交流电机驱动系统故障检测与诊断技术综述

作者与机构：
本文由美国康涅狄格大学电气与计算机工程系的Muhammed Ali Gultekin和Ali Bazzi共同撰写，发表于2023年7月的期刊《Energies》（Volume 16, Issue 15, Article 5602）。该研究得到MDPI出版集团支持，采用开放获取（Open Access）模式发布。

研究背景与目标

科学领域与动机
本文属于电气工程领域的系统性综述，聚焦于交流电机驱动系统的故障检测与诊断（Fault Detection and Diagnosis, FDD）技术。随着电动汽车（EVs）和工业电气化的快速发展，电机驱动系统的可靠性成为关键问题。然而，环境应力、机械磨损、制造缺陷等因素常导致电机或电力电子部件故障，可能引发系统停机甚至安全事故。尽管已有大量针对特定故障类型（如定子故障、轴承故障）或特定方法（如机器学习、深度学习）的综述，但缺乏对电机驱动系统整体故障机制与多方法对比的综合分析。

研究目标
本文旨在：
1. 系统分类电机驱动系统中的故障类型（电机故障、电力电子故障、直流链路电容故障、传感器故障），并解释其物理机制；
2. 对比不同FDD方法的适用性，包括统计方法、机器学习（ML）和深度学习（DL）方法；
3. 提供公开数据集和快速参考表格，助力研究者快速定位相关技术；
4. 探讨当前研究趋势与未来方向。

主要观点与论证

1. 故障空间分类与机制

故障类型
- 电机故障：占工业电机故障的75%以上，主要包括：
- 轴承故障（Bearing Faults）：因润滑不足或机械应力导致内/外圈或滚动体损伤，表现为周期性振动信号（如球通过频率，Ball Pass Frequency）。
- 定转子故障：定子匝间短路（Stator Interturn Faults）因绝缘老化引发，电流频谱中呈现三次谐波；转子断条（Broken Rotor Bars）导致转子电流不平衡，在电流频谱中产生滑差频率边带。
- 偏心故障（Eccentricity）：分为静态、动态和混合偏心，导致气隙磁通不对称，引发特定频率谐波。

• 电力电子故障：以IGBT/MOSFET的开路（Open Circuit, OC）和短路（Short Circuit, SC）为主，SiC与GaN器件的失效机制因材料特性差异需特殊关注。

• 传感器故障：电流、电压、转速传感器的漂移、噪声或完全失效可能误导控制系统。

• 直流链路电容故障：等效串联电阻（ESR）增大或容量降低，影响系统动态响应。

支持证据
- 引用EPRI和IEEE研究指出轴承、转子断条和定子短路占电机故障的75%（参考文献16）；
- 通过对比Si、SiC、GaN器件的失效机制（如GaN的固有失效以分层为主），阐明材料差异对FDD方法的影响（参考文献27-29）。

2. FDD方法分类与比较

统计方法
- 时频分析：如快速傅里叶变换（FFT）用于轴承故障的振动信号分析，或电机电流特征分析（Motor Current Signature Analysis, MCSA）检测转子断条。
- 案例：文献[37]结合物理约束的卷积神经网络（CNN）提升轴承故障诊断的泛化性；文献[60]通过漏磁通（Stray Flux）传感器检测早期定子匝间故障。

机器学习方法
- 特征工程依赖：如文献[49]利用小波变换提取电流信号特征后，通过支持向量机（SVM）分类定子故障，准确率达99.74%。
- 数据需求：随机森林（Random Forest）和XGBoost在电流信号分析中表现优异（文献[66]）。

深度学习方法
- 端到端优势：CNN直接处理振动信号图像化数据（如文献[68]），无需手动特征提取；生成对抗网络（GAN）可合成稀缺故障数据（文献[69]）。
- 挑战：需大量标注数据，而公开数据集（如CWRU轴承数据集）有限。

电力电子FDD特殊方法
- 逻辑阈值法：直接检测门极电压异常（文献[77-79]）；
- 残差法：基于系统模型（如文献[92]利用线电压残差检测开路故障）；
- 控制器辅助法：结合控制模型的状态估计（如模型预测控制，MPC）。

3. 公开资源与未来方向

数据集
- 表4汇总了CWRU、XJTU-SY等公开数据集，涵盖轴承、转子故障的振动与电流数据。

挑战与趋势
- 泛化性不足：现有方法多针对特定拓扑或负载条件，跨系统迁移需域适应（Domain Adaptation）技术；
- 多故障并发：当前研究多假设单一故障，实际系统需多故障隔离策略；
- WBG器件应用：SiC/GaN器件的快速故障检测需求推动新型驱动集成方案（如文献[79]的硬件快速检测电路）。

研究价值与亮点

学术价值
1. 系统性框架：首次将电机驱动FDD分为四大故障类别，并横向对比统计、ML、DL方法的适用场景；
2. 机制深度解析：从物理层面解释故障特征（如偏心故障的气隙磁通畸变），为方法设计提供理论支撑；
3. 实用工具：提供的故障对照表（表1-3）和数据集清单（表4）可直接指导工程实践。

应用价值
- 工业预测性维护：振动与电流结合的混合方法可降低监测成本；
- 电动汽车可靠性：针对逆变器开路故障的快速检测（<100ms）可避免连锁故障（文献[89]）。

创新点
- 跨学科方法整合：如将图神经网络（Graph NN）用于轴承故障的时空信号分析（文献[32]）；
- 新兴技术覆盖：包括物理信息神经网络（Physics-Informed NN）和迁移学习的应用前景分析。

不足与展望
作者指出，未来需加强真实工况下的验证，并开发兼顾实时性与准确性的嵌入式FDD算法。