基于信息增益特征选择与监督机器学习的三相全桥逆变器故障检测与诊断方法研究及其在电机驱动系统可靠性提升中的应用

《Results in Engineering》：Feasibility study for reusing AlSi10Mg powder from the PBF-LB/M process in MAPS process

本研究针对三相全桥逆变器(TFI)在电机驱动系统(MDS)中的故障检测与诊断(FDD)难题，提出了一种结合信息增益(IG)特征选择与监督机器学习(SML)的创新方法。通过嵌套交叉验证和最优IG阈值确定，实现了对开路故障(OCF)、短路故障(SCF)和过热故障的精确分类，测试准确率超99%，诊断时间仅14.5μs，为功率电子系统可靠性提升提供了高效解决方案。

　　

随着工业4.0和电气化进程的加速，电机驱动系统(Motor Drive Systems, MDS)在现代工业中扮演着日益重要的角色，从交通运输到制造业都离不开其稳定运行。然而，作为MDS核心执行器的三相全桥逆变器(Three-phase Full-bridge Inverter, TFI)却面临着严峻的可靠性挑战。环境条件恶劣、过载运行、制造缺陷等因素都可能导致逆变器故障，其中功率开关器件的开路故障(Open-Circuit Fault, OCF)和短路故障(Short-Circuit Fault, SCF)尤为常见。研究表明，半导体和焊接故障占器件模块故障的34%，而短路故障可能引发同步发电机退磁等二次问题，急需快速安全停机保护。传统的硬件保护电路虽然能够应对短路故障，但对开路故障的检测却存在明显不足，这些故障若不能及时检测，可能导致级联故障，危及整个电力电子电路。

为了解决这些挑战，研究人员开始转向数据驱动的故障检测与诊断(Fault Detection and Diagnosis, FDD)方法。特别是随着机器学习(Machine Learning, ML)技术的发展，通过分析大量传感器数据来实现早期故障检测已成为可能。尽管已有研究探索了人工神经网络(Artificial Neural Networks, ANNs)、支持向量机(Support Vector Machines, SVM)等方法，但在特征选择优化、数据泄漏防止和温度传感器集成等方面仍存在明显不足。正是基于这样的背景，来自摩洛哥哈桑二世大学LPMAT实验室的研究团队在《Results in Engineering》上发表了他们的最新研究成果。

本研究采用了多技术融合的研究方法：首先通过数据采集系统(Data Acquisition System, DAQ)获取包含正常工况和8种故障类型的实验数据集，共10,892个样本；运用信息增益(Information Gain, IG)进行特征选择，确定最优IG阈值；采用嵌套交叉验证防止数据泄漏；比较K最近邻(K-Nearest Neighbors, KNN)、随机森林(Random Forest, RF)和支持向量机(Support Vector Machines, SVM)三种监督机器学习算法的性能；使用混淆矩阵和多种评估指标（准确率、召回率、精确率、F1分数等）进行全面性能评估。

在系统描述方面，研究团队构建了完整的实验系统，采用15V直流电源供电，使用IRF540N MOSFET作为功率开关器件，HCPL3120驱动器驱动MOSFET，并采用简单的磁场定向控制(Simple Field Oriented Control, SimpleFOC)技术控制永磁同步电机(Permanent Magnet Synchronous Motor, PMSM)。数据采集系统包含5个ACS712 20A电流传感器，其中两个用于相位电流检测，一个改装为直流母线电压传感器，一个用于直流母线电流检测，最后一个用于高边驱动器电压检测，同时还集成了三个热敏电阻作为温度传感器。

在故障诊断策略方面，研究采用了基于信息增益的特征选择方法。IG分析结果显示，温度测量具有最高的判别能力，T₁、T₂和T₃分别获得了1.452、1.368和1.019的IG分数，而电压相关特征（V_DC、I_DC、V_D）的贡献可以忽略不计。这一发现凸显了温度传感器在故障诊断中的关键作用，为传感器优化配置提供了重要依据。

通过系统评估不同IG阈值下的分类器性能，研究发现随机森林(RF)在IG阈值为0.0113时表现最佳，测试准确率达到99.17%，训练时间0.75秒，诊断时间仅31.5毫秒（约14.5μs每样本）。KNN在IG阈值0.2944时达到同等测试精度，但只需5个特征，实现了37.5%的传感器缩减。SVM在相同阈值下达到98.76%的准确率，但需要更长的诊断时间。

在故障分类结果方面，三种分类器都表现出优异的性能。随机森林对过热故障（F6、F7、F8）实现了完美分类，漏检率(Missed Detection Rate, MDR)为0%。KNN在短路故障检测方面表现突出，对F4和F5故障的召回率达到100%。特征重要性分析显示，温度传感器T₁、T₂和T₃的重要性得分分别为0.414、0.291和0.208，证实了热监测在故障诊断中的核心地位。

研究结论表明，基于信息增益的特征选择与监督机器学习相结合的方法为三相逆变器系统提供了一种有效、实用的故障检测与诊断解决方案。该方法在准确性、响应时间、传感器数量和误报率之间实现了优化平衡，能够满足不同工业应用的需求。随机森林算法适合需要最大速度的实时保护系统，KNN适合在速度和传感器效率之间需要平衡性能的应用场景，而所有分类器在仅使用前三个温度特征时仍能保持约98%的准确率，为传感器故障时的降级运行提供了容错能力。

这项研究的重要意义在于它不仅提出了一种高效的故障诊断方法，更重要的是揭示了温度传感器在逆变器故障诊断中的关键作用，这一发现对未来的电力电子系统设计具有重要指导意义。通过优化传感器配置和算法选择，能够在保证诊断准确性的同时降低系统成本和复杂度，为工业应用中的电机驱动系统可靠性提升提供了切实可行的解决方案。研究采用的嵌套交叉验证方法和IG特征选择策略也为机器学习在工程故障诊断领域的应用建立了更加严谨和可靠的方法学框架。