论文部分内容阅读
摘要：为了实现无刷直流电机控制器中IGBT开路故障的定位，该文采用短时傅里叶分析结合卷积神经网络的故障诊断方法。首先基于无刷直流电机的数学模型仿真双闭环控制系统，采样IGBT不同故障状态下电机输出的三相电流。其次通过短时傅里叶变换进行时频变换，获得电流故障信号的时频图像。最后利用卷积神经网络对时频特征图像进行故障诊断和定位，结果表明该方法能够准确识别IGBT的开路故障。
关键词：无刷直流电机;IGBT;故障诊断;短时傅里叶变换;卷积神经网络
中图分类号：TP311 文献标识码：A
文章编号：1009-3044（2021）30-0148-03
开放科学（资源服务）标识码（OSID）：
Fault Diagnosis of Brushless DC Motor Controller
ZOU Shuang，ZHU Jian-guang
（Shenyang University of Technology，Shenyang 110870，China）
Abstract：In order to realize the location of IGBT open circuit fault in Brushless DC motor controller， this paper adopts the fault diagnosis method of short-time Fourier analysis combined with convolution neural network. Firstly， based on the mathematical model of Brushless DC motor， the double closed-loop control system is simulated， and the three-phase current of motor output under different fault states of IGBT is sampled. Secondly， the time-frequency image of current fault signal is obtained by short-time Fourier transform. Finally， convolution neural network is used to diagnose and locate the fault of time-frequency feature image. The results show that the method can accurately identify the open circuit fault of IGBT.
Keywords：Brushless DC motor; IGBT; fault diagnosis; short time Fourier transform; convolution neural network
無刷直流电机因其运行高效、调速性能较好，逐渐成为工业领域中的一种主流驱动电机[1]。而逆变器作为整个控制器的驱动核心，若发生开路故障，虽然不会导致系统立即停机，但若不及时维护，将会带来不可估计的严重损失[2]，因此研究无刷直流电机控制器的故障诊断具有重要意义和价值。
逆变器的开路故障大多是由开关管IGBT引起，故障时电流、电压信号会发生变化，可以作为电机故障诊断的依据 [3]。文献[4]基于无刷直流电机的数学模型，采用连续时间参数估计的方法实现故障检测和定位。然而由于电机运行工况复杂，基于模型的方法无法满足实时的在线检测，因此可利用短时傅里叶变换等信号处理手段直接分析可测信号的时频域变化。文献[5]采用短时傅里叶变换结合主成分分析方法，分析定子电流频率随时间的变化，实现可变速情况下的电机故障诊断。随着深度学习、人工智能的发展，智能化的故障诊断方法得到广泛应用。文献[6]利用变分模态分解将故障信号分解为若干分量，结合卷积神经网络实现逆变器故障诊断，具有较高的诊断精度。
依据短时傅里叶变换精确的时频分析能力和神经网络深层的特征提取能力，结合短时傅里叶变换和卷积神经网络，实现无刷直流电机控制器的故障定位。
1故障仿真分析
在无刷直流电机控制系统中，控制器一般由整流滤波和逆变器组成，拓扑结构如图1所示。
其中逆变部分由6个IGBT功率管组成，采用两两导通的工作方式驱动电机正常运转，若其发生开路故障，电机输出的电流信号受控制器的影响而发生畸变，不再对称，此时电机工作在非平衡状态，且电机三相电流与直流侧输出电流满足如下关系式：
为了采集故障信号，本文依据无刷直流电机的数学模型，在Simulink中通过模拟仿真设计双闭环控制系统，如图2所示，其中电流为内环，抑制了周围的电压波动，响应速度快;速度为外环，采用PID调节抑制了负载的波动，该系统能够跟踪额定转速，实现电机稳定运行[7]。
利用开关控制IGBT的通断，模拟各种故障状态，采集故障电流信号波形，若把无故障看作一种特殊的故障类型，且最多有两路同时发生故障情况来考虑，可以将故障类型分为单管和双管故障共计22种。
