基于RBF神經網絡的無刷直流電動機故障診斷

王 煒，鐘書輝

(中國空空導彈研究院，洛陽 471009)

基于RBF神經網絡的無刷直流電動機故障診斷

王 煒，鐘書輝

(中國空空導彈研究院，洛陽 471009)

摘 要：為盡可能檢測空空導彈舵機多種故障，提出采用導彈舵機三相工作電流作為舵機故障診斷的信號源，針對舵機無刷直流電動機驅動器的開路、短路等故障，在MATLAB中構建無刷直流電動機及驅動器的模型，并進行故障仿真。選取Haar小波基函數對故障信號進行提取、分析和處理，利用提取的故障特征值對起到故障識別作用的RBF神經網絡進行訓練。仿真結果證明，訓練得到的RBF神經網絡能夠有效識別出舵機中無刷直流電動機驅動器的故障，表明該方法的正確性。

關鍵詞：故障診斷；無刷直流電動機；小波分析；RBF神經網絡；MATLAB

0 引 言

舵機作為空空導彈的執行機構，其性能好壞對于導彈飛行中的動態品質起著決定性的作用[1],但空空導彈的戰術使用特點是長期存儲、短時使用。因此，對于舵機的故障檢測和診斷便成為提高舵機可靠性、判斷舵機工作狀態、評估舵機健康性的重要手段。目前常見的舵機故障檢測和診斷方法主要分為基于模型和基于信號兩大類。

基于模型的舵機故障診斷計算需要建立舵機的精確模型。如楊秉巖[2]等采用構建舵機傳動機構的傳遞函數，對舵機故障進行分類和診斷，但僅能表明舵機內部元器件有可能發生故障，無法確定故障類型和原因。為此，又有學者提出采用自適應觀測器[3-4]的方法，利用序列概率比進行故障決策。但該方法因建立精確的舵機模型較為困難，且計算過程較為復雜，難以得到廣泛應用。

近年來，隨著數字信號處理技術的快速發展，將電機的母線電流作為故障診斷的信號源，研究其特征與故障的對應關系，已成為基于信號處理的故障診斷方法的新研究趨勢[5]。該方法不需要增加額外的傳感器來獲取故障信號，不僅可檢測到電機故障，還可檢測到電機驅動器、齒輪組等故障，因此得到廣泛的應用[6-9]。由于小波分析對時變、短時沖擊、突發信號等具有良好的分析能力，在電機故障診斷中應用較多[10]。然而，小波分析只能定位故障發生時間，不能定位故障發生環節，故需引入神經網絡等作為故障識別與診斷環節。由小波分析等提取故障發生時特定信號的頻譜，將其轉化為故障特征值，并以其為輸入值，對充當故障識別環節的神經網絡進行訓練，最終驗證訓練結果。在選定神經網絡時，需要考慮到通常此類故障的樣本量較少，需選取合適的神經網絡，以確保神經網絡的訓練和驗證不會受到影響。

故本文選取電動舵機中無刷直流電動機的三相母線電流為故障信號源，以電機驅動器開關管短路、斷路等故障為研究對象，通過信號處理方法提取其故障特征值，對故障進行識別、診斷和定位。

1 電動舵機組成及工作原理

電動舵機是空空導彈上重要的伺服機構系統。電動舵機一般由舵機控制器、電機驅動器、直流電動機、齒輪傳動副、滾珠絲杠和反饋裝置等組成，其中直流電動機和齒輪傳動副、滾珠絲杠等稱之為舵機的傳動機構。圖1為電動舵機系統主要組成框圖。

圖1 電動舵機組成示意圖

電動舵機的工作原理是：電動舵機接收飛控/制導計算機給定的舵面偏角信號，經由電路上的控制電路處理后，生成驅動器邏輯控制信號，由驅動器驅動電機開始轉動，經過齒輪傳動副和滾珠絲杠組成的減速裝置將動力輸出到舵軸，驅動舵面轉動，同時與舵軸相連的位置傳感器(反饋裝置)送回檢測信號，判定舵面是否已經到達位置。

