王 煒，鐘書輝

(中國空空導(dǎo)彈研究院，洛陽 471009)

基于RBF神經(jīng)網(wǎng)絡(luò)的無刷直流電動(dòng)機(jī)故障診斷

王 煒，鐘書輝

(中國空空導(dǎo)彈研究院，洛陽 471009)

摘 要：為盡可能檢測空空導(dǎo)彈舵機(jī)多種故障，提出采用導(dǎo)彈舵機(jī)三相工作電流作為舵機(jī)故障診斷的信號(hào)源，針對(duì)舵機(jī)無刷直流電動(dòng)機(jī)驅(qū)動(dòng)器的開路、短路等故障，在MATLAB中構(gòu)建無刷直流電動(dòng)機(jī)及驅(qū)動(dòng)器的模型，并進(jìn)行故障仿真。選取Haar小波基函數(shù)對(duì)故障信號(hào)進(jìn)行提取、分析和處理，利用提取的故障特征值對(duì)起到故障識(shí)別作用的RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。仿真結(jié)果證明，訓(xùn)練得到的RBF神經(jīng)網(wǎng)絡(luò)能夠有效識(shí)別出舵機(jī)中無刷直流電動(dòng)機(jī)驅(qū)動(dòng)器的故障，表明該方法的正確性。

關(guān)鍵詞：故障診斷；無刷直流電動(dòng)機(jī)；小波分析；RBF神經(jīng)網(wǎng)絡(luò)；MATLAB

0 引 言

舵機(jī)作為空空導(dǎo)彈的執(zhí)行機(jī)構(gòu)，其性能好壞對(duì)于導(dǎo)彈飛行中的動(dòng)態(tài)品質(zhì)起著決定性的作用[1],但空空導(dǎo)彈的戰(zhàn)術(shù)使用特點(diǎn)是長期存儲(chǔ)、短時(shí)使用。因此，對(duì)于舵機(jī)的故障檢測和診斷便成為提高舵機(jī)可靠性、判斷舵機(jī)工作狀態(tài)、評(píng)估舵機(jī)健康性的重要手段。目前常見的舵機(jī)故障檢測和診斷方法主要分為基于模型和基于信號(hào)兩大類。

基于模型的舵機(jī)故障診斷計(jì)算需要建立舵機(jī)的精確模型。如楊秉巖[2]等采用構(gòu)建舵機(jī)傳動(dòng)機(jī)構(gòu)的傳遞函數(shù)，對(duì)舵機(jī)故障進(jìn)行分類和診斷，但僅能表明舵機(jī)內(nèi)部元器件有可能發(fā)生故障，無法確定故障類型和原因。為此，又有學(xué)者提出采用自適應(yīng)觀測器[3-4]的方法，利用序列概率比進(jìn)行故障決策。但該方法因建立精確的舵機(jī)模型較為困難，且計(jì)算過程較為復(fù)雜，難以得到廣泛應(yīng)用。

近年來，隨著數(shù)字信號(hào)處理技術(shù)的快速發(fā)展，將電機(jī)的母線電流作為故障診斷的信號(hào)源，研究其特征與故障的對(duì)應(yīng)關(guān)系，已成為基于信號(hào)處理的故障診斷方法的新研究趨勢[5]。該方法不需要增加額外的傳感器來獲取故障信號(hào)，不僅可檢測到電機(jī)故障，還可檢測到電機(jī)驅(qū)動(dòng)器、齒輪組等故障，因此得到廣泛的應(yīng)用[6-9]。由于小波分析對(duì)時(shí)變、短時(shí)沖擊、突發(fā)信號(hào)等具有良好的分析能力，在電機(jī)故障診斷中應(yīng)用較多[10]。然而，小波分析只能定位故障發(fā)生時(shí)間，不能定位故障發(fā)生環(huán)節(jié)，故需引入神經(jīng)網(wǎng)絡(luò)等作為故障識(shí)別與診斷環(huán)節(jié)。由小波分析等提取故障發(fā)生時(shí)特定信號(hào)的頻譜，將其轉(zhuǎn)化為故障特征值，并以其為輸入值，對(duì)充當(dāng)故障識(shí)別環(huán)節(jié)的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最終驗(yàn)證訓(xùn)練結(jié)果。在選定神經(jīng)網(wǎng)絡(luò)時(shí)，需要考慮到通常此類故障的樣本量較少，需選取合適的神經(jīng)網(wǎng)絡(luò)，以確保神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和驗(yàn)證不會(huì)受到影響。

