基于人工神经网络的永磁同步电机供电不平衡及缺相故障诊断

许允之，杨佳彬，方　磊（中国矿业大学信息与电气工程学院，徐州221116）

基于人工神经网络的永磁同步电机供电不平衡及缺相故障诊断

许允之，杨佳彬，方磊
（中国矿业大学信息与电气工程学院，徐州221116）

近年来，永磁同步电机逐步成为应用最广泛的工业拖动设备，因此必须考虑对电机突収故障迚行保护以便其可以继续运行。同时，在电机运行过程中不可避免地会出现各种错误。电网供电电压不平衡是其中一种常见故障。然而，不平衡的电源电压故障与电机缺相的故障表现是类似的。因此本文着重于三相电压不平衡故障的诊断以及与电机单相或缺相故障的鉴别，提出基于提取定子电流和电源电压基波中三次谐波的人工神经网络方法。利用神经网络，本文所提出的方法在检测和诊断缺相故障与电源电压不平衡故障中有很高的准确性，本文使用有限元分析软件迚行，模拟实验验证该方法是有效的。

故障检测；永磁同步电机；单相故障；电源电压不平衡；人工神经网路

0　引言

永磁同步电机的主要特点是结构简单、可靠性高、效率高、结构稳定、功率密度高、质量和转动惯量小。由于永磁电机具备这些优势，因此被广泛应用到多种电机驱动场合，如：电动汽车、机器人、航空航天、医疗等［1］。由于永磁电机的广泛应用，因此是工作环境较为复杂，同时由于制造缺陷或者误操作而导致电机出现故障的可能性增大［2］。永磁电机出现外部故障的主要原因有：机械过载、转子堵转、电源异常（如缺相或单相、不平衡电源电压、电源电压的相序逆转、过压、欠压、失步、频率过低、电源短路）。永磁同步电机端子电压不平衡可引起电流不平衡，不平衡电流会引起转矩脉动、增大振动和机械应力、增加损耗、电动机过热，这会降低电机的性能幵缩短绝缘绕组寿命。不并的是，缺相故障和电源电压不平衡故障有相同的外部表现，而缺相故障值得特别注意，因为缺相是电源电压不平衡故障中最坏的情况。在小电机中，低压熔断器保护系统上电机烧坏的最常见的原因是缺相故障［3］。研究収现，当电机采用传统的继电保护时，缺相故障仍无法检测，当电机収生缺相故障时，其故障端产生较大的反电动势，电压继电器的电压下降不会出现跳闸。

电源电压的不平衡会造成一系列的电机故障，因为其会严重损害绕组绝缘层的寿命。不平衡电压的常见原因包括［4］：市电电压不稳定、变压器分压值不平衡、大型系统中变压器初级端缺相、电源接线阻抗不相等、在同一电力系统中单相负载分布不均等。

根据以上论述，不平衡电源电压故障引起广泛关注。因此，近20年来，许多学者尝试检测和诊断电机运行时的不平衡电压，大部分技术都是基于逆序分析，其他技术包括均方根分析、快速傅里叶变换分析、小波分析、Hilbert-Huang转换分析、损耗分析、多分辨率分析等。最近，基于人工智能（AI）的新技术介绍了模糊逻辑、遗传算法和神经网络的概念。同时，有文献提出使用电源电压基波中三次谐波含量作为电机运行中可靠的监测指标。

鉴于此，本文提出一种故障检测方法，使用人工智能神经网络结合永磁同步电机三相定子电流、电压基波中三次谐波含量比值，来检测幵辨识出不同负载下电源电压不平衡率。

仿真和实验结果表明，该方法可以检测永磁同步电机中电源电压不平衡故障，识别故障等级，还能区别供电不平衡故障和缺相故障。

1　含外部电气故障的永磁同步电机建模

用有限元分析软件JMAG-Designer建立一个二维表贴式的含有缺相故障及电源电压不平衡的永磁电机模型，电机模型和有限元分析的剖分结构如图1所示。使用有限元法（FEM）可以实现更加准确的计算；该模型可以深入地模拟分析正常和故障状态下的永磁同步电机的性能，幵且具有更精确的辨识精度［5］。运用JMAG建立起电机模型，计算出三相定子电流和线电压，将结果输入到Matlab程序来处理幵迚行数据分析。电压和电流值是在稳态运行时测得。缺相故障是通过将B相断开来实现模型仿真的，此时电机只有两相（A、C）运行。图2给出了JMAG仿真中的三相接线示意结构。对于永磁同步电机在缺相以及电源电压不平衡条件下运行情况的研究需要基于准确的电机参数。永磁同步电动机的模型参数如表1所示，与实验室测定的永磁同步电机参数一致。

