图1 基于本体追踪的智能故障诊断体系框架
Fig.1 Framework of intelligent fault diagnosis system based on ontology tracking
摘要 针对永磁同步电机（PMSM）系统故障间关联性强、异构信息复杂繁多以及传统故障诊断方法无法追溯耦合故障发生的真正原因等问题，提出了基于本体追踪的故障诊断方法。以PMSM驱动系统开路故障为主要研究对象，首先，对PMSM故障诊断领域本体模型进行形式化定义及标准化构建，统一集成PMSM系统中密集的异构信息；其次，在改进归一化误差电流数据分析法能够精准快速地定位故障开关管的基础上，将定量分析所得故障特征及识别结果映射到故障领域本体模型中，扩展了故障诊断范围；最后，经语义Web（SWRL）规则库的预设以及基于规则的推理，融合本体技术进行故障诱因、故障类型等信息的追溯及诊断。经实验验证，该方法提高了各子系统间信息的利用率，能够合理地追溯故障原因，为大型复杂系统的故障诊断提供了一个可共享、易更新的标准化方法。
关键词：改进归一化误差电流 本体 开路故障 故障诊断 驱动系统
永磁同步电机（Permanent Magnet Synchronous Machine, PMSM）相较于传统的同步电机具有转换效率高、能量损耗小、体积小和力矩惯量大等绝对优势而发展迅速，近年来已广泛应用于新能源发电、航天航空、电动汽车等领域[1-2]。在工业运作过程中，永磁同步电机的连续作业非常重要，任何故障的发生都会导致巨大的损失，而PMSM系统是大型复杂系统的典型代表，结构及运行机理复杂，故障发生率高且耦合性极强，故障间关联紧密，其中以PMSM驱动系统开路故障最为常见且后果严重[3]，而变流器开路故障是PMSM驱动系统高故障率的主要原因之一[4-5]。
数据分析法是诊断变流器开路故障的主流方法之一，主要分为以电压量或电流量为观测信号对变流器运行状态进行分析[6]。电压分析法需要额外安装监测设备，对系统结构的空间预留及运行复杂度有所要求；而电流是最容易获取的电信号，同时能够比较直观地反映出变流器的运行状态，无需额外增加设备。已有文献主要采用Park矢量电流平均值法、傅里叶归一化直流法、电流矢量轨迹法、输出电流DQ轨迹法等方法[7-12]对故障进行检测和定位，但这些方法存在对负载变化敏感、算法复杂度较大、诊断周期长等问题。
归一化误差电流数据分析法具有能够精准且快速地识别故障开关的优点，为解决上述电流数据分析算法存在的问题，从简化归一化计算复杂度、划分诊断变量两方面对归一化误差电流数据分析法进行改进[13]。但将其应用于PMSM驱动系统开路故障进行故障诊断时，该算法仅能定位至最终的故障IGBT，而在实际运行中，过电流烧毁、线路开路、驱动信号异常或丢失等原因都会最终导致并表现为变流器IGBT开路故障，因此，仅依靠单一的改进归一化误差电流数据分析法无法追溯致使IGBT开路的源头诱因及间接故障，且存在认知超载的问题。基于以上改进归一化误差电流数据分析法在追因溯源方面存在的不足，融合本体追溯的方法进行支撑。
近年来，本体技术及其在故障诊断中的应用研究发展迅速，李娟莉等[14-15]将基于描述逻辑的本体故障知识表示方法以及运用贝叶斯网络进行本体知识推理应用到提升机智能故障诊断方法中，并在工程中实际投入使用，验证了该方法的可行性及准确性；于德介、周安美等[16-17]基于Java平台开发了基于本体的风力发电机组故障智能诊断原型系统，将本体与风电故障诊断结合，但在本体知识模型的构建及推理效率的提高上还需要进一步研究；余磊等[18]采用本体技术对装备故障预测及健康管理系统（Prognostic and Health Management, PHM）进行知识化建模，将故障诊断、故障预测及维修案例作为PHM系统本体的子系统，解决了领域信息异构的问题。
