一种基于SVM的开关磁阻电机故障检测方法

戴 婷， 李 军

(1. 浙江理工大学 机械与自动控制学院，浙江 杭州 310018；2. 上海大学 机电工程与自动化学院，上海 200072；3. 台州学院 机械工程学院,浙江 台州 318000)

0 引 言

开关磁阻电机(Switched Reluctance Motor， SRM)的系统可靠性高，主要源自功率变换器各相主电路之间及电机本体中各相磁路之间相互独立的工作特性。在要求高可靠性的应用场合，电机驱动系统一旦出现故障或停止运行，会造成巨大的经济损失，甚至可能危及人身安全，故对电机驱动系统进行有效的故障诊断十分必要。

1 SRM

SRM结构简单、坚固、工作可靠、效率高，由其构成的调速系统——开关磁阻电机调速系统(Swithed Reluctance Drive, SRD)是一种具有特殊双凸极结构的新型电机驱动系统。该系统兼有异步电动机变频调速系统和直流电动调速系统的优点，调速范围宽、调速性能优异。这些优点使得开关磁阻电机特别适合一些环境恶劣、要求连续工作的应用场合，如在家用电器、通用工业、航空工业/发电系统、车载系统、矿井提升机、牵引电机、高转速电机等。

SRD主要由SRM、功率变换器、控制器、位置检测和电流检测五部分组成，如图1所示。

图1 SRD的基本构成

SRM是调速系统中实现机电能量转换的部件，也是此系统区别于其他电机调速系统的主要标志。功率变换器负责向开关磁阻电机提供运行所需能量，其由蓄电池或交流电经整流提供直流电。控制器是整套调速系统的核心，其综合处理给定转速、速度反馈信号及位置传感器和电流传感器反馈的信号，然后向功率变换器发出控制信号，实现功率变换器对开关磁阻电机的驱动。

2 支持向量机

支持向量机(Support Vector Machine, SVM)是由Vapnik于1995年在统计学习理论的基础上提出的一种新的机器学习方法。以VC维理论和结构风险最小化原则为基础，该算法能够保证找到的极值解是全局最优解，在解决非线性及高维模式识别问题中表现出了许多特有的优势。支持向量机具有在小样本下即可获得满意的学习效果，及保证所求解为全局最优解等优点，所以基于SVM的方法被广泛应用于故障诊断等问题。

本文针对SRM故障诊断问题，通过对SVM的应用，并对算法进行改进，使之能够更好的满足工业生产中SRM的适应性和稳定性要求。

3 故障检测

IGBT是开关磁阻电机功率变换器的关键元件，短路、开路及性能偏移软故障是其常见故障。本文通过试验模拟了这3种信号。为更好地接近实际，试验中给电机添加了随机负载，采样周期为0.01s，采集的正常信号及3类故障波形如图2所示。

图2 正常信号及3类故障波形

由图2可知，在SRM发生故障时，产生的信号含有大量的非平稳成分；故障类型不同，输出信号在各频率波段中的表现也不同。小波包分析方法可把不同频率的信号分解到不同的频带中，提高时频分辨率，实现故障特征提取。

3.1 小波包故障特征提取

在不同的负载下，即使是同一故障，其信号波形幅值也相差很大，但其频谱特征基本相同，小波分析是频谱分析的有力工具。经过对比筛选，本文使用Daubechies小波作w为3层小波包分解后提取状态特征(既保证一定的时频分辨率，又减少特征提取、训练与诊断的计算量)。分别提取第3层从低频到高频8个频率成分的特征信号，小波分解树结构如图3所示。

图3 小波分解树结构

图3中每个结点都代表一定的信号特征。(0,0)代表原始信号S；(1,0)代表小波包分解的第1层低频系数X10，依此类推。S10代表X10的重构信号，依此类推。由于输入信号是一个随机信号，其输出也是一个随机信号。

经过db1至db10的波形对比，发现db1正交小波基对信号处理特征明显，经db1小波处理后的短路故障特征波形，如图4所示。

其中，S2是指短路的故障波形图，S230是指信号S2的[3、0]结点的重构系数，其他依此类推。

图4 db1小波处理后的短路故障特征波形

通过对故障信号进行小波分析，使故障信号更清晰明确，特征更明显，使原来一些不易分辨的信号可准确提取出来。

3.2 SVM的系统辨识

经小波分析得出的一组功率变换器短路的特征向量为T=(537.3897，11.6792，5.7923，0.3769，2.9022，0.1890，0.1110，0.0908)。每组共8个特征分量，试验总共提取样本178个，其中样本1～59属于第1类(类别标签为1)是短路故障，60～130属于第2类(类别标签是2)是开路故障，131～178属于第3类(类别标签为3)是软故障。

试验将每个类别分成两组，重新组合数据，将第1类的1～30 ,第2类的60～95，第3类的131～153 作为训练集，剩余的部分作为测试集用训练集对SVM进行训练可得到分类模型，再用得到的模型对测试集进行类别标签预测。

SRM数据的分维可视化如图5所示。Class是3类故障标签，attrib是3类故障的每个特征向量数值的分布情况。

图5 SRM数据的分维可视化

模型建立首先需要从原始数据中把训练集和测试集提取出来，然后进行一定的预处理，之后用训练集对SVM进行训练，再用得到的模型来预测测试集的分类标签。最终分类结果如图6所示。

图6 测试集的实际分类和预测分类图分类

由图6可知，测试集共89组数据，其中有两组将第3类故障错分为第1类故障，故准确率达97.7528%。

4 结 语

通过试验仿真验证可得该方法能准确辨识IGBT元件的开路、短路、性能偏移等故障。试验通过小波包分析方法有效提取了非平稳信号特征，训练SVM的故障诊断模型，成功实现了对SRM的故障诊断，且所要求训练样本少，其故障诊断的正确率很高。

【参考文献】

[1] 齐群. 基于混沌时间序列支持向量机的开关磁阻电机建模[J].制造业自动化，2012(6)： 46- 48.

[2] LIONG S Y, SIVAPRAGASM C. Flood stage forecasting with SVM [J].Journal of the American Water Association, 2002, 38(1): 173-186.

[3] 吴红星.开关磁阻电机系统理论与控制技术[M].北京: 中国电力出版社，2010.

[4] 胡良谋，曹克强.支持向量机故障诊断及控制技术[M].北京: 国防工业出版社，2011.

[5] 赵博，张洪亮.Ansoft12在工程电磁场中的应用[M].北京: 中国水利水电出版社，2010.

[6] 甘卫红.开关磁阻电机的故障诊断与容错控制研究[D].西安： 西北工业大学,2006.

[7] 卢铭.电动自行车用开关磁阻电机驱动系统的研究[D].南京： 南京航空航天大学，2008.

[8] 卢胜利.开关磁阻电机系统的故障诊断方法研究[D].徐州： 中国矿业大学，2010.

[9] 王春生，朱友远，甘醇.开关磁阻电机故障诊断系统研究[J].变频器世界，2012(8)： 109-113.