科研进展：电机驱动系统自传感的关键性问题及潜在解决方案

中国电工技术学会活动专区

CES Conference

阅读提示：本文约 6700 字，建议收藏后阅读！

对数控机床和工业机器人等关键制造装备开展状态监控与故障诊断研究，有助于提高设备安全性、可靠性，提升制造业智能化水平。与传统振动分析方法相比，将机电系统的执行器——电机驱动器作为感知器有助于实现无附加传感装置的机械故障诊断。

河南工业大学电气工程学院、华中科技大学人工智能与自动化学院、武汉华中数控股份有限公司的研究人员姚远、李叶松、雷力、谢斌、王耀辉，在2022年第12期《电工技术学报》上撰文，聚焦电机驱动系统在机械设备运行状态感知领域的应用，综述了国内外基于电机驱动系统测量、控制和观测信号的机械故障诊断研究，并结合电机驱动系统自身特性和工程实践需求，提出自传感方法在应用中存在的一些关键性问题与可能的解决途径。

开展机械系统故障诊断研究不仅可以提高数控机床和工业机器人设备的安全性、可靠性和可维护性，预防重大生产安全事故，延长设备使用寿命，而且有助于提升集成电路制造、航空航天装备、海洋工程装备、轨道交通装备等一系列关键领域产品的智能化水平。

近年来，随着智能诊断理论与方法，尤其是大数据技术的进步，故障特征提取、故障识别及寿命预测研究都得到了长足的发展。然而，这些研究多直接以外部附加传感器作为数据来源，在信号获取便捷化、信息维度丰富化方面，还有待解决与深入。

电机作为电能到机械能的转换装置，被广泛地应用在工业生产的各个领域。国际能源署2019年发布的《世界能源展望》报告中指出，电力需求增速是全球能源增速的两倍多，而全球电力需求增长的主要驱动力是在工业生产领域使用的电机，尤其是中国的工业电机。其中，采用闭环控制策略的电机驱动系统以其高精度、宽调速范围的特点广泛用于航空航天、集成电路制造、海洋工程装备等工业和制造业部门。

通常，电机通过丝杠、齿轮、联轴器等传动机构，按照指定的位置、速度和力矩指令，驱动负载进行运动。同时，包含传动机构在内的机械设备的运行状态也会反馈到电机驱动系统中。基于电机结构特点和能量转换关系，威斯康星大学麦迪逊分校的R. D. Lorenz教授提出了“自传感”概念：在电机驱动系统有限的测量信息的基础上，通过观测、估算的方式得到电机的运动和磁场信息，从而将电机驱动系统构造为“集成传感系统”。应用自传感信息既可改善电机控制效果，又可辅助进行故障检测。

与基于振动、位移、噪声、热成像信号的故障诊断方法相比，将电机驱动器作为感知器可以避免外部附加传感器带来的安装不便、安装位置影响信号一致性、信号来源单一、使用成本较高等问题。为了发挥电机驱动器自身的感知能力，可以利用电机和驱动器内置的传感器测量电流、位置信号，提取电机控制过程中蕴含机械运动状态的控制信息，构建观测器、辨识器获取电机转矩、功率和机械参数，从而构建多物理维度的电机驱动系统自传感信息库。

电机驱动系统中蕴含丰富的机械负载运行状态信息，研究基于电机驱动系统自传感的故障诊断方法可在不安装附加传感器的基础上丰富机械故障诊断的数据来源，为提升制造装备智能化水平提供助力。电机驱动系统自传感信息库如图1所示。

图1  电机驱动系统自传感信息库

河南工业大学电气工程学院等单位的研究人员认为将电机驱动系统作为智能制造中的传感节点，既有助于在现有设备基础上实现全生命周期健康管理，也符合智能制造中万物互联的发展趋势。他们聚焦电机驱动系统自传感这一新型信息感知方案，以不同物理属性的自传感信息为出发点，综述了基于定子电流、矢量电信号、电机转矩、功率、位置和机械特性的故障诊断研究，对比了不同类别传感信息的优势和局限性。

表1  机械故障诊断中不同传感信息的优势与局限性

研究人员指出，将电机驱动系统作为感知器可以避免安装附加外部传感器，但在实际应用场合中还存在信号有效性不高、机电故障易耦合、自传感信息与外部传感器间信息融合不紧密等问题。此外，如何建立精确的机电系统模型，如何设计兼顾控制与传感需求的电机驱动系统也是值得研究的重要问题。对此，他们系统性地归纳了上述关键性问题并提出了潜在解决方案，可为机械故障诊断领域的研究学者和工程技术人员提供参考。