故本文選取電動(dòng)舵機(jī)中無刷直流電動(dòng)機(jī)的三相母線電流為故障信號(hào)源，以電機(jī)驅(qū)動(dòng)器開關(guān)管短路、斷路等故障為研究對(duì)象，通過信號(hào)處理方法提取其故障特征值，對(duì)故障進(jìn)行識(shí)別、診斷和定位。

1 電動(dòng)舵機(jī)組成及工作原理

電動(dòng)舵機(jī)是空空導(dǎo)彈上重要的伺服機(jī)構(gòu)系統(tǒng)。電動(dòng)舵機(jī)一般由舵機(jī)控制器、電機(jī)驅(qū)動(dòng)器、直流電動(dòng)機(jī)、齒輪傳動(dòng)副、滾珠絲杠和反饋裝置等組成，其中直流電動(dòng)機(jī)和齒輪傳動(dòng)副、滾珠絲杠等稱之為舵機(jī)的傳動(dòng)機(jī)構(gòu)。圖1為電動(dòng)舵機(jī)系統(tǒng)主要組成框圖。

圖1 電動(dòng)舵機(jī)組成示意圖

電動(dòng)舵機(jī)的工作原理是：電動(dòng)舵機(jī)接收飛控/制導(dǎo)計(jì)算機(jī)給定的舵面偏角信號(hào)，經(jīng)由電路上的控制電路處理后，生成驅(qū)動(dòng)器邏輯控制信號(hào)，由驅(qū)動(dòng)器驅(qū)動(dòng)電機(jī)開始轉(zhuǎn)動(dòng)，經(jīng)過齒輪傳動(dòng)副和滾珠絲杠組成的減速裝置將動(dòng)力輸出到舵軸，驅(qū)動(dòng)舵面轉(zhuǎn)動(dòng)，同時(shí)與舵軸相連的位置傳感器(反饋裝置)送回檢測信號(hào)，判定舵面是否已經(jīng)到達(dá)位置。

由電動(dòng)舵機(jī)組成可見，無刷直流電機(jī)是其最重要的組成部分。無刷直流電機(jī)的故障也就成為電動(dòng)舵機(jī)故障檢測的重要組成部分。

2 無刷直流電機(jī)故障診斷系統(tǒng)

無刷直流電機(jī)發(fā)生故障時(shí)，故障信號(hào)呈現(xiàn)瞬態(tài)、沖擊、非平穩(wěn)的特點(diǎn)。小波分析采用多分辨率分析，可同時(shí)反應(yīng)故障信號(hào)在時(shí)域、頻域上的特征，能夠有效提取故障特征值，在故障診斷領(lǐng)域得到了廣泛的使用。然而小波分析僅能提取故障特征值，當(dāng)故障特征值數(shù)量較多、故障類型較多時(shí)，則需要引入專門的故障分類器，對(duì)故障進(jìn)行準(zhǔn)確定位。人工神經(jīng)網(wǎng)絡(luò)以其良好的學(xué)習(xí)能力，可發(fā)現(xiàn)系統(tǒng)內(nèi)難以解析的規(guī)律，故作為故障分類器用于故障診斷。小波分析與神經(jīng)網(wǎng)絡(luò)的松散結(jié)合也是常見的故障診斷模式。

2.1 小波分析提取故障特征

2.1.1 小波分析工作原理

小波函數(shù)系是小波分析的核心基礎(chǔ)，小波分析的主要操作是利用小波函數(shù)系對(duì)所需分析的信號(hào)或函數(shù)進(jìn)行表示、逼近，實(shí)現(xiàn)信號(hào)或函數(shù)的重構(gòu)。而小波變換則是將時(shí)間函數(shù)同各自基函數(shù)進(jìn)行卷積計(jì)算，屬于內(nèi)積運(yùn)算，同時(shí)把信號(hào)分解成不同尺度的分量?；〔ɑ蛘吣感〔ǘx如下：設(shè)φ(t)為一平方可積函數(shù)，若其傅氏變換Ψ(ω)滿足可容許性條件，即有：

(1)

滿足上述條件的φ(t)就可稱做小波的一個(gè)母函數(shù)(基本小波)。φ(t)在時(shí)域和頻域上進(jìn)行伸縮和平移，得到的函數(shù)稱之為連續(xù)小波基函數(shù)：

(2)

式中：a的值變化將會(huì)對(duì)信號(hào)進(jìn)行不同的帶寬濾波，在頻域上體現(xiàn)為小波分析對(duì)信號(hào)的頻率局部化特性分析結(jié)果。b的值變化則可讓小波函數(shù)沿時(shí)間軸進(jìn)行滑動(dòng)，在時(shí)域上表現(xiàn)為小波分析對(duì)信號(hào)采樣步長的變化。

