CN115951270B - 一种永磁同步电机外部线缆连接故障诊断方法 - Google Patents
一种永磁同步电机外部线缆连接故障诊断方法 Download PDFInfo
- Publication number
- CN115951270B CN115951270B CN202310245743.4A CN202310245743A CN115951270B CN 115951270 B CN115951270 B CN 115951270B CN 202310245743 A CN202310245743 A CN 202310245743A CN 115951270 B CN115951270 B CN 115951270B
- Authority
- CN
- China
- Prior art keywords
- fault
- motor
- phase
- permanent magnet
- magnet synchronous
- 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
Links
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 59
- 238000003745 diagnosis Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000004044 response Effects 0.000 claims abstract description 62
- 238000002347 injection Methods 0.000 claims abstract description 41
- 239000007924 injection Substances 0.000 claims abstract description 41
- 238000012706 support-vector machine Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000004804 winding Methods 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000005674 electromagnetic induction Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 3
- 230000005347 demagnetization Effects 0.000 claims description 2
- 230000005389 magnetism Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000000819 phase cycle Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000011896 sensitive detection Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Control Of Ac Motors In General (AREA)
Abstract
本发明公开了一种永磁同步电机外部线缆连接故障诊断方法,包括如下步骤:向转速控制模块输入零速指令;向电流控制模块注入旋转高频电压信号;采集并记录被控电机输出的响应电流;滤取响应电流中的高频分量,进行特征提取;用支持向量机进行模型训练,判断是否发生外部线缆连接故障,识别故障类型。本发明实现了在零速下基于高频信号注入和电流响应分析的线缆连接故障诊断。本发明提出的诊断策略不依赖于电机的凸极效应,可以应用于各种形式的永磁同步电机控制系统;填补了现有研究中针对电机控制系统外部线缆故障的专用诊断方案的不足,解决了现有的通用诊断方案在线缆故障发生时的复杂运行条件下不能实现有效诊断的问题。
Description
技术领域
本发明涉及高频注入技术领域和电机故障诊断领域,具体涉及一种永磁同步电机控制系统中的三相动力线缆和位置传感器输出线缆连接故障的诊断方法。
背景技术
