基于二维卷积神经网络的BLDCM 驱动系统故障检测方法

孙 权，于翔海，李宏胜，黄家才，樊冀生

（1.南京工程学院自动化学院，南京 211167；2.南京航天航空大学自动化学院，南京 211106）

随着无刷直流电机BLDCM（brushless DC mo- tor）在新能源汽车、航天航空等领域的广泛应用，电机驱动系统作为工业生产的重要组成部分，其安全性与可靠性是系统长期稳定运行最重要的两个影响因素[1]。通常电机驱动系统的故障来源于逆变器等基础构件。逆变器作为电机驱动系统的核心部件，其工作环境较为复杂，并且受热应力与电应力的影响，由于频繁的开关动作，更容易发生故障。如果不能有效地检测到逆变器的故障，将会对电机驱动系统产生不利影响并带来不可估量的经济损失。为了降低系统故障带来的危害与经济损失，故障预测与健康管理PHM（prognostics and health management）在国内外各领域都受到重视，开展BLDCM 逆变器故障诊断方法的研究是十分必要的。

逆变器的主电路由多个开关管组成，逆变器的故障多数来自于开关管[2]。开关管的故障类型主要为开路故障与短路故障。通常短路故障发生的时间很短，一般硬件电路会有相应的保护措施，可以将短路故障转化为开路故障从而进行故障诊断[3]。而逆变器发生开路故障时，电路在短时间内仍然可以正常运行，若不能及时处理将会造成二次故障[4]。

传统的故障诊断方法有基于解析模型法、基于信号处理法、基于数据驱动法等。文献[5]选用负载三相电流的极性和桥臂相电压作为故障特征，分析不同电流流通路径的故障特征，实现故障开关管的定位。针对三相电压源逆变器的开路故障诊断，文献[6]提出了一种基于混合系统的模型，建立了永磁同步电机逆变器系统的高速模型以准确描述系统。文献[7]提出了一种误差自适应阈值的平均模型方法，通过计算平均桥臂中点电压现实值与预期值的偏差实现故障类型的识别与定位。然而，基于解析模型的方法过于依赖精确的数学模型，一旦研究对象的结构发生变化，数学模型也要进行修改。文献[8]提出了一种基于极限学习机和随机向量函数功能连接网络的新型数据驱动方法，用于提取故障模式与所选特征之间的映射关系。然而基于数据驱动的方法需要对不同的故障信号进行数据分析，需要对大量的样本进行实验，工作量繁重。

随着机器学习的不断发展，越来越多的方法运用到了故障诊断当中。文献[9]首先利用快速傅里叶变换FFT（fast Fourier transform）与功率谱密度处理故障数据，将多层感知机MLP（multi-layer perceptron）与神经识别算法相结合，有效识别不同的故障状态；文献[10]对原始数据进行降噪、预处理后依次编码，分别使用SVM 与MLP 两种算法成功对故障模式有效分类，保证了良好的预测精度；文献[11]采用基于稀疏自编码SAE（sparse autoencoder）的深度神经网络DNN（deep neural network）对三项全桥整流器进行开路故障诊断，提出了一种基于SAE 的DNN 结构，并验证了其有效性；文献[12]将一种堆栈去噪自动编码器SDAE（stacked denoising autoencoder）应用在故障诊断领域，解决了复杂工况下特征提取效果不理想的问题。大多数机器学习网络均是在理想实验环境中完成，面对不断变化的工况，单一神经网络存在故障诊断精度低、泛化能力差等问题。

传统的CNN 已经被广泛应用到图像识别、自然语言处理等领域，由于其具有强大的特征提取能力，也可以将其应用到逆变器的故障诊断中。故障信号为一维频谱信号，网络结构可以选择一维卷积神经网络，但1D-CNN 在相同卷积核情况下获得的感受野较少，在训练过程中容易出现过拟合现象。因此，针对三相全桥逆变器的故障诊断，本文采用2D-CNN 将一维信号转换为矩阵形式作为2D-CNN的输入。MLP 与SDAE 作为典型的机器学习方法，在故障诊断领域取得了良好的应用效果，本文在实验中分别与MLP 和SDAE 进行对比，验证二维卷积网络的优越性。

