無刷直流電機控制器故障診斷

鄒爽 朱建光

摘要：為了實現無刷直流電機控制器中IGBT開路故障的定位，該文采用短時傅里葉分析結合卷積神經網絡的故障診斷方法。首先基于無刷直流電機的數學模型仿真雙閉環控制系統，采樣IGBT不同故障狀態下電機輸出的三相電流。其次通過短時傅里葉變換進行時頻變換，獲得電流故障信號的時頻圖像。最后利用卷積神經網絡對時頻特征圖像進行故障診斷和定位，結果表明該方法能夠準確識別IGBT的開路故障。

關鍵詞：無刷直流電機;IGBT;故障診斷;短時傅里葉變換;卷積神經網絡

中圖分類號：TP311? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）30-0148-03

開放科學（資源服務）標識碼（OSID）：

Fault Diagnosis of Brushless DC Motor Controller

ZOU Shuang，ZHU Jian-guang

（Shenyang University of Technology，Shenyang 110870，China）

Abstract：In order to realize the location of IGBT open circuit fault in Brushless DC motor controller， this paper adopts the fault diagnosis method of short-time Fourier analysis combined with convolution neural network. Firstly， based on the mathematical model of Brushless DC motor， the double closed-loop control system is simulated， and the three-phase current of motor output under different fault states of IGBT is sampled. Secondly， the time-frequency image of current fault signal is obtained by short-time Fourier transform. Finally， convolution neural network is used to diagnose and locate the fault of time-frequency feature image. The results show that the method can accurately identify the open circuit fault of IGBT.

Keywords：Brushless DC motor; IGBT; fault diagnosis; short time Fourier transform; convolution neural network

無刷直流電機因其運行高效、調速性能較好，逐漸成為工業領域中的一種主流驅動電機[1]。而逆變器作為整個控制器的驅動核心，若發生開路故障，雖然不會導致系統立即停機，但若不及時維護，將會帶來不可估計的嚴重損失[2]，因此研究無刷直流電機控制器的故障診斷具有重要意義和價值。

逆變器的開路故障大多是由開關管IGBT引起，故障時電流、電壓信號會發生變化，可以作為電機故障診斷的依據 [3]。文獻[4]基于無刷直流電機的數學模型，采用連續時間參數估計的方法實現故障檢測和定位。然而由于電機運行工況復雜，基于模型的方法無法滿足實時的在線檢測，因此可利用短時傅里葉變換等信號處理手段直接分析可測信號的時頻域變化。文獻[5]采用短時傅里葉變換結合主成分分析方法，分析定子電流頻率隨時間的變化，實現可變速情況下的電機故障診斷。隨著深度學習、人工智能的發展，智能化的故障診斷方法得到廣泛應用。文獻[6]利用變分模態分解將故障信號分解為若干分量，結合卷積神經網絡實現逆變器故障診斷，具有較高的診斷精度。

依據短時傅里葉變換精確的時頻分析能力和神經網絡深層的特征提取能力，結合短時傅里葉變換和卷積神經網絡，實現無刷直流電機控制器的故障定位。

1故障仿真分析

在無刷直流電機控制系統中，控制器一般由整流濾波和逆變器組成，拓撲結構如圖1所示。

其中逆變部分由6個IGBT功率管組成，采用兩兩導通的工作方式驅動電機正常運轉，若其發生開路故障，電機輸出的電流信號受控制器的影響而發生畸變，不再對稱，此時電機工作在非平衡狀態，且電機三相電流與直流側輸出電流滿足如下關系式：

為了采集故障信號，本文依據無刷直流電機的數學模型，在Simulink中通過模擬仿真設計雙閉環控制系統，如圖2所示，其中電流為內環，抑制了周圍的電壓波動，響應速度快;速度為外環，采用PID調節抑制了負載的波動，該系統能夠跟蹤額定轉速，實現電機穩定運行[7]。

利用開關控制IGBT的通斷，模擬各種故障狀態，采集故障電流信號波形，若把無故障看作一種特殊的故障類型，且最多有兩路同時發生故障情況來考慮，可以將故障類型分為單管和雙管故障共計22種。

2短時傅里葉變換

短時傅里葉變換能夠對非平穩的時變信號進行時間和頻率域的聯合時頻分析，將無刷直流電機控制器的一維故障信號轉變為二維時頻圖像。通過設置固定窗口截取信號的時域信息，并進行傅里葉變換，得到局部頻譜信息，利用滑動窗口獲得時間域內的頻譜特征，即可得到故障信號的時頻分布，計算公式如下[8]：