故障诊断和定位已经成为永磁同步电机领域的一个重要部分。现在,电机故障检测技术一般分为三类:基于模型的方法,基于信号的方法,以及基于智能算法的方法。基于模型的诊断方法需要准确的电机模型。而在工程实践中,实际的电机参数往往与数学模型有偏差。在实时运行过程中,参数的准确性无法保证。因此,基于信号的故障诊断方法被提出,来提高诊断的准确性。基于信号的故障检测要求首先获得故障信号,然后提取故障信号的时域和频域特征,从而确定故障类型和故障位置。
近年来,随着高频注入技术的发展,也出现了许多基于信号注入的故障诊断案例,如C. Sun 在High-Frequency Voltage Injection-Based Fault Detection of aRotating Rectifier for a Wound-Rotor Synchronous Starter/Generator in theStationary State中提出的,向永磁同步电机定子绕组注入高频旋转电压信号,然后从主极定子励磁绕组提取高频响应电流信号进行故障检测。
基于模型和基于信号的故障诊断依赖于数学计算和实验的结合。其中,基于响应信号的方式虽然能够进行准确的故障诊断,但通常受特定的电机参数影响,对不同种类的控制系统和不同类型的电机的通用性较低。在智能算法的帮助下,可以在不建立精确数学模型的情况下对电机的运行数据进行采集、处理和分析,建立相应的输入输出关系,实现故障识别。支持向量机SVM是机器学习中的一种智能分类算法。它解决了训练神经网络时遇到的局部最小值问题,是一种基于结构误差最小化原理的智能学习算法。它可以通过小样本学习在高维特征空间中构建一个最佳分割平面,并具有高精确度的输入和输出映射能力。其基本思想是建立一个分类超平面作为决策平面,使正负样本之间的分离余量达到最大,并选择最优的核函数和惩罚系数等参数,形成最终的故障分类模型。近年来,支持向量机已被广泛应用于电机故障诊断领域。
电机控制系统中的线缆连接故障往往是由于操作不当造成的,会造成转子锁轴、电流过大、电机烧毁等严重后果。然而,在故障诊断领域,对永磁同步电机控制系统中线缆连接故障的研究很少。T. G. Habetler等人所著的A robust, on-line turn-faultdetection technique for induction machines based on monitoring the sequencecomponent impedance matrix和An Impedance Identification Approach to SensitiveDetection and Location of Stator Turn-to-Turn Faults in a Closed-LoopMultiple-Motor Drive关注的是定子匝间故障,其中,前一篇文章提出电机外部线缆故障和定子匝间故障的数学模型有相似之处,理论上可以使用通用的诊断策略。然而后一篇文章指出,由于线缆故障条件下的运行环境更加复杂,故障现象不同,所以实践中的诊断效果受到限制。
发明内容
技术问题:本发明的目的是提供一种永磁同步电机外部线缆连接故障诊断方法。本发明在零速状态下,基于旋转高频电压注入技术,针对三相动力线缆中的两相互换、单相断开以及位置传感器两根输出线缆互换等各种线缆错接引发的单一故障和多重故障,建立了一套综合诊断方法。
技术方案:本发明是一种永磁同步电机外部线缆连接故障诊断方法,该方法对永磁同步电机控制系统中的三相动力线缆和位置传感器输出线缆连接故障进行诊断,所述控制系统由转速控制模块和电流控制模块组成,诊断方法包括如下步骤:
S1、向转速控制模块输入零速指令;
根据自然坐标系下的永磁同步电机电压模型与反电动势模型:
、/>、/>为永磁同步电机定子绕组的三相电压,/>、/>、/>为定子绕组的三相电流,/>为三相永磁同步电机的定子电阻,/>为定子电感矩阵,即三相绕组自感和互感的总和,/>代表对时间的微分算子;/>、/>、/>为三相反电动势,比例系数k是一个正常数,/>是转子磁链,/>是电机的实时转速,/>是电机转子的实时位置;当电机转子处于零位时,A相的反电动势为零,BC相的反电动势仍然存在;而当电机转速为零时,三相反电动势全部恢复为零;
为了消除反电动势对高频注入的响应的影响,在电机开始运行前检测出故障并及时排除,在零转速和零初始位置进行故障诊断;
S2、向电流控制模块注入旋转的高频电压信号;