在得到連續(xù)小波基函數(shù)后，則可對(duì)于任意函數(shù)f(t)∈L2(R)進(jìn)行小波分析，稱之為連續(xù)小波變換，具體：

(3)

式(3)表示了小波分析的時(shí)頻特性，也表明了小波分析的最大優(yōu)勢即局部分析能力。當(dāng)時(shí)域觀測寬度變大時(shí)，對(duì)應(yīng)在頻域上的頻率區(qū)間就會(huì)減少，并且頻率中心會(huì)向低頻方向移動(dòng)。反之，時(shí)域觀測寬度變小時(shí)，頻域上的頻率區(qū)間就會(huì)增加，頻率中心向高頻移動(dòng)。

2.1.2 故障特征值提取

小波分析對(duì)信號(hào)層層分解過程中，在每一層分解中都將信號(hào)分解為低頻和高頻兩部分，并只對(duì)低頻部分進(jìn)行分解，高頻部分則被保留，由上一層進(jìn)行分解。圖2所示為小波分解示意圖，對(duì)于信號(hào)B進(jìn)行3層小波分解。其中a1,d1,a2,d2,a3,d3為小波分解在不同層次上的系數(shù)。且有：

B=a1+d1=a2+d2+d1=a3+d3+d2+d1

(4)

該系數(shù)能夠反映信號(hào)B在不同頻帶上的特性，因此小波分解系數(shù)可直接用作故障特征值。

圖2 小波分解示意圖

2.2 RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷

徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(以下簡稱RBFNN) 是3層前向神經(jīng)網(wǎng)絡(luò)[12]。第一層是包含若干個(gè)輸入信號(hào)源節(jié)點(diǎn)[X1,X2,…,Xn]的輸入層。第二層是根據(jù)所需要解決問題而包含不同節(jié)點(diǎn)[R1,R2,…,Rh]的隱藏層。對(duì)于RBF神經(jīng)網(wǎng)絡(luò)而言，RBF的作用是充當(dāng)隱藏層中的神經(jīng)元變換函數(shù)。第三層是對(duì)輸入做出響應(yīng)的輸出層，根據(jù)問題需要包含不同的節(jié)點(diǎn)數(shù)量[Y1,Y2,…,Ym],每個(gè)節(jié)點(diǎn)都與隱藏層中的所有節(jié)點(diǎn)發(fā)生關(guān)系，得到一個(gè)權(quán)值Wij(i∈[1,h],j∈[1,m])。圖3所示為RBFNN的組成示意圖。

圖3 RBFNN組成示意圖

由圖3可見，RBFNN基本思想是將在低維空間屬于線性不可分問題，通過RBF構(gòu)成的隱含層可以把低維的輸入轉(zhuǎn)換到高維空間，在高維空間內(nèi)尋求線性可分的可能性，進(jìn)而實(shí)現(xiàn)問題的求解。較其他智能故障判斷標(biāo)識(shí)手段，在結(jié)構(gòu)復(fù)雜性、訓(xùn)練速度和學(xué)習(xí)收斂方面具有明顯優(yōu)勢，故在故障診斷領(lǐng)域廣泛使用。

與其它智能故障判斷方法相似，RBF神經(jīng)網(wǎng)絡(luò)首先也需要訓(xùn)練，也就是由若干組故障特征值組成訓(xùn)練組，作為RBF神經(jīng)網(wǎng)絡(luò)的輸入值，對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，故障分類則是RBF神經(jīng)網(wǎng)絡(luò)的輸出值。訓(xùn)練后得到的RBF神經(jīng)網(wǎng)絡(luò)還需要通過與訓(xùn)練組不同的故障特征值進(jìn)行驗(yàn)證，檢驗(yàn)RBF神經(jīng)網(wǎng)絡(luò)的故障識(shí)別能力。

3 仿真驗(yàn)證

3.1 故障選取

對(duì)于無刷直流電機(jī)而言，驅(qū)動(dòng)器作為無刷直流電機(jī)電壓轉(zhuǎn)換部分，如果發(fā)生故障，將會(huì)對(duì)電機(jī)的運(yùn)轉(zhuǎn)產(chǎn)生危害，同時(shí)影響電機(jī)的帶載能力。研究表明：變頻調(diào)速系統(tǒng)中功率變換器是驅(qū)動(dòng)系統(tǒng)中的薄弱環(huán)節(jié)，其故障比例占整個(gè)系統(tǒng)故障的82.5%[13]。為此，選取驅(qū)動(dòng)器故障作為無刷直流電機(jī)的典型故障進(jìn)行分析。圖4為BLDCM驅(qū)動(dòng)示意圖。

