基于機電信號融合的電勵磁雙凸極電機繞組匝間短路故障診斷

趙 耀 陸佳煜 李東東 楊 帆 朱 淼

基于機電信號融合的電勵磁雙凸極電機繞組匝間短路故障診斷

趙 耀1陸佳煜1李東東1楊 帆1朱 淼2

（1. 上海電力大學電氣工程學院 上海 200090 2. 電能傳輸與功率變換控制教育部重點實驗室（上海交通大學） 上海 200240）

定子繞組匝間短路是電勵磁雙凸極電機常見的故障，當匝間短路故障匝數較少時，對電機磁場的影響較小，使得難以通過單一故障特征精確地識別故障。該文通過分析該電機的本體結構和故障特征的提取機理，提出了一種基于振動和相電流信號的多源機電信號融合的電勵磁雙凸極電機短路故障綜合診斷方法——基于多分類支持向量機及改進卷積神經網絡的信號融合故障診斷。該文首先根據電勵磁雙凸極的結構特點研究了短路故障發生時特征信號的變化情況及提取機理；其次根據理論分析結果提出了一種自尋優卷積神經網絡結合支持向量機的多源信號融合的故障診斷方法，該方法首先分別利用兩種算法計算兩個單信號特征下的故障診斷概率，再利用D-S證據理論，得出融合后的診斷結果；最后通過實驗表明，該文所提出的診斷方法可以更有效地識別電機不同的短路故障，降低了誤判率，解決了單一信號源診斷方法精度較低的問題，具有良好的可靠性和互補性。

電勵磁雙凸極電機 短路故障 機電信號融合 卷積神經網絡 支持向量機

0 引言

電勵磁雙凸極電機（Doubly Salient Electro-magnetic Machine, DSEM）是一種典型的開關磁阻電機[1-2]，定、轉子都是雙凸極結構，發電運行時通過二極管整流即可完成電能變換，且轉子上沒有任何繞組和永磁體，結構簡單，可靠性高，適合于航空發動機起動/發電機應用場合。然而在航空領域，電機運行環境較為惡劣，振動強，溫度變化較大，且定子槽面積較小，槽滿率較高。根據現場經驗來看，繞組之間有一定概率因為摩擦或裝配而導致匝間短路故障發生，繞組短路故障是其較為常見的故障形式，早期故障特征并不明顯，對磁場影響較小。但短路點的短路環流能達到幾倍于正常電流值的大小，過高的電流引起的發熱會產生局部熱點，惡化絕緣損壞，使故障進一步發展。若不能在故障早期檢測出故障狀態，將對整個電機系統造成巨大威脅。作為航空電力系統中重要的電能轉換設備，起動/發電機的可靠性直接影響機載設備的用電穩定性，甚至影響整個飛機的飛行安全，因此研究高可靠的DSEM繞組短路故障檢測方法具有重要意義。

目前，許多文獻已經對DSEM的發電特性、容錯性能和轉矩脈動等方面做了大量研究[3-10]，但是對于DSEM故障診斷的研究卻很少。開關磁阻電機故障診斷方法可以分為三類[11]：①基于電機模型的預測故障分析；②通過信號處理對故障信號進行分析，比如快速傅里葉變換（Fast Fourier Transform, FFT）、小波變換等；③利用機器學習算法自我學習故障特征并識別故障。

目前前兩類方法已經在開關磁阻電機及DSEM進行了研究并取得了一定的成果。文獻[12]利用小波包分解法，對開關磁阻電機的功率變換器故障進行診斷，通過注入兩個PWM信號至功率變換器中，僅需要單個電流互感器即可提取出各相電流信息。文獻[13]利用瞬時有功功率和瞬時無功功率中二次諧波分量的大小作為故障特征，對閉環控制下的永磁磁阻電機中的匝間短路故障進行診斷。文獻[14]利用低壓正弦激勵所獲得的電流響應的變化判斷永磁同步電機匝間短路的發生及嚴重程度。文獻[15]對無刷直流電機匝間短路下電流諧波的組成進行了仿真與分析，利用三次諧波分量有效檢測匝間短路故障。文獻[16]利用Park變換對開關控制信號進行d-q分解，利用各相信號分解后的差值是否為0來判斷是否發生了匝間短路故障。文獻[17]利用反電動勢電流對功率變換器單管開路故障進行診斷。文獻[18]利用整流器單管開路故障前后，DSEM中性點電壓的差異判斷是否發生開路故障。傳統的基于模型和信號處理的方法能夠實現診斷的目的，但不易尋找到復雜的高維特征。

得益于機器學習的發展，電機的故障診斷手段變得更加豐富。機器學習利用大量的歷史樣本進行訓練，可以自動尋找隱藏在樣本間復雜高維的故障特征，大大提高了診斷準確性。文獻[19]改進了深度置信網絡，并將其用于航空發電機旋轉整流器故障診斷中。文獻[20]利用含有多尺度卷積核的卷積神經網絡來處理振動信號，進而判斷電機的健康狀態。文獻[21]改進了概率神經網絡，利用主成分分析對數據進行預處理，提高對電機故障診斷能力。文獻[22]利用基于循環神經網絡的可變自編碼器對電機振動信號進行處理。上述文獻使用了先進的智能學習算法，但都是基于單一的故障特征量進行診斷，單一信號源容易受到不確定因素干擾，例如傳感器故障以及不確定的環境因素等，影響檢測精度。

為了提高故障診斷的準確性，多源的信息融合診斷技術在風電中得到了廣泛應用，文獻[23]用決策融合的方法融合了電機相電流信號特征，從而診斷電機外部軸承的故障。文獻[24]利用故障時電流平均絕對值和振動幅值變化設計了兩種融合電流和振動信號的變流器診斷方法。多源信號方法具有良好的互補性和可靠性，往往可以得到比單一信號源診斷更好的診斷結果。