2短时傅里叶变换
短时傅里叶变换能够对非平稳的时变信号进行时间和频率域的联合时频分析，将无刷直流电机控制器的一维故障信号转变为二维时频图像。通过设置固定窗口截取信号的时域信息，并进行傅里叶变换，得到局部频谱信息，利用滑动窗口获得时间域内的频谱特征，即可得到故障信号的时频分布，计算公式如下[8]：
Step1：读取数据并进行预处理，采用奈奎斯特频率进行时域采样。 Step2：确定窗函数的类型，并根据（3）式计算窗口宽度。
Step3：确定移动步长，并根据（2）式进行短时傅里叶变换获得局部频谱。
Step4：结合时间和局部频谱得到故障的时频图像，进行特征提取。
3卷积神经网络模型
卷积神经网络能够有效地实现对深层次局部特征的信息获取和分类，含有卷积、池化和全连接层[9]。
（1）卷积层：利用卷积操作获取输入的局部特征，计算过程为：
（2）激活函数：根据模型特点和信号分类方式，采用ReLu函数作为每一层的激活函数，实现非线性变换，表达式为：
（3）池化层：利用滑动窗口实现特征不变的降维，进行二次特征提取，包含最大池化、平均池化和随机池化。
（4）全连接层：对卷积和池化操作获得的全部特征进行分类，由于本文处理的是一种多分类问题，因此使用交叉熵损失函数衡量模型的性能，计算公式为[10]：
综合以上原理分析，本文设计的卷积网络模型包含5个卷积和3个全连接层，为了避免过拟合引入Dropout层，设置概率为0.2，随机舍弃隐藏层的部分神经元，减少训练参数，并采用Adam梯度下降算法来更新网络参数，实现了一种自适应调整学习率的效果。
4基于STFT-CNN的故障诊断模型
4.1数据采集
4.2数据分析
通过MATLAB程序读取电机稳定运行0.05s后的故障电流数据，经过短时傅里叶变换转换为时频图像，构建数据集作为卷积网络的输入，以T2管故障為例，A相电流故障的时频图像如图4所示。
4.3诊断流程
采用STFT-CNN方法对电机进行故障诊断时，具体流程为：
Step1：对采集到的电流故障数据进行预处理后，利用短时傅里叶变换变为时频图像，并划分为训练、测试和验证集。
Step2：构建卷积神经网络模型，并设置网络参数，输入训练集进行模型学习和训练。
Step3：在训练过程中输入验证集，不断更新参数，优化模型。
Step4：将测试集输入到训练好的模型中，进行验证，得到测试结果。
Step5：结果分析。
4.4诊断结果
设置迭代步长为100，每次随机输入50个样本，则训练和测试过程准确度和损失曲线分别如图5所示：
在训练集中，准确率与损失变化一致，当迭代70步左右时，损失下降到最低，准确率稳定在97.6%左右。在测试集中，损失下降到最低，准确率稳定在97.2 %左右。
5结论
综上所述，本文采用的短时傅里叶变换和卷积神经网络的无刷直流电机控制器故障诊断模型，采用STFT将采集到的电流信号转换为时频图，并通过卷积神经网络实现特征提取和故障识别，诊断结果表明，该方法具有较高的训练精度和准确性。
参考文献：
[1] 周杨，马瑞卿，李添幸，等.无刷直流电机逆变器双管开路故障仿真研究[J].微电机，2016，49（12）：70-75.
[2] 王霞霞，陈超波，高嵩.逆变器开关管故障诊断方法综述[J].计算机测量与控制，2019，27（8）：1-6.
[3] 王强，王友仁，张子富，等.无刷直流电机驱动系统逆变器的开路故障诊断[J].中国电机工程学报，2013，33（24）：114-120，17.
[4] Dobra P，DobraM，MogaD，etal.Model based fault detection for electrical drives with BLDC motor[C]//2014 IEEE International Conference on Automation，Quality and Testing，Robotics.May22-24，2014，Cluj-Napoca，Romania.IEEE，2014：1-5.
[5] KhodjaM EA，AimerAF，BoudinarAH，etal.Bearingfault diagnosis of a PWM inverter fed-induction motor using an improved short time Fourier transform[J].Journal of Electrical Engineering & Technology，2019，14（3）：1201-1210.
[6] 姜媛媛，张书婷.基于改进的VMD和CNN神经网络的光伏逆变器软故障诊断方法研究[J].电测与仪表，2021，58（2）：158-163.
[7] 张克涵，狄正飞，刘晓强，等.基于Matlab无刷直流电机双闭环调速系统仿真研究[J].微电机，2015，48（2）：44-48.
[8] 李恒，张氢，秦仙蓉，等.基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法[J].振动与冲击，2018，37（19）：124-131.