根据注入信号的不同类型,高频信号注入分为电压注入和电流注入,电压信号的控制稳定性要强于电流信号;电压信号可以注入定子绕组或电流控制模块,即直接在同步旋转坐标系中将信号注入电流控制模块的直轴即d轴和交轴即q轴,以避免坐标变换的影响;注入电压信号的形式主要分为旋转、脉冲和方波,其中,旋转电压注入的稳态性能最好,在旋转电压的注入下,经过坐标变换能够完全消除电流控制过程中存在的dq轴耦合;
S3、采集并记录被控电机输出的响应电流;
根据理论计算,电机输出的响应电流与转子实时位置、高频注入电压的幅值、定子三相绕组电压的顺序均有关,故电机控制系统线缆故障能够反映在输出的响应电流上;
S4、滤取响应电流中的高频分量,进行特征提取;
对输出的响应电流进行滤波,提取与注入电压信号幅值一致的高频分量,作为原始数据集;对原始数据集使用特征提取算法,提取其时域特征和频域特征作为响应电流的特征值数据,以增强判别的准确度;
S5、用支持向量机SVM进行模型训练,判断控制系统是否发生外部线缆连接故障,识别故障类型;
为了更好地描述被控电机故障数据和故障类别之间的关系,实现准确的分类和识别,基于支持向量机的基本原理,对电机运行数据集进行学习;
所述电机响应电流的特征值数据,其中一部分数据作为训练集来训练SVM模型,然后调整相关参数,以针对每一组数据集达到最高的分类精度;另一部分数据作为测试集,使用训练后的SVM模型进行离线分类,获得的故障诊断结果作为参考,便于操作人员准确排除故障。
其中,
所述的永磁同步电机控制系统为即直轴电流置零的磁场定向控制模式,通过将电流控制模块中的直轴电流/>置零的方式,来避免直轴去磁作用,消除永磁同步电机直轴电枢反应,保持用于励磁的永磁体的良好磁性,提高电机电能转换为机械能的利用率。
步骤S3中所述的响应电流以负反馈的形式持续回输到步骤S2中所述的电流控制模块中。
所述的位置传感器输出线缆连接故障指的是增量编码器、旋转变压器的两根输出线缆A、B的顺序调换,使得输出的电机转子实时位置与实际位置互为相反数。
所述的三相动力线缆指连接逆变器和电机三相定子绕组的电源线,控制电压信号通过电源线从驱动器传输到被控电机,在绕组上经过电磁感应,产生响应电流。
步骤S5中所用的支持向量机是C型SVM,对应的参数s (svm_type) 设置为,支持不完全分类;支持向量机的核函数选择了径向RBF核函数,又称为高斯核函数,其对应的参数t (kernel_type) 设置为/>。
步骤S4中所述的原始数据集还包括高频负序响应电流,高频负序响应电流中带有电机转子的位置信息,且不受转子转速和传感器故障的影响,可以作为故障诊断的依据之一;采用同步轴系滤波器SRFF滤取高频响应电流的负序分量,共同从控制系统中输出,作为原始数据集。
步骤S3中所述的响应电流,由电机输出的传感器电压经由电压-电流模块转换得来。
所述的外部线缆连接故障诊断方法不依赖于电机的凸极效应,具有不同磁极结构和不同功能的永磁同步电机均能采用这种方法诊断电机线缆连接故障。
所述的外部线缆连接故障诊断方法对三相动力线缆的两相错接、单相漏接以及两相错接和单相漏接同时发生的情况作出准确度100%的故障判别与故障相位确定;在线缆错接故障发生时,以超过98%的准确度判定错接故障位于三相动力线缆还是位置传感器;在位置传感器输出线缆和三相动力线缆同时发生故障时,以100%的准确度定位三相动力线缆的故障相位。
有益效果:本发明的一种永磁同步电机外部线缆连接故障诊断方法具有以下优点:
1.对三相动力线缆的两相错接、单相漏接以及两相错接和单相漏接同时发生的情况作出了准确度100%的故障判别与故障相位确定。能够在线缆错接故障发生时,以超过98%的准确度判定错接故障的位置。在位置传感器输出线缆和三相动力线缆同时发生故障时,以100%的准确度定位三相动力线缆的故障相位。
2. 推导得出的各种故障状态下的响应电流方程和矢量图,可以作为后续关于线缆故障和逆变器短路、断路故障研究的参考。
3. 所提出的诊断策略不依赖于电机的凸极效应,可以应用于各种内置式永磁同步电机和表贴式永磁同步电机的控制系统,以诊断线缆连接故障。
4. 填补了现有研究中针对电机控制系统外部线缆故障的专用诊断方案的不足,解决了现有的通用诊断方案在线缆故障发生时的复杂运行条件下不能实现有效诊断的问题。
附图说明
图1为本发明所搭建的永磁同步电机控制系统整体结构图,该结构执行转速闭环控制,是电机的速度控制模块。
图2为图1所述的电机控制系统结构中的电流控制模块结构图。
图3为本发明所采用的故障诊断算法流程图。
图4为本发明所述的无故障正常运行状态下,绕组电压与响应电流的向量图。
图5a为B、C相动力线错接故障状态下,绕组电压与响应电流的向量图。
