一種電機(jī)驅(qū)動(dòng)系統(tǒng)電流傳感器故障診斷方法

高 原，金 翔，李 銳

應(yīng)用研究

一種電機(jī)驅(qū)動(dòng)系統(tǒng)電流傳感器故障診斷方法

高 原1，金 翔2，李 銳2

（1. 海裝駐錦州地區(qū)軍事代表室，遼寧錦州 121000；2. 武漢第二船舶設(shè)計(jì)研究所，武漢 430074）

對于電機(jī)驅(qū)動(dòng)系統(tǒng)，準(zhǔn)確、可靠、實(shí)時(shí)的控制是保證系統(tǒng)安全穩(wěn)定運(yùn)行的基礎(chǔ)，而傳感器的可靠運(yùn)行是實(shí)現(xiàn)合理控制的關(guān)鍵一環(huán)。因此，為了保證系統(tǒng)的可靠運(yùn)行，必須對傳感器的故障進(jìn)行準(zhǔn)確、快速的辨識。本文以三相永磁同步電機(jī)驅(qū)動(dòng)系統(tǒng)中的電流傳感器為例，分析了傳感器常見故障的特性，并考慮到卷積神經(jīng)網(wǎng)絡(luò)的特征提取能力，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法，最后通過仿真驗(yàn)證了該方法的有效性。

電機(jī)驅(qū)動(dòng)系統(tǒng) 電流傳感器 故障診斷 卷積神經(jīng)網(wǎng)絡(luò)

0 引言

電機(jī)驅(qū)動(dòng)系統(tǒng)是多種應(yīng)用場合的關(guān)鍵系統(tǒng)，其準(zhǔn)確、可靠、實(shí)時(shí)的控制是保證系統(tǒng)安全穩(wěn)定運(yùn)行的基礎(chǔ)。而傳感器作為驅(qū)動(dòng)系統(tǒng)中檢測電壓、電流以及轉(zhuǎn)速信號的元件，其可靠運(yùn)行是實(shí)現(xiàn)合理控制的關(guān)鍵一環(huán)。但是，由于設(shè)備老化、環(huán)境干擾以及機(jī)械振動(dòng)等因素的影響，驅(qū)動(dòng)系統(tǒng)中的傳感器易出現(xiàn)故障。傳感器故障可能導(dǎo)致測量信號失真，造成性能下降，甚至由于驅(qū)動(dòng)系統(tǒng)的閉環(huán)控制策略而損壞其他部件[1]。因此，有必要對傳感器的故障進(jìn)行準(zhǔn)確、快速的辨識與定位，以保證系統(tǒng)的安全可靠運(yùn)行。

根據(jù)故障特性，傳感器的故障大致可以分為增益故障，噪聲故障，漂移故障，失效故障。在過去的幾十年中，學(xué)者們進(jìn)行了相關(guān)研究，其提出的故障診斷方法大致可以分為：基于模型故障診斷、基于信號故障診斷、基于知識故障診斷。

基于模型的故障診斷法是通過構(gòu)建系統(tǒng)的等效模型以預(yù)測系統(tǒng)的理想輸出，通過預(yù)測值與實(shí)測值的殘差來評價(jià)傳感器的工作狀態(tài)。該類方法簡單直接，但是在復(fù)雜系統(tǒng)中,因?yàn)樵肼?、參?shù)偏差等多種不利因素,使得對系統(tǒng)的準(zhǔn)確建模存在困難，一定程度上限制了該方法的應(yīng)用[2-3]。

基于信號的故障診斷方法采用信號處理技術(shù)，包括時(shí)頻分析方法，如小波變換、希爾伯特轉(zhuǎn)換、派克矢量等，對測量信號的特征值如峰值、周期、極差等進(jìn)行評價(jià)，從而對傳感器的故障進(jìn)行診斷和檢測。這一類方法的弊端是魯棒性較差，暫態(tài)過程易出現(xiàn)誤診斷[4]。