本文通過對一臺四相8-10極分布勵磁DSEM本體結構和故障特征的提取機理進行研究，提出一種基于多分類支持向量機（Support Vector Machine，SVM）及改進卷積神經網絡（Convolution Neural Network，CNN）融合的繞組匝間短路故障診斷策略。首先建立分布勵磁DSEM的數學模型，分析電流和振動信號在健康和故障狀態下的變化情況，研究了電流基頻幅值和振動信號的提取機理，并用于電機故障診斷；其次，當發生匝間短路故障時，根據電流和振動信號的變化特點，將電流信號輸入SVM中，振動信號輸入改進CNN模型中，得到單一故障信號下的故障概率；然后利用D-S證據理論的證據組合規則，得到了多源信號的分類故障診斷結果；最后通過樣機實驗，驗證了融合診斷策略較單一信號源診斷具有更高的準確性和置信度。

1 電機模型

1.1 電機的模型

本文以四相8-10極分布勵磁DSEM為研究對象，電機的結構如圖1所示。電機電樞繞組每一相由兩套繞組組成，相同的極性相互串聯。

圖1 DSEM結構

在不計磁飽和狀態下，DSEM轉矩為[25]

上述轉矩公式包含了勵磁轉矩、自感轉矩、互感轉矩和齒槽轉矩四個部分。對于本文提取故障特征而言，由于DSEM的互感轉矩較小，因此可以被忽略；而齒槽轉矩是由勵磁電流和勵磁繞組自感決定，在電機故障前后沒有變化，因此同樣可以被忽略。

展開式（1）并忽略互感和齒槽轉矩后，得到的勵磁轉矩和自感轉矩可以分別表示為

1.2 故障特征量提取機理

本文發電機采用全橋不控整流發電方式。由于相鄰繞組間短路發生概率更高，因此本文對相鄰繞組故障進行研究，共研究兩種不同的匝間短路故障。以A1和B2為例，故障示意圖如圖2所示，電機每個定子極繞組有40匝，繞組A1每一匝分別用Z1～Z40表示，繞組B2每一匝分別用Z1′～Z40′表示。匝間短路故障發生在同一相同一繞組中，且短路匝數為2時，以A1繞組中的Z2和Z4短路為例，定義為故障F1。對于相鄰兩相繞組匝間短路故障，兩繞組發生的短路位置由于靠近，因此兩繞組的短路點距離軸心相等，即以Z2和Z2′短路為例來說明，定義為故障F2。

圖2 故障示意圖

1.2.1 電流信號分析

因此故障發生時，在原有磁鏈基礎上增加了正弦故障分量，進而影響磁阻電機磁鏈的變化。電機在正常及故障F1情況下的磁鏈、相電流和相電流頻譜對比如圖3～圖5所示。可以看到由于繞組的故障使得磁鏈發生變化，而磁鏈的變化會引起電流發生變化，產生不平衡電流，使得原本差異較小的電流幅值變大，在圖5中可以看到變化最大的是電流基波幅值。

圖3 正常及故障F1的磁鏈對比

圖4 正常和故障F1時相電流波形對比

圖5 正常與故障F1時相電流頻譜圖

四相基頻電流幅值的差值用基頻電流幅值不平衡系數來表示，越大表示四相基頻電流幅值差值越大。的表達式為

式中，和為相電流基頻分量幅值。

分布勵磁DSEM正常運行時，由于四相平衡對稱，電流幅值差較小，穩定在0附近。而當故障F1發生時，導致基頻電流幅值差值變大，將變大。故障F2同樣會使得基頻電流幅值變得不平衡，且其不平衡系數相較于故障F1更大。因此，本文將四相基頻電流幅值作為待檢測的短路故障特征量。

1.2.2 振動信號分析

將DSEM的相電流和電感分別進行傅里葉級數展開，由于四相電流和電感在空間上對稱，因此本節只寫出了A相的傅里葉級數展開表達式[26]，即

式中，aa為A相的自感；af為A相和勵磁繞組的互感；和分別為電流和電感的諧波次數；a和分別為A相次電流諧波的幅值和相位；a0和af0分別為aa和af的0次諧波分量；a和分別為A相自感第次諧波的幅值和相位；af和分別為af第次諧波的幅值和相位。

將式（6）～式（8）代入式（2）、式（3）中，則勵磁轉矩和自感轉矩的公式可以寫為

以故障F1仿真為例，電機轉矩的波形圖和頻譜圖如圖6和圖7所示。可以看出，發生故障F1后，轉矩發生明顯改變，轉矩產生了4次以外的轉矩諧波，其中2次諧波分量的增加較為明顯。而轉矩的變化會直接導致電機振動狀態發生變化，因此本文選取了電機振動信號作為另一個故障特征量進行DSEM短路故障診斷。

圖6 正常與故障F1下轉矩波形對比

圖7 正常和故障F1時的轉矩頻譜圖

綜上所述，當DSEM發生匝間短路故障時，故障使得電流四相幅值大小不等，導致電機的轉矩產生4次以外的轉矩諧波。轉矩的變化會直接引起振動的變化，四相電流幅值和電機振動信號將被用作故障診斷特征量。

2 基于SVM及改進CNN的機電信號融合故障診斷方法

智能算法在電機故障診斷領域具有良好的應用前景。本文提出了一種機電信號融合的故障診斷方法。該方法分別利用多分類SVM和改進CNN來檢測電流幅值信號和振動信號，利用D-S證據理論將兩者故障判斷結果進行融合，得到融合后的故障概率，從而實現匝間短路故障的最終診斷。該方法結合了兩種不同類型的物理信號，能顯著增加故障診斷的準確率，提高抗干擾能力，避免因匝數小、傳感器故障、受外界干擾等問題導致錯判。

