永磁同步电机故障诊断研究综述

吴国沛，余银犬，涂文兵

（华东交通大学机电与车辆工程学院，江西南昌 330000）

永磁同步电机（permanent magnet synchronous motor，PMSM）具有结构简单、运行稳定、效率高和外形多样等显著优点。随着永磁同步电机的应用越来越广泛，人们对它的运行安全性和稳定性越来越关注[1]。与电励磁电机相比，永磁同步电机最大的不足在于其内部的永磁体可能会退磁，从而导致电机的效率降低或驱动模块损坏，严重时可能会造成电机报废[2]。这一问题极大地限制了永磁同步电机的应用[3-4]。同时，永磁同步电机还可能出现电路故障和转子偏心故障。此外，同其他旋转机械一样，在长期工作后，永磁同步电机的轴承可能会出现故障甚至卡死，进而导致整个电机损坏。因此，对永磁同步电机的各类故障进行预测和诊断具有重要价值和意义。

1 永磁同步电机的结构和工作原理

1.1 永磁同步电机的结构

永磁同步电机主要由定子（含绕组）、转子和永磁体三部分组成。其中：定子为在电机工作过程中固定不动的部分；转子由导磁轭和转轴组成。根据永磁体在转子上的分布，可将永磁同步电机分为表贴式（表面凸出式和表面插入式）、内嵌式和内置式（径向式、切向式和混合式），其内部结构分别如图1至图3所示；根据励磁方向，可将永磁同步电机分为径向励磁式和轴向励磁式。表贴式永磁同步电机的磁力线分布和磁感应强度分布分别如图4和图5所示。

图1 表贴式永磁同步电机内部结构Fig.1 Internal structure of surface mounted PMSM

图2 内嵌式永磁同步电机内部结构Fig.2 Internal structure of embedded PMSM

图4 表贴式永磁同步电机的磁力线分布Fig.4 Magnetic field line distribution of surface mounted PMSM

图5 表贴式永磁同步电机的磁感应强度分布Fig.5 Magnetic induction intensity distribution of surface mounted PMSM

1.2 永磁同步电机的工作原理

在同步旋转坐标系下，永磁同步电机的电压方程和磁链方程分别为：

式中：ud、uq，id、iq，Ld、Lq，ψd、ψq分别为永磁同步电机直轴和交轴（即d轴和q轴）的电压、电流、电感和磁链；Rs为定子的电阻；ωe为电角度；ψf为永磁体的磁链。

永磁同步电机的电磁转矩Te为：

式中：p为永磁体的极对数。

永磁同步电机的工作原理为：当定子绕组的A相、B相和C相分别通入三相交流电后，定子绕组周围会产生空间磁场，该磁场与永磁体产生的磁场相互影响，从而产生电磁转矩；当输出的电磁转矩超过转子的摩擦转矩、永磁体的阻尼转矩和电机的负载转矩之和时，电机开始转动，其转速n=60f/p，其中f为永磁同步电机的电流频率。

2 永磁同步电机故障诊断方法总结

如图6所示，永磁同步电机的故障主要分为5类，分别为退磁故障、电路故障、转子偏心故障、轴承故障和其他故障。

图6 永磁同步电机故障分类Fig.6 Fault classification of PMSM

2.1 退磁故障诊断方法

永磁同步电机的退磁故障可分为均匀退磁故障和不均匀退磁故障，前者指所有永磁体均发生退磁故障，后者指部分永磁体发生退磁故障。永磁体的磁滞回线如图7所示。由图7可知，随着磁场强度H的增大，永磁体的磁感应强度逐渐增大至最大值Bm，此时对应的磁场强度为Hm；当磁场强度减小为0 A/m时，永磁体的磁感应强度为Br，称作剩余磁感应强度；当磁场强度反向增大至对应的磁感应强度为0 T时，此时磁场强度为-Hc，其中Hc称作矫顽力。

图7 永磁体的磁滞回线Fig.7 Hysteresis loop of permanent magnet

由永磁体的磁滞回线可得，永磁体的磁性强弱主要取决于磁感应强度B，其表达式为：

式中：μ0为真空磁导率，μ0=4π×10-7H/m。

永磁同步电机的永磁体在高频振动或高温等恶劣环境下易退磁。引发永磁体退磁的原因主要有由定子匝间或相间短路引起的高温、电枢反应（包含过流）和机械振动。当永磁同步电机发生退磁故障后，其特征信号会发生变化。目前，常用于退磁故障诊断的特征信号包括径向磁感应强度[5]、反电动势[6]、定子电流[7]和电磁转矩[8]。当永磁同步电机的永磁体发生不同程度的均匀退磁故障时，其径向磁感应强度、定子电流和电磁转矩的变化情况分别如图8至图10所示。

