基于物理原因的永磁同步电机故障产生机理及诊断研究综述

李港 赵春领 熊开洋

（重庆交通大学 机电与车辆工程学院，重庆 400074）

主题词：永磁同步电机 故障诊断 故障研究 故障分类 电动车

1 引言

永磁同步电机(PMSM)具有结构简单、运行稳定、效率高的优点，使其在高性能车用电驱动系统中得到广泛的应用。随着永磁同步电机应用的不断普及，人们对其运行时稳定性与安全性的要求越来越高，然而电机由于其质量问题、非标准化安装、电磁参数不稳定和负载较大的情况下，都会在一定程度上产生故障，导致电机效率下降，在严重情况下可能会造成电机报废从而无法正常使用。永磁同步电机故障诊断是监测电机运行状态、确定电机异常与否、早期故障检测、确定故障发生位置和原因、预测故障发生的诊断技术，它能有效的判断预测故障发生的概率与时间，从而避免电机的机械结构和电气部分故障产生，提高系统运行效率。因此对永磁同步电机的故障进行诊断和预测具有非常重要的意义与价值。

首先对永磁同步电机故障产生的机理和现有的故障诊断技术进行了归纳分析，指出了当前的故障诊断技术的优势和局限性。在此基础上，提出了未来的故障诊断技术所需要重点关注的方向，为了后续的科研工作提供一定的参考性建议。

2 永磁同步电机故障分类

通常情况下，根据故障性质进行电机故障分类。由于电机物理状态的改变如电机机械振动、电机温升等原因造成永磁同步电机的故障可以分为：电气故障、机械故障和退磁故障3大类，3类故障具体描述如下所示。

2.1 电气故障

永磁同步电机电气故障分为3类，分别是：

（1）定子绕组匝间短路故障；

（2）定子相间短路故障；

（3）电流传感器故障。

定子故障发生概率占所有电机故障的38%，而在其中定子绕组间的短路故障是其中最主要的故障,定子短路故障包含定子匝间短路故障和相间短路故障，定子绕组匝间短路故障产生的原因较为复杂，具体可归纳为以下3点：

（1）在电机启动过程中，定子绕组间绝缘体承受着不断变化的高电压；

（2）电机温升导致定子绕组温度过高，定子匝间绝缘体失效；

（3）定子绕组间线圈相互接触和磨损。

在实际运行过程中，电压过载是导致定子匝间绝缘体失效的主要影响因素，当绝缘体失效时定子绕组匝间出现短路故障时，且在短路路径中会产生大量的循环电流，使得电机内部温度急剧上升，进而导致永磁出现不可逆的退磁现象。

定子相间短路故障造成的影响比定子绕组短路故障的影响更大，通常情况下，定子相间短路故障是由于定子端部受到油污和水分的腐蚀，使得绝缘部位的电位与导线部分电位相同或接近，使得电位外移，处于高电位的相之间开始放电，随着放电程度的增强，最终就会出现相间短路故障。目前国内外学者对定子匝间短路故障研究较多且深入，针对定子相间短路故障研究较少，如齐歌等只研究了双三相永磁同步电动机一相绕组短路故障性能，未研究相间故障；田代宗等通过建立多相整流永磁同步发电机绕组内部相间短路的数学模型，通过仿真和样机实验分析定子绕组相间故障危害与特点，该方法为多相永磁同步电机故障诊断提供依据，具有较强的实用性。

2.2 机械故障

造成永磁同步电机机械故障原因有多种，主要包含：三相绕组分布不均匀造成的振动、螺栓松动、轴承故障和转子偏心故障。

三相绕组分布不均匀时，造成相电流变换的大小和方向均发生改变，因此电机在运行过程中发生抖动现象，导致转矩输出不均匀。轴承故障占据永磁同步电机故障发生率的50%左右,其发生的主要原因是因为环境机械振动、转子轴错位、润滑不良、轴负载过大和腐蚀。即使在正常环境下工作，电机轴承也不可避免的会疲劳，但产生疲劳裂纹时会导致金属块的断裂，最终导致轴承的损坏与故障。轴承损坏还可能导致气隙偏心和匝间短路故障。

