基于数字孪生的永磁同步电机故障诊断技术研究

龙玉江,王杰峰,钱俊凤,赵文彬

(1.贵州电网有限责任公司 信息中心, 贵阳 550000;2.上海电力大学,上海 201306)

0 引 言

电机在电力系统和动力系统中发挥着重要作用[1],永磁同步电机因其转矩密度高、可调速度范围宽等优势,应用于众多行业[2-3],例如电动汽车[4]、飞机[5]、风力发电[6]等。永磁同步电机运行的可靠性和稳定性对于整个系统的安全运行具有重要意义,如果电机出现故障,就可能会导致系统停机,带来经济损失,严重情况下甚至危及工作人员的生命安全[7],因此,对永磁同步电机进行故障诊断与分析是十分重要的。

永磁同步电机的故障类型主要包括机械故障[8]、永磁体故障[9]和电气故障[10]。匝间短路故障和退磁故障是常见的永磁同步电机故障类型[11],会影响系统运行的稳定性,严重时会损坏电机。现阶段,匝间短路故障的诊断主要依靠电流特性分析,该方法通过检测电流谐波,对谐波进行FFT频域分析和故障诊断[12],但是匝间短路引起的电流谐波分量和正常运行状态下产生的谐波分量会出现重叠部分,而且受环境因素的影响较大,因此该方法的准确性不高。退磁故障主要依靠信号变换方法,例如傅里叶变换[13]、小波变换[14]等,该方法对硬件的要求较高,并且多种故障类型会产生相同的故障频率分量,检测精度不高。

鉴于上述问题,本文介绍一种基于数字孪生的永磁同步电机故障诊断方法。首先,通过建立几何模型、分析模型和孪生模型,构建永磁同步电机的数字孪生模型,然后,在此模型基础上,与基于深度学习的故障诊断技术相结合,提出闭环的数字孪生故障诊断系统,形成智能化的永磁同步电机故障诊断方法。

1 数字孪生框架

根据数字孪生技术所要实现的功能,本文设计了如图1所示的数字孪生架构。第一层为物理实体,包括运行中的永磁同步电机设备、数据感知设备等实体。第二层为交互层,包括测量感知、数据传输、数据处理三部分。测量感知是通过相关技术实时感知电机的运行参数和环境信息;数据传输需要选择合适的设备进行通讯协议、数据的传输方式等;数据处理主要对采集的数据进行格式统一、加工、清洗等处理。第三层为数字孪生模型层,包括建模与仿真两个部分:建模主要是对永磁同步电机物理实体进行虚拟映射,可以通过CAD、3D扫描仪等方法创建模型;仿真是使用模型进行零部件之间的装配约束、运动仿真。第四层为用户层,工作人员可以通过人机结构、应用软件实现故障诊断功能。

图1 数字孪生架构

2 永磁同步电机数字孪生模型构建

永磁同步电机虚拟模型主要包括几何模型、分析模型和孪生模型,由永磁同步电机实体构建永磁同步电机的几何模型,在几何模型基础上进行数据的仿真分析,最后构建出永磁同步电机的孪生模型,具体如图2所示。

2.1 永磁同步电机几何模型构建

几何模型是指在数字化空间中对物理对象进行简化和抽象,是进行虚拟仿真的基础。永磁同步电机的几何模型建模主要通过CAD和SolidWorks实现,用来描述电机的几何参数和零件间的装配关系。

永磁同步电机主要由定子和转子两大部分组成。定子由定子铁心和电枢绕组构成。转子是由永磁体、转子铁心和轴承组成。以上结构的几何参数和装配关系构成了永磁同步电机的几何模型。

2.2 永磁同步电机分析模型构建

分析模型是根据永磁同步电机的数学控制模型对永磁同步电机的运行状态进行仿真,对永磁同步电机故障进行分析。一方面,其仿真结果可以作为数字孪生故障诊断的数据集;另一方面,可以验证诊断结果的准确性。

2.2.1 永磁同步电机健康数学模型

永磁同步电机在a,b,c坐标系下的健康数学模型:

(1)

λs,abc=Lshis,abc+λPM,abc

(2)

永磁体产生的磁链:

(3)

式中:λPM为磁链幅值;θ为转子电角位置。

通过式(1)～式(3)建立永磁同步电机模型,该模型可以用于退磁故障诊断。

退磁故障时磁通损耗不仅降低电动机效率,还可能产生磁力谐波,从而引起噪声、振动并增加铜损。另外,由于功率因数的变化,气隙磁通量分布的变化将导致电机中的电磁转矩降低。

2.2.2 永磁同步电机匝间短路数学模型

永磁同步电机A相匝间短路故障模型如图3所示。A相发生匝间短路故障相当于在A相增加一个短路回路,回路电阻用Rf表示,故障电流为if,ea、eb、ec为三相反电动势,健康部分为ea1,故障部分为ea2。

图3 A相匝间短路示意图

永磁同步电机匝间短路故障电气方程:

Vsf,abc=Rsfisf,abc+Lsf

(4)

永磁同步电机匝间短路时的转矩方程:

(5)

式中:ωr为转子机械角速度。

永磁同步电机发生匝间短路故障时,电机结构不再对称,进而使电机的转速、转矩发生不同程度的波动。

2.3 永磁同步电机孪生模型构建

孪生模型是将电机的实时运行状态映射到虚拟空间中。该模型以构建的几何模型为基础,通过模型对数据进行模拟分析,获取永磁同步电机的实际运行状态,对数字孪生模型进行修正和更新。孪生模型构建的关键是永磁同步电机孪生数据的获取和物理实体、孪生数据、虚拟模型之间的连接。