1 二维卷积神经网络

1.1 网络结构

原始数据的样本维度为1 296，可以转换36×36 的矩阵作为2D-CNN 的输入数据。2D-CNN 中池化层与卷积层的卷积核为矩阵形式，各层的输出也是矩阵。本模型参考Lecun 等[13]提出的的Lente-5结构，隐含层共有5 层，卷积层与池化层交替分布，网络结构如图1 所示。本模型中卷积核尺寸、数量等参数如表1 所示。

表1 2D-CNN 结构参数Tab.1 Structural parameters of 2D-CNN

图1 2D-CNN 结构Fig.1 Structure of 2D-CNN

1.2 隐含层功能

卷积层的作用是自适应提取三相电流信号的故障特征，同时消除噪声。选择合适的卷积核对三相电流信号依次进行卷积处理，一个卷积核即为一个权重矩阵。不同的卷积核代表电流信号中不同的故障特征，卷积神经网络通常通过增加不同的卷积核来提高模型的特征提取能力，随后获得带有故障特征的多层矩阵数据。具体的卷积公式为

式中：Mj为输入特征矩阵集合；l 为网络层数，为第i 个输入特征矩阵；为第j 个特征矩阵，为权重矩阵；bj为偏置系数；f（·）为激活函数[14]，本模型选择的激活函数为ReLu 函数，其数学表达式为

池化层也称降采样层，其常用的有最大池化和均值池化，即卷积核依次滑过目标数据并提取相应区域的最大值或平均值。池化层的作用是提取从卷积层输出数据的主要特征，同时降低其维度。本文模型选择的是最大池化函数[15]，其表达式为

全连接层即结合卷积层与池化层提取的故障特征并进行分类，全连接层与最后一个池化层两两相连，最终经过Softmax 分类器得出预测结果。全连接层的表达式为

式中：k 为网络层序号；yk为全连接层的输出；ωk为权重矩阵；xk-1为一维特征向量；bk为偏置矩阵；f（·）选用Softmax 激活函数[16]，其数学模型为

式中，P（y=j|x）为第i 个样本属于j 类故障模式的概率。

2 BLDCM 驱动系统故障诊断流程

在电机驱动系统中[17]，逆变器的结构如图2 所示，T1～T6为功率开关管，D1～D6为续流二极管，Vin为直流母线电压，Vin=48 V。故障数据从三相绕组电流ia、ib、ic获得。本文仅讨论6 个功率开关管单独开路的状态，包含正常工作状态共7 种故障模式。其故障模式如表2 所示。

图2 三相全桥逆变器电路原理Fig.2 Schematic of three-phase full-bridge inverter circuit

表2 TFI 结构故障模式Tab.2 Fault modes of TFI structure

基于二维卷积神经网络的故障诊断流程如图3 所示，具体步骤如下。

图3 基于2D-CNN 的故障诊断流程Fig.3 Flow chart of fault diagnosis based on 2D-CNN

（1）采集DC-AC 驱动电路A、B、C 三相绕组电流信号ia、ib、ic作为故障敏感信号。

（2）将测得的电流信号进行快速傅里叶变换FFT，得到故障信号的频域特性，截取合适的频域信号作为故障特征向量，对故障特征向量进行归一化处理得到故障数据样本，并划分为训练集与测试集。

（3）2D-CNN 训练阶段：首先人工赋予二维卷积神经网络模型一些基本参数（如隐含层节点数、激活函数等），将故障数据样本的训练集输入到二维卷积神经网络中，通过逐层训练与反向传播，不断调整网络参数与权重偏置，在最后一层利用Softmax分类器完成故障诊断。

（4）2D-CNN 测试阶段：将故障数据样本的测试集输入到已经训练好的二维卷积神经网络中，获取其故障诊断的准确率，并与MLP 和SDAE 相比较，验证本模型的有效性。

