基于改进小波包变换和信号融合的永磁同步电机匝间短路故障检测

电 工 技 术 学 报

TRANSACTIONS OF CHINA ELECTROTECHNICAL SOCIETY

Vol.35 Sup.1

Jan. 2020

DOI: 10.19595/j.cnki.1000-6753.tces.L80354

基于改进小波包变换和信号融合的 永磁同步电机匝间短路故障检测

陈 勇

1,2

梁 洪

1,2,3

王成栋

1,2

梁思远

1,2

钟荣强

1,2

（1. 电子科技大学自动化工程学院 成都 611731

2. 电子科技大学电动汽车动力系统与安全技术研究所 成都 611731

3. 中国人民解放军69031部队 乌鲁木齐 830000）

摘要 以永磁同步电机定子绕组匝间短路故障为研究对象，采用定子电流信号和振动信号的频谱特征融合作为匝间短路故障判断依据，结合改进小波包变换算法与快速傅里叶变换，通过LabView软件对采集信号进行处理分析，实现了对该类故障的检测。该改进小波包分析快速算法可以消除频谱混淆干扰，进而得到准确的故障特征。此外，以永磁低速同步电机为对象进行实验，结果验证了该方法的有效性。

关键词：故障检测 匝间短路 改进小波包 信号融合 永磁同步电机 中图分类号：TM341

Detection of Stator Inter-Turn Short-Circuit Fault in PMSM Based on Improved Wavelet Packet Transform and Signal Fusion

Chen Yong1,2 Liang Hong1,2,3 Wang Chengdong1,2 Liang Siyuan1,2 Zhong Rongqiang1,2 （1. School of Automation Engineering University of Electronic Science and Technology of China

Chengdu 611731 China

2. Institute of Electric Vehicle Driving System and Safety Technology

University of Electronic Science and Technology of China Chengdu 611731 China 3. Unit 69031 of the People's Liberation Army of China Urumqi 830000 China） Abstract In this paper, the stator inter-turn short-circuit (ITSC) fault in permanent magnet synchronous motor (PMSM) is regarded as the research object. The frequency spectrum feature of fusion vibration signal and stator current signal is used as the basis for the detection of inter-turn short-circuit fault. The acquisition signal is processed and analyzed by combining advanced wavelet packet transform and FFT in LabView, and the detection of this fault is realized. Improved wavelet packet transform can eliminate spectrum aliasing and get accurate fault characteristics. In addition, the experiments on permanent magnet low speed synchronous motor are carried out, the results of which show that the method is effective.

Keywords：Fault detection, inter-turn short-circuit (ITSC), wavelet packet, signal fusion, permanent magnet synchronous motor (PMSM)

收稿日期 2018-06-30 改稿日期 2019-04-07

第35卷增刊1 陈 勇等 基于改进小波包变换和信号融合的永磁同步电机匝间短路故障检测 229

0 引言

近年来，永磁同步电机（Permanent Magnet Synchronous Motor, PMSM）由于其高效率、高功率因数、精准转矩控制、结构简单和低噪声等优点，已被广泛应用于航空航天、电动汽车、数控车床、智能机器人等高新技术领域，成为先进设备的重要组成部分[1-3]。但因功率密度大、安装空间狭小和散热环境恶劣等原因，它的故障率较高。而电机作为系统重要核心部件，其可靠性将影响整个系统的性能，一旦发生故障，容易产生链式反应，导致整个系统瘫痪。因此，实现电机早期故障检测尤为重要。

永磁同步电机的故障主要分为电气故障（包括匝间短路、开路、断相）、退磁故障、机械故障（包括偏心、轴承故障）[4]

。其中，定子绕组匝间短路故障作为一种常见电气故障，占到电机故障的20%以上，对其已有许多研究。A. Stavrou、H. Henao等研究得出当定子匝间短路故障时，定子电流中会出现增大的故障谐波[5-6]。文献[7]提出了一种基于电压方程故障模型策略，利用Matlab/Simulink仿真，得到故障条件电流及转矩特征，以检测电机匝间短路故障。文献[8]利用小波包变换对永磁同步电机定子电流信号进行分解，计算各频段的信号能量值，并将能量的增加作为故障判断依据。文献[9]通过分析匝间短路故障电机电流和电压正序负序谐波分量，利用快速傅里叶变换（Fast Fourier Transform, FFT）得到空间矢量谱特征以检测故障。文献[10-11]利用小波变换优于傅里叶变换的时频特性方法，对匝间短路信号的频率特征进行分析。文献[12-13]采用定子电流、振动和噪声信号融合的方法，基于信号频谱增量检测电机匝间短路的故障。