与此同时，中国电力科学研究院、国家电网公司等正在进行政策部署、标准研制、产业化推广等多因素的驱动下积极推行智慧电网知识图谱的开发及落地。知识图谱作为人工智能的重要组成部分，在将海量非结构化信息及大规模数据形成知识网络方面有着无可比拟的优势，而本体技术可以作为知识图谱的模型基础，能够为概念模型进行规范性说明，在信息的结构化表示方面优势明显[19]。
在上述背景下，以解决PMSM系统故障诊断的复杂工程问题为出发点，将PMSM驱动系统开路故障作为主要研究对象，提出基于本体追踪的故障诊断方法。将改进归一化误差电流数据分析法嵌入到本体追踪技术中，将定量分析与定性分析的优势互补，在对故障开关精准定位的基础上追因溯源，有效诊断故障诱因及间接故障类型。两种故障方法的有机结合而非简单堆叠使得各自方法的优势最大化，为系统内大规模结构化及非结构化领域信息进行标准化集成，将领域知识及案例经验等非结构化信息与传统诊断所必须的数据实现联动，为PMSM系统故障诊断的智能化、标准化、信息化提供了新的思路。
依据PMSM驱动系统开路故障特点及诊断需求，将本体追踪技术与改进归一化误差电流数据分析法相结合进行诊断分析。系统结构体系如图1所示。
从驱动系统的组成结构及运行机理出发，运用数据分析法对表现为电气量、检测变量异常的故障进行特征分析及提取，快速、准确地识别具体故障开关管；对于外在表现明显的故障及设备结构、专家经验、历史案例等多源异构信息进行标准化处理。将数据分析及信息获取层得到的两部分信息按照本体的形式映射到本体模型中，构建故障领域本体模型，并在逻辑推理层对故障特征、故障原因及它们之间的关系进行深入分析，据此对多源异构故障信息进行归类及推理，获取致使故障发生的具体诱因及进一步的诊断结果，最终生成网络本体语言（Ontology Wed Language, OWL）故障文件，使该本体模型脱离构建平台的限制，增强了本体模型的扩展性、共享性；依据诊断结果给运维人员提供辅助运维决策，并反馈实际运维情况到本体构建层以实现本体模型及规则库的不断学习更新。
图1 基于本体追踪的智能故障诊断体系框架
Fig.1 Framework of intelligent fault diagnosis system based on ontology tracking
采用以电流量为基本观测信号的数据分析法对变流器开路故障进行诊断分析，电流信号易获取、无需增加额外检测设备且能够直观地反映系统运行状态的特点是该方法的巨大优势。传统归一化电流法采用傅里叶变换系数对电机三相电流进行归一化，之后将归一化量与阈值进行比较从而检测、定位故障开关，采用傅里叶变换的方式归一化处理诊断变量使得算法能够较好地应对负载突变，但算法的复杂度高、实用性差。
改进归一化误差电流数据分析法从降低归一化算子复杂度、将诊断变量解耦为检测变量与辅助变量两个方面着手对传统归一化电流算法进行优化，其原理图如图2所示。该方法将从主控制系统中直接获得的电机相电流及其基准值作为输入，并对其做出相应变换。
在电机正常运行条件下，忽略高频噪声，电机供电电流in(n=a,b,c)为平衡的三相正向电流，即
图2 改进归一化误差电流数据分析法原理图
Fig.2 Principle diagram of improved normalized error current data analysis method.