3 实验结果与分析

本文实验平台如图4 所示，BLDCM 的参数如表3 所示。BLDCM 的额定转速为800 rad/min，实验中对风扇施加三种不同的负载，分别得到三种转速约为550、650 与750 rad/min，并分别记为Load1，Load2和Load3。分别对不同负载情形下的7 种故障模式采样三相电流ia、ib与ic各100 次，数据采样器的频率为200 kHz，每次采样的采样点数目为100 k。

当电机在Load1情形下T2三相电流时域信号波形如图5（a）所示，经过FFT 处理的频域信号波形如图5（b）所示。由图5 可见，当MOSFET 发生故障时，三相电流的频域信号存在明显区别，相同频率点的幅值有所不同，三相电流ia、ib、ic的幅频图均为432 个频率点，因此故障特征向量的特征维数为1 296，每种转速情形下均收集700 个故障数据样本，并将故障数据样本随机分为3 种不同比例的训练集与测试集，如表4 所示。

3.1 不同数据样本划分情况的故障诊断

采用2D-CNN 对Load1、Load2与Load33 种负载情形下，对3 种故障Case1、Case2 与Case3 样本分配情况进行实验，结果如表5 所示，负载Load2的故障诊断结果如图6 所示。

由图6 与表5 可知，2D-CNN 在任何条件下的故障诊断准确率都不低于95.14%，在Load3情况下，故障诊断精度略微低于另外两种负载情况，说明该情形下获取的故障数据含有较多噪声。

表5 2D-CNN 故障诊断准确率Tab.5 Fault diagnosis accuracy of 2D-CNN

由表5 可知，当训练集与测试集样本比例发生变化时，不同情形故障诊断的准确率变化趋势是相同的，当数据样本比例为Case1 时，由于训练样本较少，网络参数尚未训练到最佳，准确率较低。随着训练样本数量的增加，当数据样本比例为Case3时，测试集随之减少，不同负载下仅有少数故障样本被错误分类，故障诊断效果较为理想。

3.2 不同负载情况下的故障诊断

分别采用MLP、SDAE 与2D-CNN 对各种负载情况下的故障样本进行故障诊断，结果如表6 所示。由实验（1）可知，故障诊断在Case3 条件下诊断准确率最高，所以3 种负载Load1、Load2和Load3情形均在Case3 条件下进行实验，训练集样本490组，测试集样本210 组。基于2D-CNN 的故障诊断结果如图7 所示。

表6 不同负载情形下MLP、SDAE 与2D-CNN 的故障诊断结果Tab.6 Fault diagnosis results of MLP，SDAE and 2D-CNN under different loads

由表6 和图7 可得，MLP 在3 种负载条件下的故障诊断准确率维持在82%左右，诊断效果并不理想。SDAE 作为深度神经网络相比MLP 网络结构更为复杂，故障诊断能力优于MLP，不同负载条件下均维持在89%左右。而2D-CNN 在任何负载情况下都明显优于MLP 和SDAE，诊断准确率保持在99%左右，在Load1情形下准确率高达99.52%，仅有一个样本被错误分类，说明2D-CNN 不仅具有较好的泛化能力，还可以从故障样本信息中自适应提取更深层的故障信息，提高了三相全桥逆变器的故障诊断准确率。

图7 2D-CNN 不同负载情形下故障诊断混淆矩阵Fig.7 Fault diagnosis confusion matrix of 2D-CNN under different loads

4 结语

针对三相全桥逆变器的开路故障诊断，提出2D-CNN 方法，通过实验与MLP 和SDAE 进行对比验证了2D-CNN 的有效性。与传统故障诊断方法相比，2D-CNN 无需手动提取特征，可以自适应地提取故障样本信号的故障特征，从而提高故障诊断的准确性。2D-CNN 具有很强的泛化能力，在不同的故障样本组成情况下，诊断准确率均保持在95.14%以上，并且在不同负载情形下，故障诊断准确率均明显由于MLP 和SDAE。本文实验充分证明2DCNN 可以应用到故障诊断领域中，为无刷直流电机驱动系统的故障预测和健康管理奠定了基础。