基于知識的傳感器故障檢測方法是人工智能技術(shù)快速發(fā)展的成果，其主要通過對系統(tǒng)運(yùn)行中相關(guān)數(shù)據(jù)的處理分析，自動(dòng)學(xué)習(xí)系統(tǒng)故障表征與故障模式之間的關(guān)系以進(jìn)行故障識別[5-6]。其中，傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)的方法，如支持向量機(jī)(SVM)、K近鄰算法(KNN)、模糊邏輯等需要手工設(shè)計(jì)故障特征[7-8]，再利用相關(guān)網(wǎng)絡(luò)去構(gòu)建特征與故障類型之間的關(guān)系。然而，手工設(shè)計(jì)特征依賴專家知識，并且特征的合理性對故障的準(zhǔn)確辨識有決定性影響，是一個(gè)耗時(shí)耗力的過程?？紤]到在圖像識別領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)提取圖片特征，進(jìn)行模式識別，省略了人為構(gòu)建故障特征的過程，更加的智能與高效。因此，本文將卷積神經(jīng)網(wǎng)絡(luò)遷移應(yīng)用至傳感器的故障診斷問題上，以三相永磁同步電機(jī)（PMSM）驅(qū)動(dòng)系統(tǒng)中的電流傳感器為例，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的電流傳感器故障診斷方法，將實(shí)際系統(tǒng)中的傳感器測量信號送入卷積神經(jīng)網(wǎng)絡(luò)，通過網(wǎng)絡(luò)自動(dòng)提取故障特征，再構(gòu)建特征與故障模式之間的映射關(guān)系以進(jìn)行故障的識別。

本文的章節(jié)安排如下：第一章介紹系統(tǒng)模型以及電流傳感器的故障特性，相關(guān)的故障診斷方法將在第二章進(jìn)行詳細(xì)敘述，第三章進(jìn)行仿真驗(yàn)證以及結(jié)果分析，最后，在第四章中進(jìn)行了總結(jié)。

1 系統(tǒng)描述和故障分析

本文以三相永磁同步電機(jī)驅(qū)動(dòng)系統(tǒng)為例，進(jìn)行傳感器的故障診斷分析，系統(tǒng)示意圖如圖1所示。在該系統(tǒng)中，矢量控制是常見的控制方式，其需要電流和轉(zhuǎn)速傳感器反饋信息，形成閉環(huán)控制?？紤]到隨著數(shù)字處理技術(shù)的發(fā)展，無速度傳感器控制在電動(dòng)機(jī)傳動(dòng)系統(tǒng)中的應(yīng)用越來越廣泛，對轉(zhuǎn)速傳感器的依賴性也隨之降低。因此本文主要聚焦于驅(qū)動(dòng)系統(tǒng)中的電流傳感器的故障診斷問題。

圖1 系統(tǒng)結(jié)構(gòu)示意圖

電流傳感器故障的原因有很多，諸如化學(xué)腐蝕、機(jī)械振動(dòng)、環(huán)境影響等都會(huì)導(dǎo)致傳感器測量信號失真，常見的故障類型與原因如表1所示。

表1 電流傳感器常見故障類型及原因

從反饋信號的輸出特征來看，可以將傳感器故障大致歸類為以下幾種情況，分別為增益故障，噪聲故障，漂移故障，失效故障。接下來對不同類型的傳感器故障進(jìn)行數(shù)學(xué)模型的搭建。

電流傳感器漂移故障：

電流傳感器增益故障：

電流傳感器失效故障：

電流傳感器噪聲故障：

上式中t表示故障時(shí)刻，()表示正常的測量值，表示隨機(jī)噪聲。

這些故障將導(dǎo)致閉環(huán)控制中的反饋信號出現(xiàn)偏差，從而生成錯(cuò)誤的指令信號，進(jìn)一步惡化系統(tǒng)表現(xiàn)，甚至損壞系統(tǒng)部件、造成安全隱患。

2 故障診斷方法

對于上述電機(jī)驅(qū)動(dòng)系統(tǒng)中的傳感器漂移、失效、噪聲、增益四種故障，本文選擇機(jī)器學(xué)習(xí)的CNN算法對其進(jìn)行故障診斷。

CNN的結(jié)構(gòu)如圖2所示，主要由輸入層、卷積層、池化層、全連接層和輸出層構(gòu)成，其通過卷積層和池化層能夠自動(dòng)學(xué)習(xí)輸入信號的特征，并且通過多層卷積和池化能夠?qū)W習(xí)到更深層次的特性。同時(shí)CNN使用局部感知和參數(shù)共享，可有效降低訓(xùn)練參數(shù)的數(shù)量,具有較強(qiáng)的實(shí)用性。因此CNN廣泛應(yīng)用于圖像分類和物品識別等應(yīng)用場合。

該網(wǎng)絡(luò)的訓(xùn)練主要包括兩個(gè)階段，第一階段為前向傳播過程，在該階段中，主要根據(jù)輸入信號逐步計(jì)算輸出層的信號；第二階段為反向傳播過程，主要是根據(jù)計(jì)算結(jié)果與目標(biāo)值的差異，由輸出層向輸入層逐層更新網(wǎng)絡(luò)參數(shù)。訓(xùn)練一直重復(fù)上述過程，直至輸出值與目標(biāo)值之間的誤差小于設(shè)置的期望值時(shí)，訓(xùn)練過程結(jié)束，具體的計(jì)算細(xì)節(jié)可參考文獻(xiàn)[9]。