2.1 多分類SVM原理

四相基頻電流幅值的獲取需要對幾個周期內的電流信號進行分解，且僅產生一個數據，這就決定了樣本的數量不會太多，SVM在數據數量較少時效用高成本低；四相幅值信息是四維數據，符合SVM適合處理小樣本、多維度非線性分類問題的特點，且在引入后驗概率后可以進一步分析分類結果，并為D-S證據融合提供方便。因此選用SVM處理DSEM四相電流基波幅值數據。

SVM是一種以結構最小化原理為基礎的模式識別理論。其核心思想是將低維的數據輸入，然后將輸入空間的數據映射到高維的空間，劃分超平面邊界后，創造出一個全局最優的劃分間隔，使得原本非線性不可分的樣本變得線性可分[27]。

對于二分類問題的數據，假設樣本的數據集為(,y)，=1,2,,，y∈{-1,1}，∈R。那么SVM的求解過程變為求解凸二次規劃問題，即

式中，為權重向量；為懲罰系數；為松弛變量；為偏執因子。將此優化問題用拉格朗日法轉換為對偶形式，有

式中，為拉格朗日乘子。接著求解最優的拉格朗日乘子，構造出最優的分類函數，并推廣到非線性問題。

式中，(,)為泛函數理論中滿足Mercer條件的核函數。

SVM的后驗概率輸出為

式中，和為特征參數，可以由最大似然估計準則求出。推廣到多分類問題，本文采用一對一的算法，后驗概率的求取可以轉換為多個二分類問題，進而求出多分類后驗概率，即

2.2 改進的自動尋優CNN

振動信號在采集頻率較高時，輸出的數據維度高、數量大，DSEM發生故障時，其振動信號具有復雜的故障特征，包含了豐富的徑向力特征信息，因此需要用大數據、高維度、深度學習的處理方法。CNN作為一種深度結構的前饋神經網絡，可以學習數據的深層特征，適合處理數據多、維度大的數據；并且在擁有一定規模的數據進行訓練并建立模型后，后續的測試數據可以直接利用建立好的模型進行分類診斷，因此診斷效率高，適合作為振動信號的診斷方法。CNN具有多層隱藏層，可以將輸入的數據分層學習。傳統CNN一般主要由三個代表性的層組成，分別是卷積層、池化層和全連接層。

卷積層主要是由卷積核對數據進行掃描特征，卷積核是權重共享的，因此在向前傳遞的過程中，卷積核與前一層輸入量進行卷積，由此產生一系列的特征向量。卷積的過程可以表示為[28]

式中，*為卷積運算符號；為激活函數，通常用ReLU作為激活函數；∈R×P×Q代表卷積核，為卷積核的數量，和分別為卷積核的寬度和長度，由于輸入的振動信號是一維信號，因此=1；為第層中第個偏差向量；為第層中第個輸出特征；1為?1層中的特征向量。

在經過了卷積層后，得到的特征會被輸入到池化層中進行下采樣操作。下采樣可以是最大采樣或者是平均采樣，本文運用的是最大采樣。最大采樣可以在保持原有特征的條件下，降低特征的分辨率，減小特征向量的大小。池化的過程可以表示為

式中，max代表池化層最大采樣操作；為池化區域；為層池化層輸出的特征向量。

CNN可以建立若干層卷積層以及池化層，通過交替疊加卷積層和池化層的操作，最終將學習的特征值拉伸成一個向量。本文建立了三層CNN。

在從卷積層和池化層獲得足夠的特征向量之后，利用全連接層來組合所有的特征，該層中每一個單位都連接到前一層的所有單位。最后利用Softmax進行分類預測，全連接層輸出的過程為

式中，為卷積層的線性輸出；為在卷積層的權重矩陣；為卷積層的偏差向量。

為防止高卷積層而帶來的過擬合影響，本文對dropout參數進行優化，尋找最優的dropout參數。

dropout是一項防止CNN過擬合的技術，將其放置在全連接層。它在神經網絡訓練時，將一部分神經元按照一定概率從神經網絡中舍去，從而提高模型的泛化能力及魯棒性。改進后的CNN診斷過程的具體步驟如下：

（1）初始化訓練集及測試集，初始化CNN訓練模型。

（2）將訓練集輸入網絡進行正向傳播計算，經過三層卷積網絡求取誤差。

（3）利用反向傳播將步驟（2）求得的誤差傳播到各個卷積核中，改變其中的權值，不斷地對于模型權重進行優化。

（4）重返步驟（2）和步驟（3）直至收斂。從而得到最小的損失函數。

（5）將dropout的值計為第次dropout。逐步減小dropout參數的大小，循環步驟（2）～（4），直到+1、+2、+3次的模型訓練準確率都小于次的時，輸出第次訓練模型。

（6）將測試集用于第次訓練的模型中進行診斷。

（7）輸出診斷結果。

2.3 D-S證據理論

在得到改進后的CNN以及SVM的診斷結果后，需要一種先進的信息融合算法將兩者診斷相結果結合，從而實現機電信號融合的目的。D-S證據理論引入了信用函數，可區分不確定性的差異。因此將其引用到故障診斷方法中[29]。

對于同一個識別框架下不同的事件，通過不同特征得到的基本概率分配函數為1和2，其對應的事件分別是和，此時由D-S理論的規則，將多種基本概率分配函數組合成正交和，有

式中，為沖突因子，需保證＜1；j為事件和相交的非空交集。

2.4 融合故障診斷方法

本文所用的基于機器學習的多源融合故障診斷方法如圖8所示。整個診斷方法分為SVM和CNN兩個部分，SVM用于處理電流信號，CNN用于識別振動信號。

圖8 機電信號融合故障診斷流程

在下半部分中，電機電流時域信號被采集后經過FFT轉換為頻域信號；接著電流基頻幅值被送入SVM進行模型分類訓練；最后將測試集送入模型中，輸出診斷結果。

同時，在上半部分CNN中，電機的振動信號被分為訓練集和測試集。將訓練集送入初始化的三層CNN中，經過卷積層、池化層和全連接層后，利用反向傳播，不斷地調整網絡訓練的權重參數，使得損失函數達到最小；然后利用循環網絡逐步減小dropout的值直到達到最優的訓練模型；最后將輸出模型用于測試，并輸出診斷結果。

