1  引言

永磁同步电机效率高、功率密度高，在现代得到了广泛的应用工业上，包括电动汽车、汽车驱动器等。在永磁同步电机（PMSMs）中未检测到的故障可能会发展为部件故障，甚至是电机驱动器的故障。近年来，文献中报道的电机故障包括匝间短路故障、偏心故障、开相故障、轴承故障、高电阻连接（HRC）故障等。其中，在三相引线与电源之间的连接点上发生了HRC故障。它们是由材料疲劳、过热、组装不当和不良的操作环境造成的。如果故障不及时处理，热量就会累积，故障可能会对机器造成更严重的损坏。

提出了一些识别感应电动机HRC故障的方法，如压降测量和红外热成像。电压降检测方法通过使用电压表来比较电机的相位电压降来检测HRC故障。然而，电压降也可能由其他故障引起，如温度和材料疲劳，这两者很难区分。红外热成像可以通过监测电机驱动器中的热点来检测HRC故障，但它需要昂贵的红外摄像机仪器。这两种方法都简单、方便，但精度低，成本高。

诊断HRC故障的其他方法是监测电机绕组电流和电压的顺序分量。根据零序电压分量、定子电流和故障附加相位电阻之间的关系来识别HRC故障。根据所建立的二元线性方程，计算出电阻偏差。但它增加了电力损失。分析了电机零序电压谱的基本分量，然后根据三相电流和零序电压分量建立HRC故障指示器进行故障诊断。但是，匝间短路和电阻不平衡相似，上述方法不能准确区分这两种故障。提出了一种利用低频分量高频零序电压来识别电机故障的方法。

诊断HRC故障的其他方法是监测电机绕组电流和电压的顺序分量。根据零序电压分量、定子电流和故障附加相位电阻之间的关系来识别HRC故障。根据所建立的二元线性方程，计算出电阻偏差。但它增加了电力损失。分析了电机零序电压谱的基本分量，然后根据三相电流和零序电压分量建立HRC故障指示器进行故障诊断。但是，匝间短路和电阻不平衡相似，上述方法不能准确区分这两种故障。提出了一种利用低频分量高频零序电压来识别电机故障的方法算法研究了。提出了信号注入的方法来提供相流的直流分量。通过测量相电流，可以检测和隔离HRC故障。该方法减少了传感器的数量，可以诊断具有星形和三角形连接的电动机的故障。然而，额外的注入电流造成的损耗增加需要注意。

以往文献中提到的方法主要集中于基于电压和电流的特性进行分析。然而，这些方法大多都是相对复杂的。因此，近年来，等无创监测方法越来越受欢迎。文献中研究了利用杂散磁场检测电机短路故障、转子断杆故障和滚动轴承故障的诊断方法。杂散磁场可以提供电流和定子绕组的状态信息。因此，通过监测电机的杂散磁场，可以得到电机的故障状态。在此基础上，提出了一种利用杂散磁场进行的HRC故障诊断方法。

电本文主要利用巨磁阻（GMR）传感器测量杂散通量，并利用故障分析（类型、位置和严重程度）的深度学习算法对pmsm进行HRC故障诊断。数据驱动的深度学习方法显示出良好的、性能，如较强的适应性、高可移植性和良好的灵活性。GMR传感器的高灵敏度可以在不干扰电机运行的情况下测量杂散磁场，而深度学习方法可以有效地识别故障特征。

2 HRC诊断的方法学

A. 故障发生

为了识别PMSM电机的HRC故障，采用新型GMR传感器采集电机杂散磁场信号，并结合谷歌网实现HRC故障的识别。该方法主要分两步完成。首先，分析杂散磁场信号的频谱，提取基本振幅的特征值，用于HRC故障诊断。其次，对采集到的杂散磁场信号进行处理和分析，以判断故障的具体相位，并在定位故障相位的基础上评估HRC的故障程度。

通过对采集到的磁通漏信号进行傅里叶分析，得到特征谐波作为判断HRC故障发生的特征值。本文利用三个GMR传感器采集电机的杂散磁场信号。以电机U相的健康状态和三故障状态为例，构造了频域杂散磁场信号的基本谐波特性其中Ni表示外部电阻为时三通道杂散磁漏信号的傅里叶变换

B. 故障相位定位及故障定量分析

卷积神经网络（CNN）是一种深度学习技术。适用于各种图片的识别和区分。卷积层的函数是计算和提取图像中的关键信息。通过网络中的卷积层，可以增强所收集到的信号的一些特性，并可以降低噪声。基于迁移学习的GoogLeNet网络是CNN的一个经典模型所有的图像基本上都是RGB格式的，这是一个二维数据矩阵。从三个通道收集到的杂散磁场信号在700个数据点（大约两个信号周期）上进行采样。然后，利用时频分析算法将杂散磁场数据转换为图像，并输入到GoogLeNet。

