基于数据融合的开关磁阻发电机故障诊断研究

张 雪，姜悦悦

（河海大学 能源与电气学院，江苏 南京 211100）

与传统的直流、交流发电机相比，开关磁阻发电机（SRG）结构简单、坚固、成本低，且具有可控性好、高速适应性好以及发电效率高等优点，在民用、航空、风力发电等领域均具有广阔的应用前景[1]。近年来，SRG成为研究热点，但现有研究主要集中于SRG电磁设计、性能分析、控制策略及实现，对于SRG故障诊断方法的研究较为缺乏。开展SRG故障诊断研究对于促进开关磁阻发电系统推广应用具有重要意义，一方面可以实现早期预警，减少和避免故障扩大和发电装置损坏；另一方面，能够及时确诊，对突发性故障可及时查明原因，维修方便。

目前电机故障诊断的基本方法有电流分析法、绝缘诊断法、温度检测法及振动与噪声诊断法等[2]。随着信息科学技术的发展，基于多源信息融合技术的故障诊断方法在大型旋转电机故障诊断中的应用方兴未艾，前景广阔。开关磁阻发电机的故障类型较多，为了提高其故障诊断的水平，在其故障诊断中不应仅局限于一种信息，而是应充分利用多个信息源，利用多源数据的互补性和智能计算技术综合处理具有时空特性的数据，从而更精确的描述SRG的运行状态，对其故障状况做出更准确的识别和判断。因此，开展基于多传感器数据融合技术的SRG故障诊断研究是有必要的。

数据融合方法主要有贝叶斯估计法、D-S证据理论、专家系统、可靠性理论等。众所周知，D-S证据理论具有很强的处理不确定信息的能力，故本文主要研究应用D-S证据理论进行开关磁阻发电机故障诊断的方法。

1 开关磁阻发电机系统的故障类型

开关磁阻风力发电机系统若发生故障，从系统结构上来区分故障类型，主要分为发电机本体内部故障和发电机外围故障。内部故障主要为定子相绕组故障，而外围故障包括功率变换器故障，负载故障及风力机和齿轮箱故障等。

1）开关磁阻发电机绕组故障

开关磁阻发电机为双凸极结构，定子绕组为集中线圈，转子无绕组和永磁体，因此电气故障主要集中于定子绕组。理论分析及实践表明，SRG的定子绕组故障主要有：绕组开路故障，绕组短路故障，接地故障等[3-5]。

开关磁阻发电机的某相绕组开路后，该相则不再提供发电功率，发电机缺相运行，此时控制器将通过增大励磁电压来增加其余正常相的电流，以维持系统的额定输出。

开关磁阻发电机的相绕组短路会导致过流，产生的短路电流可能会烧毁该相绕组，故障严重程度取决于绕组短路的匝数。发生短路后绕组的电感值会降低，导致电流的变化率增大，输出电压的平均值降低。

开关磁阻发电机的相绕组产生接地故障时，该相也无法提供发电功率，发电机缺相运行。此时的电流直接流经功率变换器可能会导致功率器件损坏。

2）功率变换器故障

在系统发电运行过程中，功率变换器负责为发电机提供励磁电源，并提取发电机的相绕组续流为蓄电池充电，因此系统电压过大、电流过大，或者工作的温度过高，都可能损坏功率变换器，造成其中的功率开关管击穿短路。如果功率开关管被击穿短路，则会使励磁电流持续流到相绕组。由于开关磁阻发电控制系统具有容错性，控制器适时的切断该故障相，使电机在缺相状态下继续运行。

3）负载故障

发电系统有多种类型的负载，许多负载的运行对发电系统有一定的影响，如果因为负载发生故障，也会对发电系统的输出产生很大的影响。比如有的恒功率负载发生内部短路时，可能会影响到整个发电系统的稳定性及供电质量。

经以上分析，本文选择开关磁阻发电机系统的典型故障进行研究，主要研究的故障类型为：发电机缺相故障、发电机绕组短路故障、负载短路故障。

2 基于D-S证据理论的数据融合

2.1 基本理论

定义1：设θ一个互不相容事件的完备集合，由θ的所有子集构成幂集2θ。

定义 2：基本信任度分配函数 m:2θ→[0，1]的映射，满足

式中，φ为空集。A是满足m（A）＞0的所有集合，称为m的焦元。

定义3：信任函数Bel（A）表示对A的信任程度，定义为

定义4：似然函数Pl（A）表示A的支持证据区间，定义为

D-S证据理论是基于辨识框架的一种决策理论，辨识框架θ在数据融合中可视为一个平台数据库，这里表示对某个事件可能结果的一个集合，并设这些结果中有且只有一个是正确的。基本信度分配函数m一般由主观经验给出，是一种可信度。D-S证据理论对A的不确定性描述如图1所示。

图1 D-S证据理论对A的不确定性描述Fig.1 Description of the uncertainty for A with D-S evidence theory

图 1 中所示：[Bel（A），Pl（A）]为 A 的信任区间，它表示对A 信任的上、下限；[0，Pl（A）]表示 A 的拟信区间；[Pl（A），1]表示 A 的拒绝区间。 可见，信任区间[Bel（A），Pl（A）]越大，对A的不确定程度越大，Bel（A）越大，表示A为真的可能越大，Pl（A）越小，表示 A 为假的可能越大[6]。