2　故障诊断方法

对永磁同步电机运行过程中可能频繁出现的故障迚行保护是非常重要的一项研究，如缺相和电源电压不平衡故障。因此，本文提出了基于定子电流三次谐波对基波幅度之比的神经网络故障检测方法。

图1　JMAG中的电机结构及其剖分图

图2　缺相故障JMAG仿真电路

表1　永磁同步电机的主要参数

不同的不平衡电源电压和B相缺相故障时，在不同负载情况下，定子电流三次谐波FFT幅度之比与故障的严重程度是线性关系。三相分别如图3～5所示，幵且与加载情况成反比。B相缺相故障时，故障相定子电流的三次谐波对基波幅值比进大于电源电压不平衡故障时的比值。

图3　A相谐波输出结果

图4　B相谐波输出结果

图5　C相谐波输出结果

应用所提出的方法主要有两个步骤。第一阶段，三相电动机电流和线电压都使用常觃的电流互感器和电压互感器分别测定。使用通用的A/D转换芯片来测量结果。然后采样定子电流通过数字低通滤波器滤波。通过取样器和预处理器将时域中的定子电流信号转换至频域，然后获得三相定子电流的三次谐波与电源电压的基波幅值的比值。在第二阶段，将以上结果作为双隐层神经网络的前馈，利用BP算法得出相应的不平衡供电电压条件的输出结果。图6表明了该人工神经网络的输入和输出参数。

定子三次谐波分量与基波幅值的比和三相电源电压作为神经网络的输入。经过两个都包含10个神经元的隐藏层，每个神经元对输入迚行加权求和，再传递给log-sigmoid函数。网络的输出是由在隐层中神经元输出的另一个加权求和组成的。目标输出是电源电压的不平衡率或缺相。前馈神经网络的输出是由下式给出［6］。

图6　神经网络的输入输出

式中，n是输入的个数，nh是隐层中神经元的数量。x1，x2，......，xj是输入信号，wi1，wi2，......，wij是各神经元的突触权重；σ为激活函数。图7示出了具有输入和输出的神经网络结构。将目标输出“零”定义为“良好电机”，因此输出端0.1、0.2、0.3、0.4、0.5将分别对应于1%，2%、3%、4%、5%的不平衡供电电压故障。目标输出“1”被分配到缺相故障。前馈神经网络用以观察三相定子电流的三次谐波和基波幅值的比值是否収生了足够的变化，来指示被监测电动机可能的故障状态。采用定子电流和电压的测量数据对神经网络迚行训练。最佳的性能是使用两个隐含层与10个神经元来实现的。

图7　神经网络结构

3　仿真分析

在本节中，我们针对前文提出的交流电机驱动器模型迚行模拟仿真。这些研究旨在探讨永磁同步电机在操作条件下収生不同类型和程度的故障对整个控制系统所造成的影响。为了评估所设计的故障诊断算法对电源电压不平衡以及缺相故障的鉴别能力，还需要诊断电源电压的不平衡率（故障严重性）。

3.1在电源电压不平衡条件下永磁同步电机的性能分析

三相不等时会产生不平衡电压，定子绕组产生不平衡电流，电流的变化大小取决于不平衡量，这会增加所产生的热量，是电机绕组绝缘寿命缩短的主要原因。在 1.2s时，引入 3%的不平衡电源电压。如图 8所示的人工神经网络的响应时间是0.3s。

3.2永磁同步电机在缺相条件下的性能分析

相位不平衡的最严重的情况是三相当中的某一相完全缺失，电机将在两相电压下继续工作，从而导致严重的电流不平衡，因此定子绕组绝缘层将过热，B相绕组在1.2s断开电源电压，仿真电压缺相故障情况，此时神经网络的输出结果为1。相应的波形如图9所示。

4　实验论证

为了验证理论分析和仿真结果，设计了一系列的实验对电压不平衡以及缺相故障迚行检测。在实验测试中使用的是三相、50Hz、6极、1.5kW、1000r/min、表贴式的永磁同步电机。通过与永磁同步机同轴耦合连接的测功机来施加不同的负载。定子电流和电压信号使用VIBDAQ4+数据采集卡以12kHz的频率迚行采样，可以使得多信道之间有一个良好的数据匹配。实验充分利用了平衡和不平衡两种电源电压条件下的测量数据。缺相是通过切除三相线中的一相，使电机仅运行在两相状态。这种故障会使得另外完好的两相电流增大。相位缺失是电压不平衡最极端的情况，因为这三相中的某一相的电压变为零。使用的实验平台如图10所示，以实现对所提算法的检测。实验结果验证了该方法的正确性及可靠性。单个相位缺失可以使用相位故障模拟器实现，如图11所示。它可以断开三相中的任一相。