图2 电机驱动系统自传感研究中存在的关键性问题及其潜在解决方案

1  电机驱动系统自传感信号有效性问题

现有研究表明，电机驱动器可以感知机械系统运行状态信息，然而电机驱动系统的闭环控制特性和机械故障信号在传动系统中的传播过程均会削弱电机驱动系统自传感信号中故障特征分量的幅值，降低电机驱动系统作为感知器的灵敏度和准确度，阻碍对机械故障的有效感知。

1.1  闭环控制系统影响

为满足高速高精度加工要求，电机驱动系统多采用闭环控制方案，然而，在电机闭环控制系统中，机械故障的影响会被闭环控制系统等效为外部扰动，进而受到闭环控制的抑制。清华大学的杨耕也引述了R. D. Lorenz教授的观点，指出闭环控制系统中构建的转矩观测器的带宽会受到闭环控制的限制。

针对闭环控制系统的影响，研究人员多通过设计故障观测器、构造受闭环控制影响较小的诊断指标及高频信号注入方法来应对闭环控制的影响。此外，通过建立系统闭环控制特性模型，并设计基于模型的信号补偿方法也可强化电信号中被闭环控制抑制的故障特征。

对于特定频率的机械故障信号，闭环控制特性也能起到积极的作用。普瓦捷大学的M. L. Masmoudi等将闭环控制系统幅频特性等效为观测器，通过调整观测器参数，放大了q轴电流频谱内故障特征信号的幅值。

1.2  柔性传动系统影响

当机械故障发生在远离电机轴位置时，故障信号从故障源位置传递到电机驱动器的过程中，故障信号能量会发生衰减，尤其是传动链中含有柔性元件时，能量衰减现象会更加显著。华中科技大学Yao Yuan等从工程实践角度出发，分析了柔性传动系统对故障信号传递过程的影响，针对故障信号在传播过程中的衰减现象设计了基于故障传播路径的信号增强方法，以增强机械故障信号的能量。

然而，该研究只在实验室环境下进行了测试，在实际工程应用中的效果还有待验证。此外，实际应用中故障部件的不确定性也给故障传播路径建模带来了困难。

2  机电故障分离问题

故障定位是故障诊断的主要任务之一，也是维修决策的重要支撑。电机驱动系统由驱动器、电机、传动机构和机械负载构成，各部件间紧密关联。由于大部分机械故障具有传递性，一旦故障发生，故障信号会在各部件间传播蔓延。

基于外部传感器的故障诊断方案可以通过安装多个传感器的方式获取多个部件的运行状态，从而分析故障传播关系，确定故障源位置。在电机驱动系统自传感方案中，电机位置相对固定，难以按照常规方式进行故障定位。此外，潜在的电机和驱动器故障也可能引发机械振动现象，给故障定位带来困难。针对机电系统中的故障分离与定位问题，可从以下两方面展开研究。

2.1  基于机理知识的故障分离研究

电机驱动系统是电磁场、温度场、应力场等物理场组合而成的多物理场混合系统。根据基本物理规律与电机驱动系统运行机理，可开展机电故障分离研究。

交流电机输入功率可分为有功功率和无功功率，其中有功功率主要用于驱动机械负载，而无功功率主要用于建立和维持磁场。由此，可以认为无功功率对电机故障诊断更为敏感。德黑兰大学的J. Faiz等也指出，在异步电机偏心故障诊断中，基于无功功率构造的故障诊断指标比基于定子电流构造的诊断指标更敏感。相应地，有功功率多被用于电机驱动的机械传动和负载机构的故障诊断中。

电机定子电流常用于电机诊断和机械故障诊断，其典型故障特征是频谱中电角频率两侧的边频带。意大利学者D. Bellini和F. Filippetti等指出，在异步电机转子故障中，定子电流频谱中的左侧边频分量的幅值与故障直接相关，而右侧边频带是受转速波动效应的影响才产生的，其幅值也会受到转速波动幅度的影响。

然而，在机械故障影响下，根据理论推导和实验验证，定子电流频谱中的左右边频分量幅值大小几乎相等。就笔者所知，目前的研究和实验中没有证据表明转速波动会影响机械故障情况下的定子电流频谱中边频分量之间的相对幅值。

上述现象可以作为分离电气与机械故障的一种潜在思路。此外，依据电机驱动系统运行规律构造故障观测器也有助于确定具体故障类型。

2.2  基于数据驱动的故障分离方法

除基于机理知识的机电故障分离方案外，盲源分离技术、图论算法和机器学习算法也提供了另一种基于数据的故障分离渠道。近年来，深度学习软硬件技术的发展也增强了机电故障分离的可能性。实现机电故障分离需要获取足够多的机械和电机驱动器故障数据，但在实际应用中深度学习算法常面临故障数据少、健康数据多、故障传递性强及工况变化多等问题。

