关键词:
PMSM驱动系统
逆变器IGBT故障诊断
电流传感器故障诊断
卷积神经网络
格拉姆角场
高效通道注意力机制
深度迁移学习
摘要:
永磁同步电机(PMSM)因其效率高、响应速度快等特性,己广泛应用到智能制造、电动汽车和轨道交通等领域。但是,电机驱动系统的工作方式决定了绝缘栅双极晶体管(IGBT)需要频繁的开断,这就使得逆变器IGBT在高温下还要承受极大的电应力,增加了故障的概率。同时,电流传感器不仅用于系统的闭环控制,所采集的信号也用于IGBT故障诊断,发生故障后轻则会导致误诊断,重则甚至引发整个系统的瘫痪。因此,本文对PMSM驱动系统逆变器IGBT与电流传感器的综合故障诊断展开研究,针对诊断过程面临的不同问题,研究相应的故障诊断方法,从而提高系统的可靠性并降低其运维成本。本文主要研究内容有以下几点:
(1)搭建PMSM系统仿真模型,对电机驱动系统逆变器IGBT开路故障和电流传感器失效、增益、漂移故障进行特征分析,为故障诊断提供理论基础和数据支撑。
(2)针对传统故障诊断方法依赖专家经验和人工特征提取的问题,提出了一种基于一维卷积神经网络(1D-CNN)的故障诊断方法。该方法以原始一维定子电流作为网络模型的输入,将特征提取和故障分类合二为一,简化诊断流程,实现了端到端故障诊断。同时,引入Adam梯度优化和批量归一化(BN)优化网络性能。最终,实现了较高精度的PMSM驱动系统逆变器IGBT与电流传感器综合故障诊断。
(3)针对1D-CNN模型在强噪声环境下诊断准确率降低明显的问题,提出一种GAF-ECA-Res Net的故障诊断方法。首先,通过格拉姆角场(GAF)编码技术将一维电流信号映射为二维的图像,保留完整信号特征;然后,引入残差网络(Res Net)来解决深度卷积网络性能退化的问题。同时,在Res Net中插入轻量型的高效通道注意力(ECA)机制来自适应学习全局信息,并克服模型性能与复杂度之间的矛盾;最后,以经过GAF转换后的二维图像特征作为ECA-Res Net模型的输入,完成故障诊断。实验结果表明,该方法在保证精度的基础上进一步提高了鲁棒性。
(4)针对实际应用中电机驱动系统在变工况下有效样本不足,导致卷积神经网络模型诊断精度不高的问题,提出了一种预训练加微调的深度迁移学习故障诊断方法。首先,在源域的大规模数据上对ECA-Res Net模型进行预训练;然后,利用目标域的少量样本微调模型部分参数;最后,将微调后的模型用于目标工况的故障诊断。实验结果表明,该方法能利用目标工况中的少量样本实现高诊断精度,具有较强的泛化能力。