該方法結合了兩種先進診斷方法的優勢，其各自的診斷結果最后通過D-S證據理論進行融合計算，使得診斷準確率進一步提升。

單一信號源的診斷方法在故障診斷上有明顯的局限性。本文所提出的診斷方法利用電流和振動信號實現了多源信號和機電信號融合，解決了兩大問題：①單一信號源診斷方法因運行狀態和信號干擾導致誤判的問題，②單一信號源方法難以對DSEM匝間短路，特別是小匝數短路的準確識別問題。

3 實驗及結果

為了驗證本文所提出的融合故障診斷方法的有效性，在實驗室的DSEM測試平臺上進行實驗，實驗平臺如圖9所示。電機參數見表1。平臺利用原動機帶動DSEM進行全橋不控整流發電，將振動傳感器吸附于電機外殼上，電流傳感器測量電流的位置在DSEM和功率變換器之間，電流信號由電流傳感器檢測，輸出至示波器顯示，并通過板卡采集。

圖9 DSEM故障診斷實驗平臺

表1 DSEM基本參數

Tab.1 Basic parameters of DSEM

本實驗的勵磁電流為10A，為了體現診斷方法的魯棒性，電機運行在800r/min、1 000r/min、 1 200r/min三種轉速下；負載分別選擇0.5Ω、1Ω、和5Ω下；接線分為正常、A相發生故障F1、AB相發生故障F2三種；實驗在共計27種不同工況下運行，保證診斷方法不會因運行狀態的變化而導致診斷失效。由于CNN是大數據學習的一種，為了保證CNN的模型準確性，必須采集大量的振動信號用于訓練，因此每種工況采集100組數據，總計2 700組數據，每組數據包含了一條四相電流幅值信息及10條長度為1 000的振動信號。最后從中抽取100組作為測試集。

DSEM在1 000r/min、負載電阻1Ω時，三種狀況下的某三組電流基頻幅值及振動實驗數據如圖10和圖11所示。由圖中可以看出，電流在故障F2時，基頻幅值不對稱程度較大，而在故障F1時，難以區分。振動數據在三種狀況下的特征難以直觀辨別，需要利用CNN進行高維學習，將電流數據及振動數據利用融合算法診斷后，最終部分測試結果見表2。

圖10 正常和故障狀態下四相電流基頻幅值

圖11 正常和故障狀態下振動時域圖

表2 樣本數據

Tab.2 Sample data

（續）

表2中標簽0、1、2分別代表正常，故障F1、故障F2三種不同狀態。從表2中可以看到，單獨使用SVM進行的故障診斷實驗在實際運用中有較大的局限性。在三種故障的準確率對比中發現SVM對于故障F2診斷靈敏度很高，而對于正常和故障F1的識別準確率低下。這是因為DSEM的容錯性能較好，在輸出電流較大時（負載電阻小），小匝數的故障F1對磁場的影響較小，四相基頻電流的幅值差值并不大，導致故障F1和正常的四相電流幅值差值難以分辨。

不同負載下正常和故障狀態的不平衡系數如圖12所示。可知，在負載電阻較小時，電機正常時和故障F1時的幅值不平衡系數幾乎相等，這說明DSEM在此負載下即使發生故障F1，四相電流的基頻幅值也幾乎沒有差異。所以由電流幅值信號作為輸入的SVM單信號源的診斷方法難以精確識別正常和故障F1。為了更加直觀地進行說明，將隨機抽出的100組測試集SVM診斷結果單獨列出，并將結果按照不平衡系數大小升序排列后得到附表1。從附表1中可以看出，排在前面不平衡系數較小的數據幾乎都會被診斷為正常，故障F1的數據包含了負載電阻較小和負載電阻較大的情況，因而其不平衡系數有大有小，不平衡系數偏大的可以被正確診斷，而偏小的就被誤判為正常運行狀態；對不平衡系數偏大的故障F2，SVM的診斷靈敏度和診斷的準確率都高。

圖12 不同負載下正常和故障狀態的不平衡系數

因此，必須引入新的故障診斷量來進一步提高故障診斷準確率。CNN所檢測的振動信號可以彌補單信號源診斷的不足，本實驗所用的改進CNN可以自我尋求最優的dropout參數。按照經驗，dropout值不得超過0.7，因此實驗設置dropout從0.7開始，按照步長0.05遞減尋優。在0.25時訓練達到91%的準確率，且后面三次的實驗所得準確率都低于dropout參數為0.25時的準確率，循環停止，即網絡最優dropout為0.25，dropout最優參數的求取過程如圖13所示。

圖13 參數尋優過程

模型訓練損失率及分類準確率如圖14所示。圖14是CNN在最優dropout參數下的訓練過程，在循環40次后，損失值不斷下降，訓練準確率穩定在91%附近。

圖14 模型訓練損失率及分類準確率

對輸入數據以及全連接層的數據降維后可視化的結果如圖15所示。從圖15中可以看到，數據在輸入層相對集中，特征沒有很好地分離，同類的分布差異較大。經過CNN訓練，在全連接層的數據特征被分離開，但有少量數據沒有完全分離。可見CNN對于振動數據診斷效果較好，但仍然有數據無法正確診斷。

