针对多极永磁同步电机高速运行下匝间短路故障的鲁棒诊断方法研究学术报告

本文旨在向各位研究者介绍一项发表于《Sensors》期刊2015年第15卷，题为“Robust Diagnosis Method Based on Parameter Estimation for an Interturn Short-Circuit Fault in Multipole PMSM Under High-Speed Operation”的原创性研究工作。该研究由韩国浦项科技大学（POSTECH）电气工程系的Jewon Lee, Seokbae Moon, Hyeyun Jeong和Sang Woo Kim*（通讯作者）共同完成，并于2015年11月20日正式发表。本研究聚焦于电机驱动系统的故障诊断领域，特别是针对永磁同步电机（Permanent Magnet Synchronous Motor, PMSM）中发生率较高且危害严重的匝间短路故障，提出了一种在高速运行条件下具有强鲁棒性的新型诊断方法。

一、 研究背景与目标 永磁同步电机因其高效率、高功率密度等优点，被广泛应用于各类工业领域。然而，电机系统故障可能导致整个系统失效，因此故障诊断至关重要。在PMSM的各种故障中，匝间短路故障约占电机电气故障的21%，且通常由匝间绝缘劣化引发，可能产生高环流和欧姆热，导致故障恶化，甚至演变为更严重的相间短路。传统的故障诊断方法，如电机电流特征分析（Motor Current Signature Analysis, MCSA），虽然非侵入且高效，但其依赖的故障特征谐波分量易与健康电机的固有谐波叠加，且通常需要预先在多种工况下测量健康电机的数据作为基准，实用性受限。另一些方法通过构建故障模型并利用健康电机的参数来估计故障相关参数（如短路匝数比），虽不受运行条件影响，但其诊断准确性严重依赖于所用电机参数的准确性。实际中，电机参数（如电感）可能因温度、磁饱和等因素而变化，导致已知参数值与真实值存在偏差（参数不确定性），进而可能引发误诊断。对于故障中的电机，传统的在线参数估计方法也会受到故障电流的干扰而失效。

因此，本研究的核心目标是：开发一种针对多极PMSM匝间短路故障的诊断方法，该方法不仅能够准确识别故障相和评估故障严重程度，还必须对电机参数（尤其是q轴电感Lq）的不确定性具有鲁棒性，从而避免因参数不准确导致的误判，并实现在高速运行工况下的可靠诊断。

二、 研究方法与详细流程 本研究的工作流程主要包括数学模型建立、诊断算法设计、实验平台搭建与验证三个核心部分，具体如下：

1. 故障数学模型建立： 研究首先基于Gu等人提出的多极PMSM匝间短路故障模型进行了修改和扩展。该模型将发生匝间短路的电机系统（以A相故障为例）描述为一个包含额外短路环路的电路。通过引入故障相向量p（用于指示故障发生在哪一相）、短路匝数比μ、故障电阻R_f等参数，推导出故障状态下的电机电压方程。随后，通过帕克变换（Park’s Transformation）将方程转换到d-q旋转坐标系。一个关键的建模见解是将故障电机系统解耦为两个独立的子系统：一个是由短路环流i_f描述的“故障子系统”，另一个是由等效健康电流i_dq0,n描述的“正常PMSM子系统”。这种解耦为后续分离估计健康电流分量和故障电流分量奠定了理论基础。此外，研究定义了一个故障严重程度指数g，它是μ、R_f和定子电阻R_s的函数。在假设R_f=0（最坏情况）时，g可直接用于计算μ。g的值在参数不变时为常数，因此适合作为与运行条件无关的故障指标。

2. 诊断算法设计（核心创新点）： 本研究所提出的诊断方法旨在同时估计故障相向量p、故障指数g以及电机的q轴电感Lq。其中，估计故障状态下的Lq是本方法新颖性的核心，旨在补偿因Lq参数不准确在高速运行时产生的主要估计误差，从而实现对参数不确定性的鲁棒性。

算法的整体框图基于以下思路：测量电机的q轴电流i_q；利用已知的健康电机参数（L‘_d, L’_q, R‘_s, ψ’_pm）通过一个开环观测器，估计出假设电机健康时应有的q轴电流i_q,n；理论上，故障引起的q轴电流分量i_q,f等于实测i_q与估计的健康电流i_q,n之差（即 i_q - i_q,n ≈ i_q,f）。然后，通过另一个开环观测器，为所有可能的故障相p̄和故障指数ḡ候选值，计算对应的故障电流估计值î_q,f|(p̄,ḡ)。最后，通过一个基于粒子群优化（Particle-Swarm Optimization）的参数估计过程，寻找能使目标函数∑[i_q - î_q,n - î_q,f|(p̄,ḡ)]^2最小化的最优解（p̂, ĝ），同时引入一个补偿因子α（与∆Lq相关）来校正因Lq不准确导致的i_q,n估计误差ĩ_q,n，并最终得到Lq的估计值L̂_q = L‘_q / (1 + α)。

