本發(fā)明涉及電機(jī)在線診斷領(lǐng)域，尤其涉及一種五相電機(jī)開(kāi)路故障診斷方法。

背景技術(shù)：

1、近年來(lái)，隨著低空經(jīng)濟(jì)的迅速崛起，無(wú)人機(jī)技術(shù)在物流運(yùn)輸、農(nóng)業(yè)監(jiān)測(cè)和環(huán)境保護(hù)等領(lǐng)域的應(yīng)用日益廣泛。作為低空經(jīng)濟(jì)的核心組成部分，無(wú)人機(jī)的性能和可靠性直接影響到相關(guān)行業(yè)的效率與安全。而在無(wú)人機(jī)的電機(jī)驅(qū)動(dòng)系統(tǒng)中，電機(jī)的在線故障診斷尤為重要，尤其是繞組開(kāi)路故障可能導(dǎo)致無(wú)人機(jī)失去動(dòng)力或控制，進(jìn)而引發(fā)嚴(yán)重事故。目前，大多數(shù)現(xiàn)有的在線診斷方法依賴于定期檢查和人工維護(hù)，無(wú)法實(shí)現(xiàn)對(duì)電機(jī)狀態(tài)的實(shí)時(shí)監(jiān)控，也缺乏及時(shí)的應(yīng)急響應(yīng)機(jī)制。因此，迫切需要一種創(chuàng)新的電機(jī)驅(qū)動(dòng)系統(tǒng)開(kāi)路故障在線診斷技術(shù)，以提升無(wú)人機(jī)的安全性和可靠性，從而為低空經(jīng)濟(jì)的可持續(xù)發(fā)展提供保障。

2、電機(jī)驅(qū)動(dòng)系統(tǒng)故障通常包括繞組故障和功率管故障。現(xiàn)有的電機(jī)在線診斷方法根據(jù)所選取特征值的不同，可分為信號(hào)處理方法、解析模型方法和數(shù)據(jù)驅(qū)動(dòng)方法。然而，這些方法在實(shí)際應(yīng)用中各有不足。信號(hào)處理方法依賴于從復(fù)雜信號(hào)中提取故障特征，但在高噪聲環(huán)境下其診斷精度較低，同時(shí)由于計(jì)算量大，實(shí)時(shí)性較差。解析模型方法則需要精確的電機(jī)數(shù)學(xué)模型，但在實(shí)際應(yīng)用中，由于電機(jī)的數(shù)學(xué)模型與實(shí)際工況之間存在不可避免的差異，導(dǎo)致其適應(yīng)性較差，特別是在多參數(shù)故障診斷時(shí)，往往難以應(yīng)對(duì)復(fù)雜的故障情形，且建模過(guò)程復(fù)雜，需要較高的專業(yè)知識(shí)。數(shù)據(jù)驅(qū)動(dòng)方法雖然能基于大量的故障數(shù)據(jù)建立診斷數(shù)據(jù)庫(kù)，但也要求較高的計(jì)算資源，且往往受限于現(xiàn)有的數(shù)據(jù)采集與處理能力。因此，現(xiàn)有的在線診斷方法在準(zhǔn)確性、適應(yīng)性和實(shí)時(shí)性方面仍存在改進(jìn)空間，亟需進(jìn)一步優(yōu)化，以適應(yīng)電機(jī)系統(tǒng)多樣化和高實(shí)時(shí)性的在線診斷需求。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是克服背景技術(shù)中存在的上述缺陷，提供一種五相電機(jī)開(kāi)路故障診斷方法，使其不需要故障時(shí)的電機(jī)參數(shù)，不需要添加額外的硬件電路，診斷算法簡(jiǎn)單，診斷速度快，防誤診斷能力強(qiáng)，能夠快速精確的診斷出電機(jī)的繞組開(kāi)路故障和功率管開(kāi)路故障。