[9] 王骁贤，张保华，陆思良.基于连续小波变换和卷积神经网络的无刷直流电机故障诊断[J].机械与电子，2018，36（6）：29-32.
[10] 赖文辉.基于深度学习理论的中文文本分类技术研究[D].广州：华南理工大学，2019.
【通联编辑：代影】
关键词：无刷直流电机;IGBT;故障诊断;短时傅里叶变换;卷积神经网络
中图分类号：TP311 文献标识码：A
文章编号：1009-3044（2021）30-0148-03
开放科学（资源服务）标识码（OSID）：
Fault Diagnosis of Brushless DC Motor Controller
ZOU Shuang，ZHU Jian-guang
（Shenyang University of Technology，Shenyang 110870，China）
Abstract：In order to realize the location of IGBT open circuit fault in Brushless DC motor controller， this paper adopts the fault diagnosis method of short-time Fourier analysis combined with convolution neural network. Firstly， based on the mathematical model of Brushless DC motor， the double closed-loop control system is simulated， and the three-phase current of motor output under different fault states of IGBT is sampled. Secondly， the time-frequency image of current fault signal is obtained by short-time Fourier transform. Finally， convolution neural network is used to diagnose and locate the fault of time-frequency feature image. The results show that the method can accurately identify the open circuit fault of IGBT.
Keywords：Brushless DC motor; IGBT; fault diagnosis; short time Fourier transform; convolution neural network
無刷直流电机因其运行高效、调速性能较好，逐渐成为工业领域中的一种主流驱动电机[1]。而逆变器作为整个控制器的驱动核心，若发生开路故障，虽然不会导致系统立即停机，但若不及时维护，将会带来不可估计的严重损失[2]，因此研究无刷直流电机控制器的故障诊断具有重要意义和价值。
逆变器的开路故障大多是由开关管IGBT引起，故障时电流、电压信号会发生变化，可以作为电机故障诊断的依据 [3]。文献[4]基于无刷直流电机的数学模型，采用连续时间参数估计的方法实现故障检测和定位。然而由于电机运行工况复杂，基于模型的方法无法满足实时的在线检测，因此可利用短时傅里叶变换等信号处理手段直接分析可测信号的时频域变化。文献[5]采用短时傅里叶变换结合主成分分析方法，分析定子电流频率随时间的变化，实现可变速情况下的电机故障诊断。随着深度学习、人工智能的发展，智能化的故障诊断方法得到广泛应用。文献[6]利用变分模态分解将故障信号分解为若干分量，结合卷积神经网络实现逆变器故障诊断，具有较高的诊断精度。
依据短时傅里叶变换精确的时频分析能力和神经网络深层的特征提取能力，结合短时傅里叶变换和卷积神经网络，实现无刷直流电机控制器的故障定位。
1故障仿真分析
在无刷直流电机控制系统中，控制器一般由整流滤波和逆变器组成，拓扑结构如图1所示。
其中逆变部分由6个IGBT功率管组成，采用两两导通的工作方式驱动电机正常运转，若其发生开路故障，电机输出的电流信号受控制器的影响而发生畸变，不再对称，此时电机工作在非平衡状态，且电机三相电流与直流侧输出电流满足如下关系式：
为了采集故障信号，本文依据无刷直流电机的数学模型，在Simulink中通过模拟仿真设计双闭环控制系统，如图2所示，其中电流为内环，抑制了周围的电压波动，响应速度快;速度为外环，采用PID调节抑制了负载的波动，该系统能够跟踪额定转速，实现电机稳定运行[7]。
利用开关控制IGBT的通断，模拟各种故障状态，采集故障电流信号波形，若把无故障看作一种特殊的故障类型，且最多有两路同时发生故障情况来考虑，可以将故障类型分为单管和双管故障共计22种。
2短时傅里叶变换
短时傅里叶变换能够对非平稳的时变信号进行时间和频率域的联合时频分析，将无刷直流电机控制器的一维故障信号转变为二维时频图像。通过设置固定窗口截取信号的时域信息，并进行傅里叶变换，得到局部频谱信息，利用滑动窗口获得时间域内的频谱特征，即可得到故障信号的时频分布，计算公式如下[8]：