• 开环观测器 for i_q,n： 该观测器使用已知（但可能不准确）的电机参数和测量的电压、转速，通过离散化的状态方程（式11）实时计算î_d,n和î_q,n。研究通过理论推导（式17）详细分析了在高速运行下，各参数不确定性（∆Lq, ∆Ld, ∆ψ_pm, ∆R_s）对i_q,n估计误差ĩ_q,n的影响。分析表明，在高速下，由∆Lq引起的误差项（正比于 v_d/ω * α）占主导地位。这论证了专门估计Lq以补偿主要误差源的必要性。
• 开环观测器 for i_q,f： 该观测器根据故障模型方程（针对实验电机的串联绕组连接结构使用式9），利用候选的p̄和ḡ，以及测量的定子电压v_abc，计算短路环流kμi_f的估计值，再经变换得到î_q,f|(p̄,ḡ)。研究表明，对于较小的g值（即较大的故障电阻或较小的短路匝数），该估计对电机参数依赖很小，误差可忽略。
• 基于粒子群优化的参数估计： 优化问题最终被简化为在高速运行下求解式20。算法为每个可能的故障相候选p̄（共3种：[1,0,0]^T, [0,1,0]^T, [0,0,1]^T），生成一组均匀分布的(ᾱ, ḡ)粒子群，并搜索使目标函数最小的粒子。需要v_d/ω的变动以提供足够的信息来准确估计α（即∆Lq）。最终输出最优的p̂, ĝ和α̂，并计算L̂_q。

3. 实验验证： 研究搭建了完整的实验平台对提出的方法进行验证。实验对象为一台型号为FMAIN22-BBFB1的内置式永磁同步电机（IPMSM），其额定功率2.2kW，极对数为3。通过在该电机C相第一个分支的第一个绕组间连接不同阻值（R_f = 0.22, 0.36, 0.60, 1.12, 2.14 Ω）和不同短路匝数比（μ = ⁵⁄₂₀, ¹⁰⁄₂₀, 15/20）的电阻，模拟了共15种不同严重程度的匝间短路故障，并计算了对应的真实g值（范围0.8 至 37.0 mΩ^-1）。健康电机的g值为0。实验在3000, 4000, 4500 rpm三种高速下进行，并施加变化的负载转矩以使v_d/ω产生从0到-0.06 V·s/rad的变化，以满足参数估计的条件。数据采集频率为100kHz，并经过低通滤波以消除开关频率噪声。

实验分为两部分进行验证： * 观测器与参数估计基础验证： 首先，在健康电机上验证了i_q,n开环观测器。当使用准确参数时，估计的î_q,n与实测的i_q,n直流分量几乎一致，但存在±1A以内的交流分量误差，这被归因于模型本身的不确定性。当使用错误参数（L‘_q, L’_d, ψ‘_pm均增加）时，î_q,n出现显著误差，但加入理论推导的误差补偿项ĩ_q,n后，误差大幅减小，验证了误差分析的正确性。其次，在故障电机上验证了i_q,f观测器及(p,g)估计原理。结果显示，对于给定的真实故障相p和g，优化得到的最优î_q,f|(p̄,ḡ)与通过实测短路电流计算出的真实i_q,f几乎重合，且在不同转速和故障严重程度下，优化得到的最优ḡ都与真实g高度吻合，最优p̄也全部正确指向C相。这证明了从i_q,f中唯一确定p和g的理论可行性。 * 所提完整方法验证： 研究进行了两组关键实验来评估方法的鲁棒性。第一组使用准确的已知参数（L‘_q=5.47mH, L’_d=3.09mH, ψ‘_pm=0.0976Wb）。结果显示，在所有故障情况下，Lq的估计误差率均低于5.4%，故障相全部被正确识别为C相。g的估计值在3000rpm下与真实值几乎相等，但在4000和4500rpm下普遍比真实值高约4 mΩ^-1。对于健康电机，估计出的故障相在不同转速下不一致，且g估计值不为零，这表明由模型不确定性引起的误差使得区分轻微故障与健康电机变得困难。第二组实验使用不准确的已知参数（L‘_q=7.00mH, L’_d=4.00mH, ψ‘_pm=0.1074Wb）。结果显示，即使参数存在显著误差，该方法仍然能正确识别所有故障情况下的故障相，并且Lq的估计依然准确（误差率<5.0%）。 g的估计值相较于使用准确参数时仅有小幅上升，对于严重故障（g值高），估计结果仍然是可靠的。作为对比，研究展示了不进行Lq估计时的结果：此时g的估计值严重失真，完全不可靠，这凸显了在高速运行下联合估计Lq对于抵御参数不确定性、保证诊断方法鲁棒性的至关重要性。