2、本發(fā)明為解決上述技術(shù)問(wèn)題采用以下技術(shù)方案：

3、一種五相電機(jī)開(kāi)路故障診斷方法，其特征在于，所述診斷方法包括模型訓(xùn)練階段和在線診斷階段，其具體步驟如下：

4、步驟s1：在模型訓(xùn)練階段，通過(guò)下采樣技術(shù)采集五相電機(jī)在不同工況下正常運(yùn)行時(shí)的時(shí)序電機(jī)參數(shù)，構(gòu)建訓(xùn)練數(shù)據(jù)庫(kù)；

5、步驟s2：在模型訓(xùn)練階段，利用皮爾遜相關(guān)系數(shù)對(duì)采集到的五相電機(jī)參數(shù)進(jìn)行重要性排序，并根據(jù)重要性選擇同一時(shí)刻的電角度θ(t)、轉(zhuǎn)矩te(t)和相電壓udc(t)作為bp神經(jīng)網(wǎng)絡(luò)回歸模型的輸入數(shù)據(jù)；

6、步驟s3：在模型訓(xùn)練階段，采用在線訓(xùn)練方式，使用訓(xùn)練數(shù)據(jù)庫(kù)中正常運(yùn)行的電角度、轉(zhuǎn)矩和相電壓數(shù)據(jù)，結(jié)合對(duì)應(yīng)的繞組電流數(shù)據(jù)作為輸出，通過(guò)訓(xùn)練得到初步的bp神經(jīng)網(wǎng)絡(luò)模型；

7、步驟s4：在在線診斷階段，保存步驟s3中訓(xùn)練得到的bp神經(jīng)網(wǎng)絡(luò)模型及其參數(shù)，并將其作為數(shù)字孿生虛擬電機(jī)；通過(guò)下采樣技術(shù)實(shí)時(shí)采集物理電機(jī)在相同時(shí)刻的電角度、轉(zhuǎn)矩和相電壓，將這些數(shù)據(jù)輸入數(shù)字孿生虛擬電機(jī)，經(jīng)過(guò)在線訓(xùn)練更新虛擬電機(jī)的繞組電流ipn，n代表五相電機(jī)a,b,c,d,e相，并實(shí)時(shí)更新數(shù)字孿生虛擬電機(jī)的參數(shù)；

8、步驟s5：在在線診斷階段，將物理實(shí)體電機(jī)運(yùn)行時(shí)的繞組實(shí)際電流irn和數(shù)字孿生虛擬電機(jī)繞組電流ipn進(jìn)行對(duì)比，計(jì)算電流殘差ierror_n；

9、步驟s6：在在線診斷階段，通過(guò)對(duì)電流殘差的差分值δi進(jìn)行分析，判斷電機(jī)是否發(fā)生了繞組開(kāi)路故障或功率管開(kāi)路故障；

10、步驟s7：在在線診斷階段，記錄故障時(shí)刻后的0.5個(gè)的電流基波周期的采樣電流值i1和0.75個(gè)的電流基波周期的采樣電流值i2，對(duì)兩電流值進(jìn)行加和處理，計(jì)算得到診斷變量kn進(jìn)行故障定位。

11、進(jìn)一步的，所述步驟s1采用下采樣技術(shù)采集電機(jī)參數(shù)數(shù)據(jù)構(gòu)建數(shù)據(jù)庫(kù)時(shí)，對(duì)采集得到的數(shù)據(jù)進(jìn)行預(yù)處理，刪除數(shù)據(jù)庫(kù)中的空值并采用z-score方法去除數(shù)據(jù)庫(kù)中明顯的異常值。

12、進(jìn)一步的，所述步驟s2中通過(guò)計(jì)算皮爾遜相關(guān)系數(shù)評(píng)估電機(jī)各項(xiàng)參數(shù)與繞組電流之間的相關(guān)性，具體包括以下步驟：