图5b为A、C相动力线错接故障状态下,绕组电压与响应电流的向量图。
图5c为A、B相动力线错接故障状态下,绕组电压与响应电流的向量图。
图6a为A相动力线漏接故障状态下,绕组电压与响应电流的向量图。
图6b为B相动力线漏接故障状态下,绕组电压与响应电流的向量图。
图6c为C相动力线漏接故障状态下,绕组电压与响应电流的向量图。
图7a为B、C相动力线错接的同时A相动力线漏接故障同时发生的状态下,绕组电压与响应电流的向量图。
图7b为A、C相动力线错接的同时B相动力线漏接故障同时发生的状态下,绕组电压与响应电流的向量图。
图7c为A、B相动力线错接的同时C相动力线漏接故障同时发生的状态下,绕组电压与响应电流的向量图。
具体实施方式
本发明是一种永磁同步电机外部线缆连接故障诊断方法,该方法对永磁同步电机控制系统中的三相动力线缆和位置传感器输出线缆连接故障进行诊断,所述控制系统由转速控制模块和电流控制模块组成,诊断方法包括如下步骤:
S1、向转速控制模块输入零速指令;
根据自然坐标系下的永磁同步电机电压模型与反电动势模型:
、/>、/>为永磁同步电机定子绕组的三相电压,/>、/>、/>为定子绕组的三相电流,/>为三相永磁同步电机的定子电阻,/>为定子电感矩阵,即三相绕组自感和互感的总和,/>代表对时间的微分算子;/>、/>、/>为三相反电动势,比例系数k是一个正常数,/>是转子磁链,/>是电机的实时转速,/>是电机转子的实时位置;当电机转子处于零位时,A相的反电动势为零,BC相的反电动势仍然存在;而当电机转速为零时,三相反电动势全部恢复为零;
为了消除反电动势对高频注入的响应的影响,在电机开始运行前检测出故障并及时排除,在零转速和零初始位置进行故障诊断;
S2、向电流控制模块注入旋转的高频电压信号;
根据注入信号的不同类型,高频信号注入分为电压注入和电流注入,电压信号的控制稳定性要强于电流信号,电压信号注入定子绕组或电流控制模块,直接在同步旋转坐标系中将信号注入电流控制模块的直轴(d轴)和交轴(q轴),以避免坐标变换的影响;信号的形式主要分为旋转、脉冲和方波,其中,旋转电压注入的稳态性能最好,在旋转电压的注入下,经过坐标变换可以完全消除电流控制过程中存在的dq轴耦合;
S3、采集并记录被控电机输出的响应电流;
根据理论计算,电机输出的响应电流与电机转子实时位置、高频注入电压的幅值、定子三相绕组电压的相序均有关,故电机控制系统线缆故障能够反映在输出的响应电流上;
S4、滤取响应电流中的高频分量,进行特征提取;
对输出的响应电流进行滤波,提取与注入电压信号幅值一致的高频分量,作为原始数据集;对原始数据集使用特征提取算法,提取其时域特征和频域特征作为响应电流的特征值数据,以增强判别的准确度;
S5、用支持向量机SVM进行模型训练,判断控制系统是否发生外部线缆连接故障,识别故障类型;
为了更好地描述被控电机故障数据和故障类别之间的关系,实现准确的分类和识别,基于支持向量机的基本原理,对电机运行数据集进行学习;
所述电机响应电流的特征值数据,其中一部分数据作为训练集来训练SVM模型,然后调整相关参数,以针对每一组数据集达到最高的分类精度;另一部分数据作为测试集,使用训练后的SVM模型进行离线分类,获得的故障诊断结果作为参考,便于操作人员准确排除故障。
所述的诊断方法针对十三种有代表性的故障现象,进行了数学推导,绘制了输入量和响应量的矢量图,直观地反映了不同类型的故障在电流响应中的现象,证明通过分析响应电流的振幅、相位和夹角等特性,理论上可以实现电机控制系统线缆故障的分类。
所述的永磁同步电机控制系统为id=0的转速闭环控制模式。
所述的响应电流以负反馈的形式输入到步骤S2中所述的电流控制模块中。
所述的诊断方法不依赖于电机的凸极效应。具有不同磁极结构和不同应用功能的永磁同步电机均可以采用这种方法诊断电机线缆连接故障。
所述的位置传感器线缆连接故障指的是增量编码器、旋转变压器等位置传感器的两根输出线缆a、b反接,使得输出的实时位置正好与实际位置互为相反数。
所述的诊断方案对采集到的响应电流进行滤波,分别滤取高频分量和高频负序分量,并进行时域特征和频域特征的提取,将提取到的数据输入支持向量机。
所述的诊断方案使用支持向量机进行了优化分类。无需人工观察,而是通过机器学习以实现高准确度的线缆故障综合诊断、分类和定位。
所述的诊断方案在仿真平台和实物平台上均通过了模拟测试。对于不同类型的线缆故障,该策略的分类精度接近或达到100%。
