李港 趙春領 熊開洋

（重慶交通大學 機電與車輛工程學院，重慶 400074）

主題詞：永磁同步電機 故障診斷 故障研究 故障分類 電動車

1 引言

永磁同步電機(PMSM)具有結構簡單、運行穩(wěn)定、效率高的優(yōu)點，使其在高性能車用電驅動系統(tǒng)中得到廣泛的應用。隨著永磁同步電機應用的不斷普及，人們對其運行時穩(wěn)定性與安全性的要求越來越高，然而電機由于其質量問題、非標準化安裝、電磁參數不穩(wěn)定和負載較大的情況下，都會在一定程度上產生故障，導致電機效率下降，在嚴重情況下可能會造成電機報廢從而無法正常使用。永磁同步電機故障診斷是監(jiān)測電機運行狀態(tài)、確定電機異常與否、早期故障檢測、確定故障發(fā)生位置和原因、預測故障發(fā)生的診斷技術，它能有效的判斷預測故障發(fā)生的概率與時間，從而避免電機的機械結構和電氣部分故障產生，提高系統(tǒng)運行效率。因此對永磁同步電機的故障進行診斷和預測具有非常重要的意義與價值。

首先對永磁同步電機故障產生的機理和現有的故障診斷技術進行了歸納分析，指出了當前的故障診斷技術的優(yōu)勢和局限性。在此基礎上，提出了未來的故障診斷技術所需要重點關注的方向，為了后續(xù)的科研工作提供一定的參考性建議。

2 永磁同步電機故障分類

通常情況下，根據故障性質進行電機故障分類。由于電機物理狀態(tài)的改變如電機機械振動、電機溫升等原因造成永磁同步電機的故障可以分為：電氣故障、機械故障和退磁故障3大類，3類故障具體描述如下所示。

2.1 電氣故障

永磁同步電機電氣故障分為3類，分別是：

（1）定子繞組匝間短路故障；

（2）定子相間短路故障；

（3）電流傳感器故障。

定子故障發(fā)生概率占所有電機故障的38%，而在其中定子繞組間的短路故障是其中最主要的故障,定子短路故障包含定子匝間短路故障和相間短路故障，定子繞組匝間短路故障產生的原因較為復雜，具體可歸納為以下3點：

（1）在電機啟動過程中，定子繞組間絕緣體承受著不斷變化的高電壓；

（2）電機溫升導致定子繞組溫度過高，定子匝間絕緣體失效；

（3）定子繞組間線圈相互接觸和磨損。

在實際運行過程中，電壓過載是導致定子匝間絕緣體失效的主要影響因素，當絕緣體失效時定子繞組匝間出現短路故障時，且在短路路徑中會產生大量的循環(huán)電流，使得電機內部溫度急劇上升，進而導致永磁出現不可逆的退磁現象。

定子相間短路故障造成的影響比定子繞組短路故障的影響更大，通常情況下，定子相間短路故障是由于定子端部受到油污和水分的腐蝕，使得絕緣部位的電位與導線部分電位相同或接近，使得電位外移，處于高電位的相之間開始放電，隨著放電程度的增強，最終就會出現相間短路故障。目前國內外學者對定子匝間短路故障研究較多且深入，針對定子相間短路故障研究較少，如齊歌等只研究了雙三相永磁同步電動機一相繞組短路故障性能，未研究相間故障；田代宗等通過建立多相整流永磁同步發(fā)電機繞組內部相間短路的數學模型，通過仿真和樣機實驗分析定子繞組相間故障危害與特點，該方法為多相永磁同步電機故障診斷提供依據，具有較強的實用性。

2.2 機械故障

造成永磁同步電機機械故障原因有多種，主要包含：三相繞組分布不均勻造成的振動、螺栓松動、軸承故障和轉子偏心故障。

三相繞組分布不均勻時，造成相電流變換的大小和方向均發(fā)生改變，因此電機在運行過程中發(fā)生抖動現象，導致轉矩輸出不均勻。軸承故障占據永磁同步電機故障發(fā)生率的50%左右,其發(fā)生的主要原因是因為環(huán)境機械振動、轉子軸錯位、潤滑不良、軸負載過大和腐蝕。即使在正常環(huán)境下工作，電機軸承也不可避免的會疲勞，但產生疲勞裂紋時會導致金屬塊的斷裂，最終導致軸承的損壞與故障。軸承損壞還可能導致氣隙偏心和匝間短路故障。