由電動舵機組成可見，無刷直流電機是其最重要的組成部分。無刷直流電機的故障也就成為電動舵機故障檢測的重要組成部分。

2 無刷直流電機故障診斷系統

無刷直流電機發生故障時，故障信號呈現瞬態、沖擊、非平穩的特點。小波分析采用多分辨率分析，可同時反應故障信號在時域、頻域上的特征，能夠有效提取故障特征值，在故障診斷領域得到了廣泛的使用。然而小波分析僅能提取故障特征值，當故障特征值數量較多、故障類型較多時，則需要引入專門的故障分類器，對故障進行準確定位。人工神經網絡以其良好的學習能力，可發現系統內難以解析的規律，故作為故障分類器用于故障診斷。小波分析與神經網絡的松散結合也是常見的故障診斷模式。

2.1 小波分析提取故障特征

2.1.1 小波分析工作原理

小波函數系是小波分析的核心基礎，小波分析的主要操作是利用小波函數系對所需分析的信號或函數進行表示、逼近，實現信號或函數的重構。而小波變換則是將時間函數同各自基函數進行卷積計算，屬于內積運算，同時把信號分解成不同尺度的分量?；〔ɑ蛘吣感〔ǘx如下：設φ(t)為一平方可積函數，若其傅氏變換Ψ(ω)滿足可容許性條件，即有：

(1)

滿足上述條件的φ(t)就可稱做小波的一個母函數(基本小波)。φ(t)在時域和頻域上進行伸縮和平移，得到的函數稱之為連續小波基函數：

(2)

式中：a的值變化將會對信號進行不同的帶寬濾波，在頻域上體現為小波分析對信號的頻率局部化特性分析結果。b的值變化則可讓小波函數沿時間軸進行滑動，在時域上表現為小波分析對信號采樣步長的變化。

在得到連續小波基函數后，則可對于任意函數f(t)∈L2(R)進行小波分析，稱之為連續小波變換，具體：

(3)

式(3)表示了小波分析的時頻特性，也表明了小波分析的最大優勢即局部分析能力。當時域觀測寬度變大時，對應在頻域上的頻率區間就會減少，并且頻率中心會向低頻方向移動。反之，時域觀測寬度變小時，頻域上的頻率區間就會增加，頻率中心向高頻移動。

2.1.2 故障特征值提取

小波分析對信號層層分解過程中，在每一層分解中都將信號分解為低頻和高頻兩部分，并只對低頻部分進行分解，高頻部分則被保留，由上一層進行分解。圖2所示為小波分解示意圖，對于信號B進行3層小波分解。其中a1,d1,a2,d2,a3,d3為小波分解在不同層次上的系數。且有：

B=a1+d1=a2+d2+d1=a3+d3+d2+d1

(4)

該系數能夠反映信號B在不同頻帶上的特性，因此小波分解系數可直接用作故障特征值。

圖2 小波分解示意圖

2.2 RBF神經網絡進行故障診斷

徑向基函數神經網絡(以下簡稱RBFNN) 是3層前向神經網絡[12]。第一層是包含若干個輸入信號源節點[X1,X2,…,Xn]的輸入層。第二層是根據所需要解決問題而包含不同節點[R1,R2,…,Rh]的隱藏層。對于RBF神經網絡而言，RBF的作用是充當隱藏層中的神經元變換函數。第三層是對輸入做出響應的輸出層，根據問題需要包含不同的節點數量[Y1,Y2,…,Ym],每個節點都與隱藏層中的所有節點發生關系，得到一個權值Wij(i∈[1,h],j∈[1,m])。圖3所示為RBFNN的組成示意圖。