所述的诊断方案能够对三相动力线缆的两相错接、单相漏接以及两相错接和单相漏接同时发生的情况作出准确度100%的故障判别与故障相位确定;能够在线缆错接故障发生时,以超过98%的准确度判定错接故障位于三相动力线缆还是位置传感器;能够在位置传感器输出线缆和三相动力线缆同时发生故障时,以100%的准确度定位三相动力线缆的故障相位。
下面结合附图,对本发明做进一步说明。
在永磁同步电机中,一般来说,三相动力线缆是指连接逆变器和电机三相绕组的电源线。控制电压信号通过电源线,从驱动器传输到被控电机。绕组经过电磁感应,产生响应电流。
其中,逆变器输出端子记为A、B、C,三相绕组输入端子记为U、V、W。正确的连接方法是ABC-UVW。只要逆变器的三相输出端子不按顺序排列或是有某一相输出0,就称作三相线缆连接错误,错误的线缆连接会导致故障。三相线缆连接错误分为相序错误和缺相。相序错误分为反向连接(ACB-UVW;CBA-UVW;BAC-UVW)和同向连接(CAB-UVW;BCA-UVW)。本发明所述的诊断方案不讨论同向连接的情况,因为它们的响应电流与正常情况下的区别仅在于相位角上顺时针或逆时针转动120°电角度,而幅值保持一致。
缺相是指对于三相绕组,将其中一相的输入电压置零,而其余相的相序和输入值均保持不变,有三种情况(0BC-UVW;A0C-UVW;AB0-UVW);多重故障是指相序错误和缺相同时发生的三种情况(0CB-UVW;C0A-UVW;BA0-UVW)。其余六种类型(B0C-UVW;CB0-UVW;AC0-UVW;0AC-UVW;0BA-UVW;A0B-UVW)不作讨论,原因与前文类似,响应电流的形式和振幅都相同,只是相位角顺时针或逆时针旋转了120°电角度。
本发明所搭建的驱动系统中使用的位置传感器是一个增量编码器,它将相对位移转换为能够反映电机转子实时位置和实时转速的周期性电信号,并返回电机速度控制模块,实现闭环的负反馈控制。在增量编码器等位置传感器中,三路脉冲信号分别从名为a、b和Z的线缆输出。Z线用于定位,设计时的形态不同,一般不会与a、b线混淆。将a、b两根线缆所连接的位置传感器端输出端口和速度控制端输入端口分别记作a'、b'和a''、b''。如果两根输出线缆a、b反接(a'-b'',b'-a''),那么记录的旋转方向与实际相反,得到的实时转子位置角的数值也与实际相反。位置传感器线缆故障对电机的影响与相序错误中的反向连接故障引发的影响类似,所以如果三相线缆的错接故障和位置传感器输出线缆的错接故障同时发生(a'b''-b'a''、ACB-UVW;a'b''-b'a''、CBA-UVW;a'b''-b'a''、BAC-UVW),只能通过分析电流响应来确定故障类型。
根据以上理论推导,搭建永磁同步电机的控制模型。如图1所示的控制系统结构中,永磁同步电机输出的传感器电压通过电压-电流模块转换为响应电流;永磁同步电机输出相对位移的脉冲计数,通过增量编码器模块转换为反映转子实时位置和实时速度的信号。响应电流、实时位置、实时转速这三个信号都被接入如图1所示的速度控制模块和如图2所示的电流控制模块,以实现高频注入下的闭环负反馈控制。为了模拟永磁同步电机在上电后、起动前的状态,如步骤S1所述,速度指令被规定为0。而在如图2所示的电流控制模块中,用一个给定的零矢量来将转子的初始位置规定为0。
如步骤S2所述,对于旋转电压信号的注入,为使信噪比最小,注入电压频率不应超过PWM载波频率的50%,且注入电压幅值应小于直流母线电压幅值的1/10。
如步骤S4所述,所采取的特征提取算法共提取出了13项时域特征和13项频域特征。
如步骤S5所述,本发明建立了一个支持向量机预测模型,用于永磁同步电机线缆故障的分类和诊断。所用的支持向量机是C型SVM ,支持不完全分类。支持向量机的核函数选择了径向RBF核函数 />。对于核函数系数g (gamma),首先考察初始值,即g=样本特征值倒数(g=1/num_features)时的分类精度。如果准确率不够,则从初始值开始,每次实验增加或减少10倍,以寻求最合适的g值。对于惩罚系数c (cost_parameter),其确定过程与g相同,从默认值1开始,通过反复试验,为每一组数据集选择能使分类精度最大化的惩罚系数值。
如图3所述的故障诊断算法流程不依赖于电机的凸极效应,也不受限于电机的拓扑结构和特定参数,是一种通用的电机外部控制系统线缆故障综合诊断算法。