综合以上分析，本文提出了一种基于电机定子电流和振动信号融合的故障诊断方法。先监测永磁同步电机的定子电流信号和振动信号，采用改进小波包变换和快速傅里叶变换对时域信号和频域信号进行分析，消除频谱混叠干扰，最后通过提取信号的故障特征，诊断出定子绕组匝间短路故障。

1 故障特征分析

1.1 电流信号特征

根据A. Stavrou和H. Henao等的研究，当电机定子绕组发生短路时，定子电流中的一些谐波分量将会增大。增大的谐波分量将出现在以下频率[14]，即

ff⎛Z⎞

sc=s⎜⎝vp±1⎟⎠

（1）

式中，fs为电源频率；v是正整数；Z为电机定子槽数；p为极对数。

大量研究[15-17]表明，这一增大的故障谐波分量就是线电流中的三次谐波，因此可将其作为检测电机匝间短路故障的一个特征信号。 1.2 振动信号特征

电机定子匝间短路和其导致的绕组三相不对称会产生磁场不对称的情况，进而引起异常振动。定

子的电磁振动和电磁噪声导致振动信号中除了2fs的频谱成分外，还会出现4fs和8fs等谐波成分。

2 基于改进小波包的特征提取方法

小波包变换具有与小波分析相同的时频局部化特性，因此被广泛用于故障信号处理[18-20]。它可以根据信号的特征频率选择合适的频带，更好地观察每个频带的分量，以提取故障特征。 2.1 小波包变换

二进小波包分解快速算法为

⎧⎪

p1

0(t)=f(t)⎪⎪i−1⎨p2j=∑H(k−2t)pij−1(t) （2） ⎪k⎪2i

⎪p∑

G(k−2t)pi⎩

j=

j−1(t)k式中，t=1, 2,\",2J−j；i=1, 2,\",2j；J=log2N；

检测信号为一时间信号f(t)；pij(t)称为小波包系 数，表示第j层上的第i个小波包；H、G分别为小波分解低频、高频滤波器。

二进小波包重构快速算法为 pi⎡j=2⎢⎢h(t−2k)p2⎣∑ji+−11(t)+∑

g(t−2k)p2ji

+1

(t)⎤⎥（3） kk⎥⎦

式中，j=J−1, J−2, …,1, 0；i=2j,2j−1

,…,2, 1；h、g

分别为小波重构低频、高频滤波器。 2.2 改进小波包变换

由于上述小波包快速算法中包含会引起频率混淆的三个关键运算——小波滤波器卷积、隔点采样和隔点插零，因此小波包快速算法必然有频率混叠的问题。为了消除频率混叠，在改进小波包分解和重构算法[21-22]中添加了两个算子C和D。

令x(n)表示2j尺度上低频子带小波包系数，

W= e

−j2π/Nj

，x󰀄(n)是算子的输出，则算子C的计算式为 ⎧Nj−1Nj3X(k)=⎪⎨∑

x(n)Wkn0≤k≤或Nj≤k≤Nj

⎪

n=0

44⎩0

其他（4）

230

电 工 技 术 学 报 2020年1月

Nj−1

1

󰀄(n)=x

Nj

j

∑

n=0

X(k)W−kn （5）

电流信号和振动信号作为待测信号；其次，采用改进的小波包变换算法对信号进行二层分解和重构，将信号分解到不同频带，并对重构信号做快速傅里叶变换，得到去除频率混淆的信号频谱图；最后，将故障电机信号频谱与正常电机信号频谱进行对比，并参考理论故障特征频率，提取出特定的异常频谱分量作为定子绕组匝间短路故障的特征。

式中，Nj为2尺度的数据长度；k=0,1,…,Nj−1；n=0,1,…,Nj−1。

算子D的计算式为

⎧Nj−1⎪x(n)Wkn

X(k)=⎨

n=0⎪⎩0

∑

Nj4

≤

3Nj

4 （6）

3 LabView系统

为了实现信号在时域和频域的分析，观察信号故障特征，将本文LabView用于检测系统中的数据采集和时频变换。LabView是一种用途广泛的开发工具，在其上搭建的故障检测系统如图2所示。图中，左侧为选择数据采集通道、设置采样频率和保存路径；中间部分对采样信号进行滤波和归一化；右侧实现信号处理，利用LabView中的Matlab Script节点引入改进小波包算法，对信号进行分解、重构和频谱变换。信号的时域和频域分析结果在波形图中显示。

