鄒爽 朱建光

摘要：為了實(shí)現(xiàn)無(wú)刷直流電機(jī)控制器中IGBT開(kāi)路故障的定位，該文采用短時(shí)傅里葉分析結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法。首先基于無(wú)刷直流電機(jī)的數(shù)學(xué)模型仿真雙閉環(huán)控制系統(tǒng)，采樣IGBT不同故障狀態(tài)下電機(jī)輸出的三相電流。其次通過(guò)短時(shí)傅里葉變換進(jìn)行時(shí)頻變換，獲得電流故障信號(hào)的時(shí)頻圖像。最后利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)頻特征圖像進(jìn)行故障診斷和定位，結(jié)果表明該方法能夠準(zhǔn)確識(shí)別IGBT的開(kāi)路故障。

關(guān)鍵詞：無(wú)刷直流電機(jī);IGBT;故障診斷;短時(shí)傅里葉變換;卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP311? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）30-0148-03

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)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(wú)刷直流電機(jī)因其運(yùn)行高效、調(diào)速性能較好，逐漸成為工業(yè)領(lǐng)域中的一種主流驅(qū)動(dòng)電機(jī)[1]。而逆變器作為整個(gè)控制器的驅(qū)動(dòng)核心，若發(fā)生開(kāi)路故障，雖然不會(huì)導(dǎo)致系統(tǒng)立即停機(jī)，但若不及時(shí)維護(hù)，將會(huì)帶來(lái)不可估計(jì)的嚴(yán)重?fù)p失[2]，因此研究無(wú)刷直流電機(jī)控制器的故障診斷具有重要意義和價(jià)值。

逆變器的開(kāi)路故障大多是由開(kāi)關(guān)管IGBT引起，故障時(shí)電流、電壓信號(hào)會(huì)發(fā)生變化，可以作為電機(jī)故障診斷的依據(jù) [3]。文獻(xiàn)[4]基于無(wú)刷直流電機(jī)的數(shù)學(xué)模型，采用連續(xù)時(shí)間參數(shù)估計(jì)的方法實(shí)現(xiàn)故障檢測(cè)和定位。然而由于電機(jī)運(yùn)行工況復(fù)雜，基于模型的方法無(wú)法滿足實(shí)時(shí)的在線檢測(cè)，因此可利用短時(shí)傅里葉變換等信號(hào)處理手段直接分析可測(cè)信號(hào)的時(shí)頻域變化。文獻(xiàn)[5]采用短時(shí)傅里葉變換結(jié)合主成分分析方法，分析定子電流頻率隨時(shí)間的變化，實(shí)現(xiàn)可變速情況下的電機(jī)故障診斷。隨著深度學(xué)習(xí)、人工智能的發(fā)展，智能化的故障診斷方法得到廣泛應(yīng)用。文獻(xiàn)[6]利用變分模態(tài)分解將故障信號(hào)分解為若干分量，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)逆變器故障診斷，具有較高的診斷精度。

依據(jù)短時(shí)傅里葉變換精確的時(shí)頻分析能力和神經(jīng)網(wǎng)絡(luò)深層的特征提取能力，結(jié)合短時(shí)傅里葉變換和卷積神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)無(wú)刷直流電機(jī)控制器的故障定位。

1故障仿真分析

在無(wú)刷直流電機(jī)控制系統(tǒng)中，控制器一般由整流濾波和逆變器組成，拓?fù)浣Y(jié)構(gòu)如圖1所示。

其中逆變部分由6個(gè)IGBT功率管組成，采用兩兩導(dǎo)通的工作方式驅(qū)動(dòng)電機(jī)正常運(yùn)轉(zhuǎn)，若其發(fā)生開(kāi)路故障，電機(jī)輸出的電流信號(hào)受控制器的影響而發(fā)生畸變，不再對(duì)稱，此時(shí)電機(jī)工作在非平衡狀態(tài)，且電機(jī)三相電流與直流側(cè)輸出電流滿足如下關(guān)系式：

