这篇文档发表于《电工技术学报》（Transactions of China Electrotechnical Society）2025年2月第40卷第4期。该研究的主要作者是吴振宇（第一作者，来自安徽大学电气工程与自动化学院）、王慧（来自中国电力科学研究院有限公司）、胡存刚（通信作者，安徽大学）、席浩天和曹文平（均来自安徽大学）。研究得到了国网安徽省电力公司科技资助项目的支持。
二、 研究的学术背景
本研究属于电气工程领域，具体聚焦于电机状态监测与故障诊断方向。研究背景源于新能源汽车，特别是采用轮边电机的电动汽车的快速发展。无刷直流电机（Brushless Direct Current Motor， BLDC Motor）因其结构简单、调速范围宽、响应快等优点，成为轮边电机的理想选择。然而，在恶劣工作环境和复杂工况下，电机故障难以避免，其中定子绕组匝间短路是常见且危害严重的故障类型。早期轻微的匝间短路会逐渐发展，导致绝缘性能恶化，最终可能引起电机烧毁，造成重大经济损失。因此，对无刷直流电机匝间短路故障进行及时、准确的检测与评估具有重要意义。
现有的故障诊断方法主要基于对电机各类物理量（如温度、电流、电压、振动、零序电压等）的监测与分析。然而，这些方法存在各自的局限性：温度变化在早期故障中不显著；电流、电压、振动信号易受负载不平衡等其他因素干扰，可能产生误判；零序电压法虽有效，但属于侵入式测量，需要连接定子绕组中性点，降低了测试便捷性。相比之下，漏磁信号作为电机内部的电磁信号，对机械和电气结构的任何变化都高度敏感，且是一种低成本的非侵入式测试技术，具有显著优势。然而，在故障发展的不同阶段，短路区域和匝数的变化会显著改变电机的电磁空间分布特性，依靠单一位置、固定布局的传感器难以实现故障的精准定位与程度评估。为此，本研究提出并验证了一种基于多路漏磁信号阵列结合反向传播神经网络（Back Propagation Neural Network）的智能诊断方法，旨在利用多维度漏磁信息的互补性，实现对无刷直流电机匝间短路故障的组别（哪一相）、程度（短路多少匝）和位置（短路发生在哪几个槽）的全面诊断。
三、 研究的详细工作流程
本研究的工作流程系统而严谨，主要包括理论建模与仿真分析、实验平台搭建与数据采集、以及基于智能算法的故障诊断模型构建与验证三大环节。
第一环节：理论建模与漏磁信号关联性解析。 首先，研究团队建立了无刷直流电机在匝间短路故障下的等效电路模型和等效磁路模型。通过电路模型方程推导，明确了短路电流与相电流、反电动势等参数的关联关系，从理论上证明了这些电磁参数（进而与之紧密相关的漏磁信号）能够反映绕组状态。随后，通过建立等效磁路模型，定量解析了匝间短路故障如何改变漏磁源，从而导致发散到电机外部的漏磁通（φ_st）发生变化，从物理机理上确立了漏磁信号作为故障诊断特征量的可行性。研究特别指出，漏磁通是三维空间矢量，不同空间位置的信号强度和故障敏感性差异显著，这为后续设计传感器阵列布局提供了理论依据。
第二环节：多路漏磁传感器阵列的最优布局设计与数据采集。 为了获取最有效的诊断信息，研究重点探讨了传感器在电机外壳上的最优布放位置。此环节结合了仿真与实验验证。 1. 仿真分析： 研究团队使用Maxwell有限元分析软件，建立了与实物参数一致的无刷直流电机三维精细化仿真模型。通过模拟电机运行，分析了电机外部空间径向和轴向漏磁通的分布情况。仿真结果表明，径向漏磁通幅值更大。进一步对径向切面的二维分析显示，在电机外壳的3点、9点、12点（以钟面位置类比）方向的漏磁信号强度最显著。 2. 实验验证与阵列构造： 为了验证仿真结果并构建实际传感器阵列，研究团队搭建了无刷直流电机试验平台。平台包括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。根据仿真提示，他们在电机外壳圆周的7个可能方向（1、3、4、7、9、10、12点方向）逐一布置霍尔传感器进行测试，采集健康状态和故障状态下的漏磁信号。通过对比各位置信号的有效值及其在故障下的变化率（故障变化率），实验数据证实：3点、9点、12点方向的漏磁信号有效值最大，且在发生故障时变化最为灵敏（故障变化率最高，分别达到38.49%、46.52%和33.10%）。因此，最终确定将三个霍尔传感器布置在这三个最优方向上，构成多路漏磁信号采集阵列。 3. 差异化故障状态模拟与数据采集： 为了获得充足的训练和测试数据，研究团队系统地模拟了多种故障状态。被测电机定子为三相27槽，每槽13匝，总计351匝。故障模拟通过在绕组引出线之间连接一个0.1Ω的小电阻来实现，以限制短路大电流。故障设置分为三个维度： * 故障组别（哪一相）： 健康（H）、A相故障、B相故障、C相故障，共4类。 * 故障程度（短路匝数比μ）： 设定为1/9、2/9、3/9、4/9，即分别短路9个槽中的1至4个槽的线匝。 * 故障位置（短路发生在哪几个槽）： 在同一相绕组内，设置了间隔120°的3个不同故障起始位置。 对于每一种具体的故障组合（例如“A相，程度2/9，位置1”），都进行了多次重复试验，以确保数据的可靠性。最终，通过仿真和实验平台，共计获得了3200组样本数据。每组样本数据包含从三个最优位置传感器同步采集的漏磁信号时域波形。
