一種電機驅動系統電流傳感器故障診斷方法

高 原，金 翔，李 銳

應用研究

一種電機驅動系統電流傳感器故障診斷方法

高 原1，金 翔2，李 銳2

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

對于電機驅動系統，準確、可靠、實時的控制是保證系統安全穩定運行的基礎，而傳感器的可靠運行是實現合理控制的關鍵一環。因此，為了保證系統的可靠運行，必須對傳感器的故障進行準確、快速的辨識。本文以三相永磁同步電機驅動系統中的電流傳感器為例，分析了傳感器常見故障的特性，并考慮到卷積神經網絡的特征提取能力，提出了一種基于卷積神經網絡的故障診斷方法，最后通過仿真驗證了該方法的有效性。

電機驅動系統 電流傳感器 故障診斷 卷積神經網絡

0 引言

電機驅動系統是多種應用場合的關鍵系統，其準確、可靠、實時的控制是保證系統安全穩定運行的基礎。而傳感器作為驅動系統中檢測電壓、電流以及轉速信號的元件，其可靠運行是實現合理控制的關鍵一環。但是，由于設備老化、環境干擾以及機械振動等因素的影響，驅動系統中的傳感器易出現故障。傳感器故障可能導致測量信號失真，造成性能下降，甚至由于驅動系統的閉環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行準確、快速的辨識與定位，以保證系統的安全可靠運行。

根據故障特性，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，學者們進行了相關研究，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建系統的等效模型以預測系統的理想輸出，通過預測值與實測值的殘差來評價傳感器的工作狀態。該類方法簡單直接，但是在復雜系統中,因為噪聲、參數偏差等多種不利因素,使得對系統的準確建模存在困難，一定程度上限制了該方法的應用[2-3]。

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

基于知識的傳感器故障檢測方法是人工智能技術快速發展的成果，其主要通過對系統運行中相關數據的處理分析，自動學習系統故障表征與故障模式之間的關系以進行故障識別[5-6]。其中，傳統的數據驅動的方法，如支持向量機(SVM)、K近鄰算法(KNN)、模糊邏輯等需要手工設計故障特征[7-8]，再利用相關網絡去構建特征與故障類型之間的關系。然而，手工設計特征依賴專家知識，并且特征的合理性對故障的準確辨識有決定性影響，是一個耗時耗力的過程。考慮到在圖像識別領域，卷積神經網絡能夠自動提取圖片特征，進行模式識別，省略了人為構建故障特征的過程，更加的智能與高效。因此，本文將卷積神經網絡遷移應用至傳感器的故障診斷問題上，以三相永磁同步電機（PMSM）驅動系統中的電流傳感器為例，提出了一種基于卷積神經網絡的電流傳感器故障診斷方法，將實際系統中的傳感器測量信號送入卷積神經網絡，通過網絡自動提取故障特征，再構建特征與故障模式之間的映射關系以進行故障的識別。

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

1 系統描述和故障分析

本文以三相永磁同步電機驅動系統為例，進行傳感器的故障診斷分析，系統示意圖如圖1所示。在該系統中，矢量控制是常見的控制方式，其需要電流和轉速傳感器反饋信息，形成閉環控制。考慮到隨著數字處理技術的發展，無速度傳感器控制在電動機傳動系統中的應用越來越廣泛，對轉速傳感器的依賴性也隨之降低。因此本文主要聚焦于驅動系統中的電流傳感器的故障診斷問題。

圖1 系統結構示意圖

電流傳感器故障的原因有很多，諸如化學腐蝕、機械振動、環境影響等都會導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行數學模型的搭建。

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表示故障時刻，()表示正常的測量值，表示隨機噪聲。

這些故障將導致閉環控制中的反饋信號出現偏差，從而生成錯誤的指令信號，進一步惡化系統表現，甚至損壞系統部件、造成安全隱患。

2 故障診斷方法

對于上述電機驅動系統中的傳感器漂移、失效、噪聲、增益四種故障，本文選擇機器學習的CNN算法對其進行故障診斷。

CNN的結構如圖2所示，主要由輸入層、卷積層、池化層、全連接層和輸出層構成，其通過卷積層和池化層能夠自動學習輸入信號的特征，并且通過多層卷積和池化能夠學習到更深層次的特性。同時CNN使用局部感知和參數共享，可有效降低訓練參數的數量,具有較強的實用性。因此CNN廣泛應用于圖像分類和物品識別等應用場合。

該網絡的訓練主要包括兩個階段，第一階段為前向傳播過程，在該階段中，主要根據輸入信號逐步計算輸出層的信號；第二階段為反向傳播過程，主要是根據計算結果與目標值的差異，由輸出層向輸入層逐層更新網絡參數。訓練一直重復上述過程，直至輸出值與目標值之間的誤差小于設置的期望值時，訓練過程結束，具體的計算細節可參考文獻[9]。

