基于多路漏磁信号阵列的无刷直流电机匝间短路故障诊断研究学术报告
本研究由安徽大学电气工程与自动化学院的吴振宇、胡存刚、席浩天、曹文平与中国电力科学研究院有限公司的王慧共同完成，相关论文《基于多路漏磁信号阵列的无刷直流电机匝间短路故障诊断》已于2025年2月发表于《电工技术学报》（Transactions of China Electrotechnical Society）第40卷第4期。
一、 学术背景与研究目的 本研究属于电气工程领域，聚焦于电机状态监测与故障诊断技术。无刷直流电机（Brushless Direct Current Motor, BLDC）因其优异的性能，在新能源汽车轮边驱动等关键领域应用广泛。然而，在恶劣工况下，其定子绕组匝间短路（Inter-Turn Short Circuit）是一种常见且危害严重的故障。早期故障通常由绝缘老化引发，若不能及时检测，可能发展为更严重的击穿事故，导致重大经济损失。因此，对无刷直流电机匝间短路故障进行精准的状态评估与诊断具有重要意义。
目前，针对匝间短路的诊断方法多基于温度、电流、电压、振动等物理量的变化。例如，通过分析三相电流不平衡或提取零序电压分量进行诊断。然而，这些方法存在局限性：早期故障温升缓慢，温度法不敏感；电流谐波特征易受其他类型故障（如高电阻接触故障）干扰；零序电压法需要连接定子绕组中性点，属于侵入式测量，应用不便。相比之下，漏磁信号（Leakage Magnetic Flux）直接反映电机内部电磁场分布，对结构变化极为敏感，且检测方式为非侵入式，成本低，具有独特优势。但传统方法多依赖单一位置的固定传感器，而匝间短路故障在发展过程中，其发生区域和短路匝数会动态变化，导致电磁空间分布特性差异显著，单一信号难以实现故障的精准定位与程度评估。
为此，本研究旨在解决这一挑战，提出并验证一种基于多路漏磁信号阵列的智能诊断方法。其核心目标在于：通过解析匝间短路下的电磁模型与空间漏磁分布规律，确定最优的传感器空间布局阵列，并利用反向传播神经网络（Back Propagation Neural Network, BPNN） 对多维漏磁信号进行智能分析，从而实现对无刷直流电机匝间短路故障的组别（哪一相故障）、程度（短路匝数比）和位置（具体槽位） 的精确识别。
二、 详细研究流程与方法 本研究采用了“理论建模-仿真优化-实验验证-智能诊断”的系统性工作流程，具体步骤如下：
第一步：建立匝间短路等效电磁模型与诊断方法框架。 首先，为解析漏磁信号与绕组状态的关联关系，研究团队建立了匝间短路故障下的电路模型和等效磁路模型。电路模型（式1-3）定量分析了故障相电流、短路电流与反电动势的关系，从电路层面揭示了故障引起的电气量变化根源。等效磁路模型（图2）则直观地展示了定子绕组发生匝间短路时，故障磁动势Fa的变化如何导致发散到电机外部的漏磁通Φst发生改变，从而从物理本质上建立了绕组状态与外部可测漏磁信号之间的关联。基于此理论，提出了结合多路漏磁传感器阵列与BPNN的智能诊断总体框架（图3）。
第二步：构造多路漏磁传感器最优阵列。 为实现对空间差异化漏磁信息的高效捕获，必须确定传感器的最优布放位置。本研究采用Maxwell有限元分析软件，建立了无刷直流电机的精细化三维模型（图7a，电机参数见表1）。通过仿真分析电机在健康及故障状态下的空间漏磁场分布，比较径向与轴向漏磁通的大小（图7b），发现径向漏磁信号幅值更大。进而，在电机外壳径向切面的12个钟点方向中，筛选出漏磁信号强度最显著、对故障最敏感的位置。仿真初步确定了3点、9点、12点方向为候选最优位点。
第三步：搭建试验平台并验证最优阵列。 为验证仿真结果并获取实际数据，研究团队搭建了完整的无刷直流电机试验平台（图8）。平台包含两台对拖的无刷直流电机（一台作为被测样机，一台作为负载）、电机控制器、数据采集卡、电子负载以及关键的霍尔传感器阵列。依据仿真提示，在电机外壳的7个方向（1、3、4、7、9、10、12点方向）临时布设霍尔传感器（参数见表2），进行对比测试（图9）。通过实际测量健康状态与故障状态（a相2/9短路）下的漏磁信号有效值（表3）并观察时域波形（图10），确认了3点、9点、12点方向的漏磁信号不仅幅值最大，且故障前后的变化率最高（分别达38.49%、46.52%、33.10%），证明这三个位置构成的传感器阵列能提供最丰富的诊断信息。最终，以此三路传感器信号构建了多路漏磁信号阵列。
第四步：构建差异化电机状态数据库。 为训练和测试智能诊断模型，需要涵盖各种故障状态的数据。研究以一台27槽、每槽13匝、每相9槽共117匝的无刷直流电机为对象（图4），模拟了四大类状态：健康状态（H）、A相故障（A）、B相故障（B）、C相故障（C）。对于故障相，设置了四种故障严重程度μ（短路匝数比）：1/9, 2⁄9, 3⁄9, 4/9。同时，在同一相内，模拟了间隔120°的三个不同故障位置（即三个不同的短路槽组）。通过在实际电机绕组引出线间并联小电阻（Rf=0.1Ω）来物理模拟匝间短路。在每种状态下，通过传感器阵列同步采集三路漏磁信号。最终，结合仿真数据与平台试验数据，共构建了包含3200组样本的数据库。