（1）
电机dq轴定子电流为is，其中s=d,q，将is经Park逆变换及Clarke逆变换得到电机三相电流基准值
。误差en由测量所得电机相电流
与基准值的差值所得。为克服电机实际运行时en不为零的情况，采用其平均值
。
和
分别为
（2）
（3）
针对归一化算法的复杂性以及电流量对负载变化的敏感性问题，采用以相电流的平均模值对电流误差信号的平均值进行归一化处理，诊断变量dn的表达式为
（4）
可以证明，在故障发生后，如果损坏的开关分别是顶部开关或底部开关，对应于变流器故障支路的诊断变量将收敛到大约+1或-1的值[7, 20]。然而，当发生单相双开关故障时，由式（4）定义的诊断变量
将会无解，此时相应的
将归零。为了应对该特殊故障，增加三个附加的辅助变量
，足以应对变流器的全部IGBT开关管故障情况，将辅助变量定义为
（5）
式中，
并且
，因此，对于
相的单相双开关故障，变量将显著降低至接近零的值，表明该相几乎没有电流流过。
变流器等效拓扑结构如图3所示，为了完成多重开路故障诊断，使用两个阈值kf和kl，并根据式（6）和式（7）来公式化定义故障诊断变量。
（6）
（7）
图3 变流器等效拓扑结构
Fig.3 Equivalent topological structure diagram of converter
采用检测变量
和辅助变量
生成的故障特征允许检测定位21种可能的故障组合，在能够清晰区分故障桥臂的同时，还能够区分上、下故障管，见表1。所有开路故障组合可以分为以下四组：单开关故障、单相双开关故障、不同支路的交叉双开关故障、同侧双开关故障。
表1 多重IGBT开路故障特征表
Tab.1 Multiple IGBT open circuit fault feature tables
故障开关DaDbDcAaAbAc VT1P00HHH VT2N00HHH VT30P0HHH VT40N0HHH VT500PHHH VT600NHHH VT1, VT2—00LHH VT3, VT40—0HLH VT5, VT600—HHL VT1, VT4PN0HHH VT2, VT3NP0HHH VT1, VT6P0NHHH VT2, VT5N0PHHH VT3, VT60PNHHH VT4, VT50NPHHH VT1, VT3PPNHHH VT2, VT4NNPHHH VT3, VT5NPPHHH VT4, VT6PNNHHH VT1, VT5NPNHHH VT2, VT6PNPHHH
由以上分析可知，改进归一化误差电流数据分析法能够快速准确定位变流器故障IGBT、算法简单、检测变量及辅助变量，能够覆盖定位所有故障开关组合类型。但该算法无法诊断致使IGBT开路的间接故障及诱因，PMSM驱动系统中光耦隔离电路故障、脉冲调制信号故障、过电流烧毁及线路开路等多种故障类型最终都会导致IGBT开路，在故障特征、故障现象相似的情况下，数据分析法对于源头诱因无从获取；且数据分析一类的算法对于外部特征不够凸显的故障诊断几乎失效，当故障范围扩大到驱动系统乃至整个PMSM机组时，面对庞大高阶系统的繁杂故障种类及关系、大规模的多源异构数据，单一算法无法承担故障诊断任务，面对多扰动、高实时性的运行状态及各个组件、子系统之间的同步实效性较差。因此在数据分析诊断优势的基础上，有机地结合本体追踪技术以解决数据分析在故障诊断时存在的不足。
在本体编译工具Protégé5.0中构建大型PMSM系统故障领域本体模型，重点细化驱动系统部分模型以研究基于本体追踪的故障诊断方法，将改进归一化误差电流数据分析法融于本体构建过程中，所得故障特征映射至本体模型实例库中。
基于本体追踪的故障诊断方法的核心是对故障领域本体的合理构建，对PMSM系统故障领域本体进行形式化定义，使得故障领域信息表示达成一致。
定义1 对于PMSM系统的故障诊断过程Df，始于故障现象Pf及故障特征CHf，执行故障形式Ff及故障类型Tf，追溯故障原因Cf，定位故障设备Ef，止于维修措施Mf，以七元组Df的形式描述。
