面向电动机故障检测的高级人工智能

《Electronics》：Advanced Artificial Intelligence for Fault Detection of Electric Motors

　　

近年来，日益增长的组件健康评估需求使得故障检测成为一个越来越重要的研究课题。虽然传统技术仍被广泛使用，但人工智能（AI）的扩展引入了创新方法。其中，自编码器在检测电动机异常方面展现了显著潜力。本文旨在确定哪些信号最适合用于永磁同步电机（PMSM）中基于AI的故障检测。为此，除了分析文献中常研究的加速度信号外，本研究还将调查范围扩大到不同位置获取的电流、电压和温度信号。所提出的方法在耐久性测试中进行验证，其中电机在高度变化和苛刻的运行条件下运行。然后使用一维卷积神经网络自编码器（1D CNN AE）分析收集到的信号以检测可能的故障。结果强调了不仅要考虑加速度，还要考虑替代监测信号的重要性。特别是，温度测量被证明对于识别和定位特定故障至关重要，而电流和电压则提供了对电机行为（如控制策略的变化）的有价值见解，即使它们与故障发生并不直接相关。

**论文解读：基于多信号融合与1D CNN AE的永磁同步电机故障检测研究**

**研究背景与动机**
随着工业系统对组件健康评估需求的日益增长，故障检测成为近年来的核心研究主题。传统方法如基于模型和信号处理的技术虽广泛应用，但人工智能（AI）的兴起带来了创新途径，其中自编码器（Autoencoder，AE）在无监督异常检测中展现出显著潜力。然而，现有研究多聚焦于单一信号（如加速度），忽略了不同故障类型对信号敏感性的差异，导致检测覆盖范围有限。永磁同步电机（PMSM）在复杂工况下运行，其故障可能源于机械、电气或热因素，单一信号难以全面捕捉。因此，本文旨在系统评估加速度、电流、电压和温度信号在AI故障检测中的适用性，明确哪些信号对特定故障最有效，并通过多信号融合提升检测鲁棒性。该研究旨在为测试台架应用开发准实时故障检测算法，集成并比较多源信息以提高诊断准确性。

**研究方法与关键技术**
研究人员采用一维卷积神经网络自编码器（1D CNN AE）作为核心算法，该结构结合了卷积神经网络（CNN）的局部特征提取能力和AE的无监督学习特性。网络由编码器和解码器组成，编码器通过卷积层（步长为2）逐步降维至瓶颈层（维度64），解码器对称上采样重构输入。激活函数为修正线性单元（ReLU），并应用L2正则化（系数10^-4）防止过拟合。输入数据经min-max归一化处理，仅基于训练集计算参数以避免数据泄露。训练采用Adam优化器，初始学习率0.001，当验证损失连续10个周期不下降时减半，最低至10^-6；设置早停机制（容忍度10^-5）和最大250个epoch，最小100个epoch。检测阈值基于Tukey方法定义两个阈值（低阈值指示异常，高阈值指示故障），由训练集和验证集重建误差的上下四分位数及四分位距（IQR）计算。实验数据来自专用测试台架（背靠背电机配置），在受控温湿度环境中进行耐久性测试，每个循环包含约90分钟负载和90分钟停机。信号采样间隔0.25秒，经时间平均（窗口50%重叠）降采样至约512点/周期。训练集取自每台新电机前20个周期（假设健康状态），其中16个训练、4个验证。

**研究结果**
**案例1：电机A（热故障）**
电机A在测试期间经历搬迁，加速度信号（机械阶次）的重建误差在搬迁后显著升高，但排除搬迁数据后未见异常，表明加速度无法检测后续故障。电流和电压信号在搬迁后误差骤升，归因于布线阻抗变化，但故障前无渐进增量。逆变器相温度保持稳定。逆变器驱动器温度在搬迁后略有升高，但由传感器安装差异引起。然而，电机U相温度信号的重建误差呈现渐进性增长，成功识别出该相绕组局部过热。最终通过工程师确认，该故障为U相过热引起的绝缘退化。结论：温度信号对热故障敏感，且能定位故障，而加速度、电流、电压在此类故障中无效。

**案例2：电机B（逆变器故障）**
电机B在测试末期发生逆变器故障。逆变器相温度和驱动器温度的重建误差在整个测试中保持稳定，因为传感器测量的是平均温度，而逆变器故障通常为局部快速现象（微秒级）。电流和电压信号的重建误差受控制策略变化影响，且故障未造成波形失真，因此无法检测。加速度信号未采集。结论：当前信号无法检测逆变器故障，需专用高频监测技术（如高频电压/电流分析或门极驱动信号监测）。

**案例3：电机C和D（轴承故障）**
两台电机均发生轴承故障。加速度信号（机械阶次、轴承阶次、10–1500 Hz频带）的重建误差在故障发生时显著上升，成功检测。电流信号中的电气阶次（1、2、5、7阶）分析显示，其重建误差在控制策略改变时（循环85后）出现突变，但未检测到轴承故障。结合机械和电气信号可全面理解电机行为，同时检测故障并识别控制策略变化。结论：加速度信号对机械故障有效，电流电气阶次提供控制信息，多信号融合提升诊断能力。

**性能评估**
采用准确率、精确率、召回率及F1分数评估模型，测试集基于测试周期与高阈值比较。算法在四台电机上的平均准确率较高，但精确率、召回率和F1分数低于同类AI方法，原因在于本研究检测的故障类型更广泛，涵盖多种组件。

**总结与结论**
讨论指出，多信号方法可显著提升故障检测鲁棒性：加速度信号对机械故障有效，温度信号支持热故障定位，电流和电压信号虽未直接检测故障，但能揭示控制策略变化，减少误报。然而，逆变器故障因局部快速特性难以被现有信号捕获，需补充高频监测。算法在电机搬迁及不同设计电机间均表现良好，表明其泛化能力。
论文结论：本文旨在研究多传感器集成在PMSM故障检测中的有效性，1D CNN AE被证明适用于无监督监测，其自动提取特征、训练高效且计算资源需求低。多信号方法（结合加速度、电流、电压、温度）显著提高了检测性能，并提供了对系统行为的更全面理解，为可靠状态监测奠定了基础。