对采集到的响应电流信号提取时频域特征值以作为训练集,训练SVM模型,进行离线的综合故障诊断。该诊断方法在仿真平台和实物平台上对于十三种线缆故障达到了95.7143%~100%的故障识别精度,能够准确检测和诊断电机控制系统外部的线缆连接故障,定位故障来源,从而提高系统的可靠性。特别地,位置传感器线缆故障和三相动力线缆故障的数学模型和故障现象高度相似,而本发明对这两类故障的区分精度在仿真平台和实物平台分别达到了99.4286%和98.6667%。
需要说明的是上述仅为本发明的,应理解实施例仅用于说明本发明而不用于限制本发明的范围,因此,在上述技术方案的基础上所进行的各种等同形式的修改均落入本申请所附权利要求所限定的范围内。
Claims (10)
1.一种永磁同步电机外部线缆连接故障诊断方法,其特征在于,该方法对永磁同步电机控制系统中的三相动力线缆和位置传感器输出线缆连接故障进行诊断,所述控制系统由转速控制模块和电流控制模块组成,诊断方法包括如下步骤:
S1、向转速控制模块输入零速指令;
为了消除反电动势对高频注入的响应的影响,在零转速和零初始位置进行故障诊断;向电机转速控制模块输入0作为给定参考转速;自然坐标系下的永磁同步电机电压模型与反电动势模型为:
ua、ub、uc为永磁同步电机定子绕组的三相电压,ia、ib、ic为定子绕组的三相电流,Rs为三相永磁同步电机的定子电阻,L3s为定子电感矩阵,即三相绕组自感和互感的总和,代表对时间的微分算子;EMFa、EMFb、EMFc为三相反电动势,比例系数k是一个正常数,ψf是转子磁链,ωe是电机的实时转速,θe是电机转子的实时位置;当电机转子处于零位时,A相的反电动势为零,BC相的反电动势仍然存在;而当电机转速为零时,三相反电动势全部恢复为零;
为了消除反电动势对高频注入的响应的影响,在电机开始运行前检测出故障并及时排除,在零转速和零初始位置进行故障诊断;
S2、向电流控制模块注入旋转的高频电压信号;
S3、采集并记录被控电机输出的响应电流;
根据理论计算,电机输出的响应电流与转子实时位置、高频注入电压的幅值、定子三相绕组电压的顺序均有关,故电机控制系统线缆故障能够反映在输出的响应电流上;
S4、滤取响应电流中的高频分量,进行特征提取;
对输出的响应电流进行滤波,提取与注入电压信号幅值一致的高频分量,作为原始数据集;对原始数据集使用特征提取算法,提取其时域特征和频域特征作为响应电流的特征值数据,以增强判别的准确度;
S5、用支持向量机(support vector machine,SVM)进行模型训练,判断控制系统是否发生外部线缆连接故障,识别故障类型;
为了更好地描述被控电机故障数据和故障类别之间的关系,实现准确的分类和识别,基于支持向量机的基本原理,对电机运行数据集进行学习;
所述电机响应电流的特征值数据,其中一部分数据作为训练集来训练SVM模型,然后调整相关参数,以针对每一组数据集达到最高的分类精度;另一部分数据作为测试集,使用训练后的SVM模型进行离线分类,获得的故障诊断结果作为参考,便于操作人员准确排除故障。
2.根据权利要求1所述的一种永磁同步电机外部线缆连接故障诊断方法,其特征在于,所述的永磁同步电机控制系统为id=0即直轴电流置零的磁场定向控制模式,通过将电流控制模块中的直轴电流id置零的方式,来避免直轴去磁作用,消除永磁同步电机直轴电枢反应,保持用于励磁的永磁体的良好磁性,提高电机电能转换为机械能的利用率。
3.根据权利要求1所述的一种永磁同步电机外部线缆连接故障诊断方法,其特征在于,步骤S3中所述的响应电流以负反馈的形式持续回输到步骤S2中所述的电流控制模块中。
4.根据权利要求1所述的一种永磁同步电机外部线缆连接故障诊断方法,其特征在于,所述的位置传感器输出线缆连接故障指的是增量编码器、旋转变压器的两根输出线缆A、B的顺序调换,使得输出的电机转子实时位置与实际位置互为相反数。
5.根据权利要求1所述的一种永磁同步电机外部线缆连接故障诊断方法,其特征在于,所述的三相动力线缆指连接逆变器和电机三相定子绕组的电源线,控制电压信号通过电源线从驱动器传输到被控电机,在绕组上经过电磁感应,产生响应电流。
6.根据权利要求1所述的一种永磁同步电机外部线缆连接故障诊断方法,其特征在于,步骤S5中所用的支持向量机是C型SVM,对应的参数s设置为-s=0,支持不完全分类;支持向量机的核函数选择了径向核函数(radial basis function,RBF),又称为高斯核函数,其对应的参数t设置为-t=2。