其他

󰀄(n)=x

1

Nj

Nj−1

∑

n=0

X(k)W−kn （7）

改进小波包分解和单节点重构快速算法也可以用框图解形式表示，如图1所示。

4 实验分析

4.1 实验平台设计

实验平台结构如图3所示，实验平台由三相电源永磁同步电机、DAQ卡、电流传感器和振动传感

图1 改进小波包分解与重构 Fig.1 Decomposition and reconstruction of

advanced wavelet packet

器组成，采集的数据输入到一台安装LabView软件的计算机进行处理和分析。

实验使用两台90TDY115−2B永磁低速同步电机，其中1台为正常电机，1台为匝间短路15%故障电机。其参数见表1。

电机定子电流信号由L07P03D15电流传感器转换为电压信号进行采集，传感器测量范围为0～

2.3 基于改进小波包变换的特征提取方法

基于信号融合的电机故障检测方法以电机电流和振动信号为分析对象。首先，采集永磁同步电机的

图2 LabView故障检测系统 Fig.2 LabView program for fault detection

第35卷增刊1 陈 勇等 基于改进小波包变换和信号融合的永磁同步电机匝间短路故障检测 231

图3 实验平台结构

Fig.3 The structure of experimental platform

表1 电机参数

Tab.1 The parameters of motor

参 数 数 值 极对数p 13 定子槽数Z 12 额定电压V/V AC 220 额定频率f/Hz 50 额定功率W/W

95

3A，输出电压为0～4V，测量精度为1%。振动信号由压电式加速度传感器CA-YD−186采集，电压灵敏度为100mV/g，最大横向灵敏度小于5%，谐振频率为2.5kHz，频率响应范围为0.5～6 000Hz，最大输出信号为6V，传感器径向附着在电机机体外壳上。DAQ卡使用PCI6225数据采集卡，安装在电脑主机内，连接BNC−2110接线盒，方便输入信号接入。PCI6225采集卡具有16位ADC，输入模拟信号为±10V，有80个单端通道或40个双端通道，采样频率为250kS/s，非线性误差为±1LSB，采样精度为0.1%。电机故障检测实验平台如图4所示。

图4 电机故障检测实验平台

Fig.4 The experimental platform for PMSM

4.2 实验结果分析

在实验中，给电机设置了定子绕组单相15%匝间短路故障进行分析。 4.2.1 电流信号分析

通过实验得到，正常电机定子绕组三相对称，

其线电流大小相等。而匝间短路15%故障电机三相绕组因短路导致不对称，其电流大小也发生变化，线电流波形如图5所示，短路故障相（A相）电流明显高于其他两相。

图5 故障电机三相电流波形

Fig.5 Three phase current waveforms of fault motor

采用改进小波包变换算法对故障电流信号进行二层分解并重构，得到重构的小波包节点（2, 0）、（2, 1）、（2, 2）、（2, 3）的系数，如图6所示。

图6 故障电流改进小波包系数

Fig.6 Improved wavelet packet coefficient of fault current

232

电 工 技 术 学 报 2020年1月

为了观察基频fs和三次谐波即3fs的变化情况，运用快速傅里叶变换对重构的节点（2, 0）、（2, 1）进行频谱变换，得到频谱图如图7所示。从图7a可以看出，在基频fs处频谱幅值明显增大。从图7b可以看出，正常电机信号中在3fs处的三次谐波分量几乎为0，而故障电机信号中出现非常明显的谐波幅值，这是短路故障引起的电流谐波分量所致。以上结果验证了故障电机电流信号能量增大和出现三次谐波分量的理论。