，其中Tf为故障类型的非空有限集
，
代表每个故障的发生状态，
为故障现象的非空有限集，
为故障特征的非空有限集，同理，
分别为故障形式、故障原因、故障设备及维修措施的非空有限集。
经改进归一化误差电流数据分析得到的诊断变量及辅助变量在故障时的状态变化作为故障特征CHf映射到本体模型中；将信息获取层得到的大量非结构化信息与数据分析法获得的数值数据根据类别的不同分别映射到故障诊断过程Df七元组中，使得多源异构信息能够较为便捷地集成在同一空间中。
定义2 故障诊断领域本体元组（Fault Diagnosis On tology, FDO），结合故障诊断过程被形式化定义为：
，其中
为PMSM系统故障领域本体中的类集；
为类的概念属性集，
为之间的关系集合，
为类之间关系的属性集，
为类的实例集，
为公理约束信息。
根据
及
的形式化定义，本体技术能够实现将文本及数据等大量密集的异构信息统一集成，加强了模型及诊断方法的标准性、通用性及信息化，便于各系统间的信息同步及未来的模型更新、演化；故障诊断的证据信息除了传感器采集或数据分析得到的电信号（故障特征
）外，还包含故障发生时的各种外在表现的描述（故障现象
），将文本知识与数值数据实现联动，为本体模型提供了追踪系统隐含关系及故障的基础，提高了诊断结果的合理性。
通过对故障知识的形式化定义，增强了本体模型的通用性。采用自顶向下的构建方式结合本体开发的经验，基于OWL本体描述语言，构建PMSM系统故障领域本体模型，并重点强化驱动系统的精度，其构建流程如图4所示。
图4 故障领域本体构建流程
Fig.4 Flowchart of fault domain ontology construction
根据PMSM机组的实际运行过程，将故障领域本体分为故障诊断、故障原因、故障特征、故障现象、故障形式、故障类型、故障设备和维修措施共八个大类；采用对象属性定义故障类之间多对多的关系，见表2。需要声明的是，本体模型中“类”的构建原则为宏大而粗粒度，其目的是尽可能包含大型复杂系统的所有异构信息，只有在本体“类”足够全面、包含范围足够广的前提下，才能使“本体追踪”的效果更优。而专业领域知识中具体的、针对性的信息表示需要在本体“实例库”中映射或构建；将改进归一化误差电流数据分析法对变流器开路故障分析所得的故障特征及识别信息标准化处理后，映射为数据属性及类的实例，实现两种故障诊断方法的有机结合。基于本体的领域知识表示方法为故障诊断提供了规范的概念术语、特定的属性关系及完备的个体实例。利用HermiT推理机对本体模型进行语义及逻辑自查，并根据检查结果不断修正模型，提高了异构信息集成及诊断推理结果的可靠性。
表2 故障领域本体对象属性
Tab.2 Fault domain ontology object properties
对象属性定义域Domain值域Range happenAt resultIn orLeadTo mayLeadTo isCauseOf hasCause hasPhenomenon isFormOf hasForm isLocationOf isMaintenanceOf hasMaintenance
PMSM系统故障领域本体模型为驱动系统开路故障诊断分析及推理提供了数据基础，数据分析法对变流器开路故障的特征分析结果、机组历史故障案例以及专家经验为基于规则的知识推理提供了逻辑依据。前文本体模型构建的广度及全面性、领域知识的细粒度划分效果、逻辑的合理性是推理能够顺利进行的先决条件。
以本体结点为推理对象，本体模型主要由OWL描述，为了实现推理，采用专门的语义Web规则语言（Semantic Web Rule Language, SWRL），借助SWRL Rules插件在Protégé中构建规则知识库，并在Pellet推理引擎中实现推理。将改进归一化误差电流数据分析法诊断结果、历史经验及领域知识写入规则并进行推理，从故障表现或故障特征出发，将故障类型与故障原因相匹配，最终追溯到故障部件及维修措施。
