无刷直流电机匝间短路故障定位及定量评估方法研究
合集下载
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
fault in BLDC motor
WANGJ丄ang, WANG Hui, WANG Xiaoxian, LU Slang
(College of Electrical Engineering and Automation, Anhui University, Hefei, Anhui 230601 , China.)
关键词：电机学；无刷直流电机；匝间短路；故障定位和定量评估；迁移学习；特征拟合
中图分类号:TM351 ； TM307 J
文献标识码:A
doi ： 10.7535/hbkd.2021 yx03()()6
Localization and evaluation method of interturn short circuit
本文提出的方法包含2个主要步骤：1)采用基于迁移学习的CNN模型对电机故障相进行定位，2)采用 多维特征拟合模型对电机故障程度进行定量评估.
1.1故障定位分析 将采集的无刷直流电机的三相电流信号转换为RGB图片，再采用基于迁移学习的GoogLeNet网络对
不同故障图片分类实现电机定子绕组故障相的定位.
别[0].电机的故障相分为A,B,C 3类，加上电机健康状态1类，因此本文将无刷直流电机电流转换成的4
类图片再采用迁移学习的方法在预训练的 GoogLeNet模型上进行训练.在对新图像分类时，由于网络最后
一个可学习层和最终分类层包含对输入图像分类的图像特征，因此需要将这2个层替换为适合新数据集的
新层.最后，在保证分类精度的情况下，不断尝试将较浅网络层的学习率设置为零来 “冻结”这些层的权重。
度往后容易消失等.GoogLeNet巧妙地在不同深度处增加了 2个loss来避免梯度回传消失的现象.在网
络宽度方面采用了 Inception结构，这是一种网中网(network in network)的结构，即原来的结点也是一个网
络.为了提高训练的效率，本文采用预训练的GoogLeNet模型，该模型用于ILSVRC比赛中的图像识
以上文献方法对于特定电机的特定故障识别具有较好的效果.但是，直流无刷电机的电流和反电动势 都是梯形波，且受到脉宽调制噪声的干扰，因而传统方法对于实现直流无刷电机的故障定位和定量评估仍存 在困难.为此，本文提出一种基于迁移学习和特征拟合方法，实现无刷直流电机匝间短路故障的精确定位和 精确定量评估.
1 方法描述
无刷直流电机匝间短路故障定位及
定量评估方法研究
王吉亮，王慧，王骁贤，陆思良
(安徽大学电气工程与自动化学院，安徽合肥 230601)
摘要：针对无刷直流电机匝间短路故障问题，提出一种结合深度迁移学习和多维特征拟合方 法，以实现匝间短路故障的精确定位和定量评估。同步采集电机定子绕组的三相电流信号，将一维 电流信号转化为图像信号，采用基于迁移学习的卷积神经网络实现匝间短路故障的定位,在确定故 障相之后，从电流信号中提取并筛选敏感特征，采用特征拟合方法实现故障等级的定量评估。实验 结果表明，所提出的方法能够实现100%精度的故障相定位，同时故障定量评估的相对平均误差低 至4.33% .该方法对于永磁电机系统的定子绕组故障精确定位和精密诊断具有潜在的应用价值。
1.1.1电流信号转换 电机的三相电流以离散形式可表达为
iABc[n],
n =1
,N ,
(1)
其中：N = fsXK为采样点数,九为采样频率,K为采样时长.将三相电流信号转化为3通道RGB图像的 二维矩阵表达式见式(2)。
I (a ,6,1) = i A \_k + (b ― 1 ) Xm+a],
<I(a,b,2)=iB[k + (b―1 ) X m +a],
(2)
I(a,b,3)=i；[k + ( ― 1 ) Xm+a],
其中：a=1,2,…，m;b=1,2,…，n;m和n分别为二维矩阵行列数；k为随机选取的起始采样点位置。得到
3通道的二维矩阵后，为了方便转化为8位的RGB图像，需要将数值映射到0〜255之间，见式(3).
1(,,)
I ( ,b ,c) ― min( I (：,：,)) max(I (:，: ,c)) — min( I (：,：,)) X255,
提取故障相电流的有效统计特性作为特征值，根据特征值和对应的故障程度使用曲线拟合得到一条随特征
值变化的故障程度曲线.1.J 故障特征提取与筛选为了规范统计特性的计算，对电流信号进行截断和对齐。首先,根据式(4)计算1个周期的采样点数Tn .
f
TN = ,
(4)
式中w”为电流信号基频.w”可根据从电流的FFT频谱图中获得,FFT公式见式(5).