图8 不同程度均匀退磁故障下永磁同步电机的径向磁感应强度Fig.8 Radial magnetic induction of PMSM under different degrees of uniform demagnetization fault

图9 不同程度均匀退磁故障下永磁同步电机的定子电流Fig.9 Stator current of PMSM under different degrees of uniform demagnetization fault

图10 不同程度均匀退磁故障下永磁同步电机的脉动转矩Fig.10 Torque ripple of PMSM under different degrees of uniform demagnetization fault

目前，针对永磁同步电机退磁故障的诊断方法主要有以下几种：通过建立永磁同步电机退磁故障模型获取特征信号后直接诊断的方法[5-8]；基于退磁故障特征信号直接利用算法进行诊断的方法[9-10]；对退磁故障特征信号进行处理后直接诊断的方法[11-13]；对退磁故障特征信号处理后利用算法进行诊断的方法[14-18]。

分析图7至图9可知，当永磁同步电机发生均匀退磁故障时，其径向磁感应强度的幅值变小，定子电流和电磁转矩（稳定运行过程）的幅值变大，该规律可作为永磁同步电机退磁故障诊断的依据。张文敏等[5]分析了永磁同步电机发生退磁故障后，其径向磁感应强度和电磁转矩的变化。Gritli等[6]通过评估永磁同步电机定子电压经傅里叶变换（Fourier transformm，FFT）后的5次和7次谐波来获取永磁体的退磁故障指数，以判断永磁体磁钢的状态，并利用有限元仿真分析、数学解析模型和实验验证了该方法的有效性。何静等[7]以磁场同步旋转坐标系下永磁同步电机的定子电流为状态变量，搭建了退磁故障数学模型，并以该数学模型为基础编写了基于状态观测器的退磁故障实时诊断方法，该方法简洁明了，稳定性好且结果准确。张志艳等[8]研究了永磁同步电机的电磁转矩和电磁力与退磁故障的关系。Chang等[9]利用自动编码器和K均值聚类算法对永磁同步电机的退磁故障进行诊断，并通过实验验证了该方法的准确率高达96%，但未研究永磁体不均匀退磁的情况。文传博等[10]提出了一种基于卡尔曼滤波算法和小波变换的永磁同步电机磁链信息在线监测算法，既能实现电机退磁障碍的在线监测，又提高了诊断速度和准确率。Barmpatza等[11]利用快速傅里叶变换（fast Fourier transformm，FFT）对永磁同步电机的反电动势进行了处理，并通过观察反电动势的谐波幅值变化来判断电机是否发生退磁故障。Gritli等[12]提出了一种基于小波变换的永磁同步电机反电动势分析方法，经实验验证该方法能有效地诊断电机的退磁故障。Gherabi等[13]对永磁同步电机的定子电流进行了傅里叶变换，并通过观察电流频谱的实部和虚部来诊断电机的退磁故障。张丹等[14]对发生退磁故障的永磁同步电机的磁感应强度进行重构，并结合概率神经网络（probabilistic neural network，PNN）算法实现了对永磁体局部退磁故障的诊断，准确率高达99.4%。Ullah等[15]利用可视化几何组（visual geometry group，VGG）网络对永磁同步电机的振动信号和定子电流进行处理，并将特征信号转换成图像，该方法的诊断准确率高达 96.65%。 Song等[16]提出了一种融合S变换（S-transform，ST）和粒子群优化-最小二乘支持向量机（particle swarm optimization-least square support vector machine，PSO-LSSVM）的永磁同步电机局部退磁故障识别系统，该系统对故障特征具有较高的敏感度且能有效地提取故障特征信号，可准确识别退磁故障，识别准确率为100%。Song等[17]利用小波变换和包络分析对永磁同步电机的磁信号进行处理，并通过汉宁窗优化来增强故障特征，结果表明该方法在不同噪声环境下均具有较强的鲁棒性和有效性。Krichen等[18]通过研究发现，不均匀退磁会引入特定的谐波，均匀退磁会使给定转矩下的定子电流幅值增大，并提出了基于快速傅里叶变换的永磁同步电机退磁故障诊断方法。

综上所述，对于永磁同步电机退磁故障的诊断，相比于直接利用算法进行诊断的方法或对故障特征信号进行处理后直接诊断的方法，对故障特征信号处理后利用算法进行诊断的方法的诊断速度更快，适用范围更广且准确率更高。

