基于卷积神经网络的逆变器故障诊断方法

doi:10.19562/j.chinasae.qcgc.2022.01.017

摘要/Abstract

摘要：

针对车用永磁同步电机驱动系统在长期运行过程中存在的逆变器故障风险，本文中提出了一种基于卷积神经网络的逆变器故障诊断方法。首先，对三相定子电流数据进行标幺化和单位电周期电流数据筛选处理，降低电机驱动系统变转矩、变转速工况对故障诊断效果的影响；然后，结合卷积神经网络，发挥其提取故障特征和抗噪优势，实现逆变器故障诊断。在MATLAB/Simulink环境中搭建了车用永磁同步电机驱动系统模型，通过故障注入仿真数据和实验数据构建用于卷积神经网络训练的数据集，验证了所提出故障诊断方法的有效性。同时，探究了训练样本数据集稀疏化和电机型号差异化情况的适用性。仿真结果表明：在噪声数据和稀疏数据条件下，本文中提出的故障诊断方法具有很好的鲁棒性和普适性。

关键词: 逆变器, 三相定子电流, 卷积神经网络, 故障诊断

Abstract:

For the risk of inverter failure in the permanent magnet synchronous motor （PMSM） drive system of the electric vehicles during long-term operation， a fault diagnosis method based on convolutional neural network （CNN） is proposed in this paper. Firstly， three-phase stator current data is normalized and filtered to an electric cycle current data， reducing the impact of variable torque and variable speed conditions of the motor drive system on the fault diagnosis effect. Then， the CNN， for the advantage of fault feature extraction and noise immunity， is used for inverter fault diagnosis. In MATLAB/Simulink， the PMSM drive system model of the electric vehicle is built. The fault injection simulation and experimental data is used to construct the dataset for the CNN， and the effectiveness of the proposed fault diagnosis method is verified. In addition， the applicability of the method is explored in the case of training sample dataset sparsification and motor model differentiation.The simulation results show that the fault diagnosis method proposed in this paper is robust and universal under the conditions of noise data and sparse data.

Key words: inverter, three-phase stator current, convolutional neural network, fault diagnosis

于海,邓钧君,王震坡,孙逢春. 基于卷积神经网络的逆变器故障诊断方法[J]. 汽车工程, 2022, 44(1): 142-152.

Hai Yu,Junjun Deng,Zhenpo Wang,Fengchun Sun. Inverter Fault Diagnosis Method Based on Convolutional Neural Network[J]. Automotive Engineering, 2022, 44(1): 142-152.

图/表 16

图1

图2

表1

永磁同步电机驱动系统模型参数"

参量	符号	数值
参量	符号	模型1	模型2	平台1
极对数	$p$	8	4	4
永磁磁链	$ψ m$ /Wb	0.043 7	0.016 54	0.483 33
交轴电感	$L q$ /H	2.975 8×10^-4	5×10^-5	0.002
直轴电感	$L d$ /H	2.436 8×10^-4	5×10^-5	0.002
定子电阻	$R s$ /Ω	0.010 1	0.007 9	0.31
电源电压	$U d c$ /V	325	60	400
采样频率	$f s$ /kHz	10	20	10
IGBT开关频率	$f s w$ /kHz	10	20	10