第三环节：特征提取与智能诊断模型建立。 此环节旨在将采集到的原始漏磁信号转化为可用于智能分类的特征，并构建诊断模型。 1. 特征矩阵构造： 首先，将三个传感器采集的时域漏磁信号按相别和故障程度组织成时域特征矩阵（如公式4，5所示）。然后，对时域信号进行傅里叶变换，转换到频域。研究指出，故障状态下漏磁信号的时域幅值会规律性增加，而频域信号的基波分量幅值会显著增加，这些时域和频域信息都包含了丰富的状态特征。因此，研究同时利用时域和频域数据来构造最终输入神经网络的特征矩阵。对于每一组样本，其特征是一个高维向量，包含了三个传感器、多个故障程度和位置下的时/频域信息。 2. 反向传播神经网络模型构建与训练： 研究选用反向传播神经网络作为分类器。网络的输入层节点数对应特征矩阵的维度，输出层设计用于完成不同的诊断任务：对于故障组别分类，输出为4类（健康、A、B、C相）；对于故障程度评估，输出为4种程度；对于故障位置定位，输出为3个位置。隐含层节点数设置为6的整数倍。网络通过误差反向传播算法（公式9-13）不断调整权重和阈值，以最小化预测输出与预设目标值（如公式14-17）之间的误差。研究将总共3200组样本数据划分为训练集和测试集（例如，对于故障组别诊断，2400组用于训练，800组用于测试），用训练集数据对网络进行训练，使其学习从漏磁特征到故障类别的映射关系。
四、 研究的主要结果
研究的各项结果清晰地验证了所提出方法的有效性，并量化了其诊断性能。
1. 多物理场仿真与实验验证结果： 仿真和实验数据均一致表明，当电机发生匝间短路故障时，三个最优布放位置（3、9、12点方向）采集到的漏磁信号时域波形幅值相较于健康状态有明显变化。频域分析进一步显示，故障状态下信号的基波分量幅值显著增加。这从数据层面证实了漏磁信号对匝间短路故障的敏感性，并确定了频域特征作为神经网络输入的有效性。此外，研究还进行了变速和变负载的暂态试验。结果表明，在变速过程中，漏磁通和电流信号的幅值随转速增加而有规律地增加；在变负载过程中，漏磁通幅值随负载增加而减小。这些结果证明了该方法在非恒定工况下仍能捕捉到故障引起的规律性变化，具备一定的工况适应性。
2. 智能诊断模型的性能结果： 这是本研究核心成果的集中体现。 * 故障组别（相别）诊断： 在负载条件下，使用800组测试集样本对训练好的模型进行测试，诊断准确率达到了99.8%，仅有一组数据出现误判。在空载条件下，由于电流小、漏磁信号弱、易受干扰，诊断准确率有所下降，但仍达到90%。这证明了该方法对故障相别具有极高的识别能力。 * 故障程度（短路匝数）评估： 在准确识别故障相别的基础上，进一步对A相和B相的故障程度进行评估。针对各相1600组样本（训练集1200组，测试集400组）的诊断结果显示，A相故障程度识别准确率为98%，B相为97%。这表明该方法能够有效区分不同严重程度的匝间短路故障。 * 故障位置（短路槽位）定位： 这是最具挑战性的任务。针对A相和B相各3个故障位置的2400组样本（训练集1800组，测试集600组）进行定位，A相和B相的准确率分别为76.8%和80%。尽管准确率低于前两项任务，但仍能实现一定精度的定位。论文指出，可以通过增加传感器数量来进一步提升定位精度。
上述结果具有清晰的逻辑递进关系：首先，通过理论建模和仿真实验确定了漏磁信号与故障的关联性及最优检测位置；然后，基于此构建传感器阵列并采集多维度数据；最后，利用这些数据训练神经网络模型，并逐级验证了模型在故障相别、程度、位置这三个由易到难诊断任务上的性能。每一阶段的结果都为下一阶段提供了基础和输入，最终的系统性诊断结果共同支撑了研究结论。
五、 研究的结论与价值
本研究提出并成功验证了一种基于多路漏磁信号阵列和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. 确定了用于该类无刷直流电机匝间短路诊断的最优漏磁传感器空间布局为电机外壳的3点、9点和12点方向。 2. 当定子绕组发生匝间短路时，各相漏磁信号幅值不再对称，其时域幅值增加，频域基波分量幅值显著增加，这些特征可作为有效的诊断依据。 3. 所提出的方法能够有效识别故障组别、故障程度和故障位置。在负载条件下，故障组别和故障程度的识别准确率分别高达99.8%和98%，故障位置的识别准确率也达到了80%。 4. 该方法通过融合三路漏磁信号实现信息互补，诊断准确率高。作为一种完全非侵入式的测试技术（仅需在电机外部安装传感器），该方法易于实施，工程应用前景广阔。
本研究的科学价值在于，首次系统地将多空间维度漏磁信号阵列与人工智能算法相结合，用于解决无刷直流电机匝间短路的多维度（相、度、位）精细化诊断难题，为电机状态监测领域提供了一种新的、有效的技术路线。其应用价值突出体现在非侵入性、高准确性和工程易用性上，有望应用于新能源汽车轮边电机、工业驱动电机等关键设备的在线监测与预防性维护，对于保障设备安全运行、避免重大事故和经济损失具有重要意义。
六、 研究的亮点
七、 其他有价值的内容
研究在讨论部分也坦诚指出了方法的局限性与改进方向。例如，在空载条件下诊断准确率下降，以及故障位置定位精度相对较低的问题。作者明确建议，可以通过增加传感器数量来提升定位精度。这为后续研究提供了明确的改进思路。此外，论文中详尽的实验设计（包括故障的精细化模拟、稳态与暂态工况的测试）以及丰富的数据呈现（时域波形、频域谱图、数值表格、诊断结果散点图），为同行复现和研究提供了坚实的基础。