永磁同步電機轉子偏心故障包括轉子靜態(tài)偏心、轉子動態(tài)偏心和混合偏心3種，當前研究主要集中在前2種偏心故障，混合偏心故障（如轉子斜偏心和轉子軸向偏心）研究較少。轉子靜態(tài)偏心是指轉子軸偏離定子的中心，但旋轉中心依舊保持不變，其主要原因是電機安裝不當和機電機機械振動過程中螺栓缺失或松動；轉子的動態(tài)偏心故障是指轉子的旋轉中心偏離定子圓中心，轉子繞著定子圓心轉動，由電機長期的機械振動造成。偏心故障不僅會引起額外的振動、噪音、轉矩波動，當其情況較嚴重時會造成定子和轉子之間的摩擦，損壞定子和轉子鐵芯,從而影響電機的正常運行。

2.3 退磁故障

為了提升效率和功率密度，永磁同步電機采用了永磁體結構，但由于永磁體在惡劣環(huán)境，如高溫等環(huán)境下，存在不可逆的退磁，一旦退磁現象發(fā)生，電機的輸出轉矩將明顯下降，汽車動力性將明顯降低。退磁故障發(fā)生的主要原因是由于電樞反應的作用，即定子電流產生一個反向磁場，該磁場持續(xù)抵抗永磁體的磁場，最終導致永磁體退磁。

永磁同步電機的退磁故障一般有2種情況：均勻退磁和局部退磁。均勻退磁指的是轉子所有的永磁體均發(fā)生退磁，在退磁后所有的永磁體的磁性仍然相同；局部退磁指的是只有某一塊或其中幾塊永磁體發(fā)生退磁，故障發(fā)生后所產生的磁場不對稱。

3 故障診斷方法分類

一般情況下，永磁同步電機的故障診斷流程圖如圖1所示。為了確定實際電機的故障類型，所有的故障診斷方法都需要首先獲取電機的信號數據。采集的信號包括電流和振動信號，經過去噪、放大預處理后用于分析。一些研究人員研究了多信號類型或多傳感器數據的信息融合方法。然而，也有一些方法直接使用原始數據，不需要進行特征提取和信息融合。最后，應用不同的診斷方法處理這些數據，分析出故障具體位置。通常情況下永磁同步電機故障診斷方法可歸納總結為以下3種：基于模型的故障診斷、基于信號處理的故障診斷和智能算法故障診斷。

圖1 永磁同步電機故障診斷流程

3.1 基于模型的故障診斷方法

基于模型的故障診斷方法的思想是基于物理原理建立一個包含某種故障的電機模型，并將模型預測輸出與實際檢測輸出進行比較，以確定電機是否發(fā)生故障，同時該模型也可用于其它診斷方法的模擬，該方法能夠幫研究人員深入了解故障發(fā)生機理和規(guī)律，但是同時它對模型的精確度要求也較高。基于模型的故障診斷方法分為2種：（1）利用PMSM數學模型，基于MATLAB/Simulink平臺進行故障診斷；（2）利用有限元分析法（FEA）構建故障模型進行分析。Usman等通過比較常用數學模型、磁等效電路模型,提出了一種新型的異步電機故障模型，證明該模型能有效檢測異步的故障。永磁同步電機的故障診斷模型不僅僅局限于三相，還可建立多相的故障模型，如當電機匝間短路時，可通過增加電壓方程或電磁方程中電阻和電感參數建立故障模型,如王小強等通過比較故障電機的數學模型實現永磁同步電機定子匝間短路故障診斷。盡管有限元分析法對永磁同步電機進行故障仿真時效率較低，計算速度慢，但其精度較高，可模擬幾乎所有的機械故障，如Haddad等使用有限元分析建立了不同故障下的永磁同步電機模型，將其與故障電機的實驗數據進行比較，選擇諧波的幅值作為識別依據進行故障診斷。

基于模型的故障診斷方法能對故障進行較為直觀的仿真分析，故障診斷精度較高。但由于建模流程較為復雜，計算速率慢，因此其實現的效率較低，并且很難在診斷過程中按實際工況施加控制策略。

3.2 基于信號的故障診斷方法

電機發(fā)生故障時，可能會出現復雜的故障現象，借助信號變換手段處理從電機獲得的信號是比較常用的故障診斷方法之一，該方法通過時域特征和頻域特征的變化識別故障表現形式，并從電流、電壓、振動信號中提取故障的特征信息，常用的信號變換包括：小波變換、短時傅里葉變換(STFT)、長時傅里葉變換（FFT）和電機電流頻譜分析法。

Song等將小波變換與包絡分析法相結合對PMSM的磁信號進行處理，并且通過漢寧窗優(yōu)化增強故障特征，該方法比較適用于多噪聲環(huán)境。文傳博等[將基于卡爾曼濾波算法和小波變換的在線監(jiān)測方法應用于PMSM磁鏈的信息監(jiān)測，該方法能較好的實現電機退磁故障的監(jiān)測。陳勇等將定子齒尖端振動信號和定子電流的融合作為提取的特征信號，結合改進的快速傅里葉變換和小波變換算法實現永磁同步電機定子匝間短路故障的診斷，該方法相較于單一特征的故障診斷有較高的診斷準確率。