2.2 电路故障诊断方法

永磁同步电机的电路故障分为3类：1）电流传感器故障；2）定子匝间短路故障；3）定子相间短路故障。

2.2.1 电流传感器故障

提高电机的容错能力可以提升电机的效率，而提高容错能力的前提是能快速且准确地诊断电流传感器故障。目前，用于永磁同步电机电流传感器故障诊断的方法主要分为融合算法和容错控制以及基于状态观测器的方法。

Azzoug等[19]提出了一种基于矢量控制和电流估计的异步电动机电流传感器容错控制方法，该方法实现了传感器故障的诊断、故障传感器的隔离以及通过适当的电流估计来重构控制系统。El-khil等[20]基于对永磁同步电机定子电流的分析，提出了一种用于三相永磁同步电机驱动器中电流传感器故障诊断的新方法，与类似的诊断方法相比，该方法可以区分开路和电流传感器故障，具有很高的鲁棒性。Li等[21]提出了一种用于诊断永磁同步电机电流传感器严重故障的混合容错策略。林京京等[22]提出了一种能提高系统容错率的方案，其可用于永磁同步电机电流传感器故障的诊断。应黎明等[23]提出了一种能在线检测电信号且能实现故障前后无缝衔接的永磁同步电机传感器故障诊断方案。Gao等[24]提出一种了基于状态观测器的电流传感器故障诊断方法。在文献[24]的基础上，Lee等[25]提出了一种新的诊断方法，其不仅可以诊断电流传感器故障，还能直接应用于容错电机驱动。Yu等[26]提出的3种并行自适应观测器能够对电流传感器故障进行诊断和定位。杨海涛等[27]提出了基于参数间隔孪生支持向量机的增量学习算法，但其适用范围小，仅限于电流滞环所控制的永磁同步电机。孙艳歌等[28]提出了一种基于信息熵的数据流自适应集成分类算法，该算法具有很高的容错率和抗干扰性，且在保证较高的电流传感器故障诊断准确率的前提下提高了诊断速度。

综上所述，对于永磁同步电机电流传感器的诊断，融合算法和容错控制的诊断方法具有诊断范围广的优点；基于状态观测器的诊断方法具有诊断迅速且准确的优点。

2.2.2 定子匝间短路故障

定子匝间短路故障是永磁同步电机较为常见的故障，其产生原因较为复杂，可简单归结为以下4点：

1）在电机起动过程中，定子匝间绝缘体承受暂态过电压；

2）电机定子绕组温度过高导致定子匝间绝缘体失效；

3）电机振动导致定子绕组线圈相互接触、挤压、摩擦和损坏；

4）电机长期在潮湿、高温等恶劣环境下工作。

在永磁同步电机的实际应用中，各种过载电压是导致定子匝间绝缘体损伤的主要原因。当发生定子匝间短路时，短路线圈产生的反电动势与正常线圈的相反，故短路线圈产生的磁场的方向与原磁场方向相反，使得永磁同步电机内部温度升高，进而导致其永磁体发生退磁故障。图11所示为三相永磁同步电机定子匝间短路（A相短路）示意图。图中：u、i分别为电压、电流；R、L和V分别表示电阻、电感和电压表，其中Rf表示短路支路的电阻；a、b、c分别对应A、B、C相。图12所示为永磁同步电机定子匝间短路实物图。

图11 永磁同步电机定子匝间短路示意图Fig.11 Schematic diagram of stator inter-turn short circuit of PMSM

图12 永磁同步电机定子匝间短路实物图Fig.12 Physical drawing of stator inter-turn short circuit of PMSM

针对永磁同步电机定子匝间短路故障的诊断，陈勇等[29]以融合的定子齿尖振动信号和定子电流为特征信号，并结合改进小波包变换算法和快速傅里叶变换来诊断永磁同步电机的定子匝间短路故障，该方法的诊断准确率和速度比采用单一特征为故障判断依据的方法均要高。王小强等[30]通过对比故障电机的数学模型来诊断永磁同步电机的定子匝间短路故障。王栋悦等[31]以融合的机械振动信号的二倍频分量和定子电流为新的故障特征信号，用于诊断永磁同步电机的定子匝间短路故障，结果表明该方法的诊断准确率明显高于传统方法，且适用于精度要求较高的场合。丁石川等[32]通过直流分量和二倍频谐波分量的幅值来判断永磁同步电机是否发生定子匝间短路故障，该方法的诊断准确率相比于传统的基于定子电流的诊断方法高，且诊断简单及成本低。李永刚等[33]基于多个融合信号实现了永磁同步电机定子匝间短路故障的诊断，该方法解决了基于单一故障特征的方法诊断精度低的弊端，提高了故障诊断的准确率。陈慧丽等[34]结合在线检测和离线检测两种方法，对永磁同步电机定子匝间短路故障进行诊断，使得诊断速度大幅提高。相比于文献[34]的综合诊断方法，彭伟等[35]提出的永磁同步电机定子匝间短路故障在线检测方法在对故障特征信号进行快速傅里叶变换时引入了布莱克曼窗，实现了故障特征信号的快速获取，但该方法的适用范围较小，不适合用于轻微故障的诊断。赵洪森等[36]通过提取负序电流作为故障特征信号来诊断同步发电机的定子匝间短路故障。