圖2 1DCNN結(jié)構(gòu)模型圖

對于CNN在故障診斷方向的應(yīng)用，考慮到CNN無需人工提取特征值，因此，可直接利用傳感器的原始時(shí)域信號來完成故障診斷。其故障診斷流程如下：

1）數(shù)據(jù)采集以及處理：通過仿真得到數(shù)據(jù)集并對數(shù)據(jù)進(jìn)行劃分。

2）CNN模型的構(gòu)建：確定模型的結(jié)構(gòu)及參數(shù)，包括卷積步長、卷積核的大小、池化核的大小、激活函數(shù)及迭代次數(shù)等。同時(shí)對網(wǎng)絡(luò)模型的參數(shù)進(jìn)行初始化設(shè)置。

3）CNN網(wǎng)絡(luò)模型的培訓(xùn)與測試:先使用數(shù)據(jù)的訓(xùn)練集完成網(wǎng)絡(luò)的訓(xùn)練,再使用數(shù)據(jù)的測試集檢測網(wǎng)絡(luò)的性能。

3 仿真驗(yàn)證和結(jié)果分析

本文在MATLAB/Simulink中建立了三相PMSM矢量控制系統(tǒng)模型，相關(guān)參數(shù)如表2所示。

3.1 電流傳感器的故障仿真方法

考慮到三相系統(tǒng)中的電流傳感器通常為2個(gè)，本文以A、B相傳感器為例，假設(shè)A相傳感器發(fā)生故障，根據(jù)章節(jié)1中的相關(guān)公式模擬傳感器的四種故障。

表2 PMSM驅(qū)動(dòng)系統(tǒng)參數(shù)

圖3 漂移故障下轉(zhuǎn)速-轉(zhuǎn)矩-電流波形

圖4 增益故障下轉(zhuǎn)速-轉(zhuǎn)矩-電流波形

圖5 失效故障下轉(zhuǎn)速-轉(zhuǎn)矩-電流波形

圖6 噪聲故障下轉(zhuǎn)速-轉(zhuǎn)矩-電流波形

3.2 故障數(shù)據(jù)的獲取

在上述仿真模型的基礎(chǔ)上，分別收集A相電流傳感器增益故障、漂移故障、失效故障、噪聲故障以及正常情況的工作數(shù)據(jù)。在各種情況下，首先保持額定轉(zhuǎn)矩，改變速度采集100組數(shù)據(jù)，再保持額定轉(zhuǎn)速不變，改變轉(zhuǎn)矩采集到100組數(shù)據(jù)，每組數(shù)據(jù)采集10000個(gè)點(diǎn)（采樣頻率10 kHz），五種工況下共計(jì)1000組數(shù)據(jù)。同時(shí)設(shè)置標(biāo)簽分類為正常情況為標(biāo)簽0，噪聲故障為標(biāo)簽1，增益故障為標(biāo)簽2，漂移故障為標(biāo)簽3，失效故障為標(biāo)簽4。按照比例7:3將數(shù)據(jù)劃分為訓(xùn)練集和測試集，訓(xùn)練集700組數(shù)據(jù)，測試集300組數(shù)據(jù)。

3.3 故障診斷模型的參數(shù)設(shè)置

基于網(wǎng)絡(luò)的原理，搭建一維卷積神經(jīng)網(wǎng)絡(luò)的模型，包括輸入層、卷積層、激活層、池化層、全連接層五個(gè)部分。使用一維寬卷積核，從而得到相當(dāng)大的感受野，也可以獲得更多的有效特征信息。而對于池化層使用的則是最大池化方法，從而能夠保留更主要的特征信息。激活函數(shù)采用的是ReLU函數(shù)。

表3 網(wǎng)絡(luò)結(jié)構(gòu)

3.4 實(shí)驗(yàn)結(jié)果與分析

首先，將訓(xùn)練集輸入到新建立的卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行反復(fù)迭代練習(xí)。接著使用測試集進(jìn)行網(wǎng)絡(luò)性能的測試，訓(xùn)練集和測試集的損失函數(shù)值以及準(zhǔn)確率如圖7所示?？梢钥吹浇⒌哪Ｐ驮诘沃髶p失函數(shù)值不再發(fā)生顯著變化。此時(shí)模型在測試集上的精確度約為94%，并且未出現(xiàn)過擬合現(xiàn)象，這也表明了卷積式神經(jīng)網(wǎng)絡(luò)的模擬訓(xùn)練成效相當(dāng)不錯(cuò)。