7.根据权利要求1所述的一种永磁同步电机外部线缆连接故障诊断方法,其特征在于,步骤S4中所述的原始数据集还包括高频负序响应电流,高频负序响应电流中带有位置信息,不受转子转速和传感器故障的影响,能作为故障诊断的依据之一;采用同步轴系滤波器(synchronous reference frame filter,SRFF)滤取高频响应电流的负序分量,共同从控制系统中输出,作为原始数据集。
8.根据权利要求1所述的一种永磁同步电机外部线缆连接故障诊断方法,其特征在于,步骤S3中所述的响应电流,由电机输出的传感器电压经由电压-电流模块转换得来。
9.根据权利要求1所述的一种永磁同步电机外部线缆连接故障诊断方法,其特征在于,所述的外部线缆连接故障诊断方法不依赖于电机的凸极效应,具有不同磁极结构和不同应用功能的永磁同步电机均能采用这种方法诊断电机线缆连接故障。
10.根据权利要求1所述的一种永磁同步电机外部线缆连接故障诊断方法,其特征在于,所述的外部线缆连接故障诊断方法对三相动力线缆的两相错接、单相漏接以及两相错接和单相漏接同时发生的情况作出准确度100%的故障判别与故障相位确定;在线缆错接故障发生时,以超过98%的准确度判定错接故障位于三相动力线缆还是位置传感器;在位置传感器输出线缆和三相动力线缆同时发生故障时,以100%的准确度定位三相动力线缆的故障相位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310245743.4A CN115951270B (zh) | 2023-03-15 | 2023-03-15 | 一种永磁同步电机外部线缆连接故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310245743.4A CN115951270B (zh) | 2023-03-15 | 2023-03-15 | 一种永磁同步电机外部线缆连接故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115951270A CN115951270A (zh) | 2023-04-11 |
CN115951270B true CN115951270B (zh) | 2023-05-30 |
Family
ID=85893124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310245743.4A Active CN115951270B (zh) | 2023-03-15 | 2023-03-15 | 一种永磁同步电机外部线缆连接故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115951270B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103558547B (zh) * | 2013-11-01 | 2015-12-02 | 东南大学 | 一种永磁同步电机的智能故障诊断方法 |
CN104868814A (zh) * | 2015-05-06 | 2015-08-26 | 北京动力机械研究所 | 凸极式永磁同步电机无位置传感器的控制方法及装置 |
CN110726933A (zh) * | 2018-07-16 | 2020-01-24 | 上海汽车集团股份有限公司 | 永磁同步电机的故障诊断方法、系统及装置、可读介质 |
CN109951117B (zh) * | 2019-03-27 | 2020-11-03 | 江苏大学 | 一种无位置传感器永磁同步电机控制系统 |
CN110794343B (zh) * | 2019-10-14 | 2021-10-26 | 中车永济电机有限公司 | 一种旋转变压器接线自检测系统 |
CN110907824A (zh) * | 2019-11-06 | 2020-03-24 | 天津工业大学 | 一种基于高频信号耦合注入的电机故障检测系统 |
CN111917349B (zh) * | 2020-06-22 | 2022-06-28 | 广州智能装备研究院有限公司 | 一种永磁同步电机的故障诊断方法及系统 |
CN114115175B (zh) * | 2021-10-29 | 2024-01-05 | 江苏大学 | 永磁同步电机控制系统的高阻抗连接故障诊断系统 |
CN114528870A (zh) * | 2022-01-11 | 2022-05-24 | 西安理工大学 | 永磁同步电机早期匝间短路故障诊断可靠性提升方法 |