2.2 Dempster组合规则

设Bel1和Bel2是同一识别框架θ上2个信度函数，m1和m2分别是其对应的基本信度分配，其焦元分别为A1，…，Ak和 B1，…，Br。 合成后的基本信任度分配函数 m:2θ→[0， 1]为

D-S证据理论中，用K来衡量证据冲突与否。若K=0，则证据之间没有冲突，可以进行融合。K越大表明冲突就越大。若K=1，则认为m1和m2冲突。因此当K≥1时，就不能对基本概率赋值进行融合。对于多个证据的组合，可对证据进行两两综合，最终得出融合结果。

3 D-S证据理论在开关磁阻发电机故障诊断中的融合应用

在开关磁阻发电机相绕组故障诊断中，以输出电流、输出电压和输出转矩这3个证据信号数据，应用上述D-S证据理论进行融合判断为例[7-9]。3个信号的基本信度分配为m1、m2、m3，故障的识别框架输出共有4种情况，分别为正常A、故障B（发电机缺相故障）、故障C（发电机绕组短路故障）、故障D（接地故障），在某一时刻采集3个信号所建立的基本信度分配如表1所示。

表1 3个证据信号的基本信度分配Tab.1 Basic belief assignment of the three evidence signals

根据表1，对m1（电流信号）和m2（转矩信号）进行合成，得到m′。合成之前，先检查冲突系数K，根据式（5）进行计算。

由K判断可以融合，融合的结果为：

继续融合电压信号，计算m′和m3的冲突系数。

经判断可以融合，合成结果为：

计算完成，3个证据信号融合的结果如表2所示。

表2 3个证据信号融合后的基本信度分配Tab.2 Basic belief assignment of the three evidence signals after fusion

从表2可见，合成后结果判断为故障B（发电机缺相故障）的概率为1.0，而其它故障发生的概率为0，融合后的结果更具准确性。从融合过程也可看出，多进行一次D-S合成，各信度分配对故障诊断的精度和可靠性均得到提高。

4 结 论

文中将数据融合技术用于开关磁阻发电机的故障诊断中，采用D-S证据理论对不同数据源的证据信号进行数据融合，实验表明，数据融合较好地解决了单信号的故障诊断不确定性问题，使得诊断结果更加明确、可靠，增强了故障诊断能力。

[1]朱学忠，刘闯.开关磁阻发电机理研究与实践[J].中国矿业大学学报，2000，29（6）:628-632.

ZHU Xue-zhong，LIU Chuang.Research and practice on SRG’s fundamental[J].Journal of China University of Mining&Technology，2000，29（6）:628-632.

[2]侯志祥，申群太，李河清.电机设备的现代故障诊断方法[J].电力系统及其自动化学报，2003，15（6）:61-90.

HOU Zhi-xiang，SHEN Qun-tai，LI He-qing.Modern methods of fault diagnosis in motor devices[J].Proceedings of Electric Power System and Automation，2003，15（6）:61-90.

[3]刘震，林辉，司利云，等.开关磁阻发电系统的故障分析及仿真[J].电力系统及其自动化学报，2005，17（5）:7-11.

LIU Zhen，LIN Hui，SI Li-yun，et al.Fault analysis and simulation for the switched reluctance generator system[J].Proceedings of Electric Power System and Automation，2005，17（5）:7-11.

[4]吴江，高勇.采用GVWFCM算法的变压器故障诊断[J].陕西电力，2012（9）：38-40.

WU Jiang，GAO Yong.Oil-immersed transformerfault diagnosis based on GVWFCM algorithm[J].Shaanxi Electric Power，2012（9）：38-40.

[5]赵永雷，黄家栋，李配配.基于加权模糊C均值聚类算法的变压器故障诊断[J].陕西电力，2011（9）：39-41.

ZHAO Yong-lei，HUANG Jia-dong，LI Pei-pei.Fault diagnosis on transformer based on weighted fuzzy C-means clustering algorithm[J].Shaanxi Electric Power，2011（9）：39-41.

[6]郭涛，李龙飘，费庆国，等.数据融合技术中Dempster-Shafer证据理论的应用[J].信息化纵横，2009（16）:80-82.

GUO Tao，LI Long-piao，FEI Qing-guo，et al.Application of Dempster-Shafer evidence theory in data fusion technology[J].Informationization，2009（16）:80-82.

[7]Ke Guan，Tao Mei，Deji Wang.Application of Multi-sensor Information Fusion in Fault Diagnosis of Rotating Machinery[J].Proceedings of the 2006 IEEE International Conference on Information Acquisition，2006（9）:425-429.

[8]苗红霞，王宏华.基于数据融合的高压断路器故障诊断方法研究[J].工矿自动化，2010，10（10）:45-48.

MIAO Hong-xia，WANG Hong-hua.Research offault diagnosis method for high-voltage circuit breaker based on data fusion[J].Industry and Mine Automation，2010，10（10）:45-48.

[9]孙向作.基于数据融合的电机故障诊断技术研究[D].太原:中北大学，2008.