吳鑫，崔江，陳則王

(南京航空航天大學(xué) 自動(dòng)化學(xué)院，江蘇 南京 210016)

0 引言

無刷直流電機(jī)(BLDCM)因其結(jié)構(gòu)簡(jiǎn)單、運(yùn)行效率高、調(diào)速性能好，已經(jīng)越來越廣泛地應(yīng)用在各個(gè)領(lǐng)域中。無刷直流電機(jī)驅(qū)動(dòng)系統(tǒng)中逆變器的功率半導(dǎo)體管器件是最易發(fā)生故障的薄弱環(huán)節(jié)，其故障率約占整個(gè)系統(tǒng)故障的82.5%[1]。因此，準(zhǔn)確定位逆變器故障，據(jù)此進(jìn)行容錯(cuò)控制，是提高無刷直流電機(jī)驅(qū)動(dòng)系統(tǒng)運(yùn)行安全性和可靠性的根本。

逆變器功率管故障可分為短路和開路。功率管短路故障已有成熟的解決方案，即通過硬件電路檢測(cè)其D-S壓降，可準(zhǔn)確定位故障管[2]。而功率管開路時(shí)，電機(jī)往往還能繼續(xù)運(yùn)行，不易發(fā)現(xiàn)，從而導(dǎo)致二次故障，引發(fā)更大的事故。文獻(xiàn)[3]對(duì)現(xiàn)有的逆變器功率管開路故障診斷方法進(jìn)行了歸類和總結(jié)，可分為基于電流量的診斷方法和基于電壓量的診斷方法。文獻(xiàn)[4]提出了一種基于傅里葉變換和神經(jīng)網(wǎng)絡(luò)的逆變器故障檢測(cè)與診斷方法，利用了加窗傅里葉變換提取故障特征。文獻(xiàn)[5]對(duì)電機(jī)三相電流進(jìn)行小波變換提取故障特征，并通過BP神經(jīng)網(wǎng)絡(luò)識(shí)別故障類型。

本文采用分?jǐn)?shù)階傅里葉變換(FRFT)對(duì)輸出相電流進(jìn)行故障特征提取，并與時(shí)域、傅里葉變換及小波變換提取的特征進(jìn)行比較、分析，尋求最優(yōu)的故障特征,最后運(yùn)用支持向量機(jī)進(jìn)行故障診斷。

1 分?jǐn)?shù)階傅里葉變換定義及特點(diǎn)

傳統(tǒng)的傅里葉變換是分析和處理平穩(wěn)信號(hào)的一種標(biāo)準(zhǔn)和有力的工具，而對(duì)于分析和處理時(shí)變的非平穩(wěn)信號(hào)則顯得乏力，這是由于傅里葉變換采用的全局性的基函數(shù)所決定的。FRFT方法已經(jīng)在信號(hào)檢測(cè)、濾波器、圖像處理等領(lǐng)域得到廣泛的重視和應(yīng)用[6-9]。FRFT作為傅里葉變換的一種廣義形式，可以解釋為信號(hào)在時(shí)頻平面內(nèi)坐標(biāo)軸繞原點(diǎn)逆時(shí)針旋轉(zhuǎn)任意角度后構(gòu)成的分?jǐn)?shù)階傅里葉域上的表示方法。如圖1所示，其中α=pπ/2,p表示FRFT的分?jǐn)?shù)階次。

圖1 分?jǐn)?shù)階傅里葉域示意圖

信號(hào)的p階FRFT可表示為：

(1)

其中kα(t,u)為分?jǐn)?shù)階傅里葉變換的核函數(shù)：

kα(t,u)=

(2)

常用的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、Sigmoid核函數(shù)和徑向基核函數(shù)。p階分?jǐn)?shù)階傅里葉域是在(t,w)平面上按逆時(shí)針方向旋轉(zhuǎn)的α角度所產(chǎn)生的坐標(biāo)空間。由于分?jǐn)?shù)階域的對(duì)稱性和周期性,p取值一般在0～1之內(nèi),即α取0～π/2。當(dāng)p=0時(shí)，零旋轉(zhuǎn)對(duì)應(yīng)于信號(hào)本身；當(dāng)p=1時(shí)，信號(hào)的FRFT等于經(jīng)典的傅里葉變換。當(dāng)p從0變到1時(shí)，F(xiàn)RFT能給出信號(hào)逐漸從時(shí)域變化到頻域的所有特性。

分?jǐn)?shù)階傅里葉變換同小波變換一樣，具有良好的時(shí)頻局部化特性?？捎晒酵茖?dǎo)得，將式(2)帶入式(1)得：

(3)

(4)

分?jǐn)?shù)階傅里葉變化的p值直接影響信號(hào)在新的分?jǐn)?shù)階空間的特征。文獻(xiàn)[10]通過窮舉法和最后的診斷結(jié)果確定最優(yōu)p值。文獻(xiàn)[11]提出一種基于二階矩極值點(diǎn)的方法確定p值，具有最佳譜聚集性。文獻(xiàn)[12]提出了通過遺傳算法和類內(nèi)類間距離確定最優(yōu)p值,獲得了較好的診斷結(jié)果。