-
2023
- 2023-03-15 CN CN202310245743.4A patent/CN115951270B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115951270A (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | Attention recurrent neural network-based severity estimation method for interturn short-circuit fault in permanent magnet synchronous machines | |
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 | |
CN106841901B (zh) | 一种变频器驱动内嵌式永磁同步电机定子匝间短路故障诊断方法 | |
CN107783006B (zh) | 水轮发电机转子绕组匝间短路故障检测方法 | |
CN111123105B (zh) | 基于高频信号注入的电机匝间短路故障诊断方法 | |
CN110726962B (zh) | 一种永磁直线电机电流传感器增益故障诊断方法 | |
CN110794302B (zh) | 一种永磁直线电机电流传感器零漂故障诊断方法 | |
CN112688608B (zh) | 一种三相永磁同步电机控制系统的故障诊断方法 | |
CN110632437B (zh) | 共中线开绕组电驱动系统开关管开路故障诊断方法 | |
CN113325334B (zh) | 一种三相永磁同步电机驱动系统的开路故障诊断方法 | |
CN109217758B (zh) | 旋变零点在线辨识方法、电机控制器及存储介质 | |
Wang et al. | Detection and evaluation of the interturn short circuit fault in a BLDC-based hub motor | |
CN111190066B (zh) | 矩阵变换器电机驱动系统的故障诊断方法 | |
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 | |
CN111398860A (zh) | 一种混合式的pmsm驱动系统逆变器开路故障在线诊断方法 | |
Chen et al. | Incipient interturn short-circuit fault diagnosis of permanent magnet synchronous motors based on the data-driven digital twin model | |
Zhu et al. | Real-time defect detection of die cast rotor in induction motor based on circular flux sensing coils | |
CN104007358A (zh) | 电动汽车永磁同步电机驱动系统短路故障诊断方法及系统 | |
CN115951270B (zh) | 一种永磁同步电机外部线缆连接故障诊断方法 | |
CN112083349A (zh) | 一种永磁同步电机定子绕组匝间短路故障诊断方法 | |
CN113295999B (zh) | 永磁同步电机的退磁、绕组断路与匝间短路故障分类方法 | |
CN113484793B (zh) | 一种基于相电流分析的永磁容错电机绕组匝间短路故障诊断方法 | |
CN113065226A (zh) | 一种永磁同步电机故障诊断方法 | |
Zheng et al. | Diagnostic strategy and modeling of PMSM stator winding fault in electric vehicles | |
Hadef et al. | A Fault severity index for stator winding faults detection in vector controlled PM synchronous motor |
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 |