第五步：信号处理与特征矩阵构造。 对采集到的三路时域漏磁信号进行预处理。首先，将每个样本的三路信号按顺序排列，构成时域特征矩阵（如式4-5所示）。然后，对时域信号进行傅里叶变换（FFT），转换为频域信号（式6-8）。频域信号，特别是基波分量幅值的显著变化（图11，图12），被证明包含大量可用于区分不同故障状态的特征信息。这些时域和频域的特征数据被构造为特征矩阵，作为后续BPNN模型的输入。
第六步：建立并训练反向传播神经网络（BPNN）诊断模型。 研究采用BPNN作为分类器。网络输入层节点数对应特征向量的维度（例如，若每路信号取n个频域特征点，则输入层为12n个节点）。网络包含一个隐含层，节点数设置为6的整数倍。输出层节点数根据诊断任务设定：对于故障组别识别，输出为4类（健康、A、B、C相）；对于故障程度识别，输出为4类（4种μ值）；对于故障位置识别，输出为3类（3个位置）。网络使用Sigmoid函数作为激活函数（式10），通过误差反向传播算法（式12-13）迭代调整权重和偏置，以最小化预测输出与预设目标值（如式14-17）之间的均方根误差（Root Mean Square Error, RMSE，式18）。从总样本中划分训练集与测试集，对网络进行训练和验证。
三、 主要研究结果与分析 1. 最优传感器阵列布局得到验证：仿真与实验数据一致表明，无刷直流电机外壳的3点、9点、12点方向是采集径向漏磁信号的最优位置。该布局下的传感器阵列能够捕获到幅值最大、对匝间短路故障最敏感的漏磁信号，为后续诊断提供了高质量、高信噪比的原始数据。这一结果为非侵入式漏磁检测的传感器布设提供了具体指导。
漏磁信号特征规律明确：分析健康与各种故障状态下的漏磁信号发现（图11，图12），发生匝间短路时，三路漏磁信号的时域波形幅值出现不对称性且整体有所增加；频域信号的基波分量幅值显著增大。这从实验上印证了等效磁路模型的理论分析，即故障引起的磁动势变化改变了外部漏磁场。这些规律性的变化为特征提取和智能识别奠定了基础。
智能诊断模型性能优异：
方法普适性验证：研究还进行了变速和变负载的暂态试验（图13，图14）。结果表明，在不同转速和负载下，漏磁信号幅值会随之规律变化（转速增则幅值增，负载增则幅值减），但故障引起的特征变化规律依然存在，说明所提诊断方法在不同运行工况下具有一定的适应性和普适性。
四、 研究结论与价值 本研究成功提出并验证了一种基于多路漏磁信号阵列与反向传播神经网络的无刷直流电机匝间短路故障智能诊断方法。主要结论如下：1）确定了该类无刷直流电机漏磁检测的最优传感器布阵方案（3、9、12点方向）。2）明确了匝间短路故障下，外部漏磁信号在时域和频域（特别是基波分量）的规律性变化特征。3）所构建的智能诊断系统能够高精度地识别故障发生的相别（99.8%）和严重程度（98%），并能对故障位置进行有效区分（80%）。4）该方法仅需在电机外部安装传感器，属于完全的非侵入式测试技术，易于实施，工程应用前景广阔。
本研究的科学价值在于，首次系统地将多路漏磁信号空间阵列与BPNN智能算法相结合，用于解决无刷直流电机匝间短路的多维度（相别、程度、位置）诊断难题。它突破了传统单一信号诊断的局限性，通过信息互补提高了诊断的准确性和可靠性。其应用价值显著，为电动汽车轮边电机等重要设备的在线监测与预防性维护提供了一种低成本、高精度、易实施的解决方案，有助于提升电机系统的运行安全性与可靠性。
五、 研究亮点 1. 方法创新性：提出了“多路漏磁信号阵列+BPNN”的融合诊断框架，实现了从单一信号分析到多维度空间信号融合分析的跨越，显著提升了故障诊断的信息维度和精度。 2. 流程系统性：研究涵盖了从理论建模、仿真优化、实验验证到智能诊断的完整闭环，论证严谨。特别是通过有限元仿真与实验对比，科学确定了传感器最优布局，使方法更具工程指导意义。 3. 诊断全面性：不仅实现了故障有无的判别，更实现了对故障相别、严重程度和大致位置的三层次精细化诊断，功能全面。 4. 技术实用性：始终坚持非侵入式测量理念，所有信号采集均在电机外部完成，极大降低了实施难度和成本，有利于技术推广和工程化应用。
六、 其他有价值的发现 本研究在实验中观察到了负载与空载条件下诊断性能的差异，这提示在实际工程应用中，需要考虑电机运行工况对检测信号强度的影响，或许可以通过算法补偿或增加信号放大环节来优化空载或轻载下的诊断效果。此外，研究为后续工作指明了方向，例如通过增加传感器数量或优化神经网络结构（如采用深度学习网络）来进一步提升故障定位的精度。