2 實(shí)驗(yàn)研究

2.1 仿真實(shí)驗(yàn)

采用MATLAB搭建無刷直流電機(jī)逆變器模型，其原理圖如圖2所示。

圖2 無刷直流電機(jī)逆變器原理圖

T1～T6為功率管，D1～D6為續(xù)流二極管，G1～G6為功率管的驅(qū)動(dòng)信號(hào)，由BLDCM的霍爾位置信號(hào)判斷決定。

仿真參數(shù)設(shè)置為：電機(jī)定子相繞組電阻R=0.6Ω，定子相繞組自感與互感之差L-M=0.93mH，轉(zhuǎn)動(dòng)慣量J=0.00009kg·m2，額定轉(zhuǎn)速n=3000r/min，極對(duì)數(shù)P=4，48V直流電源供電。無刷直流電機(jī)逆變器工作在兩兩導(dǎo)通方式，每隔60°電角度換相一次，每個(gè)功率管導(dǎo)通120°。采樣頻率為5MHz，逆變器各個(gè)功率管分別設(shè)置在0.03s時(shí)發(fā)生故障，本文只研究單個(gè)功率管開路情況。設(shè)定電機(jī)定子相繞組電阻容差10%，定子相繞組電感容差5%，采集A相電流值，對(duì)單個(gè)功率管開路及正常工作共7種故障模式各進(jìn)行50次蒙特卡洛分析，共采樣350組數(shù)組。可得到正常工作及單個(gè)功率管開路時(shí)的A相電流波形如圖3所示。

圖3 正常工作及單個(gè)功率管開路時(shí)的A相電流波形

由圖3可以看出，T1開路時(shí)，A相不再與電源正極相接，A相電流不再為正值；T2開路時(shí)，A相電流不再為負(fù)值；其它管子開路時(shí)，由于反電動(dòng)勢(shì)的影響，A相電流都有明顯變化。

2.2 故障特征提取

對(duì)于時(shí)域分析，通過采集電流波形信號(hào)一個(gè)周期的點(diǎn)，再等間隔采樣32個(gè)點(diǎn)作為故障特征。對(duì)時(shí)域采集的特征進(jìn)行FFT，取其幅值，作為頻域特征。對(duì)于小波分析，根據(jù)電流信號(hào)波形和小波函數(shù)的相似度，并且考慮小波的消失矩、正則性、支撐長度等參數(shù)，經(jīng)比較分析后，采用了db8小波對(duì)電流信號(hào)進(jìn)行6層分解，將獲得的頻帶能量值作為故障特征[13]。對(duì)于分?jǐn)?shù)階傅里葉域，以類內(nèi)類間距離為判據(jù)，對(duì)信號(hào)進(jìn)行分?jǐn)?shù)階傅里葉變換，尋找最優(yōu)分?jǐn)?shù)階傅里葉變換p值，獲得最優(yōu)故障特征。在歐式距離下可以得到類間離散度Sb和類內(nèi)離散度Sw公式為：

(5)

(6)

(7)

(8)

2.3 基于支持向量機(jī)的故障診斷

支持向量機(jī)(SVM)是由Vapnik和Cortes于1995年提出的。支持向量機(jī)是建立在VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化的基礎(chǔ)上的，因而具有較優(yōu)的泛化能力，并巧妙利用內(nèi)積核函數(shù)避免了維數(shù)災(zāi)難，通過解一個(gè)線性約束的凸二次規(guī)劃問題得到全局最優(yōu)解，因而不存在常規(guī)神經(jīng)網(wǎng)絡(luò)存在的局部極值等問題[14][15]。支持向量機(jī)非常適合解決小樣本、非線性及高維模式識(shí)別問題。

本文采用了臺(tái)灣大學(xué)林智仁等開發(fā)的LIBSVM工具箱進(jìn)行故障診斷[16]。選用了基于一對(duì)一的支持向量機(jī)分類器和徑向基核函數(shù)。徑向基函數(shù)表達(dá)式為：

k(xi,xj)=exp(-g‖xi-xj‖2),g>0

(9)

式中：xi、xj為已知的樣本，g為核參數(shù)。徑向基核函數(shù)可以將樣本映射到一個(gè)更高維的空間，能夠處理當(dāng)類標(biāo)簽和特征之間的關(guān)系是非線性時(shí)的樣本，并具有參數(shù)少的優(yōu)點(diǎn)。

將得到的50組數(shù)據(jù)，30組作為訓(xùn)練數(shù)據(jù)，20組作為測(cè)試數(shù)據(jù)。對(duì)數(shù)據(jù)進(jìn)行歸一化處理，并通過交叉驗(yàn)證方法得到分類準(zhǔn)確率最高懲罰因子c=1和核參數(shù)g=16。

3 結(jié)果及分析

取p=0:0.001:1，以類內(nèi)類間距離為判據(jù)，求得最優(yōu)p值為0.9130，得到的故障特征的類內(nèi)類間距離為0.4473。時(shí)域、頻域、小波分析及FRFT得到的故障特征的類內(nèi)類間距離以及診斷結(jié)果如表1所示。