Step1：讀取數據并進行預處理，采用奈奎斯特頻率進行時域采樣。

Step2：確定窗函數的類型，并根據（3）式計算窗口寬度。

Step3：確定移動步長，并根據（2）式進行短時傅里葉變換獲得局部頻譜。

Step4：結合時間和局部頻譜得到故障的時頻圖像，進行特征提取。

3卷積神經網絡模型

卷積神經網絡能夠有效地實現對深層次局部特征的信息獲取和分類，含有卷積、池化和全連接層[9]。

（1）卷積層：利用卷積操作獲取輸入的局部特征，計算過程為：

（2）激活函數：根據模型特點和信號分類方式，采用ReLu函數作為每一層的激活函數，實現非線性變換，表達式為：

（3）池化層：利用滑動窗口實現特征不變的降維，進行二次特征提取，包含最大池化、平均池化和隨機池化。

（4）全連接層：對卷積和池化操作獲得的全部特征進行分類，由于本文處理的是一種多分類問題，因此使用交叉熵損失函數衡量模型的性能，計算公式為[10]：

綜合以上原理分析，本文設計的卷積網絡模型包含5個卷積和3個全連接層，為了避免過擬合引入Dropout層，設置概率為0.2，隨機舍棄隱藏層的部分神經元，減少訓練參數，并采用Adam梯度下降算法來更新網絡參數，實現了一種自適應調整學習率的效果。

4基于STFT-CNN的故障診斷模型

4.1數據采集

4.2數據分析

通過MATLAB程序讀取電機穩定運行0.05s后的故障電流數據，經過短時傅里葉變換轉換為時頻圖像，構建數據集作為卷積網絡的輸入，以T2管故障為例，A相電流故障的時頻圖像如圖4所示。

4.3診斷流程

采用STFT-CNN方法對電機進行故障診斷時，具體流程為：

Step1：對采集到的電流故障數據進行預處理后，利用短時傅里葉變換變為時頻圖像，并劃分為訓練、測試和驗證集。

Step2：構建卷積神經網絡模型，并設置網絡參數，輸入訓練集進行模型學習和訓練。

Step3：在訓練過程中輸入驗證集，不斷更新參數，優化模型。

Step4：將測試集輸入到訓練好的模型中，進行驗證，得到測試結果。

Step5：結果分析。

4.4診斷結果

設置迭代步長為100，每次隨機輸入50個樣本，則訓練和測試過程準確度和損失曲線分別如圖5所示：

在訓練集中，準確率與損失變化一致，當迭代70步左右時，損失下降到最低，準確率穩定在97.6%左右。在測試集中，損失下降到最低，準確率穩定在97.2 %左右。

5結論

綜上所述，本文采用的短時傅里葉變換和卷積神經網絡的無刷直流電機控制器故障診斷模型，采用STFT將采集到的電流信號轉換為時頻圖，并通過卷積神經網絡實現特征提取和故障識別，診斷結果表明，該方法具有較高的訓練精度和準確性。

參考文獻：

[1] 周楊，馬瑞卿，李添幸，等.無刷直流電機逆變器雙管開路故障仿真研究[J].微電機，2016，49（12）：70-75.

[2] 王霞霞，陳超波，高嵩.逆變器開關管故障診斷方法綜述[J].計算機測量與控制，2019，27（8）：1-6.

[3] 王強，王友仁，張子富，等.無刷直流電機驅動系統逆變器的開路故障診斷[J].中國電機工程學報，2013，33（24）：114-120，17.

[4] Dobra P，DobraM，MogaD，etal.Model based fault detection for electrical drives with BLDC motor[C]//2014 IEEE International Conference on Automation，Quality and Testing，Robotics.May22-24，2014，Cluj-Napoca，Romania.IEEE，2014：1-5.

[5] KhodjaM EA，AimerAF，BoudinarAH，etal.Bearingfault diagnosis of a PWM inverter fed-induction motor using an improved short time Fourier transform[J].Journal of Electrical Engineering & Technology，2019，14（3）：1201-1210.

[6] 姜媛媛，張書婷.基于改進的VMD和CNN神經網絡的光伏逆變器軟故障診斷方法研究[J].電測與儀表，2021，58（2）：158-163.

[7] 張克涵，狄正飛，劉曉強，等.基于Matlab無刷直流電機雙閉環調速系統仿真研究[J].微電機，2015，48（2）：44-48.

[8] 李恒，張氫，秦仙蓉，等.基于短時傅里葉變換和卷積神經網絡的軸承故障診斷方法[J].振動與沖擊，2018，37（19）：124-131.

[9] 王驍賢，張保華，陸思良.基于連續小波變換和卷積神經網絡的無刷直流電機故障診斷[J].機械與電子，2018，36（6）：29-32.

[10] 賴文輝.基于深度學習理論的中文文本分類技術研究[D].廣州：華南理工大學，2019.

【通聯編輯：代影】