圖15 CNN數據可視化結果

卷積神經網絡以及融合后的診斷結果同樣在表2中。當兩個單源方法診斷結果不一致時，以表2中第六條測試集為例，測試集發生了故障F1，單用SVM的單信號源診斷方法發生了誤判，判定為正常的概率為0.668左右，而判定為故障F1的概率為0.33左右；利用振動信號作為輸入的卷積神經網絡方法判定為正常的概率為0.227，而判定為故障F1的概率為0.736；兩者在判斷結果不一致的情況下利用D-S證據理論融合后得到了正確的診斷結果。而當兩個單源方法診斷結果都正確時，融合后可以輸出正確標簽且概率會更高。因此本文所提出的多源信號的融合診斷方法相較于單一信號源方法具有更高的準確性和魯棒性。

SVM、CNN及融合故障診斷的混淆矩陣如圖16所示。由混淆矩陣同樣可以看出融合故障診斷的優越性，SVM混淆矩陣的真實標簽為正常時，多數可以被正確診斷為正常狀態；真實標簽為故障F1時，被正確診斷的概率偏低；真實標簽為故障F2時診斷準確率極高。

CNN對三種運行狀態的診斷都有比較可觀的準確率。由于D-S理論具有不確定性推理能力和集群效應，因而SVM對于故障F2的高準確性可以在融合后得以保留。同樣，CNN對于故障F1的有效識別在經過融合后準確率也有所提升。由此可以看出，融合故障診斷對兩個單信號故障診斷方法進行了優勢互補。

測試的100組測試集在通過兩種單源信號診斷方法及機電信號融合故障方法后的判定準確率見表3。可知，本文提出的機電信號融合故障診斷方法的準確率高達95%，相較于單一信號源的故障診斷方法可靠性強，診斷可信度高，抗干擾能力強，對DSEM匝間短路故障診斷的研究具有一定的意義，滿足了實際工程運用的要求，具有良好的應用前景。

表3 故障診斷準確率對比

Tab.3 Precision rate comparisons of fault diagnosis

4 結論

本文設計了一種基于機器學習的多源信號融合故障診斷方法，總結理論分析及實驗結果后得到如下結論：

2）本文對多源信號融合診斷方法中的CNN進行改進，可以尋得最優的dropout參數，在保證神經網絡訓練成功率的同時，防止網絡過擬合。

3）本文設計的多源信號融合故障診斷方法可以將兩個單信號故障診斷量進行優勢互補，大大提高故障診斷準確率，具有良好的魯棒性和準確性。

附 錄

附表1 SVM測試集診斷情況

App.Tab.1 The diagnosis results of SVM test data

四相基波幅值/ASVM狀態預測概率不平衡系數預測標簽實際標簽 ABCD012 2.2172.2922.2422.1950.8780.1210.0010.02100 2.9263.0362.9642.9550.6500.3490.0010.02600 3.0683.1743.0823.0860.6770.3200.0030.02800 3.0573.1693.0493.0730.6680.3300.0020.03701 3.0653.1823.0663.0770.6680.3300.0020.03801 2.9293.0582.9512.9610.6310.3680.0010.03900 1.9082.0291.9081.9580.7860.2090.0050.04000 2.1162.2332.1132.1840.8300.1680.0010.04000 2.2052.3272.2082.2760.8230.1760.0010.04100 1.8922.0011.8781.9690.7750.2200.0050.04300 2.9053.0442.9362.9470.6160.3830.0010.04300 3.0943.2153.0883.1030.6740.3230.0030.04400 1.9382.0511.9232.0120.7940.2020.0040.04500 3.0403.1833.0763.0790.6340.3640.0020.04500 3.0763.1993.0783.0740.6740.3230.0020.04600 3.1103.2383.1153.1170.6760.3210.0030.04600 1.9202.0351.9031.9980.7840.2120.0050.04700

（續）

四相基波幅值/ASVM狀態預測概率不平衡系數預測標簽實際標簽 ABCD012 2.2032.3322.1992.2710.8200.1790.0010.04800 3.0723.2133.0983.0870.6540.3430.0030.05001 3.1263.2613.1323.1340.6760.3210.0040.05101 3.1143.2513.1193.1270.6680.3290.0030.05200 2.9662.9593.0632.9040.7870.2110.0020.05200 3.1983.3323.2023.2010.7050.2880.0070.05200 3.1443.2863.1603.1630.6730.3220.0050.05200 3.2103.3333.1963.1950.7210.2720.0070.05300 2.1432.2902.1582.2230.8050.1930.0010.05400 3.1163.2653.1273.1620.6450.3510.0040.05501 3.1073.2453.1023.1160.6660.3310.0030.05600 3.1183.2523.1143.1140.6770.3200.0030.05600 3.2153.3443.2003.2040.7170.2760.0070.05800 3.1543.2813.1373.1350.6990.2970.0040.05900 2.9393.0952.9542.9890.5960.4030.0010.05900 2.9932.9493.0632.8900.8240.1740.0020.06400 3.1913.3413.2003.1950.6930.3000.0070.06400 3.2003.3393.1883.1880.7070.2870.0060.06500 3.1693.3123.1503.1810.6800.3150.0050.06501 2.1572.3342.2222.2680.7650.2340.0010.06600 3.1243.2873.1383.1590.6430.3530.0040.06701 3.1173.2793.1283.1540.6400.3570.0040.06701 3.2483.3823.2263.2220.7310.2600.0090.07000 3.1913.3493.1943.2060.3110.6820.0070.07001 3.1813.3423.1823.2020.5730.4210.0060.07201 3.2063.3613.2003.2070.6950.2980.0070.07401 3.1893.3503.1873.2040.6780.3160.0060.07401 2.9703.0902.8892.9260.6770.3230.0010.09100 2.8753.0282.8322.9810.5630.4370.0010.09901 2.8703.0432.8442.9860.5360.4640.0010.10701 2.8753.0512.8262.9650.5480.4510.0010.11901 2.8633.0512.8052.9920.5120.4880.0010.15401 2.9133.1672.9603.0960.4240.5750.0010.16611 2.9093.1772.9573.0860.4130.5870.0010.17811 2.8613.0752.8243.0500.4450.5540.0010.19710 2.9043.1812.9343.0740.4050.5940.0010.19911 2.9043.1752.9263.0930.3990.6010.0010.20611 2.1232.3752.1082.2980.6720.3270.0010.20800 2.1222.3742.0912.2920.6750.3240.0010.22100 2.8863.2503.0183.1450.2940.7050.0010.29811 2.8613.2252.9923.1300.2830.7160.0010.30411 2.8803.2443.0123.1480.2870.7120.0010.30411 2.8753.2413.0033.1400.2860.7130.0010.30611 1.5652.1131.7331.9900.1400.8530.0070.73511 1.4942.1271.7481.9820.0880.9060.0070.92211