在训练过程中，网络不再更新已冻结层的参数.由于不需要计算已冻结层的梯度，因此冻结多个初始层的权
重可以显著加快网络训练速度并且可以防止这些层过拟合新数据集.训练完成后即可实现电机故障检测和
A相、B相、C相故障定位.
1.2故障程度分析
在实现无刷直流电机故障相定位后，进一步对故障相电流信号进行分析以定量评估其故障程度.本文
Keywords : electrical machinery; BLDC motor; interturn short circuit; fault localization and evaluation; transfer learning;
feature fitting
随着稀土永磁材料和电力电子技术的发展，无刷直流电机以结构简单、运行可靠、工作寿命长等优势，在 工业自动化和新能源电动汽车领域得到广泛应用[1].但工作环境恶劣时，电机在高温、振动等情况下长时间 运行时难免发生故障.根据电机使用过程中收集的失效数据来看 ，无刷直流电机系统的故障主要表现在绕 组绝缘故障和驱动电路故障，而绕组绝缘故障中的匝间短路故障占了很大比例⑵.匝间短路后电流激增、磁 场畸变，容易对电机造成极大的损害，因此对无刷直流电机的匝间短路故障研究十分有必要.
(3)
其中 c = 1 ,2,3.
250
河北科技大学学报
2021 年
1.1.2基于迁移学习的GoogLeNet模型实现故障定位
GoogLeNet是CHRISTIAN等学者提出的一种CNN深度学习网络架构，该网络共有22层，以实现高
维数据的特征表示[19].通常深层网络都伴随着缺陷，例如参数太多容易过拟合、计算复杂度大难以应用、梯
Abstract: Brushless direct current (BIDC) motors have been widely used in industry and factory automations, and electric
vehicles. Interturn short circuit fault is one of the dominated faults for a BLDC motor, and this fault affects precision control, induces noise and vibration, and even causes motor burn down and fires. Hence, diagnosis of interturn short circuit fault of BLDC motor is of significance. This paper proposes a method that com bines of transfer learning and features fitting to realize accurate fault localization and evaluation. First, the three-phase current signals of the motor stator windings arc synchro nously sampled. The one-dimensional current signals arc transformed to an image, and then a transfer learning-based convolu tional neural networks model is trained for fault localization. When the fault phase has been localized , the sensitive features arc extracted and selected from the corresponding phase current, and then features fitting method is designed to qualitative evaluate the fault levels. Experimental results indicate that the proposed method can localize the faults with accuracy of 100%, and the
第3期
王吉亮，等：无刷直流电机匝间短路故障定位及定量评估方法研究
24 9
relative average error of fault quantitative assessment is 4. 33 %. The proposed method shows potential applications for accurate localization and evaluation of stator winding faults in permanent magnet motor systems.
第4 2卷第3期 2021年6月
河北科技大学学报
Journal of Hcbci University of Science and 'Technology
Vol.42 , No.3 J unc 2021
文章编号：1008-1542(2021 )03-0248-09
开放科学(资源服务)标识码(OSID)：
目前，电机故障诊断技术通常可分为基于模型35、基于信号处理基于机器学习和深度学习等 类别.其中基于信号处理和机器学习的方法具有应用方便、数据驱动、简单高效等优点.电机的电气故障可 以通过分析电机定子绕组的电流或电压信号实现.常用的信号处理方法包括快速傅里叶变换(fast Fourier transform, FFT)小波变换、希尔伯特变换等.常用的机器学习和深度学习方法包括支持向量机、卷 积神经网络(convolutional neural network, CNN)、概率神经网络(probabilistic neural network, PNN) 等[1315].例如，文献[16]提出用小波分解的方法提取无刷直流电机三相电流的故障特征，再使用PNN训练 分类识别.文献[7采用定子电流和振动信号融合分析，结合小波包变换和FFT分析频谱谐波分量，得到 永磁同步电机故障时的谐波分量变化特征.文献[18]从电机模型预测控制系统中的价值函数出发，分析电 机匝间短路时的定子电压、电流，得到电机故障时价值函数会出现直流分量和二次谐波分量的结论.
收稿日期：20210407；修回日期：20210507；责任编辑：冯 民 基金项目：国家自然科学基金(52075002) 第一作者简介：王吉亮(1997—),男，安徽阜阳人，硕士研究生，主要从事电机故障诊断方面的研究 通讯作者：陆思良副教授 . E-mail： lusiang@ 王吉亮，王慧，王骁贤，等•无刷直流电机匝间短路故障定位及定量评估方法研究[]•河北科技大学学报,021,2(1):248256. WANG Jiliang, WANG Hui, WANG Xiaoxian, et al.Localization and evaluation method of interturn short circuit fault in BLDC motor [].Journal of Hebei University of Science and Technology.2021.42(1) :248-256.
