直流電機高頻EMC模型阻抗敏感性分析

肖玉杰，單潮龍，張慶龍

?

直流電機高頻EMC模型阻抗敏感性分析

肖玉杰，單潮龍，張慶龍

（海軍工程大學電氣與信息工程學院，武漢 430033）

針對基于直流電機繞組電磁兼容（EMC）集總參數模型得到的高頻等效電路，以直流電機繞組短路阻抗為例，分別在Matlab2009a和Labview2010開發環境下利用MIV(Mean Impact Value) –BP（Back Propagation）算法和阻抗分析方法實現短路阻抗的靜態和動態敏感性分析。研究發現敏感性因素C對阻抗值的靈敏度非常高、而非敏感性因素R對阻抗值的變化影響較小。靜態和動態仿真結果相吻合，驗證了該分析方法的正確性，研究結果對于分析和預測高頻電機EMC具有重要的參考價值。

EMC 敏感性分析 MIV BP

0 引言

近些年來，直流電動機的結構和控制方式都發生了很大變化。而電機作為許多系統（如電動車，叉車等）的核心設備，已經成為系統內的重要干擾源，其具體表現為：在直流電機在運行過程中，由于換向過程及電刷與換向器之間的不穩定接觸，會在電源線上產生很大的瞬變電壓。這些瞬變電壓會通過導線以傳導干擾的形式侵入到其他設備，影響其正常運行[1-2]。本文以直流電機短路阻抗為例，分別在Matlab2009a和Labview2010開發環境下利用MIV–BP算法和RLC基本電路分析方法實現了短路阻抗的靜態和動態敏感性分析。

1 他勵直流電機繞組EMC模型的建立

在分析和預測直流電機側高頻共模電流時，集總參數模型取得了比較好的效果[3]。哈爾濱理工大學劉金鳳在分析他勵直流電機的基礎上建立了直流電機繞組的EMC模型，如圖1所示。L表示電樞繞組的共模電感；C表示電樞繞組的寄生電容；R表示鐵心渦流效應和電樞繞組電阻的總和；L表示電樞鐵心電感；C表示電樞繞組與槽之間的寄生電容和電樞鐵心疊片之間的寄生電容總和；R表示電樞鐵心疊片電阻與電機軸承電阻總和；C為電樞繞組耦合到勵磁繞組鐵心的寄生電容。并利用安捷倫公司的Agilent 4249A型精密阻抗分析儀測得了繞組短路阻抗曲線，如圖2所示，最后通過蟻群算法得到了參數值：=21.3 mΩ，=21.1 μΗ，=22 pF。

圖1 他勵直流電機高頻共模等效電路

圖2 直流電機繞組阻抗短路阻抗特性圖

對于圖1所示的等效電路，根據電路理論可以得到繞組阻抗Z和對地共模阻抗Z的表達式如下：

短路時：

開路時：

對于短路時：

2 直流電機短路阻抗敏感性分析

敏感性分析是指從定量分析的角度研究有關因素發生某種變化對某一個或一組關鍵指標影響程度的一種分析方法。下面分別在Matlab2009a和Labview2010開發環境下利用MIV-BP算法和阻抗分析方法實現了短路阻抗的靜態和動態敏感性分析。

2.1 基于MIV-BP算法的靜態敏感性分析

BP（back propagation）算法是一種神經網絡學習算法，全稱基于誤差反向傳播法的人工神經網絡，如圖3所示。Dombi等人提出用MIV(Mean Impact Value)來反映神經網絡中權重矩陣的變化情況，MIV被認為是在神經網絡中評價變量相關性最好的指標之一，也為解決此類問題開創了新思路。文獻[4-5]已經將MIV方法成功的用于滾動軸承故障診斷技術和腫瘤基因信息提取中。

圖3 BP 神經網絡結構

MIV是用于確定輸入變量對輸出變量影響大小的一個重要指標，其符號代表相關的方向，絕對值大小代表影響的相對重要性。具體計算過程如下：在網絡訓練結束后，將訓練樣本P中的每一個自變量特征在其原值的基礎上分別加/減某一數值如10%構成2個新的樣本P1和P2,將P1和P2分別作為仿真樣本，得到2個仿真結果A1和A2，求出A1和A2的差值，即為變動該自變量后對輸入產生的影響變化值（IV，Impact Value），最后將IV按觀測例數平均得出自變量對于應變量-網絡輸出的MIV值。按照上面步驟計算出各自自變量的MIV值，最后根據MIV絕對值的大小為各自變量排序，得到各自變量對輸出影響相對性重要性的位次表，從而判斷出輸入特征對于網絡結果的影響程度，即實現敏感性分析（其符號代表相關的方向，絕對值代表影響的相對重要性），算法流程圖如圖4所示。