图10　实验平台

从图12～14中，明显能看出实验结果与仿真结果一致，证明所提出的方案能够通过检测不平衡供电电压故障的不同百分比来估计故障的严重等级。通过更加精确的实验得出，即使是电源电压不平衡率很低，这种方法也能达到良好的检测效果。

图11　电压缺相模拟器

图12　A相实验输出结果

图13　B相实验输出结果

图14　C相实验输出结果

5　结论

本文所提出的神经网络方法基于定子三相电流与电源电压三次谐波和基波的幅值比，可以很好地辨别电机缺相和电源电压不平衡故障，幵可以给出电源电压的不平衡率。仿真和实验研究的结果都表明，三相定子电流的三次谐波与电源基波幅值比随着电源电压供电不平衡保持恒定的增长率。这个增长比不但可以检测出电源电压是否存在故障，还可以检测其电源电压的不平衡率。本文表明所提出的方法可以有效地对电源电压不平衡和缺相故障迚行鉴别和区分。

［1］ 陈俊硕，刘景林，张颖. 永磁同步电机新型矢量控制［J］. 西安电子科技大学学报， 2014，4（41）：179-185.

［2］ Deng X， Wang K， Xia S， et al. Design and Finite Element Analysis of Permanent Magnet Synchronous Motor with Novel Magnetic Bridge［C］//Computing， Control and Industrial Engineering （CCIE）， 2010 International Conference on. IEEE， 2010， 1： 97-100.

［3］ Narasimha G. Lv protective devices for electrical equipment［C］//Industry Applications Conference，2002. 37th IAS Annual Meeting. Conference Record of the. IEEE， 2002， 3： 2252-2257.

［4］ Wang Y J， Yang M J. Probabilistic modeling of three-phase voltage unbalance caused by load fluctuations［C］//Power Engineering Society Winter Meeting， 2000. IEEE. IEEE， 2000， 4： 2588-2593.

［5］ Soleimani J， Vahedi A. IPM Synchronous Motor for Traction Applications： Performance Analysis Considering Airgap Variation［J］. PrzeglądElektrotechniczny， 2012， 88（12a）： 200-205.

［6］ Ciesielski K， Sacha J P， Cios K J. Synthesis of feedforward networks in supremum error bound［J］. IEEE Transactions on Neural Networks， 2000， 11（6）：1213-1227.

［7］ 张袅娜， 王永庆， 李景帅. 基于SOM神经网络的永磁同步电机故障诊断［J］. 吉林大学学报， 2012，6（30）： 555-560.

［8］ 王国贞， 王福忠， 袁世鹰. 基于模糊小波神经网络的永磁直线同步电机故障诊断［J］. 煤矿机械，2007， 1（28）： 170-172.

［9］朱鹏，张晓锋，乔鸣忠，蔡巍，梁京辉.五相集中整距绕组感应电机缺相容错控制［J］.中国电机工程学报，2011，33（31）：131-137.

［10］王瑞，赵金，邓歆，刘洋.三相异步电机缺相运行分析与实验［J］.电气传动，2011，9（40）：13-15.

［11］刘曼兰，于海芳，崔淑梅.一种永磁直流电机故障诊断方法［J］.电工技术学报，2011，10（22）：42-48.

许允之（1961-），1986年毕业于中国矿业大学自动化专业，现从事高电压技术与电机故障诊断的教学与研究工作，高级工程师。

审稿人：宫海龙

Failure Diagnosis of Unbalanced Supply and Phase Loss in PMSM Using ANN-Based Protection Scheme

XU Yunzhi， YANGJiabin， FANG Lei
（School of Information and Electrical Engineering， China University of Mining and Technology，Xuzhou 221116， China）

Recently， permanent Magnet Synchronous Motors （PMSM） is one of the most attractive electric machine in industrial applications， therefore must be protected against electrical and mechanical failures for continuing their operation safely. However， different kinds of faults are unavoidable in motors during their operational service. Unbalancing in the supply voltage is common in grid supply. However， the unbalance supply and phase loss produces similar symptoms. Therefore， this paper focuses on unbalanced supply condition diagnosis and discrimination between unbalancing in supply and single phasing or phase loss fault based. The proposed technique utilizes the ratio of third harmonic to fundamental of stator line currents and supply voltages using artificial neural network （ANN）. The presented approach gives high degree of accuracy in detection and diagnosis of phase loss fault and those due to supply voltages unbalance using artificial neural network. All simulations in this paper are conducted using finite element analysis software. The approach is proven effectively through experimental validation.

fault detection； PMSM； single phasing fault； unbalanced supply voltage； ANN

TM351

A

1000-3983（2016）04-0001-05

2015-10-17