WANGJ丄ang, WANG Hui, WANG Xiaoxian, LU Slang
(College of Electrical Engineering and Automation, Anhui University, Hefei, Anhui 230601 , China.)
关键词：电机学；无刷直流电机；匝间短路；故障定位和定量评估；迁移学习；特征拟合
中图分类号:TM351 ； TM307 J
文献标识码:A
doi ： 10.7535/hbkd.2021 yx03()()6
Localization and evaluation method of interturn short circuit
本文提出的方法包含2个主要步骤：1)采用基于迁移学习的CNN模型对电机故障相进行定位，2)采用 多维特征拟合模型对电机故障程度进行定量评估.
1.1故障定位分析 将采集的无刷直流电机的三相电流信号转换为RGB图片，再采用基于迁移学习的GoogLeNet网络对
不同故障图片分类实现电机定子绕组故障相的定位.
别[0].电机的故障相分为A,B,C 3类，加上电机健康状态1类，因此本文将无刷直流电机电流转换成的4
类图片再采用迁移学习的方法在预训练的 GoogLeNet模型上进行训练.在对新图像分类时，由于网络最后
一个可学习层和最终分类层包含对输入图像分类的图像特征，因此需要将这2个层替换为适合新数据集的
新层.最后，在保证分类精度的情况下，不断尝试将较浅网络层的学习率设置为零来 “冻结”这些层的权重。
度往后容易消失等.GoogLeNet巧妙地在不同深度处增加了 2个loss来避免梯度回传消失的现象.在网
络宽度方面采用了 Inception结构，这是一种网中网(network in network)的结构，即原来的结点也是一个网
络.为了提高训练的效率，本文采用预训练的GoogLeNet模型，该模型用于ILSVRC比赛中的图像识
以上文献方法对于特定电机的特定故障识别具有较好的效果.但是，直流无刷电机的电流和反电动势 都是梯形波，且受到脉宽调制噪声的干扰，因而传统方法对于实现直流无刷电机的故障定位和定量评估仍存 在困难.为此，本文提出一种基于迁移学习和特征拟合方法，实现无刷直流电机匝间短路故障的精确定位和 精确定量评估.
1 方法描述
无刷直流电机匝间短路故障定位及
定量评估方法研究
王吉亮，王慧，王骁贤，陆思良
(安徽大学电气工程与自动化学院，安徽合肥 230601)
摘要：针对无刷直流电机匝间短路故障问题，提出一种结合深度迁移学习和多维特征拟合方 法，以实现匝间短路故障的精确定位和定量评估。同步采集电机定子绕组的三相电流信号，将一维 电流信号转化为图像信号，采用基于迁移学习的卷积神经网络实现匝间短路故障的定位,在确定故 障相之后，从电流信号中提取并筛选敏感特征，采用特征拟合方法实现故障等级的定量评估。实验 结果表明，所提出的方法能够实现100%精度的故障相定位，同时故障定量评估的相对平均误差低 至4.33% .该方法对于永磁电机系统的定子绕组故障精确定位和精密诊断具有潜在的应用价值。
1.1.1电流信号转换 电机的三相电流以离散形式可表达为
iABc[n],
n =1
,N ,
(1)
其中：N = fsXK为采样点数,九为采样频率,K为采样时长.将三相电流信号转化为3通道RGB图像的 二维矩阵表达式见式(2)。
I (a ,6,1) = i A \_k + (b ― 1 ) Xm+a],
<I(a,b,2)=iB[k + (b―1 ) X m +a],
(2)
I(a,b,3)=i；[k + ( ― 1 ) Xm+a],
其中：a=1,2,…，m;b=1,2,…，n;m和n分别为二维矩阵行列数；k为随机选取的起始采样点位置。得到
3通道的二维矩阵后，为了方便转化为8位的RGB图像，需要将数值映射到0〜255之间，见式(3).
1(,,)
I ( ,b ,c) ― min( I (：,：,)) max(I (:，: ,c)) — min( I (：,：,)) X255,
提取故障相电流的有效统计特性作为特征值，根据特征值和对应的故障程度使用曲线拟合得到一条随特征
值变化的故障程度曲线.1.J 故障特征提取与筛选为了规范统计特性的计算，对电流信号进行截断和对齐。首先,根据式(4)计算1个周期的采样点数Tn .
f
TN = ,
(4)
式中w”为电流信号基频.w”可根据从电流的FFT频谱图中获得,FFT公式见式(5).
在训练过程中，网络不再更新已冻结层的参数.由于不需要计算已冻结层的梯度，因此冻结多个初始层的权
重可以显著加快网络训练速度并且可以防止这些层过拟合新数据集.训练完成后即可实现电机故障检测和
A相、B相、C相故障定位.