基于数据基础及逻辑依据构建的SWRL规则库能够更好地应对不确定事件的推理，便于根据实际故障运维情况的反馈进行规则的更新及演化，在反复实践中不断学习及同步更新，以使故障诊断效果逐步优化，满足了PMSM运行过程中高扰动、高实时性的特点对诊断算法灵活性的要求。
在精确本体库及规则推理的支撑下，面对PMSM驱动系统的故障时，故障IGBT的组合方式不再是故障诊断的唯一目标；相反，故障IGBT组合的正确识别成为本体追溯的开端，IGBT开路的源头诱因及真正故障模式及类型成为基于本体追溯的故障诊断方法的推理方向。
在对基于本体追踪的故障诊断方法进行了深入的理论分析与研究后，对提出的方法进行验证，利用Matlab/Simulink环境对PMSM驱动系统进行建模仿真，采用滞环电流控制器转子磁场定向控制策略控制电机速度，并在驱动系统中引入单个及多个开关开路故障，在不同故障开关组合下验证诊断变量的变化特征，并提取故障特征。
阈值是通过分析健康运行及故障运行时的诊断变量变化行为以及错误警报的鲁棒性来设置，由于阈值取标幺值，不受电机额定功率、运行负载水平及机械速度的影响，可以视为是通用的，
取值为0.5，
取值为0.2。
图5a、图5b分别是诊断变量和在单开关开路故障及同侧双开关开路故障时的变化情况。在0.8s时设定VT1开路，由仿真波形可知此时
，
，
，
；在1.5s时设定VT3也开路，此时，
，
，，与表1的特征相符合。
由此可以证明，改进归一化误差电流数据分析法所得故障特征可以归结为表1内容，将表1所提供的数据信息、逻辑信息分别作为数据属性及实例、SWRL规则映射至本体模型中。根据Df及FDO的形式化定义及图4本体模型的构建流程，通过Protégé5.0编辑本体类、属性、实例。数据分析法分析结果的部分映射见表3；构建的本体部分展开模型如图6所示，在“故障类型”类中，包含的节点众多，每个节点与驱动系统开路故障均有可能存在耦合关联，为本体追踪提供了数据库支持。根据故障机理及构建好的领域本体模型写入SWRL诊断规则，代码示例见附录。
图5 改进归一化误差电流数据分析法故障特征图
Fig.5 Fault characteristic diagram of improved normalized error current data analysis method
表3 改进归一化误差电流数据分析法在本体模型中数据属性及实例的映射
Tab.3 The mapping of data property and instances of the results of data analysis in the ontology model
数据属性实例 Aa_is, Ab_is, Ac_is, An_is, Da_is, Db_is, Dc_is, Dn_is,IGBT1, IGBT2, IGBT3, IGBT4, IGBT5, IGBT6, 脉冲调制信号故障, 变流器失效。IGBT单开关开路、IGBT单相双开关开路、IGBT同侧双开关开路、IGBT交叉双开关开路、IGBT接收不到驱动信号、外部无明显异常、IGBT关断保护法、门极驱动电压监测法。
以1.5s发生的VT1、VT3同侧双开关短路故障为例，将诊断规则预设至本体模型内，输入故障现象、故障特征数据属性，运行Pellet推理机进行可视化推理，推理结果如图7所示。分析图7可知，故障发生时的故障特征数据属性落在同侧双开关开路的数据区间内：，，，
；而故障表现为“外部无明显异常”。传统数据分析法会根据此时的诊断变量数值区间来识别故障IGBT作为最终诊断结果；且实际运维时“外部无明显异常”的迷惑型现象容易使运维人员忽略隐藏故障，致使系统二次故障的发生及故障影响范围扩大。相反，基于本体追踪的故障诊断方法以当前故障特征数据属性及故障现象为追踪起点，以预设诊断规则为诊断方向，对故障类型等因素进行匹配及推理，得到故障形式为同侧双开关开路故障，定位故障设备为IGBT1和IGBT3，最终输出偏向故障类型为驱动线路出现开路或驱动光耦隔离电路故障或驱动信号调制电路故障。