13、步驟s2-1、從數(shù)據(jù)庫(kù)中隨機(jī)選擇子集作為樣本集，子集中電機(jī)各項(xiàng)參數(shù)作為輸入集，對(duì)應(yīng)的繞組電流作為輸出集；

14、步驟s2-2、利用皮爾遜相關(guān)系數(shù)公式計(jì)算各電機(jī)參數(shù)與繞組電流的相關(guān)性系數(shù)，公式如下：

15、

16、其中，qi為電機(jī)參數(shù)樣本，pi為繞組電流樣本，和分別為對(duì)應(yīng)樣本的平均值，rq,p的取值范圍為[-1,1]；

17、步驟s2-3、通過(guò)相關(guān)性系數(shù)的絕對(duì)值判斷各電機(jī)參數(shù)對(duì)繞組電流的影響程度，相關(guān)性越高，表明該參數(shù)對(duì)繞組電流的影響越顯著；

18、步驟s2-4、根據(jù)計(jì)算得到的相關(guān)性系數(shù)排序，篩選出對(duì)繞組電流影響顯著的關(guān)鍵電機(jī)參數(shù)。

19、進(jìn)一步的，所述步驟s2中的bp神經(jīng)網(wǎng)絡(luò)模型為多隱藏層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，三層分別為輸入層、隱藏層和輸出層，其中輸入層的輸入端口為3個(gè)，a為數(shù)據(jù)庫(kù)中每項(xiàng)電機(jī)參數(shù)的數(shù)據(jù)個(gè)數(shù)，輸入層端口分別為電角度θ(t)、轉(zhuǎn)矩te(t)和相電壓udc(t)；輸出層的輸出端口為1個(gè)，輸出為數(shù)字孿生虛擬電機(jī)繞組電流ipn；其隱藏層的神經(jīng)元數(shù)為m個(gè)，隱藏層的層數(shù)為n個(gè)，n和m的具體數(shù)值根據(jù)實(shí)際工況進(jìn)行調(diào)整。

20、進(jìn)一步的，所述步驟s3中采用在線訓(xùn)練的方式訓(xùn)練bp神經(jīng)網(wǎng)絡(luò)模型，t時(shí)刻輸入的特征量xn為：

21、xn＝[θ(t),te(t),udc(t)]

22、其中xn為數(shù)據(jù)庫(kù)中電角度θ、轉(zhuǎn)矩te、相電壓udc和前一時(shí)刻電機(jī)繞組電流的數(shù)據(jù)集；θ(t)表示數(shù)據(jù)庫(kù)中t時(shí)刻電機(jī)的電角度；te(t)表示t時(shí)刻電機(jī)的電角度，udc(t)表示t時(shí)刻電機(jī)的相電壓；特征量按時(shí)間順序依次輸入到bp神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行模型訓(xùn)練。

23、進(jìn)一步的，所述步驟s4中將訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)模型作為數(shù)字孿生虛擬電機(jī)，并采用下采樣技術(shù)實(shí)時(shí)采集物理實(shí)體電機(jī)運(yùn)行時(shí)同一時(shí)刻的電角度、轉(zhuǎn)矩和相電壓數(shù)據(jù)，采集到的實(shí)時(shí)數(shù)據(jù)通過(guò)流式數(shù)據(jù)的形式輸入進(jìn)數(shù)字孿生虛擬電機(jī)模型中得到數(shù)字孿生虛擬電機(jī)繞組電流ipn，并通過(guò)滑動(dòng)窗口方法處理歷史數(shù)據(jù)，模型在每個(gè)時(shí)間步驟只保留最近一個(gè)基波周期的數(shù)據(jù)點(diǎn)作為在線訓(xùn)練的實(shí)時(shí)的訓(xùn)練集。

24、進(jìn)一步的，所述步驟s5中在t時(shí)刻的電機(jī)繞組電流的電流殘差ierror_n為：

25、ierror_n(t)＝irn(t)-ipn(t)