圖7 訓(xùn)練集與測試集損失函數(shù)及準(zhǔn)確度趨勢圖

為了更加清晰地看到卷積神經(jīng)網(wǎng)絡(luò)模型對于測試集各故障類型的識別效果，對測試集的測試結(jié)果導(dǎo)出混沌矩陣進(jìn)行分析，結(jié)果如圖8所示，以及測試集的堆疊圖如下圖9所示。可以看出噪聲故障和正常情況之間的識別存在誤差，其原因可能為仿真模型模擬噪聲故障時(shí)，設(shè)置的隨機(jī)噪聲的值較小，導(dǎo)致噪聲故障和正常工況不易區(qū)分。其他幾種故障的識別準(zhǔn)確度都接近100%，表明此卷積神經(jīng)網(wǎng)絡(luò)具有較高的故障識別能力。

圖8 診斷結(jié)果的混沌矩陣

圖9 診斷結(jié)果的堆疊圖

4 總結(jié)

本文將卷積神經(jīng)網(wǎng)絡(luò)遷移應(yīng)用至電流傳感器的故障診斷領(lǐng)域，將傳感器的時(shí)域信號直接輸入至卷積神經(jīng)網(wǎng)絡(luò)，借助網(wǎng)絡(luò)能自動(dòng)提取輸入信號特征的優(yōu)點(diǎn)，讓其自適應(yīng)的去捕捉輸入信號的故障特征，省略了人為設(shè)計(jì)故障特征的過程，更加的高效與智能。并通過仿真的方式去驗(yàn)證了該方法的有效性，仿真結(jié)果表明，該診斷方法在測試集上的準(zhǔn)確率為93.5%，證明所搭建的卷積神經(jīng)網(wǎng)絡(luò)模型對于電流傳感器的故障診斷性能具有一定的優(yōu)越性和穩(wěn)定性。

[1] Gou B, Xu Y, Xia Y, et al. An online data-driven method for simultaneous diagnosis of IGBT and current sensor fault of three-phase PWM inverter in induction motor drives[J]. IEEE Trans Power Electron, 2020, 35(12): 13281-13294.

[2] 周洪雷. 內(nèi)置式永磁電機(jī)驅(qū)動(dòng)系統(tǒng)電流傳感器故障容錯(cuò)控制[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2019.

[3] 曹文明. 異步電機(jī)驅(qū)動(dòng)系統(tǒng)中的電流傳感器故障診斷[D]. 武漢: 華中科技大學(xué), 2015.

[4] 王國鑫. 永磁電機(jī)驅(qū)動(dòng)系統(tǒng)傳感器故障診斷與容錯(cuò)控制[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2018.

[5] Xia Y, Xu Y, Gou B. Current sensor fault diagnosis and fault-tolerant control for single-phase PWM rectifier based on a hybrid model-based and data-driven method[J]. IET Power Electron, 2021, 13(18): 4150-4157.

[6] 王權(quán). 電動(dòng)汽車電機(jī)驅(qū)動(dòng)系統(tǒng)傳感器故障診斷及容錯(cuò)研究[D]. 成都: 電子科技大學(xué), 2012.

[7] 姜俊. 六相永磁同步電機(jī)控制器故障診斷[D]. 沈陽: 沈陽工業(yè)大學(xué), 2017.

[8] 張昊宇, 姚鋼, 殷志柱, 等. 基于小波神經(jīng)網(wǎng)絡(luò)與KNN機(jī)器學(xué)習(xí)算法的六相永磁同步電機(jī)故障態(tài)勢感知方法[J]. 電測與儀表, 2019, 56(2): 1-9.

[9] Krizhevsky A, Sutskever I, Hinton G E. ImageNet classification with deep convolutional neural networks[J]. Commun ACM, 2017, 60(6): 84-90.

A fault diagnosis method of current sensor in motor drive system

Gao Yuan1, Jin Xiang2, Li Rui2

(1. The Navy Representative Office in Jinzhou, Jinzhou 121000, Liaoning, China; 2. Wuhan Second Ship Design and Research Institute, Wuhan 430074, China)

TP212

A

1003-4862（2022）12-0025-05

2022-09-09

高原（1978-），男，高級工程師。研究方向：艦船電力系統(tǒng)。E-mail：1085955753@qq.com