圖4 BLDCM驅(qū)動(dòng)示意圖

為簡化分析，規(guī)定在任意時(shí)刻，晶閘管VT1～VT6中僅有1個(gè)晶閘管發(fā)生故障，故障類型為短路或開路。如此便有12種故障模式。再加上驅(qū)動(dòng)器正常工作狀態(tài)，共有13種故障模式。

3.2 故障特征值提取

針對(duì)無刷直流電機(jī)驅(qū)動(dòng)器開關(guān)管開路、短路故障，以無刷直流電機(jī)三相工作電流為故障信號(hào)源，利用小波變換對(duì)其進(jìn)行信號(hào)分析，提取故障特征值。由于小波分析時(shí)選取的小波基函數(shù)和分解層數(shù)不同，得到的結(jié)果也各不相同。在經(jīng)過大量小波基函數(shù)和分解層數(shù)的選取、試驗(yàn)之后，最終發(fā)現(xiàn)，當(dāng)選取Haar小波基函數(shù)，并進(jìn)行5層分解得到的故障特征值最為明顯。如圖4中的VT1在0.3～0.32 s發(fā)生短路故障，利用小波分析對(duì)A相電流進(jìn)行分析，結(jié)果如圖5所示。可以看出，在0.3～0.32 s之間，A相電流經(jīng)過Haar小波5層分析重構(gòu)后，在d1,d2和d5三個(gè)層次上表現(xiàn)的最為明顯，分別如圖5所示。

(a) d1重構(gòu)

(b) d2重構(gòu)

(c) d5重構(gòu)

同樣對(duì)B,C兩相電流進(jìn)行Haar小波5層分析，結(jié)果與圖5相似。如選取每相電流經(jīng)過Haar小波5層分析的系數(shù)(a5,d1,d2,d3,d4,d5)為故障特征值，則對(duì)于單個(gè)開關(guān)管故障，可以得到的典型故障特征值共有18個(gè)。

3.3 故障識(shí)別

故障特征信號(hào)提取完畢后，僅能表現(xiàn)出在某時(shí)間段內(nèi)發(fā)生故障，但對(duì)于故障類型和故障部位不能確定。需要利用故障特征值對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

為了能夠使得RBF神經(jīng)網(wǎng)絡(luò)區(qū)分故障類型，要對(duì)驅(qū)動(dòng)器中的6個(gè)開關(guān)管和故障類型分別進(jìn)行編碼，一是利于快速確定開關(guān)管的編號(hào)，二是確定開關(guān)管故障類型。因此，得到編碼方式如表1所示。

表1 故障類型及編碼

S1S2表示是否發(fā)生故障和故障類型，沒有故障即為正常狀態(tài)，編碼為00，如果發(fā)生開路故障，則編碼為01；短路故障為10。S3S4S5表明VT1～VT6哪個(gè)開關(guān)管發(fā)生故障，正常狀態(tài)對(duì)應(yīng)的故障編碼為000，VT1～VT6的對(duì)應(yīng)編碼分別是001,010,011,100,101,110。

如此RBF的輸出就為一組5位編碼。而輸入有13種狀態(tài)，每種狀態(tài)取3種故障征兆，每個(gè)故障征兆有6個(gè)數(shù)據(jù)。

對(duì)本文建立的RBF神經(jīng)網(wǎng)絡(luò)采用20組數(shù)據(jù)進(jìn)行訓(xùn)練，6組數(shù)據(jù)進(jìn)行測試。如此RBF的神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)為(13*3*6)*20組數(shù)據(jù)，輸出為(13*5)*20組數(shù)據(jù)。

對(duì)于上述故障提取到的故障特征數(shù)值，首先采用正常狀態(tài)和VT1開路兩種狀態(tài)下的故障特征數(shù)值進(jìn)行訓(xùn)練，對(duì)照表1可知，期望輸出值為[0 0 0 0 0 0 1 0 0 1]，對(duì)于2組狀態(tài)分別選取了20組數(shù)據(jù)進(jìn)行訓(xùn)練，利用另外6組數(shù)據(jù)進(jìn)行驗(yàn)證，6次驗(yàn)證結(jié)果均為[0 0 0 0 0 0 1 0 0 1]，表明RBF神經(jīng)網(wǎng)絡(luò)可有效地識(shí)別出正常和VT1開路兩種狀態(tài)。