永磁同步电机转子偏心故障包括转子静态偏心、转子动态偏心和混合偏心3种，当前研究主要集中在前2种偏心故障，混合偏心故障（如转子斜偏心和转子轴向偏心）研究较少。转子静态偏心是指转子轴偏离定子的中心，但旋转中心依旧保持不变，其主要原因是电机安装不当和机电机机械振动过程中螺栓缺失或松动；转子的动态偏心故障是指转子的旋转中心偏离定子圆中心，转子绕着定子圆心转动，由电机长期的机械振动造成。偏心故障不仅会引起额外的振动、噪音、转矩波动，当其情况较严重时会造成定子和转子之间的摩擦，损坏定子和转子铁芯,从而影响电机的正常运行。

2.3 退磁故障

为了提升效率和功率密度，永磁同步电机采用了永磁体结构，但由于永磁体在恶劣环境，如高温等环境下，存在不可逆的退磁，一旦退磁现象发生，电机的输出转矩将明显下降，汽车动力性将明显降低。退磁故障发生的主要原因是由于电枢反应的作用，即定子电流产生一个反向磁场，该磁场持续抵抗永磁体的磁场，最终导致永磁体退磁。

永磁同步电机的退磁故障一般有2种情况：均匀退磁和局部退磁。均匀退磁指的是转子所有的永磁体均发生退磁，在退磁后所有的永磁体的磁性仍然相同；局部退磁指的是只有某一块或其中几块永磁体发生退磁，故障发生后所产生的磁场不对称。

3 故障诊断方法分类

一般情况下，永磁同步电机的故障诊断流程图如图1所示。为了确定实际电机的故障类型，所有的故障诊断方法都需要首先获取电机的信号数据。采集的信号包括电流和振动信号，经过去噪、放大预处理后用于分析。一些研究人员研究了多信号类型或多传感器数据的信息融合方法。然而，也有一些方法直接使用原始数据，不需要进行特征提取和信息融合。最后，应用不同的诊断方法处理这些数据，分析出故障具体位置。通常情况下永磁同步电机故障诊断方法可归纳总结为以下3种：基于模型的故障诊断、基于信号处理的故障诊断和智能算法故障诊断。

图1 永磁同步电机故障诊断流程

3.1 基于模型的故障诊断方法

基于模型的故障诊断方法的思想是基于物理原理建立一个包含某种故障的电机模型，并将模型预测输出与实际检测输出进行比较，以确定电机是否发生故障，同时该模型也可用于其它诊断方法的模拟，该方法能够帮研究人员深入了解故障发生机理和规律，但是同时它对模型的精确度要求也较高。基于模型的故障诊断方法分为2种：（1）利用PMSM数学模型，基于MATLAB/Simulink平台进行故障诊断；（2）利用有限元分析法（FEA）构建故障模型进行分析。Usman等通过比较常用数学模型、磁等效电路模型,提出了一种新型的异步电机故障模型，证明该模型能有效检测异步的故障。永磁同步电机的故障诊断模型不仅仅局限于三相，还可建立多相的故障模型，如当电机匝间短路时，可通过增加电压方程或电磁方程中电阻和电感参数建立故障模型,如王小强等通过比较故障电机的数学模型实现永磁同步电机定子匝间短路故障诊断。尽管有限元分析法对永磁同步电机进行故障仿真时效率较低，计算速度慢，但其精度较高，可模拟几乎所有的机械故障，如Haddad等使用有限元分析建立了不同故障下的永磁同步电机模型，将其与故障电机的实验数据进行比较，选择谐波的幅值作为识别依据进行故障诊断。

基于模型的故障诊断方法能对故障进行较为直观的仿真分析，故障诊断精度较高。但由于建模流程较为复杂，计算速率慢，因此其实现的效率较低，并且很难在诊断过程中按实际工况施加控制策略。

3.2 基于信号的故障诊断方法

电机发生故障时，可能会出现复杂的故障现象，借助信号变换手段处理从电机获得的信号是比较常用的故障诊断方法之一，该方法通过时域特征和频域特征的变化识别故障表现形式，并从电流、电压、振动信号中提取故障的特征信息，常用的信号变换包括：小波变换、短时傅里叶变换(STFT)、长时傅里叶变换（FFT）和电机电流频谱分析法。

