步骤1.4.1得到的处理后的每个数据集中各个数据

重构为新的数据集；

记三相电流的幅值最大值为i_max ^x，A相最大值为i_max ^a，B相最大值为i_max ^b，C相最大值为i_max ^c；

步骤1.5包括：

步骤1.5.1：分别取三相电流的幅值最大值i_max ^x，并对每个数据集

中的数据进行处理得到新的处理后的数据

步骤1.5.2：将变换后的

重新组成处理后的新数据集

步骤1.4.2和步骤1.5.2形成的新数据集即均一化处理过后的数据；

所述步骤2包括：

步骤2.1、建立广义主元分析法模型；

步骤2.2、根据步骤2.1得到的故障值F_indicator计算出不同开关管故障数值,依据如下数值定位故障发生的开关管位置；

当故障相为A相时，记A相上桥臂开关管S₁发生故障时，故障值F_indicator为21；记A相下桥臂开关管S₂发生故障时，故障值F_indicator为11；

当故障相为B相时，记B相上桥臂开关管S₃发生故障时，故障值F_indicator为22；记B相下桥臂开关管S₄发生故障时，故障值F_indicator为12；

当故障相为C相时，记C相上桥臂开关管S₅发生故障时，故障值F_indicator为23；记C相下桥臂开关管S₆发生故障时，故障值F_indicator为13；

记F为开关管故障数值，Round(·)为上取整函数，

分别为故障相的直流分量和基波分量；

所述步骤2.1包括：

步骤2.1.1、对第一阶段的处理数据加入一个泛化层矩阵；将引入泛化层后再进行主元分析的方法称为广义主元分析；将泛化层加在电流信号上，均一化处理后再进行快速傅里叶分解提取特征，最后对其进行主元分析法处理，进而建立GPCA模型；

步骤2.1.2、加减载状态识别；

步骤2.1.3、故障状态诊断及故障定位；

建立GPCA模型包括：记加入泛化层后的矩阵为M^，矩阵M^的特征值组成的对角矩阵为V；记V降维后的对角矩阵为V’,其前l项保持不变，作为主元元素，剩余的特征值全部由0代替；矩阵V’与矩阵D乘积记作P*；

M^＝TVD＝TP*

记负载矩阵为P∈R^m×l，有l个特征向量组成；得分矩阵为T∈R^n×l，得分矩阵T的各列称为主元变量，l代表主元的个数，得分矩阵的各列互相正交；E为残差空间；分解M^：

建立统计量平方预测误差和统计量T²用于故障检测；

SPE＝||(I-PP^T)M^||²

T²＝(M^)^TP(∧^-1)P^TM^

记SPE的控制限为δ²，T²的控制限T_α ²；

所述加减载状态识别包括：

记预测误差值SPE和T²的加载阈值分别为δ_upload ²，T_upload ²；

在GPCA预测误差值中设置一条加载阈值δ_upload ²，T_upload ²，以此来辨别电机的加载与减载状状态；加载阈值的值是加载到1.25倍额定电流的瞬态过程最大值之和，其大小小于可检测最小加载电流的SPE和T²的最小值；

所述故障状态诊断包括：设置一条分别对应预测误差值SPE和T²的故障阈值δ_fault ²和T_fault ²，其大小等于故障发生暂态过程中的SPE和T²值；

若预测误差值SPE和T²均超出其对应的故障阈值δ_fault ²和T_fault ²，则认为此时存在开路故障；所述故障定位包括：

计算贡献率绘制贡献图，采用贡献图对比法进行故障相定位；当某相电流的基波分量超过贡献图中故障阈值时，则认为控制该相电流的开关管发生开路故障；

记F_indicator为故障值；记A,B,C三相分别发生故障时对应的故障值为1，2，3，未产生故障时故障值为0。