有研究学者认为，生成对抗神经网络（Generative Adversarial Network, GAN）[56-57]和深度迁移学习（Transfer Learning Network, TLN）将是解决上述问题的突破口。河南师范大学毛文涛等将原始信号的频谱信息作为堆叠降噪自动编码器（Stacked Denoising Auto Encoder, SDAE）的输入，并采用生成对抗神经网络弥补了故障样本不足的问题。西安交通大学雷亚国等以故障特征分布与距离度量为迁移学习的桥梁，将故障诊断模型从实验室环境迁移至实际工程应用环境。但受源域、目标域间差异和模型算法自身性能限制，迁移学习过程中会产生负迁移现象。

深度学习的性能依赖数据样本，合理利用深度学习算法可以充实故障数据集，扩展故障类型，有助于实现机电故障分离。但在数据样本不平衡的实际条件下，机电复合故障在实际工程中往往可遇而不可求；设计、制造可靠的机电复合故障实验台，实现准确的故障表征也并非易事。

3  电机驱动系统自传感信息与外部传感器信息的融合问题

利用电机驱动器进行信息感知可以带来诸多优势，但也应注意到，随着传感器技术、无线通信技术的发展，外部传感器的精度和使用便捷性都在提升，而成本在不断降低。为了适应这种新变化，基于电信号进行故障诊断的研究有必要主动探索融合电机驱动系统自传感信息与外部传感器信息的新型故障诊断方案。

在机械故障诊断领域，包含定子电流、转矩、功率等信号在内的电机驱动系统自传感信息与振动、转矩、噪声等外部传感器测量信号间的关系经历了有效性验证、主辅协作到相互融合的发展历程。

在基于电机驱动系统信息检测机械故障研究的发展初期，振动信号分析等机械故障诊断方法常被用于验证电流信号分析方案的有效性。意大利学者F. Immovilli和韩国学者J. Jung等对比了电信号和振动信号在轴承故障诊断中的应用，证明了基于电信号的机械故障诊断结果与振动信号分析结果的一致性。F. Immovilli等还指出，在故障特征频率较低时，定子电流能够起到与振动信号同等的故障诊断效果。这一前提条件也与本文中关于信号有效性的分析相吻合。

在验证了电信号感知机械系统运行状态的有效性后，电流信号逐渐开始被用于辅助振动信号开展故障诊断。针对转速变化状态下的风力发电机，内布拉斯加林肯大学的Wang Jun等从定子电流信号中提取电机旋转频率，实现了对振动信号频谱中故障特征频率的追踪。波兰学者V. H. Jaramillo等先从加速度、电流、电压和温度传感器采集的数据中提取故障特征，再利用分层贝叶斯模型开展特征级信息融合，并分离了多种不同类别的机械故障。

近年来，深度学习方法常被用于处理各类传感装置采集的信息。除将原始时序信号直接作为深度学习模型的输入外，融合多种传感信号后得到的信号灰度矩阵、电矢量轨迹和信号时频图谱也被证明能够满足故障检测和健康状态定量评估的需求。目前，基于深度学习的信息融合技术还停留在对原始信号进行简单处理和叠加的阶段，缺乏更深层次的信号融合方法。

机械故障通常表现为空间位置的函数，将电机驱动系统自传感信号与外部传感器测量的位置信号相融合有助于实现机械故障定位。随着对故障机理认知的不断深入，可考虑将故障机理引入自传感信息与外部传感器信息的融合研究中，实现从表象融合到深层机理融合的突破。

4  基于电机驱动系统自传感的系统建模问题

故障诊断方法可分为基于模型和基于数据两大类，基于模型的方法又包括基于物理规律的解析模型法和基于概率论的统计模型法。

其中，基于解析模型的故障诊断方法利用目标的内在物理规律建立等价空间模型，设计状态观测器和参数估计器，对系统的运行状态进行估计和预测，并通过分析理想输出与实际输出之间的残差信号实现故障诊断。解析模型不仅能提供一种高实时性的故障检测手段，而且也有助于了解故障演化过程与故障表征形式，为基于数据的诊断方法提供理论依据和故障特征指标。

燕山大学的时培明、重庆大学的邵毅敏等分别对齿轮和轴承传动系统进行了故障动力学分析，指出了故障状态下振动信号的频域特征，为机械系统状态监控与故障诊断提供了理论支持。

但在实际工程应用中，机电设备结构复杂，工作任务差异性大，外界干扰和噪声等问题都可能降低解析模型的精确性，影响诊断效果。作为机械设备的动力源，电机驱动系统兼具执行器与感知器的作用，在机电系统建模方面具有独特的优势。

4.1  位域变化系统建模

机电系统的特性不仅会随时间发生变化，而且会随运动部件空间位置的改变而发生变化。例如，齿轮的啮合刚度受参与啮合齿轮间的相对空间位置的影响，机床进给系统的刚度、阻尼系数会随着工作台位置的改变而发生变化。同时，机械故障表征信号也常表现为空间位置的函数。