圖3 RBFNN組成示意圖

由圖3可見，RBFNN基本思想是將在低維空間屬于線性不可分問題，通過RBF構成的隱含層可以把低維的輸入轉換到高維空間，在高維空間內尋求線性可分的可能性，進而實現問題的求解。較其他智能故障判斷標識手段，在結構復雜性、訓練速度和學習收斂方面具有明顯優勢，故在故障診斷領域廣泛使用。

與其它智能故障判斷方法相似，RBF神經網絡首先也需要訓練，也就是由若干組故障特征值組成訓練組，作為RBF神經網絡的輸入值，對RBF神經網絡進行訓練，故障分類則是RBF神經網絡的輸出值。訓練后得到的RBF神經網絡還需要通過與訓練組不同的故障特征值進行驗證，檢驗RBF神經網絡的故障識別能力。

3 仿真驗證

3.1 故障選取

對于無刷直流電機而言，驅動器作為無刷直流電機電壓轉換部分，如果發生故障，將會對電機的運轉產生危害，同時影響電機的帶載能力。研究表明：變頻調速系統中功率變換器是驅動系統中的薄弱環節，其故障比例占整個系統故障的82.5%[13]。為此，選取驅動器故障作為無刷直流電機的典型故障進行分析。圖4為BLDCM驅動示意圖。

圖4 BLDCM驅動示意圖

為簡化分析，規定在任意時刻，晶閘管VT1～VT6中僅有1個晶閘管發生故障，故障類型為短路或開路。如此便有12種故障模式。再加上驅動器正常工作狀態，共有13種故障模式。

3.2 故障特征值提取

針對無刷直流電機驅動器開關管開路、短路故障，以無刷直流電機三相工作電流為故障信號源，利用小波變換對其進行信號分析，提取故障特征值。由于小波分析時選取的小波基函數和分解層數不同，得到的結果也各不相同。在經過大量小波基函數和分解層數的選取、試驗之后，最終發現，當選取Haar小波基函數，并進行5層分解得到的故障特征值最為明顯。如圖4中的VT1在0.3～0.32 s發生短路故障，利用小波分析對A相電流進行分析，結果如圖5所示?？梢钥闯?，在0.3～0.32 s之間，A相電流經過Haar小波5層分析重構后，在d1,d2和d5三個層次上表現的最為明顯，分別如圖5所示。

(a) d1重構

(b) d2重構

(c) d5重構

同樣對B,C兩相電流進行Haar小波5層分析，結果與圖5相似。如選取每相電流經過Haar小波5層分析的系數(a5,d1,d2,d3,d4,d5)為故障特征值，則對于單個開關管故障，可以得到的典型故障特征值共有18個。

3.3 故障識別

故障特征信號提取完畢后，僅能表現出在某時間段內發生故障，但對于故障類型和故障部位不能確定。需要利用故障特征值對RBF神經網絡進行訓練。

為了能夠使得RBF神經網絡區分故障類型，要對驅動器中的6個開關管和故障類型分別進行編碼，一是利于快速確定開關管的編號，二是確定開關管故障類型。因此，得到編碼方式如表1所示。

表1 故障類型及編碼

S1S2表示是否發生故障和故障類型，沒有故障即為正常狀態，編碼為00，如果發生開路故障，則編碼為01；短路故障為10。S3S4S5表明VT1～VT6哪個開關管發生故障，正常狀態對應的故障編碼為000，VT1～VT6的對應編碼分別是001,010,011,100,101,110。

如此RBF的輸出就為一組5位編碼。而輸入有13種狀態，每種狀態取3種故障征兆，每個故障征兆有6個數據。

對本文建立的RBF神經網絡采用20組數據進行訓練，6組數據進行測試。如此RBF的神經網絡輸入數據為(13*3*6)*20組數據，輸出為(13*5)*20組數據。

對于上述故障提取到的故障特征數值，首先采用正常狀態和VT1開路兩種狀態下的故障特征數值進行訓練，對照表1可知，期望輸出值為[0 0 0 0 0 0 1 0 0 1]，對于2組狀態分別選取了20組數據進行訓練，利用另外6組數據進行驗證，6次驗證結果均為[0 0 0 0 0 0 1 0 0 1]，表明RBF神經網絡可有效地識別出正常和VT1開路兩種狀態。