基于信號的故障診斷能夠消除動態(tài)過程對電機故障特征的影響，提高了診斷精度，但是該類算法的計算量較大，對硬件系統(tǒng)要求較高，在嵌入式系統(tǒng)中難以實現。

3.3 基于人工智能的診斷方法

傳統(tǒng)的人工智能算法主要依賴于先驗知識，其基本的原理是基于業(yè)內專家或工程師對永磁同步電機故障的經驗，從而設定對應的模糊邏輯規(guī)則，實現對故障的判斷。伴隨著新型人工智能技術和機器學習的興起，近年來提出了許多基于數據庫的智能診斷算法，基本數據庫的提取主要是基于統(tǒng)計學原理，如主成分分析（Principal component analysis）和獨立成立分析（Independent component analysis）。采用數據庫的智能診斷算法，主要是根據給定的訓練數據，通過輸入數據自動識別電機的故障類型和嚴重程度,主要包括神經網絡、深度強化學習、支持向量機方法。

張丹等通過建立多種永磁體局部退磁的退磁故障樣本庫，結合概率神經網絡(Probabilistic Neural Network,PNN)算法，實現局部退磁故障的精確分類識別，識別率的精度達到99.4%。Cira等使用永磁同步電機電流中的3次諧波作為神經網絡的輸入，以獲得匝間短路的良好診斷結果。王春雷等針對電機軸承故障信號通常呈現出非線性和不穩(wěn)定性的缺點,將振動信號轉換成二維時頻圖，作為訓練卷積神經網絡的輸入，最后利用卷積神經網絡（Convolutional Neural Networks，CNN）的自學習能力，分析電機軸承故障類型與故障特征間的相關性，利用該方法能有效地識別電機軸承故障。宮文峰等提出了一種改進的卷積神經網絡-支持向量機（Convolutional Neural Networks-Support Vector Machine，CNNs-SVM）方法，應用于電機軸承的故障快速智能診斷，試驗結果表明：在不同負載下改進CNNs-SVM算法的故障識別準確率高達99.86%。

基于人工智能的診斷方法雖然具有較強的學習能力，可以在很大程度上模擬人類思維過程，容易對故障的特征進行解釋，對診斷方法智能化程度的提高有著積極的促進作用，但其核心問題在于難以獲得完整的故障數據庫。

4 結論

結合國內外對永磁同步電機故障診斷研究現狀，對其進行歸納與分析，可得出以下結論：

（1）永磁同步電機機械故障主要是運用基于模型的故障診斷方法進行診斷；電氣故障大部分是根據建立的電機故障模型（數學模型或有限元模型）先提取特征信號，然后直接使用特征信號或優(yōu)化處理后的特征信號進行診斷；對于永磁同步電機退磁故障的診斷，通常是對故障特征信號處理后利用算法進行診斷。

（2）目前對永磁同步電機故障診斷主要集中在單一故障診斷層面，在電機出現故障時，用現有的基于模型或是信號特征提取的方法僅僅智能判別電機只是出現上述3類故障中的1種，該方法效率較低，因此當前同時對電機進行多故障聯合判別的方法研究較少。

（3）基于模型、信號和人工智能的故障診斷方法，大部分都針對于電機的本體結構進行故障判別，而隨著高功率電機的快速發(fā)展，作為電機驅動電源的變頻器內部功率元器件出現故障的概率沒有做進一步的研究，當變頻器出現故障時，會造成整個電驅動系統(tǒng)的故障。

5 永磁同步電機故障診斷發(fā)展趨勢

綜合上述分析，永磁同步電機故障診斷技術的研究工作應該在以下3個方面開展：

（1）研究機械故障、電氣故障與退磁故障的聯合診斷方法，單一的故障診斷無法滿足永磁同步電機復雜的工況需求，故障診斷方法應向著聯合診斷層面發(fā)展?？紤]將多種人工智能技術相結合，將信號變換與人工智能結合的技術，將數學模型與信號變換結合的技術。

（2）由于人工智能技術的不斷發(fā)展，永磁同步電機故障診斷系統(tǒng)必然朝著智能化和網聯化發(fā)展，但人工智能技術需要大量的故障數據庫，數據庫的來源在于故障信號的提取，因此未來需要考慮如何設計高效、準確的信號提取系統(tǒng)。

（3）在實現永磁同步電機本體故障診斷發(fā)展技術的同時，還需進一步考慮整個電驅動系統(tǒng)的故障，充分實現變頻器內部功率元器件的故障診斷。