综上所述，针对永磁同步电机定子匝间短路故障的诊断方法大多为基于信号处理的方法，且融合多个故障特征信号以及对故障特征信号进行预处理均能提高故障诊断的准确率。

2.2.3 定子相间短路故障

在实际应用中，定子相间短路故障对永磁同步电机的影响比定子匝间短路故障更大[37]。然而，目前对定子匝间短路故障的研究比较多，而针对定子相间短路故障的研究相对匮乏且不够深入。图13所示为永磁同步电机定子相间短路实物图。

图13 永磁同步电机定子相间短路实物图Fig.13 Physical diagram of stator inter-phase short circuit of PMSM

针对永磁同步电机定子相间短路故障的诊断，齐歌等[38]研究了双三相永磁同步电机的一相短路故障，但未研究相间短路故障。陈丽[39]只对永磁同步电机定子相间短路故障进行了仿真分析，但未进行实验验证，可靠性不强且适用范围较小。田代宗等[40]建立了发生相间短路故障的十二相可控整流永磁同步电机的数学模型，并通过比较电机内部电气量的分布情况来诊断其是否发生相间短路故障，该方法的适用性较强。

2.3 转子偏心故障诊断方法

永磁同步电机的转子偏心故障主要分为转子静偏心和转子动偏心两种情况，其他类型的转子偏心故障（如转子斜偏心和转子轴向偏心）的研究还比较少。转子静偏心是指转子的旋转中心与定子圆心不重合，但转子的旋转中心不变，由电机安装偏差造成，如图14所示；转子动偏心是指转子旋转中心与定子圆心不重合，且转子绕着定子圆心旋转，由电机长期剧烈振动造成，如图15所示。针对永磁同步电机转子偏心故障的诊断，Park等[41]利用模拟霍尔传感器对永磁同步电机的转子故障进行了诊断和分类，通过对电机在偏心、局部退磁和负载不平衡条件下进行实验测试发现，该方法可以在较低的附加成本下提高故障诊断的可靠性和灵敏度。此外，Park等[42]还利用模拟霍尔效应场传感器来诊断永磁同步电机的转子偏心故障和永磁体局部退磁故障，结果表明，利用霍尔效应场传感器可以直接测量因转子磁场不对称而引起的电机内部磁通量的变化，该方法可灵敏、可靠地诊断动态的转子混合偏心和永磁体局部退磁故障。Cira等[43]通过观察永磁同步电机的振动信号来诊断其转子的静、动偏心故障，结果表明，静偏心改变了振动信号的阶数，而动偏心同时改变了振动信号的阶数和频率，并通过有限元分析和实验验证了上述结果。Liu等[44]建立了永磁同步电机转子偏心的数学模型，通过分析d、q轴的电感来诊断其转子偏心故障，并通过实验验证了所提出的故障诊断方法的有效性。基于文献[44]，李全峰等[45]对表贴式永磁同步电机的转子偏心故障进行了有限元仿真分析，结果表明，当转子发生静偏心时，电机的径向电磁力波幅值增大；当转子发生动偏心时，电机的径向电磁力波出现倍频数为分数的谐波分量，导致电机的振动变大，因此可通过这些故障特征信号来诊断电机的转子偏心故障。杨存祥等[46]建立了转子偏心程度不同的永磁同步电机的模型，先对定子电流进行预处理，再对处理后的定子电流进行频域分析，以分析转子的动偏心程度与故障特征频率之间的关系。仇志坚等[47]搭建了表贴式永磁同步电机转子的静偏心解析模型，通过磁感应强度和不平衡磁拉力的解析结果来诊断转子静偏心故障。

图14 永磁同步电机转子静偏心示意Fig.14 Schematic diagram of rotor static eccentricity of PMSM

图15 永磁同步电机转子动偏心示意Fig.15 Schematic diagram of rotor dynamic eccentricity of PMSM

综上所述，永磁同步电机转子偏心故障的诊断主要是先通过建立仿真模型或解析模型来获取转子偏心故障特征信号，再直接利用故障特征信号或利用处理后的故障特征信号进行诊断。其中，常用的转子偏心故障特征信号为振动信号、定子电流和磁感应强度等。

