电动汽车PMSM退磁故障诊断及故障模式识别
合肥工业大学电气与自动化工程学院的研究人员李红梅、陈涛，在2017年第5期《电工技术学报》上撰文指出，电动汽车永磁同步电动机(PMSM)驱动系统受其功率密度、控制方式以及运行环境的影响,易出现永磁体局部退磁或均匀退磁故障,为了实现电动汽车PMSM驱动系统的安全可靠运行,PMSM退磁故障诊断与故障模式识别已成为亟需解决的关键技术问题之一。
首先提出采用代数辨识法实现永磁体磁链的在线辨识,将辨识结果作为退磁故障定性诊断的依据;在此基础上,采用基于希尔伯特黄变换的定子电流瞬时频率分析方法,实现车用工况下局部退磁故障非平稳特征信号的有效提取。
最后,通过系统仿真研究和实验研究证实建议的永磁体退磁故障诊断及故障模式识别的一体化解决方案能够在测量噪声和车用工况约束下,通过永磁体磁链的在线准确辨识及局部退磁非平稳微弱故障特征信号的有效提取,实现永磁体退磁故障的在线准确诊断及故障模式的有效识别。
永磁同步电动机(PermanentMagnet Synchronous Motor，PMSM)具有结构简单、故障率低和运行效率高等技术优势，逐渐在工业伺服驱动、新能源汽车以及新能源发电等领域获得了广泛应用。
然而，对于车用领域来说，受安装空间限制，PMSM功率密度高、散热条件差、运行工况复杂，多处于加减速、变负荷运行以及最大转矩电流比(Maximum Torque Per Ampere，MTPA)与弱磁(Flux Weakening，FW)联合控制下，存在较强的电枢反应，加之自然老化等因素，使之易出现永磁体局部或均匀退磁故障，导致电机输出转矩减少及转矩脉动，直接影响电驱动系统的转矩控制精度与运行可靠性。
为了实现电动汽车电驱动系统的安全可靠运行，亟需开展电动汽车PMSM退磁故障诊断及故障模式识别的深入研究，同时也为永磁体退磁故障的容错运行奠定研究基础。
PMSM退磁故障诊断主要包括基于数据驱动、模型驱动和高频信号注入三类基本方法。基于数据驱动的诊断方法以电压、电流、振动噪声等为分析对象，通过快速傅里叶变换(Fast Fourier Transform，FFT)、小波变换(Wavelet Transform，WT)以及希尔伯特黄变换(Hilbert-Huang Transform，HHT)进行数据挖掘以探求故障信息，然而该类方法仅适用于局部退磁故障的诊断，而不适用于均匀退磁故障诊断。
基于模型驱动的诊断方法通过对电机模型分析而获得永磁体磁链全局信息，易于实现退磁故障的定性与定量诊断。其中，PMSM有限元模型是实现退磁故障定性与定量诊断的有效手段，但其为物理模型，难以实现与控制系统的直接衔接及容错控制，且计算量大，多用于永磁体抗退磁性能的优化设计。
以进化算法为代表的人工智能由于具有较强的非线性处理能力，在PMSM退磁故障诊断中具有一定优势，但如何降低其计算量，却仍是亟待解决的问题。
另一类基于模型驱动的方法是采用动态数据处理技术构建永磁体磁链在线观测器，该方法能够为退磁故障诊断提供精确的定量数据，且便于与其他方案融合实现故障模式识别与容错控制。
文献［11，12］分别采用龙伯格观测器和最小二乘法来实现永磁体磁链观测，然而由于观测结果对测量噪声的敏感性，限制了该方案在实际系统中的应用。为解决噪声环境下的永磁体磁链观测，文献［13，14］采用扩展卡尔曼滤波算法，在假定其他电机参数恒定的前提下对永磁体磁链进行在线估计，然而受磁路饱和及运行温升变化的影响，定子电阻Rs及d、q轴电感Ld、Lq均会发生不同程度的变化，影响永磁体磁链估计精度，易出现永磁体退磁故障的误诊断，且存在算法计算量大、系统噪声和测量噪声方差矩阵难以合理确定、雅可比矩阵计算困难等缺陷。
文献［16］建立了同时辨识Rs、Ld、Lq及永磁体磁链ψf的自适应模型，实现电机多参数同时辨识。然而，采用自适应算法进行多参数同步辨识时，确保辨识参数收敛的自适应率的确定非常困难。