為了采集故障信號(hào)，本文依據(jù)無(wú)刷直流電機(jī)的數(shù)學(xué)模型，在Simulink中通過(guò)模擬仿真設(shè)計(jì)雙閉環(huán)控制系統(tǒng)，如圖2所示，其中電流為內(nèi)環(huán)，抑制了周圍的電壓波動(dòng)，響應(yīng)速度快;速度為外環(huán)，采用PID調(diào)節(jié)抑制了負(fù)載的波動(dòng)，該系統(tǒng)能夠跟蹤額定轉(zhuǎn)速，實(shí)現(xiàn)電機(jī)穩(wěn)定運(yùn)行[7]。

利用開(kāi)關(guān)控制IGBT的通斷，模擬各種故障狀態(tài)，采集故障電流信號(hào)波形，若把無(wú)故障看作一種特殊的故障類型，且最多有兩路同時(shí)發(fā)生故障情況來(lái)考慮，可以將故障類型分為單管和雙管故障共計(jì)22種。

2短時(shí)傅里葉變換

短時(shí)傅里葉變換能夠?qū)Ψ瞧椒€(wěn)的時(shí)變信號(hào)進(jìn)行時(shí)間和頻率域的聯(lián)合時(shí)頻分析，將無(wú)刷直流電機(jī)控制器的一維故障信號(hào)轉(zhuǎn)變?yōu)槎S時(shí)頻圖像。通過(guò)設(shè)置固定窗口截取信號(hào)的時(shí)域信息，并進(jìn)行傅里葉變換，得到局部頻譜信息，利用滑動(dòng)窗口獲得時(shí)間域內(nèi)的頻譜特征，即可得到故障信號(hào)的時(shí)頻分布，計(jì)算公式如下[8]：

Step1：讀取數(shù)據(jù)并進(jìn)行預(yù)處理，采用奈奎斯特頻率進(jìn)行時(shí)域采樣。

Step2：確定窗函數(shù)的類型，并根據(jù)（3）式計(jì)算窗口寬度。

Step3：確定移動(dòng)步長(zhǎng)，并根據(jù)（2）式進(jìn)行短時(shí)傅里葉變換獲得局部頻譜。

Step4：結(jié)合時(shí)間和局部頻譜得到故障的時(shí)頻圖像，進(jìn)行特征提取。

3卷積神經(jīng)網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)能夠有效地實(shí)現(xiàn)對(duì)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(jì)算過(guò)程為：

（2）激活函數(shù)：根據(jù)模型特點(diǎn)和信號(hào)分類方式，采用ReLu函數(shù)作為每一層的激活函數(shù)，實(shí)現(xiàn)非線性變換，表達(dá)式為：

（3）池化層：利用滑動(dòng)窗口實(shí)現(xiàn)特征不變的降維，進(jìn)行二次特征提取，包含最大池化、平均池化和隨機(jī)池化。

（4）全連接層：對(duì)卷積和池化操作獲得的全部特征進(jìn)行分類，由于本文處理的是一種多分類問(wèn)題，因此使用交叉熵?fù)p失函數(shù)衡量模型的性能，計(jì)算公式為[10]：

綜合以上原理分析，本文設(shè)計(jì)的卷積網(wǎng)絡(luò)模型包含5個(gè)卷積和3個(gè)全連接層，為了避免過(guò)擬合引入Dropout層，設(shè)置概率為0.2，隨機(jī)舍棄隱藏層的部分神經(jīng)元，減少訓(xùn)練參數(shù)，并采用Adam梯度下降算法來(lái)更新網(wǎng)絡(luò)參數(shù)，實(shí)現(xiàn)了一種自適應(yīng)調(diào)整學(xué)習(xí)率的效果。