圖2 1DCNN結構模型圖

對于CNN在故障診斷方向的應用，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域信號來完成故障診斷。其故障診斷流程如下：

1）數據采集以及處理：通過仿真得到數據集并對數據進行劃分。

2）CNN模型的構建：確定模型的結構及參數，包括卷積步長、卷積核的大小、池化核的大小、激活函數及迭代次數等。同時對網絡模型的參數進行初始化設置。

3）CNN網絡模型的培訓與測試:先使用數據的訓練集完成網絡的訓練,再使用數據的測試集檢測網絡的性能。

3 仿真驗證和結果分析

本文在MATLAB/Simulink中建立了三相PMSM矢量控制系統模型，相關參數如表2所示。

3.1 電流傳感器的故障仿真方法

考慮到三相系統中的電流傳感器通常為2個，本文以A、B相傳感器為例，假設A相傳感器發生故障，根據章節1中的相關公式模擬傳感器的四種故障。

表2 PMSM驅動系統參數

圖3 漂移故障下轉速-轉矩-電流波形

圖4 增益故障下轉速-轉矩-電流波形

圖5 失效故障下轉速-轉矩-電流波形

圖6 噪聲故障下轉速-轉矩-電流波形

3.2 故障數據的獲取

在上述仿真模型的基礎上，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據。在各種情況下，首先保持額定轉矩，改變速度采集100組數據，再保持額定轉速不變，改變轉矩采集到100組數據，每組數據采集10000個點（采樣頻率10 kHz），五種工況下共計1000組數據。同時設置標簽分類為正常情況為標簽0，噪聲故障為標簽1，增益故障為標簽2，漂移故障為標簽3，失效故障為標簽4。按照比例7:3將數據劃分為訓練集和測試集，訓練集700組數據，測試集300組數據。

3.3 故障診斷模型的參數設置

基于網絡的原理，搭建一維卷積神經網絡的模型，包括輸入層、卷積層、激活層、池化層、全連接層五個部分。使用一維寬卷積核，從而得到相當大的感受野，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。激活函數采用的是ReLU函數。

表3 網絡結構

3.4 實驗結果與分析

首先，將訓練集輸入到新建立的卷積神經網絡中進行反復迭代練習。接著使用測試集進行網絡性能的測試，訓練集和測試集的損失函數值以及準確率如圖7所示。可以看到建立的模型在迭代十次之后損失函數值不再發生顯著變化。此時模型在測試集上的精確度約為94%，并且未出現過擬合現象，這也表明了卷積式神經網絡的模擬訓練成效相當不錯。

圖7 訓練集與測試集損失函數及準確度趨勢圖

為了更加清晰地看到卷積神經網絡模型對于測試集各故障類型的識別效果，對測試集的測試結果導出混沌矩陣進行分析，結果如圖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，設置的隨機噪聲的值較小，導致噪聲故障和正常工況不易區分。其他幾種故障的識別準確度都接近100%，表明此卷積神經網絡具有較高的故障識別能力。

圖8 診斷結果的混沌矩陣

圖9 診斷結果的堆疊圖

4 總結

本文將卷積神經網絡遷移應用至電流傳感器的故障診斷領域，將傳感器的時域信號直接輸入至卷積神經網絡，借助網絡能自動提取輸入信號特征的優點，讓其自適應的去捕捉輸入信號的故障特征，省略了人為設計故障特征的過程，更加的高效與智能。并通過仿真的方式去驗證了該方法的有效性，仿真結果表明，該診斷方法在測試集上的準確率為93.5%，證明所搭建的卷積神經網絡模型對于電流傳感器的故障診斷性能具有一定的優越性和穩定性。

[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. 內置式永磁電機驅動系統電流傳感器故障容錯控制[D]. 哈爾濱: 哈爾濱工業大學, 2019.

[3] 曹文明. 異步電機驅動系統中的電流傳感器故障診斷[D]. 武漢: 華中科技大學, 2015.

[4] 王國鑫. 永磁電機驅動系統傳感器故障診斷與容錯控制[D]. 哈爾濱: 哈爾濱工業大學, 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. 電動汽車電機驅動系統傳感器故障診斷及容錯研究[D]. 成都: 電子科技大學, 2012.

[7] 姜俊. 六相永磁同步電機控制器故障診斷[D]. 沈陽: 沈陽工業大學, 2017.

[8] 張昊宇, 姚鋼, 殷志柱, 等. 基于小波神經網絡與KNN機器學習算法的六相永磁同步電機故障態勢感知方法[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。E-mail：1085955753@qq.com