因此，构建具有空间位域变化特性的机电系统解析模型具有重要意义。电机驱动系统不仅能够感知电流、转矩、功率等运行状态信号，而且能够获取电机旋转相位和运动部件的空间位置信息，为基于位域变化的系统建模与观测研究提供支持。

4.2  指令参考建模

随着制造业的不断转型升级，以数控机床和工业机器人为代表的制造装备的工作任务也变得更加复杂。仅以电流、电压、位置等测量信号作为观测器的输入可能不足以反映系统随加工任务要求而产生的运行状态变化，进而影响诊断效果。因此，有必要构建系统模型与加工任务间的关联。

作为机电系统的执行器，电机驱动系统从数控系统、机器人控制器等控制装置接收位置、速度、转矩指令驱动负载机构按预定轨迹执行运动。这些指令信号描述了制造过程中的产品、工艺信息。通过参考电机驱动系统的指令信号，可构建不同工作任务下系统的运行状态观测模型，从而提取实际运行状态与指令信号参考模型的残差，开展故障诊断研究。

4.3  多物理信息系统建模

作为典型的多物理场混合系统，如何建立机电系统的多物理信息模型一直是故障诊断研究的热点。近年来，研究学者已开展了基于多源异构数据的机电系统建模研究，但数据采样时刻不同步、存储格式各异等问题会增加建模难度。

得益于统一的物理硬件平台，电机驱动系统自传感信号具有高时间同步性、相同的数据存储和传输格式，可在一定程度上解决建模中的不确定性与复杂性问题。此外，若能将电机驱动系统感知的多物理维度的机械运行状态信息与大数据智能建模算法相结合，更可为全面、精确建立机电系统多物理信息模型提供新的解决方案。

5  以自传感为目标的电机驱动系统设计问题

在现阶段的工业应用中，能够满足机械故障实时在线诊断的工程应用实例较少，但仍有部分行业领先企业开发了相关解决方案。例如，倍福公司的Twin CAT3软件平台可搭载机器学习模型，并依据实时监控数据开展在线故障诊断。国内企业华中数控开发的华中9型数控系统也具备依据负载电流数据进行机床健康状态自检的功能。

作为感知器，电机驱动系统可为设备边缘侧的故障诊断工业应用提供数据源。但应注意到，现有电机驱动系统是以控制为首要目标而设计的。受成本、能耗和空间等多方面限制，电机驱动器内置传感器的测量精度、灵敏度、动态范围通常低于专用检测仪器。

同时，自传感信号的采样频率也会受到电机驱动器控制周期、内置模数转换器性能和总线数据通信速率等因素的制约。目前，电机驱动系统自传感信息更适合作为外部传感器故障诊断方法的补充，在装配过程中和日常加工间隙对目标设备进行故障诊断与健康状态评估。

为了强化电机驱动系统感知能力，提升自传感信号的丰富度和准确性，有必要设计一类兼顾控制与传感的电机驱动系统软硬件解决方案。

在硬件设计方面：电机驱动系统需要使用高精度、高动态范围的传感器以保证传感精度，并配合高速通信总线、多核处理器以提升计算能力、采样速率和信息交互能力。

在软件设计方面，需要进一步提升自传感信号的观测、估算精度，降低时延，并设计新的故障指标观测器，以提升自传感信号的丰富度，并满足不同设备在结构和工艺上的个性化需求。

为了实现机械故障的实时在线诊断，除提升电机驱动系统的计算能力与设计适宜的诊断策略外，还可通过外联边缘计算设备分担电机驱动系统的算力和数据传输、存储需求。如能在电机驱动系统设计过程中为SINUMERIK Edge、TwinCAT3、Edgecross等边缘计算设备及其配备的综合工程开发软件平台预留接口及通信协议，将有助于信号处理与故障诊断算法的实现，从而提高机械故障诊断实时性和精确性，提升机电设备智能化程度。

本文编自2022年第12期《电工技术学报》，论文标题为“基于电机驱动系统自传感的机械故障诊断研究综述”。本课题得到了科技部国家十三五重大专项和河南工业大学自然科学基金资助项目的支持。

阅读全文

➤ 下载论文PDF版，请点击本行文字！

➤ 在线阅读全文，请点击本行文字！

扫码参会  ACCES 2022

第十七届中国电工技术学会学术年会

（点击上方文字，访问会议官网）

2022年9月16-18日  重庆市

推荐阅读

中国电工技术学会

新媒体平台

学会官方微信

电工技术学报

CES电气

学会官方B站

CES TEMS

今日头条号

学会科普微信

新浪微博

抖音号

联系我们

《电工技术学报》：010-63256949/6981

邮箱：[e-mail]

---

《电气技术》：010-63256943

邮箱：[e-mail]

---

编务：010-63256994；订阅：010-63256817

广告合作：010-63256867/6838