表1

图3

表2

图4

图5

图6

图7

图8

图9

图10

表3

图11

图12

图13

参考文献 18

1	LU B， SHARMA S K. A literature review of IGBT fault diagnostic and protection methods for power inverters ［J］. IEEE Transactions on Industry Applications， 2008， 45（5）：1770-1777.
2	MING C， HANG J， ZHANG J. Overview of fault diagnosis theory and method for permanent magnet machine ［J］. Chinese Journal of Electrical Engineering， 2017， 1（1）：21-36.
3	陈超波，王霞霞，高嵩，等.基于区间滑模观测器的逆变器开路故障诊断方法［J］.中国电机工程学报，2020，40（14）：4569-4579.
	CHENG C， WANG X， GAO S， et al. A diagnosis method for open-circuit faults in inverters based on interval sliding mode observer ［J］. Proceedings of the Chinese Society of Electrical Engineering， 2020，40（14）：4569-4579.
4	KOMMURI S K， LEE S B， VELUVOLU K C. Robust sensors-fault-tolerance with sliding mode estimation and control for PMSM drives ［J］. IEEE/ASME Transactions on Mechatronics， 2017：1-1.
5	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.
	WANG Q， WANG Y， ZHANG Z， et al. A diagnosis method for inverter open-circuit faults of brushless DC motor driver systems ［J］. Proceedings of the Chinese Society of Electrical Engineering， 2013，33（24）：114-120.
6	甘醇，吴建华，杨仕友.基于小波包能量分析的开关磁阻电机功率变换器故障诊断［J］.中国电机工程学报，2014，34（9）：1415-1422.
	GAN C， WU J， YANG S. Fault diagnosis of power converters for switched reluctance motors based on wavelet packet energy analysis ［J］. Proceedings of the Chinese Society of Electrical Engineering， 2014，34（9）：1415-1422.
7	MIN Z， HU W， KAR N C. Torque-ripple-based interior permanent-magnet synchronous machine rotor demagnetization fault detection and current regulation ［J］. IEEE Transactions on Industry Applications， 2017， 53（3）：1.
8	崔博文，任章. 基于傅里叶变换和神经网络的逆变器故障检测与诊断［J］. 电工技术学报， 2006， 21（7）：37-43.
	CUI B， REN Z. Fault detection and isolation of inverter based on fft and neural network ［J］. Transactions of China Electrotechnical Society， 2006， 21（7）：37-43.
9	CAI B， ZHAO Y， LIU H， et al. A data-driven fault diagnosis methodology in three-phase inverters for pmsm drive systems ［J］. IEEE Transactions on Power Electronics， 2017， 32（7）：5590-5600.
10	OSSAMA， ABDEL-HAMID， ABDEL-RAHMAN， et al. Convolutional neural networks for speech recognition ［J］. IEEE/ACM Transactions on Audio， Speech and Language Processing （TASLP）， 2014， 22（10）：1533-1545.
11	LECUN Y A， BENGIO Y O. Convolutional networks for images， speech， and time series ［M］. MIT Press， 1998.
12	SUN W， ZHAO R， YAN R， et al. Convolutional discriminative feature learning for induction motor fault diagnosis ［J］. IEEE Transactions on Industrial Informatics， 2017，13（3）：1350-1359.
13	SUN W， SHAO S， ZHAO R， et al. A sparse auto-encoder-based deep neural network approach for induction motor faults classification ［J］. Measurement， 2016，89：171-178.
14	孙文珺，邵思羽，严如强.基于稀疏自动编码深度神经网络的感应电动机故障诊断［J］.机械工程学报，2016，52（9）：65-71.
	SUN W， SHAO S， YAN R. Induction motor fault diagnosis based on deep neural network of sparse auto-encoder ［J］. Journal of Mechanical Engineering， 2016，52（9）：65-71.
15	肖雄，肖宇雄，张勇军，等.基于二维灰度图的数据增强方法在电机轴承故障诊断的应用研究［J］.中国电机工程学报，2021，41（2）：738-749.
	XIAO X， XIAO Y， ZHANG Y， et al. Research on the application of the data augmentation method based on 2D gray pixel images in the fault diagnosis of motor bearing ［J］. Proceedings of the Chinese Society of Electrical Engineering， 2021，41（2）：738-749.
16	赵书涛，王二旭，陈秀新，等.声振信号联合1D-CNN的大型电机故障诊断方法［J］.哈尔滨工业大学学报，2020，52（9）：116-122.
	ZHAO S， WANG E， CHEN X， et al. Fault diagnosis method for large motor based on sound-vibration signal combined with 1D-CNN ［J］. Journal of Harbin Institute of Technology， 2020，52（9）：116-122.
17	李垣江，张周磊，李梦含，等.采用深度学习的永磁同步电机匝间短路故障诊断方法［J］.电机与控制学报，2020，24（9）：173-180.
	LI H， ZHANG Z， LI M， et al. Fault diagnosis of inter-turn short circuit of permanent magnet synchronous motor based on deep learning ［J］. Electric Machines and Control， 2020，24（9）：173-180.
18	马立玲，刘潇然，沈伟，等.基于一种改进的一维卷积神经网络电机故障诊断方法［J］.北京理工大学学报，2020，40（10）：1088-1093.
	MA L， LIU X， SHEN W， et al. Motor fault diagnosis method based on an improved one-dimensional convolutional neural network ［J］. Transaction of Beijing Institute of Technology， 2020，40（10）：1088-1093.