Step1：读取数据并进行预处理，采用奈奎斯特频率进行时域采样。 Step2：确定窗函数的类型，并根据（3）式计算窗口宽度。
Step3：确定移动步长，并根据（2）式进行短时傅里叶变换获得局部频谱。
Step4：结合时间和局部频谱得到故障的时频图像，进行特征提取。
3卷积神经网络模型
卷积神经网络能够有效地实现对深层次局部特征的信息获取和分类，含有卷积、池化和全连接层[9]。
（1）卷积层：利用卷积操作获取输入的局部特征，计算过程为：
（2）激活函数：根据模型特点和信号分类方式，采用ReLu函数作为每一层的激活函数，实现非线性变换，表达式为：
（3）池化层：利用滑动窗口实现特征不变的降维，进行二次特征提取，包含最大池化、平均池化和随机池化。
（4）全连接层：对卷积和池化操作获得的全部特征进行分类，由于本文处理的是一种多分类问题，因此使用交叉熵损失函数衡量模型的性能，计算公式为[10]：
综合以上原理分析，本文设计的卷积网络模型包含5个卷积和3个全连接层，为了避免过拟合引入Dropout层，设置概率为0.2，随机舍弃隐藏层的部分神经元，减少训练参数，并采用Adam梯度下降算法来更新网络参数，实现了一种自适应调整学习率的效果。
4基于STFT-CNN的故障诊断模型
4.1数据采集
4.2数据分析
通过MATLAB程序读取电机稳定运行0.05s后的故障电流数据，经过短时傅里叶变换转换为时频图像，构建数据集作为卷积网络的输入，以T2管故障為例，A相电流故障的时频图像如图4所示。
4.3诊断流程
采用STFT-CNN方法对电机进行故障诊断时，具体流程为：
Step1：对采集到的电流故障数据进行预处理后，利用短时傅里叶变换变为时频图像，并划分为训练、测试和验证集。
Step2：构建卷积神经网络模型，并设置网络参数，输入训练集进行模型学习和训练。
Step3：在训练过程中输入验证集，不断更新参数，优化模型。
Step4：将测试集输入到训练好的模型中，进行验证，得到测试结果。
Step5：结果分析。
4.4诊断结果
设置迭代步长为100，每次随机输入50个样本，则训练和测试过程准确度和损失曲线分别如图5所示：
在训练集中，准确率与损失变化一致，当迭代70步左右时，损失下降到最低，准确率稳定在97.6%左右。在测试集中，损失下降到最低，准确率稳定在97.2 %左右。
5结论
综上所述，本文采用的短时傅里叶变换和卷积神经网络的无刷直流电机控制器故障诊断模型，采用STFT将采集到的电流信号转换为时频图，并通过卷积神经网络实现特征提取和故障识别，诊断结果表明，该方法具有较高的训练精度和准确性。
参考文献：
[1] 周杨，马瑞卿，李添幸，等.无刷直流电机逆变器双管开路故障仿真研究[J].微电机，2016，49（12）：70-75.
[2] 王霞霞，陈超波，高嵩.逆变器开关管故障诊断方法综述[J].计算机测量与控制，2019，27（8）：1-6.
[3] 王强，王友仁，张子富，等.无刷直流电机驱动系统逆变器的开路故障诊断[J].中国电机工程学报，2013，33（24）：114-120，17.
[4] Dobra P，DobraM，MogaD，etal.Model based fault detection for electrical drives with BLDC motor[C]//2014 IEEE International Conference on Automation，Quality and Testing，Robotics.May22-24，2014，Cluj-Napoca，Romania.IEEE，2014：1-5.
[5] KhodjaM EA，AimerAF，BoudinarAH，etal.Bearingfault diagnosis of a PWM inverter fed-induction motor using an improved short time Fourier transform[J].Journal of Electrical Engineering & Technology，2019，14（3）：1201-1210.
[6] 姜媛媛，张书婷.基于改进的VMD和CNN神经网络的光伏逆变器软故障诊断方法研究[J].电测与仪表，2021，58（2）：158-163.
[7] 张克涵，狄正飞，刘晓强，等.基于Matlab无刷直流电机双闭环调速系统仿真研究[J].微电机，2015，48（2）：44-48.
[8] 李恒，张氢，秦仙蓉，等.基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法[J].振动与冲击，2018，37（19）：124-131.
[9] 王骁贤，张保华，陆思良.基于连续小波变换和卷积神经网络的无刷直流电机故障诊断[J].机械与电子，2018，36（6）：29-32.
[10] 赖文辉.基于深度学习理论的中文文本分类技术研究[D].广州：华南理工大学，2019.
【通联编辑：代影】