（續）

四相基波幅值/ASVM狀態預測概率不平衡系數預測標簽實際標簽 ABCD012 1.4842.1401.7472.0050.0760.9180.0071.01111 1.4002.1521.7762.0100.0430.9500.0071.29511 1.7812.4852.0552.4670.0660.9330.0011.39511 1.7692.4772.0562.4640.0630.9360.0011.41211 1.7552.4692.0322.4570.0610.9380.0011.45111 1.7802.4942.0612.4870.0600.9390.0011.45711 1.5512.3151.8332.2440.0440.9520.0041.55111 1.5572.3361.8372.3000.0380.9580.0041.70411 1.5742.3171.8342.3500.0410.9550.0041.72211 1.5342.3641.8202.2890.0300.9660.0041.86111 3.4353.0013.4594.0430.0370.0220.9402.19422 3.4052.9353.4884.1160.0200.0130.9672.82822 3.4342.9273.4924.1530.0150.0090.9763.03822 3.2992.7473.4904.2970.0070.0060.9884.94222 3.3012.6973.4764.3390.0050.0040.9905.51722 3.2852.6893.5264.3680.0040.0030.9935.81522 3.3042.6753.4914.3840.0040.0030.9935.98022 3.2802.6593.5264.4120.0030.0030.9956.33322 3.2772.6533.5204.4110.0030.0030.9956.37022 3.2782.6233.4704.4320.0030.0030.9946.71022 3.2342.4343.4764.5920.0000.0001.0009.53322 3.2372.4303.4154.5980.0020.0010.9979.60022 3.2152.4113.4634.6000.0000.0001.0009.82022 3.2172.4043.4584.6160.0000.0001.00010.02322 3.2202.3353.4034.6420.0000.0001.00010.83922 3.1572.0953.3314.8720.0000.0001.00015.71522 3.1211.9193.3144.9820.0000.0001.00019.05122 3.1271.9263.3025.0060.0000.0001.00019.29322 2.9160.9252.9255.7790.0000.0001.00047.86322 2.9100.9092.9125.7900.0000.0001.00048.41722 2.9000.9002.8835.8070.0020.0020.99749.00322 2.9080.8822.9225.8170.0000.0001.00049.46622 2.7880.6672.6525.9140.0050.0050.99056.40322 2.7750.6852.6125.9250.0060.0060.98956.46822 2.8270.6672.7055.9590.0040.0040.99257.24422 2.6050.6542.3655.9280.0170.0150.96858.35022 2.5880.6532.3415.9600.0190.0160.96559.27422 2.6370.6202.4125.9640.0130.0130.97459.57522

[1] Wang Kaimiao, Zhou Bo, Zhou Xingwei, et al. The output voltage control strategy for DSEG with controlled rectification based on conduction angle estimation[J]. IEEE Transactions on Industrial Electronics, 2020, 67(5): 3350-3360.

[2] 趙星, 周波, 史立偉. 一種新型低轉矩脈動電勵磁雙凸極無刷直流電機[J]. 中國電機工程學報, 2016, 36(15): 4249-4258.

Zhao Xing, Zhou Bo, Shi Liwei. A novel electro-magnet doubly salient brushless DC motor with minimum torque ripple[J]. Proceedings of the CSEE, 2016, 36(15): 4249-4258.

[3] 沈燚明, 盧琴芬. 初級勵磁型永磁直線電機研究現狀與展望[J]. 電工技術學報, 2021, 36(11): 2325-2343.

Shen Yiming, Lu Qinfen. Overview of permanent magnet linear machines with primary excitation[J]. Transactions of China Electrotechnical Society, 2021, 36(11): 2325-2343.

[4] 陳云云, 朱孝勇, 全力, 等. 基于參數敏感度的雙凸極永磁型雙定子電機的優化設計和性能分析[J]. 電工技術學報, 2017, 32(8): 160-168.

Chen Yunyun, Zhu Xiaoyong, Quan Li, et al. Parameter sensitivity optimization design and performance analysis of double-salient permanent-magnet double-stator machine[J]. Transactions of China Electrotechnical Society, 2017, 32(8): 160-168.

[5] 孫林楠, 張卓然, 于立, 等. 定子分布勵磁雙凸極無刷直流發電機電磁特性研究[J]. 中國電機工程學報, 2017, 37(21): 6218-6226.

Sun Linnan, Zhang Zhuoran, Yu Li, et al. Analysis of electromagnetic performance of doubly salient brushless DC generator with distributed field magnetomotive forces[J]. Proceedings of the CSEE, 2017, 37(21): 6218-6226.

[6] 王瑾, 李巖, 賈建國, 等. 反電動勢和凸極率對高效永磁同步磁阻電機穩態特性影響分析[J]. 電工技術學報, 2020, 35(22): 4688-4698.

Wang Jin, Li Yan, Jia Jianguo, et al. Analysis of the influence of back-EMF and saliency ratio on steady-state characteristics of a high efficiency permanent magnet synchronous reluctance motor[J]. Transactions of China Electrotechnical Society, 2020, 35(22): 4688-4698.