三、 主要研究结果 1. 理论结果： 成功建立了适用于多极PMSM匝间短路故障的数学模型，并将系统解耦为故障子系统和正常子系统。理论推导出了电机参数不确定性对健康电流观测器估计误差的影响公式，明确指出在高速运行时，q轴电感Lq的不确定性是误差的主要来源。 2. 算法结果： 提出了一种集成了两个开环观测器和粒子群优化算法的故障诊断框架。该框架能够同时、在线地估计故障相(p)、故障严重程度指数(g)以及电机当前的q轴电感(Lq)。 3. 实验验证结果： * 鲁棒性验证： 在电机参数（Ld, Lq, ψ_pm）存在已知误差的情况下，所提方法仍能100%准确地识别出故障相（C相）。 * 参数估计准确性： 无论在准确还是不准确的初始参数下，q轴电感Lq的估计值都非常准确，误差率始终低于5.5%，有效补偿了因参数不准带来的主要观测误差。 * 故障严重程度评估： 故障指数g的估计值在故障较为严重（g值较大）时是可靠且接近真实值的，尤其是在补偿了Lq误差之后。然而，对于非常轻微的故障或健康电机，由于无法消除的模型不确定性，g的估计会存在误差，导致难以可靠地区分健康状态与轻微故障状态。 * 对比优势： 实验明确证明，不进行Lq估计的诊断方法在参数不准时完全失效，而本研究提出的联合估计方法显著提高了诊断系统对参数变化的容忍度。

四、 研究结论与价值 本研究成功提出并验证了一种用于多极PMSM匝间短路故障的鲁棒诊断方法。核心结论是：通过在设计诊断算法时同步在线估计关键的q轴电感Lq，可以大幅抵消因电机参数不确定性（尤其是高速运行下的主导误差源）带来的负面影响，从而使故障相识别和严重程度评估在参数不准的条件下仍保持可靠性。该方法无需预先在多种工况下测量健康电机数据，且对参数变化具有适应性。

其科学价值在于：为基于模型的电机故障诊断提供了一种处理参数不确定性的新思路，即不将参数视为固定已知量，而是将其部分关键参数作为待估计状态与故障参数一同求解，从而增强了诊断模型的泛化能力和实用性。其应用价值在于：该方法尤其适用于高速运行的PMSM驱动系统（如电动汽车主驱、高速 spindle等），在这些场景中，电机参数易受运行条件影响，而本方法能提供更可靠的在线故障监测能力，有助于预防灾难性故障，提高系统安全性与可靠性。

五、 研究亮点 1. 创新性的诊断框架： 首次在PMSM匝间短路故障诊断中，明确提出并实现了对故障参数(p, g)和电机本体参数(Lq)的联合在线估计，以应对参数不确定性问题。 2. 针对性的误差分析与补偿： 通过严谨的理论推导，定量分析了高速运行时各参数不确定性对观测误差的贡献，并明确指出∆Lq是主导因素，从而有针对性地设计Lq估计环节。 3. 明确的适用条件与局限性分析： 研究明确了方法需要电机在高速运行且v_d/ω存在变化的条件以激励并估计Lq；同时，也坦诚指出了方法在区分健康电机与极轻微故障方面存在的局限性，这是由模型固有不确定性导致的，为后续研究指明了改进方向。 4. 完整的实验验证： 通过设置多组不同严重程度的真实故障，并对比使用准确与不准确参数两种情况，全面、有力地验证了所提方法在故障相检测和Lq估计上的鲁棒性与准确性，以及Lq估计环节不可或缺的作用。

六、 其他有价值内容 论文在引言部分对现有的故障诊断方法（如MCSA、基于健康参数模型的方法）进行了简要回顾和优缺点评述，为本文研究动机提供了清晰的学术背景。此外，附录的实验平台描述和电机参数表为其他研究者复现或参考该工作提供了充分细节。作者在致谢中说明了研究资助来源，符合学术规范。