對于13種故障狀態的校驗結果如表2所示。

表2 無刷直流電動機驅動器故障診斷結果

由此可見，本文所設計的RBF神經網絡對于無刷直流電動機驅動器的13種故障的識別率可以達到100%，表明該方法的正確和有效性。

4 結 語

本文以空空導彈電動舵機中所用的無刷直流電動機為研究對象，通過小波分析提取無刷直流電動機驅動器故障時的故障特征值，將其作為RBF神經網絡的輸入，對其進行訓練和校驗。結果表明，本文得到的RBF神經網絡能夠有效地識別13種故障，識別率達到了100%，驗證了故障診斷方法的可行性，并取得了較好的診斷效果。

[1] 樊會濤. 空空導彈方案設計原理[M].北京：航空工業出版社，2013,1-10.

[2] 楊秉巖,程紹成,朱偉,等. 基于傳遞函數識別的導彈電動舵機故障診斷[J].海軍航空工程學院學報，2012,27(5):494-498.

[3] 史賢俊,張文廣,張艷. PSO-RBF 神經網絡在舵機系統故障診斷中的應用[J].海軍航空工程學院學報,2011,26(2):131-135.

[4] 廖瑛,吳彬,曹登剛,等. 基于自適應觀測器的導彈電動舵機故障診斷研究[J].系統仿真學報,2011,23(3):618-621.

[5] 張琛.直流無刷電動機原理及應用[M].北京：機械工業出版社，2004.

[6] 劉志東,石山,陳碩勛,等. 基于1-DISVM 的無刷直流電機故障識別方法[J].微電機,2013,46(3):64-67.

[7] 呂永健，李子龍，張洪林. 基于改進遺傳小波網絡的電機故障診斷研究[J]. 微特電機，2012,40(4):19-22.

[8] 賀昌權 包廣清. 基于小波變換的無刷直流電機逆變器故障檢測仿真研究[J].微電機，2010,43(1):74-77.

[9] 王瑞梓. 基于小波與感應電機電流的齒輪傳動系統故障診斷[M].沈陽：東北大學，2008.

[10] 楊欣榮,蔣林,王婧林,等. 基于小波變換的無刷直流電機逆變器故障診斷[J].電測與儀表，2017,54(5):113-118.

[11] 侯曉松. 基于DSP的彈上舵機控制系統的設計[D].西安：西安電子科技大學碩士論文，2008.

[12] 賀昌權,包廣清. 基于小波變換的無刷直流電機逆變器故障檢測仿真研究[J]. 信息化縱橫，2009(11):73-76.

[13] 史峰，王小川，郁磊，等.MATLAB神經網絡30個案例分析[M].北京：北京航空航天大學，2010.

TheFault-DetectionSystemwithBrushlessDCMotorBasedontheWavelet

WANGWei,ZHONGShu-hui

(China Airborne Missile Academy, Luoyang 471009,China)

Abstract:In order to detect more servo system's faults of air-to-air missile, a method was proposed that the three-phase current of motor in the servo system of missile was chosen to be the fault-detection signal. A fault model of the brushless DC motor and driver were built under MATLAB. The fault signals were analyzed by the wavelet and transferred to the RBF network which was used to train the analyzed signals. The test results of RBF showed the method could effectively distinguish the motor driver's fault.

Key words：fault-detection; brushless DC motor; wavelet; RBF network; MATLAB

中圖分類號：TM33

A

1004-7018(2018)05-0044-04

2018-01-30

航空基金項目(2016ZD12028)

作者簡介：王煒(1978—)，男，博士，研究方向為伺服系統控制。