表1 4種故障特征的類內(nèi)類間距離及診斷結(jié)果

由表1可知，類內(nèi)類間距離的大小與分類結(jié)果基本一一對(duì)應(yīng)，F(xiàn)RFT得到的故障特征有最大的類內(nèi)類間距離和診斷準(zhǔn)確率。小波分析比時(shí)域、頻域得到的分類結(jié)果好，因?yàn)樾〔ǚ治鍪且环N時(shí)頻分析方法，它在時(shí)域和頻域都具有表征信號(hào)局部特征的能力，特別適宜處理非平穩(wěn)信號(hào)，而FFT變換只能獲得信號(hào)在整個(gè)頻域上的信息，不適合非平穩(wěn)信號(hào)的分析。小波分解和FRFT都是時(shí)頻分析方法，說明在時(shí)頻域內(nèi)的特征分析比單純的在時(shí)域或頻域內(nèi)能得到更多的信號(hào)細(xì)節(jié)特征，有利于提取優(yōu)質(zhì)特征數(shù)據(jù)信息。FRFT與小波分析相比，通過調(diào)整分?jǐn)?shù)階p值，將原始信號(hào)映射到不同的分?jǐn)?shù)階域內(nèi)獲得不同的時(shí)頻分析效果，通過尋得最優(yōu)p值，獲得最優(yōu)的故障特征，結(jié)果表明此方法能提高分類準(zhǔn)確率。

4 結(jié)語

針對(duì)無刷直流電機(jī)逆變器功率管開路故障，本文以類內(nèi)類間距離為判據(jù)，尋找最優(yōu)p值，得到了最優(yōu)的FRFT故障特征，并與時(shí)域、頻域和小波分析得到的故障特征相比較。診斷結(jié)果說明此方法可行,并具有良好的分類性能。

[1] Wikstron P W, Terens L A, Kobi H.Reliability, availability, and maintainability of high-power variable-speed drive systems[J].IEEE Transactions on Industry Application, 2000, 36(1): 231-241.

[2] 于泳,蔣生成,楊榮峰，等.變頻器IGBT開路故障診斷方法[J].中國電機(jī)工程學(xué)報(bào),2011,31(9):30-35.

[3] 安群濤,孫力,孫立志，等.三相逆變器開關(guān)管故障診斷方法研究進(jìn)展[J].電工技術(shù)學(xué)報(bào),2011,26(4):135-144.

[4] 崔博文,任章.基于傅里葉變換和神經(jīng)網(wǎng)絡(luò)的逆變器故障檢測(cè)與診斷[J].電工技術(shù)學(xué)報(bào),2006,21(7):37-43.

[5] Charfi F, Sellami F, Al Haddad K.Fault diagnostic in power system using wavelet transforms and neural networks[C].Proceeding of the IEEE International Symposium on Industrial Electronics, Montreal, Quebec, Canada, 2006:1143-1148.

[6] 張雄希,劉振興.基于分?jǐn)?shù)階傅里葉變換的變頻調(diào)速異步電機(jī)故障診斷方法[J].電機(jī)與控制應(yīng)用,2010,37(4):59-62.

[7] 孟祥意,陶然,王越.分?jǐn)?shù)階傅里葉域?yàn)V波器組的一般化設(shè)計(jì)方法[J].電子學(xué)報(bào),2009,37(9):2046-2051.

[8] M.Barbu, et al.Fractional Fourier transform for sonar signal processing[C].Proceedings of MTS/IEEE, OCEANS, 2005,2:1630-1635.

[9] A.S.Amein and J.J.Soraghan.The fractional Fourier transform and its application to high resolution SAR imaging[C].IEEE International Geoscience and Remote Sensing Symposium, Barcelona, Spain,2007:5174-5177..

[10] BARSHAN B, AYMIU B.Fractional Fourier transform pre-processing neural networks and its application to object recognition[J].Neural Networks,2002,15:131-140.

[11] ALIEVAT, BASTIAANSM J.On fractional Fourier transform moments[J].Signal Processing Letters,2000,7(11):320-323.

[12] 羅慧,王友仁,崔江.基于最優(yōu)分?jǐn)?shù)階傅里葉變換的模擬電路故障特征提取新方法[J].儀器儀表學(xué)報(bào),2009,30(5):997-1001.

[13] 賀昌權(quán).基于小波變換的無刷直流電機(jī)智能故障診斷的研究[D].蘭州：蘭州理工大學(xué),2009.6.

[14] 張學(xué)工.關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J].自動(dòng)化學(xué)報(bào),2000,26(1):32-42.

[15] C.Coretes, V.N.Vapnik.Support vector networks[J].Machine Learning,1995,20(3):273-297.

[16] 高媛媛,劉強(qiáng)國.基于LIBSVM的葡萄酒品質(zhì)評(píng)判模型[J].四川理工學(xué)院學(xué)報(bào)(自然科學(xué)版),2010,23(5):530-532.