孪生数据是构建孪生模型的根源,其将多种类、多维度的数据融合起来,将物理实体的运行状态全面的映射出来。永磁同步电机的孪生数据主要包括永磁同步电机的参数、外界环境参数、知识数据和数据采集装置的参数。

物理实体、孪生数据、虚拟模型之间的连接主要包括永磁同步电机实体和虚拟孪生模型之间的连接、永磁同步电机实体和孪生数据之间的连接、虚拟孪生模型和孪生数据之间的连接。永磁同步电机孪生模型调用故障诊断算法进行故障诊断,将诊断的结果保存到孪生数据库中。永磁同步电机实体再从孪生数据中读取故障信息,对故障信息进行计算分析,使永磁同步电机实体作出相应的调整,并处理故障,形成闭环的故障诊断模型。

3 基于数字孪生的永磁同步电机故障诊断方法

目前,故障诊断向着智能化的方向发展,本文基于深度学习故障诊断方法对电机进行故障诊断,并采用模型仿真的结果进行验证,构建闭环的数字孪生故障诊断系统,系统结构图如图4所示。

图4 数字孪生故障诊断系统结构图

为了保证深度学习诊断模型的可靠性以及物理实体与孪生模型之间的实时交互性,本文采用模型仿真来验证故障诊断结果,如果两者结果一致,则调整优化故障诊断模型;如果两者结果不一致,则进行新型故障分析,实现在故障未知的情况下的模型自动学习功能。修正的孪生模型可以驱动数字孪生模型更新,实现永磁同步电机的智能化诊断。其诊断流程如图5所示。

图5 基于数字孪生的永磁同步电机故障诊断流程图

3.1 基于稀疏自编码网络的故障诊断

稀疏自编码网络(Sparse Auto-Encoder Net,SAE)是一种无监督学习模型,在训练时主要包括编码阶段和解码阶段两个部分。编码阶段主要分析多维数据的特征,得到数据的重要属性,将复杂的数据分布,利用自身的稀疏性原理实现局部连接和权值共享;解码阶段主要是通过对编码后的数据信息进行恢复处理,从而得出预测结果,然后通过目标函数,对比预测结果与实际数据,以确定相似度,然后用梯度下降算法优化权值,将目标函数最小化,记录不同状态下的网络参数。此时训练好的稀疏自编码网络模型可用于永磁同步电机的故障诊断。稀疏自编码网络模型如图6所示。

图6 稀疏自编码网络模型

3.2 基于模型仿真的诊断结果验证

基于模型仿真的诊断结果验证方法主要通过数据仿真的方法来验证故障诊断结果的准确性。建立如表1所示的电机模型,分析永磁同步电机的匝间短路和退磁故障。

表1 电机参数

通过比较永磁同步电机在无故障情况下和故障状态下的转矩,诊断永磁同步电机的故障类型,并将诊断结果与基于稀疏自编码网络的故障诊断结果比较分析,验证诊断结果的准确性。

4 实验分析

4.1 永磁同步电机匝间短路和退磁故障仿真

永磁同步电机在正常运行条件下的转矩图如图7所示。

图7 永磁同步电机正常运行状态下的转矩图

永磁同步电机发生匝间短路故障(u=0.1,Rf=0.288 6 Ω)时的转矩图如图8所示。在正常运行状态下,电磁转矩平稳波动,当匝间短路故障发生时,波动不再平稳。

图8 永磁同步电机匝间短路故障状态下的转矩图

永磁同步电机发生退磁50%故障时的转矩图如图9所示。永磁同步电机发生退磁故障时,电机转矩降低,转矩脉动增加。

图9 永磁同步电机退磁50%状态下的转矩图

通过对比永磁同步电机正常运行状态下和发生匝间短路或退磁状态下的转矩图,可以判断电机是否发生匝间短路或退磁故障,以构造故障数据集。

4.2 诊断结果对比分析

通过建模仿真得到永磁同步电机的故障数据样本构建实验数据集,对数据集进行训练。将诊断结果与基于模型仿真的结果比较,验证其正确性,选用正确率ACC和召回率RC作为评价指标,计算公式如下:

(6)

(7)

式中:TP表示预测结果和实际结果都为真;TN表示预测结果和实际结果都为假;FP表示预测结果为真,实际结果为假;FN表示预测结果为假,实际结果为真。

将本文方法和其他常用诊断方法进行对比实验,如表2所示。

表2 实验结果

可以看出,小波变换和经验模态分解作为常用的信号处理手段,与支持向量机相结合,用作永磁同步电机的故障诊断,这两种方法过程简单,计算方便,但是诊断的准确程度不高。BP神经网络由于具备优秀的监督学习功能,也常被用于电机故障诊断领域,其诊断结果相较于传统方法较好,但是整体的效率还需大幅度提升。本文基于数字孪生的永磁同步电机故障诊断方法,通过构建闭环的数字孪生故障诊断系统,对电机的故障进行诊断,正确率和召回率都较高,相比于其他方法具有较好的诊断结果。

5 结 语

本文在数字孪生技术研究的基础上,探讨了永磁同步电机智能化故障诊断的思路,提出了一种基于数字孪生的永磁同步电机故障诊断方法。基于数字孪生的框架,通过建立几何模型、分析模型和孪生模型,完成永磁同步电机数字孪生模型的构建,在此模型基础上形成一种闭环的数字孪生故障诊断方法。实验结果表明,基于数字孪生的永磁同步电机故障诊断方法相比于其他方法具有较高的准确性,证明了本文方法的有效性。