故障情况	故障位置
正常	无（N）
半导体功率开关管开路故障	IGBT1（K1）	IGBT2（K2）	IGBT3（K3）	IGBT4（K4）	IGBT5（K5）	IGBT6（K6）
相电路开路故障	A相电路（D1）		B相电路（D2）		C相电路（D3）
电流传感器信号丢失故障	A相电流传感器（C1）		B相电流传感器（C2）		C相电流传感器（C3）

[1]	张鹏博, 陈仁祥, 邵毅明, 孙世政, 闫凯波. 纯电动汽车电驱动系统故障诊断研究进展[J]. 汽车工程, 2024, 46(1): 61-74.
[2]	管欣,仲昭辉,詹军,奚腾龙,叶昊,高深圳,成健,廖世辉,蔡均. 基于卷积神经网络的汽车操纵稳定性试验类型识别方法[J]. 汽车工程, 2023, 45(9): 1765-1771.
[3]	王明,唐小林,杨凯,李国法,胡晓松. 考虑预测风险的自动驾驶车辆运动规划方法[J]. 汽车工程, 2023, 45(8): 1362-1372.
[4]	张雷, 关可人, 丁晓林, 郭鹏宇, 王震坡, 孙逢春. 基于图像识别与动力学融合的路面附着系数估计方法[J]. 汽车工程, 2023, 45(7): 1222-1234.
[5]	赵霞,李朝,付锐,葛振振,王畅. 基于深度卷积-Tokens降维优化视觉Transformer的分心驾驶行为实时检测[J]. 汽车工程, 2023, 45(6): 974-988.
[6]	洪吉超,梁峰伟,杨海旭,李克瑞. 大数据驱动动力电池智能安全管理与控制方法研究[J]. 汽车工程, 2023, 45(10): 1845-1861.
[7]	毕贵红,谢旭,蔡子龙,骆钊,陈臣鹏,赵鑫. 动态条件下基于深度学习的锂电池容量估计[J]. 汽车工程, 2022, 44(6): 868-878.
[8]	张奇祥,靳立强,靳博豪,张伊晗,陈鹏飞,刘永腾,李建华. EMB夹紧力控制与传感器故障诊断研究进展[J]. 汽车工程, 2022, 44(5): 736-746.
[9]	冯润泽,江昆,于伟光,杨殿阁. 基于两阶段分类算法的中国交通标志牌识别[J]. 汽车工程, 2022, 44(3): 434-441.
[10]	夏祥腾,王大方,曹江,赵刚,张京明. 基于稀疏卷积神经网络的车载激光雷达点云语义分割方法[J]. 汽车工程, 2022, 44(1): 26-35.
[11]	施冬梅,肖锋. 基于改进长短时记忆网络的驾驶行为检测方法研究[J]. 汽车工程, 2021, 43(8): 1203-1209.
[12]	靳莹,乔新勇,顾程,郭浩,宁初明. 基于Res⁃CNN和燃油压力波的柴油机喷油器故障诊断方法[J]. 汽车工程, 2021, 43(6): 943-951.
[13]	张莉,高兴奇,张健豪. 基于平均-差异模型的电池组短路电流估计[J]. 汽车工程, 2021, 43(11): 1702-1709.
[14]	王海, 王宽, 蔡英凤, 刘泽, 陈龙. 基于改进级联卷积神经网络的交通标志识别^*[J]. 汽车工程, 2020, 42(9): 1256-1262.
[15]	朱绍鹏, 傅琪涛, 黄小燕, 王志威, 杨兴浩. 分布式四驱电动汽车电机故障诊断及失效控制^*[J]. 汽车工程, 2020, 42(9): 1284-1291.