Song等将小波变换与包络分析法相结合对PMSM的磁信号进行处理，并且通过汉宁窗优化增强故障特征，该方法比较适用于多噪声环境。文传博等[将基于卡尔曼滤波算法和小波变换的在线监测方法应用于PMSM磁链的信息监测，该方法能较好的实现电机退磁故障的监测。陈勇等将定子齿尖端振动信号和定子电流的融合作为提取的特征信号，结合改进的快速傅里叶变换和小波变换算法实现永磁同步电机定子匝间短路故障的诊断，该方法相较于单一特征的故障诊断有较高的诊断准确率。

基于信号的故障诊断能够消除动态过程对电机故障特征的影响，提高了诊断精度，但是该类算法的计算量较大，对硬件系统要求较高，在嵌入式系统中难以实现。

3.3 基于人工智能的诊断方法

传统的人工智能算法主要依赖于先验知识，其基本的原理是基于业内专家或工程师对永磁同步电机故障的经验，从而设定对应的模糊逻辑规则，实现对故障的判断。伴随着新型人工智能技术和机器学习的兴起，近年来提出了许多基于数据库的智能诊断算法，基本数据库的提取主要是基于统计学原理，如主成分分析（Principal component analysis）和独立成立分析（Independent component analysis）。采用数据库的智能诊断算法，主要是根据给定的训练数据，通过输入数据自动识别电机的故障类型和严重程度,主要包括神经网络、深度强化学习、支持向量机方法。

张丹等通过建立多种永磁体局部退磁的退磁故障样本库，结合概率神经网络(Probabilistic Neural Network,PNN)算法，实现局部退磁故障的精确分类识别，识别率的精度达到99.4%。Cira等使用永磁同步电机电流中的3次谐波作为神经网络的输入，以获得匝间短路的良好诊断结果。王春雷等针对电机轴承故障信号通常呈现出非线性和不稳定性的缺点,将振动信号转换成二维时频图，作为训练卷积神经网络的输入，最后利用卷积神经网络（Convolutional Neural Networks，CNN）的自学习能力，分析电机轴承故障类型与故障特征间的相关性，利用该方法能有效地识别电机轴承故障。宫文峰等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，应用于电机轴承的故障快速智能诊断，试验结果表明：在不同负载下改进CNNs-SVM算法的故障识别准确率高达99.86%。

基于人工智能的诊断方法虽然具有较强的学习能力，可以在很大程度上模拟人类思维过程，容易对故障的特征进行解释，对诊断方法智能化程度的提高有着积极的促进作用，但其核心问题在于难以获得完整的故障数据库。

4 结论

结合国内外对永磁同步电机故障诊断研究现状，对其进行归纳与分析，可得出以下结论：

（1）永磁同步电机机械故障主要是运用基于模型的故障诊断方法进行诊断；电气故障大部分是根据建立的电机故障模型（数学模型或有限元模型）先提取特征信号，然后直接使用特征信号或优化处理后的特征信号进行诊断；对于永磁同步电机退磁故障的诊断，通常是对故障特征信号处理后利用算法进行诊断。

（2）目前对永磁同步电机故障诊断主要集中在单一故障诊断层面，在电机出现故障时，用现有的基于模型或是信号特征提取的方法仅仅智能判别电机只是出现上述3类故障中的1种，该方法效率较低，因此当前同时对电机进行多故障联合判别的方法研究较少。

（3）基于模型、信号和人工智能的故障诊断方法，大部分都针对于电机的本体结构进行故障判别，而随着高功率电机的快速发展，作为电机驱动电源的变频器内部功率元器件出现故障的概率没有做进一步的研究，当变频器出现故障时，会造成整个电驱动系统的故障。

5 永磁同步电机故障诊断发展趋势

综合上述分析，永磁同步电机故障诊断技术的研究工作应该在以下3个方面开展：

（1）研究机械故障、电气故障与退磁故障的联合诊断方法，单一的故障诊断无法满足永磁同步电机复杂的工况需求，故障诊断方法应向着联合诊断层面发展。考虑将多种人工智能技术相结合，将信号变换与人工智能结合的技术，将数学模型与信号变换结合的技术。

（2）由于人工智能技术的不断发展，永磁同步电机故障诊断系统必然朝着智能化和网联化发展，但人工智能技术需要大量的故障数据库，数据库的来源在于故障信号的提取，因此未来需要考虑如何设计高效、准确的信号提取系统。

（3）在实现永磁同步电机本体故障诊断发展技术的同时，还需进一步考虑整个电驱动系统的故障，充分实现变频器内部功率元器件的故障诊断。