2.4 永磁同步电机轴承故障诊断方法

永磁同步电机的轴承故障是较常见的故障类型。永磁同步电机中轴承的结构及其径向载荷分布如图16所示[48]。正常的轴承在工作时会因自身结构特点、安装误差等而产生振动，而轴承发生故障时也会产生振动，但这2种振动的特征是不一样的。

图16 轴承的结构及载荷分布Fig.16 Structure and load distribution of bearing

当轴承的不同部件发生故障时，其振动频率不同。不同故障下轴承的振动频率如下[48]。

式中：Nb为滚动体个数；fr为电机实际的旋转频率；Db为滚动体直径；Dc为轴承节圆直径；α为滚动体与轨道的接触角，当滚动体不承受径向载荷时，α=0°。

针对永磁同步电机轴承故障的诊断，宫文峰等[48]提出了一种改进的卷积神经网络-支持向量机（convolutional neural networks-support vector machine，CNNs-SVM）方法，可以快速且准确地诊断永磁同步电机轴承的轻微故障。Lee等[49]提出了缩放快速傅立叶变换（zoom fast Fourier transform，ZFFT）方法，该方法无须额外安装传感器，且在实现最小化计算成本的同时提高了永磁同步电机轴承故障诊断的准确率。Li等[50]提出了一种基于离散小波变换（discrete wavelet transform，DWT）和长短时记忆（long-short term memory，LSTM）神经网络的移动机器人永磁同步电机轴承故障类型识别与分类方法，即先利用离散小波变换分解采集的振动信号以得到分类率较高的特征，再将特征向量作为长短时记忆神经网络的输入，实验结果表明，该方法可在不同转速下准确识别电机轴承故障的类型。陈健等[51]推导了永磁同步电机空气动力噪声频率的表达式，发现可通过检测电机端盖处的振动信号来诊断电机轴承是否损坏。在文献[51]的基础上，王春雷等[52]结合神经网络算法，先将振动信号转换成二维时频图输入来训练卷积神经网络（convolutional neural networks，CNN），再利用卷积神经网络的自学习优势来分析轴承故障类型与故障特征之间的关系，从而提高了电机轴承故障的诊断速度和准确率。袁建虎等[53]搭建了基于小波时频和卷积神经网络的分类器模型，该模型利用连续小波变换（continuous wavelet transform，CWT）对滚动轴承的振动信号进行处理，能准确识别各类轴承故障。许爱华等[54]提出了改进的变分模态分解（variational mode decomposition，VMD）方法，可对原始信号进行去噪处理并提取微小的故障特征信号，相比于常用的经验模态分解（empirical mode decomposition，EMD）方法和变分模态分解方法，其诊断速度更快且准确率更高。王丽华等[55]使用短时傅里叶变换（short-time Fourier transform，STFT）将异步电机的振动信号转换成时频谱图，再将处理后的故障特征信号作为卷积神经网络的输入，以进行电机轴承故障诊断。杨春洁[56]在处理故障特征信号前，先利用LabVIEW软件对机车牵引电机轴承的振动信号进行小波包去噪处理，而后融合Hilbert包络分析对电机轴承进行故障诊断。

综上所述，永磁同步电机轴承故障的诊断方法也大多为结合模型搭建和信号处理的方法，即先搭建故障模型以提取故障轴承的振动信号，再对振动信号进行处理，最后利用算法进行故障诊断。

3 结论

本文总结了永磁同步电机的退磁故障、电路故障、转子偏心故障和轴承故障的诊断方法，得出的结论以下。

1）对于永磁同步电机的退磁故障，直接利用故障特征信号进行诊断的方法耗时少且简单；对故障特征信号处理后利用算法进行诊断的方法的诊断速度更快，适用范围更广且准确率更高。

2）对于永磁同步电机的电路故障，大多是通过建立故障模型（数学模型或有限元模型）来获取特征信号，并直接利用特征信号或利用处理后的特征信号进行诊断，其中联合信号处理的诊断方法的准确率较高。

3）对于永磁同步电机的转子偏心故障，大多是通过对比由解析法获得的电机转子未偏心时的特征信号与由有限元仿真获得的电机转子偏心后的特征信号（或处理后的特征信号）来诊断的。

4）对于永磁同步电机的轴承故障，大多是通过检测电机的振动信号来诊断的，该方法具有较高的可行性和准确性，且预先对振动信号进行去噪处理可提高诊断准确率。