基于多尺度熵与拓扑数据分析的永磁电机早期匝间短路故障诊断

《Energies》:Incipient Interturn Short-Circuit Fault Diagnosis of Permanent Magnet Motors Based on Multiscale Entropy and Topological Data Analysis

【字体: 大 中 小 】 时间:2026年08月28日 来源:Energies 3.9

编辑推荐:

  摘要:永磁同步电机(PMSM)早期定子匝间短路故障仅在端电流中产生微弱变化,这限制了基于幅值和不平衡度的传统指标灵敏度。本文提出了一种分相诊断框架,该框架结合了多尺度样本熵(MSE)、拓扑数据分析(TDA)和高斯混合模型(GMM)。对每个三周期电流窗口,将十个

  
摘要:永磁同步电机(PMSM)早期定子匝间短路故障仅在端电流中产生微弱变化,这限制了基于幅值和不平衡度的传统指标灵敏度。本文提出了一种分相诊断框架,该框架结合了多尺度样本熵(MSE)、拓扑数据分析(TDA)和高斯混合模型(GMM)。对每个三周期电流窗口,将十个尺度相关样本熵分量和两个持久熵分量拼接为12维特征向量。仅使用健康数据为每相训练独立的GMM。所得基于似然的健康评分用于故障检测和故障相定位,而根据实测短路电流组校准的物理定义评分边界用于严重程度评估。在一台1.5 kW、8极、12槽PMSM上的实验表明,在所研究的运行工况下,类别召回率为96.50%–100%,总体准确率为97.50%。结果表明,时间与拓扑联合表征能够揭示使用传统端电流指标难以区分的微弱电流变化。
基于多尺度熵与拓扑数据分析的永磁电机早期匝间短路故障诊断——论文解读

一、研究背景与问题

随着高效低碳机电系统的发展,永磁同步电机(PMSM)凭借高功率密度、高效率、宽调速范围和精确转矩控制等优势,在电力牵引和工业自动化领域得到日益广泛的应用。在牵引应用中,由于车辆惯量大且对非计划停机容忍度有限,可靠性尤为重要。与电励磁转子不同,永磁转子在定子供电中断后仍随旋转持续产生励磁,绕组故障因此会一直保持电磁活性直至转子停转。绕组损坏是同步电机中不可忽视的失效模式,其中匝间短路故障(ISCF)尤为关键——短路环流产生局部过热,可能进一步演化为相间或相对地故障。因此,及时检测早期ISCF对防止故障扩展、提升永磁同步电机驱动系统运行安全具有重要意义。

现有PMSM的ISCF诊断方法可分为基于模型、基于信号处理和基于数据驱动三类。基于模型的方法提供物理可解释的指标,但精度依赖参数知识和模型保真度;信号处理方法可从电压、电流、振动等信号中提取故障敏感量,但单一的幅值、频谱或熵特征难以全面表征早期高阻故障所伴随的微弱动态变化;近年基于深度学习的方法虽能学习非线性判别表征,但通常依赖带标签的故障样本、仿真辅助训练以及覆盖预期故障严重度和运行工况的训练分布,在破坏性故障数据稀缺时部署受限。拓扑数据分析(TDA)已开始在旋转机械状态监测中得到探索,持久同调可在多个邻近尺度上概括重构轨迹的几何结构,但将其应用于分相PMSM匝间短路诊断的研究仍有限。为弥补上述不足,研究人员提出将多尺度样本熵(MSE)与拓扑数据分析相结合,构建一套仅需健康数据训练的、物理可追溯的分相诊断框架。

二、研究内容与主要结论

研究人员提出了一种分相MSE–TDA–GMM诊断框架。该框架针对每相电流,分别通过MSE分支和时间延迟坐标重构与持久同调TDA分支提取互补特征:MSE保留波形随尺度变化的不规则性,TDA则概括延迟坐标点云的连通分量和环寿命分布。每个三周期电流窗口提取10个尺度相关样本熵分量和2个持久熵分量,拼接为12维特征向量。仅采用健康数据为各相训练独立的GMM,所得基于似然的健康评分用于故障检测和故障相定位,而严重度等级则通过根据实测短路电流组单独校准的评分边界进行赋值,无须为各故障严重度类别拟合额外的监督分类密度。在一台1.5 kW、8极、12槽PMSM实验台架上验证,该方法在健康、轻度、中度和重度四类状态下取得类别召回率96.50%–100%,总体准确率97.50%。研究表明,时间复杂度和拓扑描述符的组合能够揭示传统端电流指标难以区分的微弱电流变化,为PMSM早期ISCF诊断提供了一种仅需健康样本建模的有效途径。论文发表于《Energies》。