（a）节点（2, 0）信号频谱对比

（b）节点（2, 1）信号频谱对比

图7 电流信号频谱对比

Fig.7 Spectrum diagram of current signal

4.2.2 振动信号分析

通过实验得到的故障电机振动信号波形如图8所示。

图8 故障电机振动信号 Fig.8 The vibration signal of PMSM

同样地，对振动信号进行改进小波包变换，重构节点（2, 0）信号并作快速傅里叶变换，得到信号 频谱，如图9所示。

对比正常电机振动信号的频谱图，可以看出，故障信号除了在2倍基频2fs出现明显增大的幅值 外，还在4fs和8fs出现明显增加的谐波分量。

通过电流信号和振动信号的故障特征频率，均能很好地检测出电机匝间短路故障。在实际检测应用中，将两信号融合分析，就能更加准确地判断出电机匝间短路的故障。

（a）正常电机

（b）故障电机

图9 振动信号频谱

Fig9 Spectrum diagram of vibration signal

5 结论

电机故障条件下电流信号和振动信号中增大的谐波分量，常常分别作为信号特征分析的依据单独应用于故障检测。本文采用电流信号和振动信号相融合的方法，其故障特征比单纯的定子电流或振动信号更为明显。同时，使用改进小波包分析算法消除了频谱混叠现象，能更加精准地表现故障在频域的特征。实验较好地验证了该方法的有效性。

参考文献

[1]

马伟明, 王东, 程思为, 等. 高性能电机系统的共性基础科学问题与技术发展前沿[J]. 中国电机工程学报, 2016, 36(8): 2025-2035.

Ma Weiming, Wang Dong, Cheng Siwei, et al. Common basic scientific problems and development of leading-edge technology of high performance motor system[J]. Proceedings of the CSEE, 2016, 36(8): 2025-2035. [2]

王海兵, 赵荣祥, 汤胜清, 等. 永磁同步电机位置检测偏差对驱动系统性能的影响研究[J]. 电工技术学报, 2018, 33(4): 910-918.

Wang Haibing, Zhao Rongxiang, Tang Shengqing, et al. Research on the influence of the position detection error to the PMSM drive system[J]. Transactions of

第35卷增刊1 陈 勇等 基于改进小波包变换和信号融合的永磁同步电机匝间短路故障检测 233

China Electrotechnical Society, 2018, 33(4): 910- 918. [3]

荆锴, 孙鹤旭, 董砚, 等. 以电流矢量为目标的永磁同步电机定子电流动态预测[J]. 电工技术学报, 2016, 31(2): 47-55.

Jin Kai, Sun Hexu, Dong Yan, et al. Stator current dynamic prediction of permanent magnet synchronous motor targeting the current vector[J]. Transactions of China Electrotechnical Society, 2016, 31(2): 47-55. [4] Wang Zhifu, Yang Jingzhe, Ye Huiping, et al. A

review of permanent magnet synchronous motor fault diagnosis[C]//IEEE Transportation Electrification Asia- Pacific, Beijing, China, 2014: 1-5.

[5] Stavrou A, Sedding H G, Penman J. Current moni-

toring for detecting inter-turn short circuits in induction motors[J]. IEEE Transactions on Energy Conversion, 2001, 16(1): 32-37.

[6] Henao H, Demian C, Capolino G A. A frequency-

domain detection of stator winding faults in induction machines using an external flux sensor[J]. IEEE Transactions on Industry Applications, 2003, 39(5): 1272-1279.

[7] Sdiri F, Bensalem Y, Trabelsi H, et al. Inter-turn

short-circuit fault detection in the vectorial control PMSM drive[C]//International Conference on Sciences and Techniques of Automatic Control and Computer Engineering, Monastir, Tunisia, 2017: 362-367. [8] Zheng Anping, Yang Juan, Wang Ling. Fault

detection of stator winding interturn short circuit in PMSM based on wavelet packet analysis[C]// International Conference on Measuring Technology & Mechatronics Automation, IEEE Computer Society, Hong Kong, China, 2013: 566-569. [9]

Çira F, Arkan M, Gümüş B, et al. Analysis of stator inter-turn short-circuit fault signatures for inverter- fed permanent magnet synchronous motors[C]// IECON 2016-42nd Annual Conference of the IEEE Industrial Electronics Society, Florence, Italy, 2016: 1453-1457.

[10] Moosavi S S, Esmaili Q, Djerdir A, et al. Inter-turn

fault detection in stator winding of PMSM using wavelet transform[C]//IEEE Vehicle Power and Propulsion Conference, Belfort, France, 2017: 1-5. [11] Obeid N H, Boileau T, Nahid-Mobarakeh B.