[7] 卿龍, 王惠民, 葛興來. 一種高效率開關磁阻電機轉矩脈動抑制方法[J]. 電工技術學報, 2020, 35(9): 1912-1920.

Qing Long, Wang Huimin, Ge Xinglai. A high efficiency torque ripple suppression method for switched reluctance motor[J]. Transactions of China Electrotechnical Society, 2020, 35(9): 1912-1920.

[8] 胡勝龍, 左曙光, 劉明田. 開關磁阻電機非線性徑向電磁力解析建模[J]. 電工技術學報, 2020, 35(6): 1189-1197.

Hu Shenglong, Zuo Shuguang, Liu Mingtian. Analytical modeling of nonlinear radial electromagnetic force in switched reluctance motors[J]. Transactions of China Electrotechnical Society, 2020, 35(6): 1189-1197.

[9] Du Longxin, Liu Xiping, Fu Jiesheng, et al. Design and optimization of reverse salient permanent magnet synchronous motor based on controllable leakage flux[J]. CES Transactions on Electrical Machines and Systems, 2021, 5(2): 163-173.

[10] Jiang Xuefeng, Wang Shaoshuai, Li Qiang, et al. Design and optimization of dual-winding fault-tolerant permanent magnet motor[J]. CES Transactions on Electrical Machines and Systems, 2019, 3(1): 45-53.

[11] Gan Chun, Chen Yu, Qu Ronghai, et al. An overview of fault-diagnosis and fault-tolerance techniques for switched reluctance machine systems[J]. IEEE Access, 2019, 7: 174822-174838.

[12] Gan Chun, Wu Jianhua, Yang Shiyou, et al. Wavelet packet decomposition-based fault diagnosis scheme for SRM drives with a single current sensor[J]. IEEE Transactions on Energy Conversion, 2016, 31(1): 303-313.

[13] Wang Bo, Wang Jiabin, Griffo A, et al. Stator turn fault detection by second harmonic in instantaneous power for a triple-redundant fault-tolerant PM drive[J]. IEEE Transactions on Industrial Electronics, 2018, 65(9): 7279-7289.

[14] Qi Yuan, Bostanci E, Zafarani M, et al. Severity estimation of interturn short circuit fault for PMSM[J]. IEEE Transactions on Industrial Electronics, 2019, 66(9): 7260-7269.

[15] Lee S T, Hur J. Detection technique for stator inter-turn faults in BLDC motors based on third-harmonic components of line currents[J]. IEEE Transactions on Industry Applications, 2017, 53(1): 143-150.

[16] Fonseca D S B, Marques Cardoso A J. On-line inter-turn short-circuit fault diagnosis in switched reluctance motors[C]//2019 IEEE International Electric Machines & Drives Conference (IEMDC), San Diego, CA, USA, 2019: 198-202.

[17] 夏一文, 張卓然, 張健, 等. 基于反電勢電流的電勵磁雙凸極電機驅動電路單管開路故障診斷研究[J]. 電工技術學報, 2020, 35(23): 4888-4897.

Xia Yiwen, Zhang Zhuoran, Zhang Jian, et al. Research on single power switch open circuit fault diagnosis of doubly salient eletromagnetic motor drive circuit based on the back electromotive force current[J]. Transactions of China Electrotechnical Society, 2020, 35(23): 4888-4897.

[18] 胡朝燕, 周波, 魏佳丹. 雙凸極電機全橋變換器單管開路故障在線診斷[J]. 中國電機工程學報, 2009, 29(33): 111-116.

Hu Chaoyan, Zhou Bo, Wei Jiadan. On-line diagnosis of single transistor open-circuit fault in full-bridge converter of doubly salient electro-magnet motor[J]. Proceedings of the CSEE, 2009, 29(33): 111-116.

[19] 崔江, 郭瑞東, 張卓然, 等. 基于改進DBN的發電機旋轉整流器故障特征提取技術[J]. 中國電機工程學報, 2020, 40(7): 2369-2376, 2415.

Cui Jiang, Guo Ruidong, Zhang Zhuoran, et al. Generator rotating rectifier fault feature extraction technique based on improved DBN[J]. Proceedings of the CSEE, 2020, 40(7): 2369-2376, 2415.

[20] Liu Ruonan, Wang Fei, Yang Boyuan, et al. Multiscale kernel based residual convolutional neural network for motor fault diagnosis under nonstationary conditions[J]. IEEE Transactions on Industrial Informatics, 2020, 16(6): 3797-3806.

[21] Seshadrinath J, Singh B, Panigrahi B K. Vibration analysis based interturn fault diagnosis in induction machines[J]. IEEE Transactions on Industrial Informatics, 2014, 10(1): 340-350.

[22] Huang Yang, Chen C H, Huang C J. Motor fault detection and feature extraction using RNN-based variational autoencoder[J]. IEEE Access, 2019, 7: 139086-139096.

[23] Hoang D T, Kang H J. A motor current signal-based bearing fault diagnosis using deep learning and information fusion[J]. IEEE Transactions on Instrumentation and Measurement, 2020, 69(6): 3325-3333.

[24] 施耀華, 馮延暉, 任銘, 等. 融合電流和振動信號的永磁同步風電系統變流器故障診斷方法研究[J]. 中國電機工程學報, 2020, 40(23): 7750-7760.

Shi Yaohua, Feng Yanhui, Ren Ming, et al. Study on fault diagnosis method of converter in permanent magnet synchronous wind power system by fusion of current and vibration signals[J]. Proceedings of the CSEE, 2020, 40(23): 7750-7760.

[25] Liao Y, Liang F, Lipo T A. A novel permanent magnet motor with doubly salient structure[C]//Conference Record of the 1992 IEEE Industry Applications Society Annual Meeting, Houston, TX, USA, 2002: 308-314.