谷歌网网络有22层，可以提高训练精度和特征提取能力。深度网络中经常出现一些缺陷，如参数过多、训练数据集少会导致数据拟合过高，网络过大会导致网络复杂，计算频繁增加。GoogLeNet网络设计了初始结构，使网络能够自行决定网络参数以及是否需要一些网络层，从而加快网络训练的速度和准确性。RGB图像可以反映杂散磁场信号的振幅和频率的变化，该分类方法易于实现。因此，有必要将杂散磁场信号转换为可深度学习算法识别的RGB图像，用于HRC故障诊断。在本文中，电机的运行状态包括健康状态和三个故障类型（U、V、W相）。通过数学(4)和(5)将四种电机条件下采集的杂散磁场信号转换为三通道RGB图像，用于GoogLeNet训练和HRC故障分类。生成的四种图片分别在设计的谷歌网络上进行预训练。网络的可学习层和分类层包含了图像分类所需的特征。因此，在对电机杂散磁场信号的新图像进行分类时，应用两层网络代替能够适应新数据的新网络层，保证训练精度；同时在保证分类精度的同时，将浅层的学习速率设为零，以提高网络的训练速度。经过培训后，可实现HRC故障检测和U、V、W三相故障定位。

在确定故障相位的基础上，对HRC的故障程度进行了定量评价。如前所述，根据各相位不同断层水平的杂散磁场数据，构建并训练了另一个用于定量分析的GoogLeNet模型。将永磁同步电机各相6种不同HRC故障状态的通量信号转换为6幅RGB图像。他们对新设计的GoogLeNet模型进行训练和分类，以定量评估电机HRC故障的程度。

3 在PMSM电机中的HRC建模

分析了杂散磁场与HRC故障之间的关系，并在麦克斯韦软件中建立了PMSM的HRC故障模型。在模拟过程中，分析了磁场的变化情况，并根据磁场的变化趋势进行了故障识别。

A. 磁通量模型

磁场是电机中关键的中间介质。特别是气隙磁场对电压、电流、电机振动、温度等因素影响较大；电机壳体的杂散磁场是气隙磁场的一部分，因此利用空隙磁场来分析杂散磁场的变化。在电机中，定子通量和转子通量相互作用产生空隙流量。这个表达式是由

当将永磁作为磁通源时，电机的磁路中包含杂散磁场。通过磁等效电路分析了空隙磁场与杂散磁场之间的联系，传递了空隙磁场与杂散磁场之间的关系

HRC故障是由高压或电流、金属疲劳和极端环境引起的。当电机发生HRC故障时，会导致电机的三相电压/电流不平衡。负序电压产生的旋转磁场与正序电压产生的旋转磁场相反，它会改变电机的空隙磁场，影响杂散磁场。因此，可以利用杂散磁场信号来检测电机的状态，诊断HRC故障。

B. 有限元麦克斯韦模拟

本文采用ANSYS@Maxwell-2D软件建立了一个1.5 kW PMSM的仿真模型。PMSM的参数如表一所示。附在电机外壳上的GMR传感器实时测量切向和径向杂散磁场信号，以实时检测HRC故障。在电机模型中放置三个观测点来监测通量信号，这些通量信号对应于实验过程中三个GMR传感器采集到的杂散磁场信号。如图1所示。

因为切向通量泄漏杂散磁场振幅大于径向通量泄漏值；随着HRC故障水平的增大，切向分量明显变化，切向通量泄漏用于HRC故障诊断和监测。从FFT分析中可以看出，其振幅为电机频谱中的基本分量从健康状态减小到故障程度的增加。表二显示了三个GMR传感器在不同状态下测量的泄漏通量的振幅。可以看出，基本分量从健康到故障的百分比变化可以高达5%，然后是第三次谐波。因此，我们选择了基本部件作为故障指示器。

4  结果和分析

本文介绍了一种利用GMR传感器检测杂散磁通量，并利用谷歌网网络处理采集到的数据来检测HRC故障的新技术。通过对GMR传感器采集到的杂散磁通量信号的频谱分析，利用杂散磁场信号的频谱基频来确定HRC故障的发生。从杂散磁场信号中提取特征，并设计了谷歌网网络来实现特征缩减和故障定位。在确定故障相后，设计另一个GoogLeNet网络，通过对三相不同故障下采集的杂散磁场信号进行处理和分析，实现HRC故障的定量分析。实验结果证明了该方法的实用性。

故障检测、定位、量化的准确率均在97%以上。该方法具有无创测量、效率高效、精度高等优点。它可为PMSM电机的行业故障识别提供参考。