4基于STFT-CNN的故障診斷模型

4.1數(shù)據(jù)采集

4.2數(shù)據(jù)分析

通過(guò)MATLAB程序讀取電機(jī)穩(wěn)定運(yùn)行0.05s后的故障電流數(shù)據(jù)，經(jīng)過(guò)短時(shí)傅里葉變換轉(zhuǎn)換為時(shí)頻圖像，構(gòu)建數(shù)據(jù)集作為卷積網(wǎng)絡(luò)的輸入，以T2管故障為例，A相電流故障的時(shí)頻圖像如圖4所示。

4.3診斷流程

采用STFT-CNN方法對(duì)電機(jī)進(jìn)行故障診斷時(shí)，具體流程為：

Step1：對(duì)采集到的電流故障數(shù)據(jù)進(jìn)行預(yù)處理后，利用短時(shí)傅里葉變換變?yōu)闀r(shí)頻圖像，并劃分為訓(xùn)練、測(cè)試和驗(yàn)證集。

Step2：構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，并設(shè)置網(wǎng)絡(luò)參數(shù)，輸入訓(xùn)練集進(jìn)行模型學(xué)習(xí)和訓(xùn)練。

Step3：在訓(xùn)練過(guò)程中輸入驗(yàn)證集，不斷更新參數(shù)，優(yōu)化模型。

Step4：將測(cè)試集輸入到訓(xùn)練好的模型中，進(jìn)行驗(yàn)證，得到測(cè)試結(jié)果。

Step5：結(jié)果分析。

4.4診斷結(jié)果

設(shè)置迭代步長(zhǎng)為100，每次隨機(jī)輸入50個(gè)樣本，則訓(xùn)練和測(cè)試過(guò)程準(zhǔn)確度和損失曲線分別如圖5所示：

在訓(xùn)練集中，準(zhǔn)確率與損失變化一致，當(dāng)?shù)?0步左右時(shí)，損失下降到最低，準(zhǔn)確率穩(wěn)定在97.6%左右。在測(cè)試集中，損失下降到最低，準(zhǔn)確率穩(wěn)定在97.2 %左右。

5結(jié)論

綜上所述，本文采用的短時(shí)傅里葉變換和卷積神經(jīng)網(wǎng)絡(luò)的無(wú)刷直流電機(jī)控制器故障診斷模型，采用STFT將采集到的電流信號(hào)轉(zhuǎn)換為時(shí)頻圖，并通過(guò)卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)特征提取和故障識(shí)別，診斷結(jié)果表明，該方法具有較高的訓(xùn)練精度和準(zhǔn)確性。

參考文獻(xiàn)：

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

[2] 王霞霞，陳超波，高嵩.逆變器開(kāi)關(guān)管故障診斷方法綜述[J].計(jì)算機(jī)測(cè)量與控制，2019，27（8）：1-6.

[3] 王強(qiáng)，王友仁，張子富，等.無(wú)刷直流電機(jī)驅(qū)動(dòng)系統(tǒng)逆變器的開(kāi)路故障診斷[J].中國(guó)電機(jī)工程學(xué)報(bào)，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(shū)婷.基于改進(jìn)的VMD和CNN神經(jīng)網(wǎng)絡(luò)的光伏逆變器軟故障診斷方法研究[J].電測(cè)與儀表，2021，58（2）：158-163.

[7] 張克涵，狄正飛，劉曉強(qiáng)，等.基于Matlab無(wú)刷直流電機(jī)雙閉環(huán)調(diào)速系統(tǒng)仿真研究[J].微電機(jī)，2015，48（2）：44-48.

[8] 李恒，張氫，秦仙蓉，等.基于短時(shí)傅里葉變換和卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷方法[J].振動(dòng)與沖擊，2018，37（19）：124-131.

[9] 王驍賢，張保華，陸思良.基于連續(xù)小波變換和卷積神經(jīng)網(wǎng)絡(luò)的無(wú)刷直流電機(jī)故障診斷[J].機(jī)械與電子，2018，36（6）：29-32.

[10] 賴文輝.基于深度學(xué)習(xí)理論的中文文本分類技術(shù)研究[D].廣州：華南理工大學(xué)，2019.

【通聯(lián)編輯：代影】