26、其中irn(t)為t時(shí)刻物理實(shí)體電機(jī)繞組實(shí)際電流，ipn(t)為t時(shí)刻數(shù)字孿生虛擬電機(jī)繞組電流，所述步驟s6中電機(jī)繞組的電流殘差的差分值δi為：

27、

28、其中tn為tn-1后一時(shí)刻；

29、對(duì)在線診斷的判斷依據(jù)為：

30、

31、其中d1為設(shè)定的在線診斷閾值。

32、進(jìn)一步的，所述步驟s7中診斷變量kn的公式為：

33、kn＝i1+i2

34、其中i1為故障后0.5個(gè)的電流基波周期的采樣電流值，i2為故障后0.75個(gè)的電流基波周期的采樣電流值；

35、對(duì)故障定位的判斷依據(jù)為：

36、

37、進(jìn)一步的，所述五相永磁同步電機(jī)驅(qū)動(dòng)系統(tǒng)由五相永磁容錯(cuò)電機(jī)和一套五相半橋逆變器構(gòu)成，功率開(kāi)關(guān)管t1、t2、t3、t4、t5、t6、t7、t8、t9、t10構(gòu)成了五相半橋逆變器的上下橋臂，逆變器母線端為udc直流供電，所述五相永磁容錯(cuò)電機(jī)采用10槽8極分?jǐn)?shù)槽雙層集中繞組結(jié)構(gòu)，兩相槽間隔電角度為144°，繞組無(wú)重疊，轉(zhuǎn)子采用表貼式永磁體結(jié)構(gòu)，離心高度為5mm。

38、本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下有益效果：

39、(1)本發(fā)明提供的一種五相電機(jī)開(kāi)路故障診斷方法，無(wú)需采集電機(jī)各種故障的數(shù)據(jù)，只需要電機(jī)正常運(yùn)行數(shù)據(jù)即可對(duì)故障進(jìn)行診斷，極大降低了診斷數(shù)據(jù)采集的難度。

40、(2)本發(fā)明提供的一種五相電機(jī)開(kāi)路故障診斷方法，無(wú)需提前了解電機(jī)精確的參數(shù)即可得到準(zhǔn)確的電機(jī)繞組電流。

41、(3)本發(fā)明提供的一種五相電機(jī)開(kāi)路故障診斷方法，所提出的下采樣技術(shù)，能夠非常精確的采集同一時(shí)刻下電機(jī)的不同參數(shù)數(shù)據(jù)，保證了各參數(shù)數(shù)據(jù)的時(shí)間一致性，保證了訓(xùn)練數(shù)據(jù)的有效性。

42、(4)本發(fā)明提供的一種五相電機(jī)開(kāi)路故障診斷方法，bp神經(jīng)網(wǎng)絡(luò)模型是使用實(shí)際運(yùn)行時(shí)的健康數(shù)據(jù)進(jìn)行訓(xùn)練的，因此它可以比基于觀察者的數(shù)學(xué)模型更準(zhǔn)確地復(fù)制目標(biāo)運(yùn)動(dòng)的狀態(tài)。

43、(5)本發(fā)明提供的一種五相電機(jī)開(kāi)路故障診斷方法，采用隨機(jī)森林模型提取訓(xùn)練所需要特征量，無(wú)需將所有的特征參數(shù)作為輸入，減少了模型訓(xùn)練時(shí)間并且保證了模型的準(zhǔn)確性。

44、(6)本發(fā)明提供的一種五相電機(jī)開(kāi)路故障診斷方法，其診斷速度極快，診斷算法簡(jiǎn)單，優(yōu)于一般的在線診斷方法，并且不需要制定復(fù)雜的閾值。

45、(7)本發(fā)明供的一種五相電機(jī)開(kāi)路故障診斷方法，采用電流殘差的差分值作為判斷是否發(fā)生故障的標(biāo)準(zhǔn)，具有很強(qiáng)的魯棒性，能夠很好的防止誤診斷。