1.2故障程度分析
在实现无刷直流电机故障相定位后，进一步对故障相电流信号进行分析以定量评估其故障程度.本文
Keywords : electrical machinery; BLDC motor; interturn short circuit; fault localization and evaluation; transfer learning;
feature fitting
随着稀土永磁材料和电力电子技术的发展，无刷直流电机以结构简单、运行可靠、工作寿命长等优势，在 工业自动化和新能源电动汽车领域得到广泛应用[1].但工作环境恶劣时，电机在高温、振动等情况下长时间 运行时难免发生故障.根据电机使用过程中收集的失效数据来看 ，无刷直流电机系统的故障主要表现在绕 组绝缘故障和驱动电路故障，而绕组绝缘故障中的匝间短路故障占了很大比例⑵.匝间短路后电流激增、磁 场畸变，容易对电机造成极大的损害，因此对无刷直流电机的匝间短路故障研究十分有必要.
(3)
其中 c = 1 ,2,3.
250
河北科技大学学报
2021 年
1.1.2基于迁移学习的GoogLeNet模型实现故障定位
GoogLeNet是CHRISTIAN等学者提出的一种CNN深度学习网络架构，该网络共有22层，以实现高
维数据的特征表示[19].通常深层网络都伴随着缺陷，例如参数太多容易过拟合、计算复杂度大难以应用、梯
Abstract: Brushless direct current (BIDC) motors have been widely used in industry and factory automations, and electric
vehicles. Interturn short circuit fault is one of the dominated faults for a BLDC motor, and this fault affects precision control, induces noise and vibration, and even causes motor burn down and fires. Hence, diagnosis of interturn short circuit fault of BLDC motor is of significance. This paper proposes a method that com bines of transfer learning and features fitting to realize accurate fault localization and evaluation. First, the three-phase current signals of the motor stator windings arc synchro nously sampled. The one-dimensional current signals arc transformed to an image, and then a transfer learning-based convolu tional neural networks model is trained for fault localization. When the fault phase has been localized , the sensitive features arc extracted and selected from the corresponding phase current, and then features fitting method is designed to qualitative evaluate the fault levels. Experimental results indicate that the proposed method can localize the faults with accuracy of 100%, and the
第3期
王吉亮，等：无刷直流电机匝间短路故障定位及定量评估方法研究
24 9
relative average error of fault quantitative assessment is 4. 33 %. The proposed method shows potential applications for accurate localization and evaluation of stator winding faults in permanent magnet motor systems.
第4 2卷第3期 2021年6月
河北科技大学学报
Journal of Hcbci University of Science and 'Technology
Vol.42 , No.3 J unc 2021
文章编号：1008-1542(2021 )03-0248-09
开放科学(资源服务)标识码(OSID)：
目前，电机故障诊断技术通常可分为基于模型35、基于信号处理基于机器学习和深度学习等 类别.其中基于信号处理和机器学习的方法具有应用方便、数据驱动、简单高效等优点.电机的电气故障可 以通过分析电机定子绕组的电流或电压信号实现.常用的信号处理方法包括快速傅里叶变换(fast Fourier transform, FFT)小波变换、希尔伯特变换等.常用的机器学习和深度学习方法包括支持向量机、卷 积神经网络(convolutional neural network, CNN)、概率神经网络(probabilistic neural network, PNN) 等[1315].例如，文献[16]提出用小波分解的方法提取无刷直流电机三相电流的故障特征，再使用PNN训练 分类识别.文献[7采用定子电流和振动信号融合分析，结合小波包变换和FFT分析频谱谐波分量，得到 永磁同步电机故障时的谐波分量变化特征.文献[18]从电机模型预测控制系统中的价值函数出发，分析电 机匝间短路时的定子电压、电流，得到电机故障时价值函数会出现直流分量和二次谐波分量的结论.
收稿日期：20210407；修回日期：20210507；责任编辑：冯 民 基金项目：国家自然科学基金(52075002) 第一作者简介：王吉亮(1997—),男，安徽阜阳人，硕士研究生，主要从事电机故障诊断方面的研究 通讯作者：陆思良副教授 . E-mail： lusiang@ 王吉亮，王慧，王骁贤，等•无刷直流电机匝间短路故障定位及定量评估方法研究[]•河北科技大学学报,021,2(1):248256. WANG Jiliang, WANG Hui, WANG Xiaoxian, et al.Localization and evaluation method of interturn short circuit fault in BLDC motor [].Journal of Hebei University of Science and Technology.2021.42(1) :248-256.