[26] Zhu Z Q, Lee B, Huang Liren, et al. Contribution of current harmonics to average torque and torque ripple in switched reluctance machines[J]. IEEE Transactions on Magnetics, 2017, 53(3): 1-9.

[27] 王棟悅, 谷懷廣, 魏書榮, 等. 基于機電信號融合的DFIG定子繞組匝間短路故障診斷[J]. 電力系統自動化, 2020, 44(9): 171-178.

Wang Dongyue, Gu Huaiguang, Wei Shurong, et al. Diagnosis of inter-turn short-circuit fault in stator windings of DFIG based on mechanical and electrical signal fusion[J]. Automation of Electric Power Systems, 2020, 44(9): 171-178.

[28] Shao Siyu, Yan Ruqiang, Lu Yadong, et al. DCNN-based multi-signal induction motor fault diagnosis[J]. IEEE Transactions on Instrumentation and Measurement, 2020, 69(6): 2658-2669.

[29] 李永剛, 王羅, 李俊卿, 等. 基于多源信息融合的同步發電機轉子繞組匝間短路故障識別[J]. 電力系統自動化, 2019, 43(16): 162-167, 191.

Li Yonggang, Wang Luo, Li Junqing, et al. Identification of inter-turn short-circuit fault in rotor windings of synchronous generator based on multi-source information fusion[J]. Automation of Electric Power Systems, 2019, 43(16): 162-167, 191.

A Fault Diagnosis Strategy for Winding Inter-Turn Short-Circuit Fault in Doubly Salient Electro-Magnetic Machine Based on Mechanical and Electrical Signal Fusion

Zhao Yao1Lu Jiayu1Li Dongdong1Yang Fan1Zhu Miao2

（1. College of Electrical Engineering Shanghai University of Electric Power Shanghai 200090 China 2. Key Laboratory of Control of Power Transmission and Conversion Ministry of Education Shanghai Jiao Tong University Shanghai 200240 China）

Stator winding inter-turn short-circuit fault is a frequent failure on doubly salient electro-magnetic machine (DSEM). It is difficult to identify the fault accurately by the single fault characteristic because of the less influence by fault windings on the electromagnetic field. Failure to detect a fault condition at an early stage of fault will pose a huge threat to the entire motor system. This paper proposes a comprehensive short-circuit fault diagnosis method for DSEM based on mechanical and electrical signal fusion. The short-circuit fault can be identified effectively by analyzing the structure of the machine and the extraction mechanism of its fault features.

Firstly, the mathematical model of distributed excitation DSEM was established to analyze the changes of current and vibration signals in healthy and fault states, and the extraction mechanism of current fundamental frequency amplitude and vibration signals was studied and adopted for motor fault diagnosis. Secondly, when the inter-turn short-circuit fault occurs, according to the characteristics of current and vibration signals, the current signals are input into SVM and the vibration signals are input into the improved CNN model to obtain fault probability under. Finally, the classification fault diagnosis results of multi-source signals are obtained by using the evidence combination rule of D-S evidence theory. In this integrated model, the problem of low accuracy of single-source diagnosis method is solved, and the model has good reliability, complementarity and high-accuracy.

The results of the experiments conducted on the DSEM platform show that the fault diagnosis experiments using SVM alone are relatively limited in practice, making it difficult to distinguish between faults with small imbalance coefficients and normal conditions. Correspondingly, the SVM is very sensitive to diagnose faults with larger imbalance coefficients and has a high diagnostic accuracy. The vibration signal detected by CNN can make up for the lack of single-source diagnosis. CNN has a relatively impressive accuracy in diagnosing all three operational states. For example, when the fault F1 occurred, the single-source diagnosis method using SVM alone was misjudged, with a probability of 0.668 for normal and 0.33 for fault F1. The CNN method using the vibration signal as input has a probability of 0.227 for normal and 0.736 for fault F1. And the correct diagnostic result is obtained by fusing the two methods using D-S evidence theory in case of inconsistent results. When the diagnosis results of both single-source methods are correct, the fusion can output the correct label with higher probability. From the 100 test sets, the accuracy of the proposed method reaches 95%, which is more reliable, more credible and more robust than the fault diagnosis methods based on single signal.

The following conclusions can be drawn from the experimental analysis:①When the inter-turn short-circuit fault occurs in the DSEM, the fundamental frequency amplitude of the four-phase current will no longer be symmetrical and the difference will be larger. The electromagnetic torque will generate torque harmonics of the 4kth harmonic, which will cause the vibration signal of the fault to change. ②The CNN network in the multi-source signal fusion diagnosis method is improved to find the optimal dropout parameters, which can ensure the success rate of neural network training and prevent the network from overfitting. ③The proposed multi-source signal fusion fault diagnosis method can complement the advantages of two single-signal fault diagnosis methods, and greatly improve the fault diagnosis accuracy with good robustness and accuracy.

Doubly salient electro-magnetic machine, short-circuit fault, mechanical and electrical signal fusion, convolution neural network, support vector machine

10.19595/j.cnki.1000-6753.tces.211042

TM352

趙 耀 男，1987年生，博士，副教授，碩士生導師，研究方向為電力設備故障診斷、新能源發電。E-mail：nihaozhaoyao@163.com

李東東 男，1976年生，博士，教授，博士生導師，研究方向為電力設備故障診斷、風力發電與電力系統穩定控制、智能用電。E-mail：powerldd@163.com（通信作者）

國家自然科學基金（51977128）、上海市自然科學基金（21ZR1425400）、電力傳輸與功率變換控制教育部重點實驗室開放課題（2021AA01）和上海市青年科技啟明星計劃（21QC1400200）資助項目。

2021-07-12

2021-11-25

（編輯 赫蕾）