圖4 MIV算法流程圖

本文使用Matlab2009a作為開發環境，編寫程序仿真。眾所周知，阻抗最大值是敏感性分析的關鍵，故本文分析直流電機在=24.1075285 MHz,|Z|=4.6336 kΩ時的等效電路狀態。仿真運行次數epoch=21，t=11.621214 s后。MIV仿真結果如下：

MIV-1=0.4148 ; MIV-2=-1.1424 ;

MIV-3=-1.6057 ;

其中MIV-n（n=1,2,3）分別表示對電阻、電感、電容的敏感性分析。從仿真結果可知，電容的敏感性最強、電阻的敏感性最弱，且相對影響非常小。

說明：由于BP網絡每次初始化連接權值的隨機性和不確定性會導致網絡每次訓練的結果并不相同，但MIV的對比結果是一致的；不只是BP神經網絡，其他的神經網絡如RBF、ELM等神經網絡模型均可以應用到MIV方法中進行敏感性分析。

2.1 基于Labview的動態敏感性分析

Labview在國內已被廣泛的用于教學、科研、測試、和工業自動化領域[6]。其優點是能在程序運行過程中動態的修改輸入參數從而動態的得到仿真結果。本文正是基于此原理對直流電機短路阻抗進行動態敏感性分析。如圖5所示，其中圖5為前面板的設計，分為輸入界面和顯示界面。輸入界面用于在運行過程中動態的調整、、的數值；顯示界面顯示了輸出阻抗值的結果和仿真時間等信息。

仿真開始后，動態的改變、、參數的輸入值，可以很直觀的觀測敏感性大小及方向。結果如下：在21.3-1e+3數值內變化，對輸出阻抗值沒有任何影響，稍微變化即可以影響到輸出結果的改變，從仿真可以得出看出R對阻抗值的而變化影響較小，而的靈敏度最高。此結果與靜態分析結果一致。

圖5 Labview實現

3 結論

本文利用直流電機繞組EMC集總參數模型得到的高頻等效電路，以直流電機繞組短路阻抗為例，分別在Matlab和Labview開發環境下利用MIV-BP算法和RLC基本電路分析方法實現了短路阻抗的靜態和動態敏感性分析。得到了敏感性因素和非敏感性因素。

[1] Nobuyoshi Mutoh. A Suitable method for ecovehicles to control surge voltage occurring at motor terminals connected to PWM inverters and to control induced EMI noise[J]. IEEE Transactions on vehicular technology, 57(4): 2089-2098.

[2] G.M. Cheng, J.C. Waite. Minimization and cancellation of common mode currents, shaft voltages and bearing currents for induction motor drives[J]. IEEE Transactions on Industrial Electronics. 2006, 53(5): 1127~1132.

[3] Jens Benecke, Andre Linde, Stefan Dickmann. Automatic HF model generatioin and impedance optimization for low voltage DC motors[C]. Proceedings of the 2008 International Conference on Electrical Machines, Vilamoura, Portugal, 2008.

[4] 周瑩, 程衛東. 基于MIV特征篩選和BP神經網絡的滾動軸承故障診斷技術研究[D]. 北京: 北京交通大學, 2011.6.

[5] 王紫微, 葉奇旺. 基于神經網絡MIV值分析的腫瘤基因信息提取[J]. 數學的實踐與認識, 2011, 41(14): 47-58.

[6] 陳樹學, 劉萱. Labview寶典[M].北京: 電子工業出版社, 2011.

Impedance Sensitivity Analysis of DC Motor High Frequency EMC Model

Xiao Yujie, Shan Chaolong, Zhang Qinglong

(College of Electrical and Information Engineering, Naval University of Engineering, Wuhan 430033, China )

is sensitiv is imsensitive to impedance, and the static simulation result is identical with dynamic simulation result, which proves the validity of the method.

TM303.3

A

1003-4862（2013）04-0028-03

2012-08-13

肖玉杰(1987-)，男，碩士研究生。專業方向：人工智能及電力系統電磁兼容。