文献［18］针对面装式永磁同步电机(Surface-Mounted Permanent Magnet Synchronous Motor，SMPMSM)提出了一种基于模型参考自适应算法的分步辨识方法，该方法首先利用d轴电压方程估算出电枢电感Ls，再利用获得的电枢电感来辨识永磁体磁链ψf和定子电阻Rs。
由于SMPMSM多采用id =0的控制方式，为实现ψf和Rs的同时辨识，该方法需要注入一定频率及幅值的d轴扰动电流，从而影响系统控制性能，且该方法没有考虑交直轴电感在电机运行中的变化对永磁体磁链辨识精度的影响。
文献［19］基于内置式永磁同步电机（Interior Permanent Magnet Synchronous Motor，IPMSM)Rs、ψf、Ld、Lq四个电磁参数的不同时间尺度，将其分成快变参数和缓变参数，并采用两个不同时间尺度的最小二乘算法进行在线辨识，为了保证算法收敛，该方案仍需在d轴注入幅值及频率合理的扰动电流以确保慢时间尺度最小二乘算法的辨识精度，且辨识结果易受测量噪声影响。
基于PMSM动态数学模型并与人工智能算法或动态数据递推相结合设计出的永磁体磁链观测器常用于直接观测永磁体磁链幅值并实现退磁故障的定性判断，但无法识别退磁故障模式，即无法区分退磁故障属于局部退磁还是均匀退磁，而且这类非线性辨识方法对待辨识参数的初始值要求较高。
高频信号注入法将退磁前后磁路状态的变化作为故障诊断依据，适用于局部和均匀两种退磁故障的诊断及故障模式识别，但该方案需要叠加随退磁程度不同而变化的高频电流，且只能在电机静止状态下实现，无法实现退磁故障的在线诊断。
永磁体退磁故障的在线诊断及局部退磁与均匀退磁两种故障模式的有效识别已成为电动汽车PMSM退磁故障诊断领域亟待解决的关键技术。
本文提出采用基于代数法的永磁体磁链辨识与基于希尔伯特黄变换的局部退磁故障特征信号提取相结合的方法来实现车用工况下永磁体退磁故障诊断及故障模式识别。
代数辨识法能够以较小计算量实现包括永磁体磁链在内的四个电机参数(Rs、ψf、Ld、Lq)的同时在线辨识，其中，永磁体磁链辨识结果可以为退磁故障定性诊断提供依据。
该方法相较于卡尔曼滤波法以及人工智能法计算量小，无需注入扰动电流，无需设置辨识参数初始值，能够克服注入扰动电流对系统运行性能的影响以及其他非线性辨识算法对辨识参数初始值要求较高的缺陷，增强对系统扰动的抑制能力，同时适用于SMPMSM和IPMSM。
同时，针对车用工况，引入HHT，提取车用非平稳状态下局部退磁微弱故障特征信号，实现局部退磁故障诊断，并与基于代数法的PMSM永磁体退磁故障定性诊断相结合实现局部退磁与均匀退磁故障模式识别。
图1 PMSM驱动系统结构框图
结论
本文提出了将永磁体磁链的代数辨识和基于HHT的PMSM驱动系统在非平稳状态下局部退磁微弱故障特征谐波提取相结合的方法，解决电动汽车PMSM退磁故障诊断与故障模式识别问题。
永磁体磁链的代数辨识法可以在噪声环境下，无待辨识参数初值参与、无扰动电流注入情况下，以较小计算量实现永磁体磁链快速和准确的在线辨识，克服了其他非线性辨识算法对测量噪声的敏感性以及对待辨识参数初始值要求较高的缺点，为永磁体退磁故障提供定性诊断依据，同时，为实现局部退磁与均匀退磁故障模式识别奠定了基础。
基于HHT的定子电流瞬时频率分析方法可以在车用工况下实现PMSM驱动系统在非平稳状态下局部退磁故障特征谐波的可靠提取。在永磁体退磁故障定性诊断的基础上再匹配HHT的局部退磁故障特征谐波提取，即可实现均匀退磁和局部退磁两种故障模式的识别，不仅为电动汽车PMSM永磁体退磁故障诊断和故障模式识别提供了一体化解决方案，亦为后续永磁体退磁故障的容错控制及系统安全可靠的容错运行奠定了坚实的研究基础。