三、主要关键技术方法

研究人员采用的主要技术方法包括:(1)相量域解析建模,用于揭示内部短路电流与外部可测三相电流扰动间的物理关系;(2)多尺度样本熵(MSE)特征提取,对滤波和周期对齐后的三周期电流窗口进行粗粒化处理,计算尺度1–10的样本熵值;(3)拓扑数据分析(TDA),通过时间延迟坐标重构(延迟τ=15、嵌入维度m=3)构建三维点云,计算Vietoris–Rips滤过的持久同调,提取H0和H1的持久熵;(4)高斯混合模型(GMM)健康分布建模,采用贝叶斯信息准则(BIC)选择分量数、对角协方差矩阵,仅以健康特征训练各相独立模型;(5)评分边界校准,利用实测短路电流幅值划分轻度、中度、重度三个严重度组,据此校准备相健康评分边界。实验数据采集自一台1.5 kW、8极、12槽PMSM样机:定子A相引出4个抽头(T0–T3),通过不同抽头组合分别形成1、3、5匝短路,外部串联最大100 Ω可调电阻模拟不同程度故障;采用霍尔电流探头和示波器测量故障环路电流,磁粉测功机提供机械负载。

四、研究结果

4.1 测试电机、故障模拟器与数据采集

实验采用一台额定1.5 kW、8极、12槽PMSM。相电流以20 kHz采样,每诊断窗口含3个电气周期共600个采样点。数据在记录级划分为健康模型训练、严重度边界校准和独立测试三个子集,同一采集记录内的窗口不跨子集分配。最终独立测试集包含200个健康窗口和轻度、中度、重度ISCF状态各400个窗口,共1400个测试窗口。

4.2 健康电流表征与解释

在额定运行点,健康状态下三相电流经滤波和周期对齐后,尺度1–10的样本熵值稳定且保留了局部波形信息。三维延迟坐标点云在健康状态下集中于一条可重复的闭合轨迹附近。Vietoris–Rips滤过的持久区间显示,H0区间记录连通分量的合并过程,H1区间记录一维环的生成与消失,其寿命分布由持久熵HPE0和HPE1概括。

4.3 故障严重度标签

以实测故障环路电流基波幅值If与额定相电流之比定义三个严重度等级。实验测得9种短路电阻与短路匝数组合下的故障环流波形,减小Rf或增加短路匝数通常使故障环流增大,与解析模型一致。

4.4 分相诊断特征的实验评估

对A相故障条件下三相的12维特征分别考察。A相特征随故障环流增大偏离健康范围最显著,B相和C相特征在轻度和中度故障下接近健康范围,仅在严重故障下出现较小偏移。这种与相相关的响应与解析模型预测的“直接故障相端电流扰动最大”一致。

4.5 GMM健康评分与分类性能

最小分相相对健康评分smin在健康状态下集中于1附近,随着故障严重度增加逐渐下移,相邻严重度间仅出现部分重叠。四状态混淆矩阵显示:健康100.00%、轻度97.00%、中度96.50%、重度97.75%的类别召回率;1400个测试样本中1365个判定正确,总体准确率97.50%;宏平均精确率97.63%、召回率97.81%、F1分数97.72%。大多数误差出现在相邻严重度之间,少量轻度故障被判为健康。

4.6 比较、实用范围与局限

与近年基于熵、深度学习和混合方法的PMSM匝间短路诊断研究进行跨研究定量比较显示,该方法在物理试验台数据上达到同量级的总体准确率,且仅需健康样本拟合分相密度模型,诊断窗口(30 ms)短于所引用Transformer研究的输入窗口。但研究存在局限:仅测试了单台样机A相人为引入的故障;主要结果在额定运行点获得;严重度标签需一次性实测故障环流校准;filtfilt实现使算法在样本级非因果;GMM阈值和特征分布具有机器依赖性。

五、讨论与结论

讨论部分指出,所提方法的实用优势在于利用现有相电流测量、无需额外注入硬件、仅需健康数据估计密度模型,且分相结构提供了直接的故障定位规则。局限包括未测试B、C相故障和自然发展的绝缘损伤、宽速度/负载范围鲁棒性尚未实验确立、严重度校准需实测电流以及机器依赖性问题。研究结论为:开发的相域解析模型表明局部A相故障在直接故障相产生最大的端电流扰动,而早期高阻阶段端电流变化仍然微弱,这为独立分相模型和对波形与动态结构微妙变化敏感的描述符提供了物理基础;每个三周期电流窗口由十个尺度相关样本熵分量和两个持久熵分量表示;GMM参数仅用健康数据估计,分相似然评分用于健康评估和故障相定位,严重度标签由依据实测故障环流组单独校准的评分边界赋值;在所研究的实验条件下,类别召回率为96.50%–100%,总体准确率97.50%。结果支持使用时间复杂度和拓扑描述符作为检测微弱电流变化的互补输入。当前证据仅限于一台样机、A相人为故障及主要在额定转速/额定负载下的运行;跨电机鲁棒性、自然发展的绝缘故障、宽速度和负载范围以及受控噪声水平下的表现尚待建立。未来工作将研究因果滤波和嵌入式持久同调实现、B相和C相故障验证、机器间健康模型迁移、复合故障以及相同数据划分下与监督机器学习和深度学习方法的直接比较。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号