Modeling and diagnostic of incipient inter-turn faults for a three phase permanent magnet synchronous motor using wavelet transform[C]//IEEE Industry Applications Society Meeting, Addison, TX, USA, 2015: 1-8.

[12] Liang Yongchun. Diagnosis of inter-turn short-circuit

stator winding fault in PMSM based on stator current and noise[C]//IEEE International Conference on Industrial Technology, Busan, South Korea, 2014: 138-142.

[13] Li Yongcan, Liang Yongchun. The correlation

analysis of PM inter-turn fault based on stator current and vibration signal[C]//IEEE International Conference on Mechatronics and Automation, Beijing, China, 2015: 1733-1737.

[14] Urresty J, Riba J, Romeral L, et al. Stator short

circuits detection in PMSM by means of Hilbert- Huang transform and energy calculation[C]//IEEE International Symposium on Diagnostics for Electric Machines, Power Electronics and Drives, Cargese, France, 2009: 1-7.

[15] Joksimović G M, Penman J. The detection of inter-

turn short circuits in the stator windings of operating motors[J]. IEEE Transactions on Industrial Electro- nics, 2000, 47(5): 1078-1084.

[16] Cruz S M A, Cardoso A J M. Diagnosis of stator

inter-turn short circuits in DTC induction motor drives[J]. IEEE Transactions on Industry Appli- cations, 2004, 40(5): 1349-1360.

[17] Nandi S. A detailed model of induction machines

with saturation extendable for fault analysis[J]. IEEE Transactions on Industry Applications, 2004, 40(5): 1302-1309.

[18] 袁莉芬, 孙业胜, 何怡刚, 等. 基于小波包优选的

模拟电路故障特征提取方法[J]. 电工技术学报, 2018, 33(1): 158-165.

Yuan Lifen, Sun Yesheng, He Yigang, et al. Fault feature extraction method for analog circuit based on preferred wavelet packet[J]. Transactions of China Electrotechnical Society, 2018, 33(1): 158-165. [19] 于生宝, 何建龙, 王睿家, 等. 基于小波包分析和

概率神经网络的电磁法三电平变换器故障诊断方法[J]. 电工技术学报, 2016, 31(17): 102-112. Yu Shengbao, He Jianlong, Wang Ruijia, et al. Fault

234

电 工 技 术 学 报 2020年1月

diagnosis of electromagnetic three-level inverter based on wavelet packet analysis and probabilistic neural networks[J]. Transactions of China Electro- technical Society, 2016, 31(17): 102-112.

[20] 叶瑞丽, 郭志忠, 刘瑞叶, 等. 基于小波包分解和

改进Elman神经网络的风电场风速和风电功率预测[J]. 电工技术学报, 2017, 32(21): 107-115. Ye Ruili, Guo Zhizhong, Liu Ruiye, et al. Wind speed and wind power forecasting method based on wavelet packet decomposition and improved Elman neural network[J]. Transactions of China Electrotechnical Society, 2017, 32(21): 107-115.

[21] 张淑清, 马跃, 李盼, 等. 基于改进的广义谐波小

波包分解和混沌振子的小电流接地系统故障选线[J]. 电工技术学报, 2015, 30(3): 13-20, 43.

Zhang Shuqing, Ma Yue, Li Pan, et al. Application of improved generalized harmonic wavelet packet decomposition and chaos oscillator to fault line detection in small current grounding system[J].

Transactions of China Electrotechnical Society, 2015, 30(3): 13-20, 43.

[22] 申戬林, 王灵梅, 郭东杰, 等. 基于改进小波包与

包络谱的风电机组传动系统的故障诊断方法研究[J]. 太阳能学报, 2014, 35(9): 1771-1777.

Shen Jianlin, Wang Lingmei, Guo Dongjie, et al. Research on fault diagnosis method based on improved wavelet packet envelop spectrum of wind turbine transmission system[J]. Acta Energiae Solaris Sinica, 2014, 35(9): 1771-1777.

作者简介

陈 勇 男，1977年生，教授，博士生导师，博士，研究方向为电气控制、网络控制系统、目标跟踪、模式识别、先进控制技术、故障检测与容错、新能源汽车安全控制及智能交通。 E-mail: ychencd@uestc.edu.cn（通信作者）

梁 洪 男，1987年生，硕士研究生，研究方向为电机故障诊断。 E-mail: liangh12@sina.com

（编辑 赵 鹏）