對(duì)于13種故障狀態(tài)的校驗(yàn)結(jié)果如表2所示。

表2 無刷直流電動(dòng)機(jī)驅(qū)動(dòng)器故障診斷結(jié)果

由此可見，本文所設(shè)計(jì)的RBF神經(jīng)網(wǎng)絡(luò)對(duì)于無刷直流電動(dòng)機(jī)驅(qū)動(dòng)器的13種故障的識(shí)別率可以達(dá)到100%，表明該方法的正確和有效性。

4 結(jié) 語

本文以空空導(dǎo)彈電動(dòng)舵機(jī)中所用的無刷直流電動(dòng)機(jī)為研究對(duì)象，通過小波分析提取無刷直流電動(dòng)機(jī)驅(qū)動(dòng)器故障時(shí)的故障特征值，將其作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，對(duì)其進(jìn)行訓(xùn)練和校驗(yàn)。結(jié)果表明，本文得到的RBF神經(jīng)網(wǎng)絡(luò)能夠有效地識(shí)別13種故障，識(shí)別率達(dá)到了100%，驗(yàn)證了故障診斷方法的可行性，并取得了較好的診斷效果。

[1] 樊會(huì)濤. 空空導(dǎo)彈方案設(shè)計(jì)原理[M].北京：航空工業(yè)出版社，2013,1-10.

[2] 楊秉巖,程紹成,朱偉,等. 基于傳遞函數(shù)識(shí)別的導(dǎo)彈電動(dòng)舵機(jī)故障診斷[J].海軍航空工程學(xué)院學(xué)報(bào)，2012,27(5):494-498.

[3] 史賢俊,張文廣,張艷. PSO-RBF 神經(jīng)網(wǎng)絡(luò)在舵機(jī)系統(tǒng)故障診斷中的應(yīng)用[J].海軍航空工程學(xué)院學(xué)報(bào),2011,26(2):131-135.

[4] 廖瑛,吳彬,曹登剛,等. 基于自適應(yīng)觀測器的導(dǎo)彈電動(dòng)舵機(jī)故障診斷研究[J].系統(tǒng)仿真學(xué)報(bào),2011,23(3):618-621.

[5] 張琛.直流無刷電動(dòng)機(jī)原理及應(yīng)用[M].北京：機(jī)械工業(yè)出版社，2004.

[6] 劉志東,石山,陳碩勛,等. 基于1-DISVM 的無刷直流電機(jī)故障識(shí)別方法[J].微電機(jī),2013,46(3):64-67.

[7] 呂永健，李子龍，張洪林. 基于改進(jìn)遺傳小波網(wǎng)絡(luò)的電機(jī)故障診斷研究[J]. 微特電機(jī)，2012,40(4):19-22.

[8] 賀昌權(quán) 包廣清. 基于小波變換的無刷直流電機(jī)逆變器故障檢測仿真研究[J].微電機(jī)，2010,43(1):74-77.

[9] 王瑞梓. 基于小波與感應(yīng)電機(jī)電流的齒輪傳動(dòng)系統(tǒng)故障診斷[M].沈陽：東北大學(xué)，2008.

[10] 楊欣榮,蔣林,王婧林,等. 基于小波變換的無刷直流電機(jī)逆變器故障診斷[J].電測與儀表，2017,54(5):113-118.

[11] 侯曉松. 基于DSP的彈上舵機(jī)控制系統(tǒng)的設(shè)計(jì)[D].西安：西安電子科技大學(xué)碩士論文，2008.

[12] 賀昌權(quán),包廣清. 基于小波變換的無刷直流電機(jī)逆變器故障檢測仿真研究[J]. 信息化縱橫，2009(11):73-76.

[13] 史峰，王小川，郁磊，等.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京：北京航空航天大學(xué)，2010.

TheFault-DetectionSystemwithBrushlessDCMotorBasedontheWavelet

WANGWei,ZHONGShu-hui

(China Airborne Missile Academy, Luoyang 471009,China)

Abstract:In order to detect more servo system's faults of air-to-air missile, a method was proposed that the three-phase current of motor in the servo system of missile was chosen to be the fault-detection signal. A fault model of the brushless DC motor and driver were built under MATLAB. The fault signals were analyzed by the wavelet and transferred to the RBF network which was used to train the analyzed signals. The test results of RBF showed the method could effectively distinguish the motor driver's fault.

Key words：fault-detection; brushless DC motor; wavelet; RBF network; MATLAB

中圖分類號(hào)：TM33

A

1004-7018(2018)05-0044-04

2018-01-30

航空基金項(xiàng)目(2016ZD12028)

作者簡介：王煒(1978—)，男，博士，研究方向?yàn)樗欧到y(tǒng)控制。