图6 PMSM系统故障领域本体模型部分展开图
Fig.6 Part development diagram of the ontology model of PMSM power fault field
图7 本体追踪部分诊断结果
Fig.7 Diagnostic results of ontology tracing
不同于数据分析法的故障诊断结果，基于本体追踪的故障诊断方法没有将IGBT开路现象简单地定义为变流器故障，而是结合非结构化本体数据追踪至驱动系统其他结构的故障问题。该故障诊断方法对有较多历史案例及专家经验的故障来说效率更高，在实际工程中的驱动变流器结构中，三电平、五电平等涉及更多晶闸管的情况下，故障的组合方案非常庞大，当实际范围扩大至整个电机甚至PMSM系统时，想要依靠运维人员的经验或查找手册来确认故障点的效率及准确率都非常低，基于本体追踪的方法将定性诊断与定量诊断相结合，能够高效准确地追溯故障源，为运维人员提供决策支持。
1）分析并验证了改进归一化误差电流数据分析法在识别变流器故障IGBT方面的优势，以及在PMSM系统中追溯引发IGBT故障根本原因方面的不足，并由此提出了基于本体追踪的故障诊断方法，将定量诊断与定性诊断相结合。
2）将定量诊断提取的故障特征用于之后的本体映射，使本体技术不再只依靠知识及规则进行推理，延长了故障诊断的生命周期，故障设备（IGBT开关管）由一般的诊断目标变为起始点；同时优化了诊断方向，将直接故障延伸至中间故障最终追溯到故障根本原因，加强了对不确定事件的灵活推理。
3）本体模型构建作为知识图谱的前端设计，为PMSM系统知识图谱的发展提供了标准化、易复用、结构清晰的领域基础模型，弥补了知识图谱构建过程中无法进行逻辑检查及灵活推理缺失的不足。
4）面向合作风电企业的实际需求，课题组将本文方法应用到风力发电机定子绕组故障、PMSM驱动系统故障、变桨电机故障、主轴承故障等10多种风电机组故障中，构成包含领域知识和实践技能的风电系统故障诊断知识图谱；后续将研究如何将自主构建的风电系统故障诊断知识图谱与更大平台的知识图谱并轨，最终实现与电力运检知识信息管理图谱、电力供应链图谱及电网调度自动化系统图谱等电网业务图谱相汇集，遵循电力行业正在积极推行的智慧电网知识图谱发展态势。
附 录
SWRL规则：故障诊断(?x)^Da_is(?x,?y)^swrlb:
greaterThan(?y,0.5)^Db_is(?x,?z)^swrlb:greaterThan(?z,0.5)^Dc_is(?x,?o)^swrlb:lessThan(?o,0.5)^Aa_is(?x,?h)^swrlb:greaterThan(?h,0.2)^Ab_is(?x,?m)^swrlb:greaterThan(?m,0.2)^Ac_is(?x,?n)^swrlb:greaterThan(?n,0.2)^hasPhenomenon(?x,外部无明显异常)->resultIn(?x,IGBT同侧双开关开路)^mayLeadTo(?x,驱动线路出现故障)^happenAt(?x,IGBT1)^happenAt(?x,IGBT3)^orLeadTo(?x,驱动光耦隔离电路故障)^orLeadTo(?x,驱动信号调制电路故障)。
SWRL部分语句含义见附表1。
附表1 SWRL部分语句含义
App.Tab.1 SWRL partial statement meaning
逻辑比较含义 swrlb:greaterThan大于 swrlb:lessThan小于
规则解释：故障诊断
，的诊断变量
为
，的数值大于0.5，的诊断变量
为
，的数值大于0.5，的诊断变量
为
，的数值小于-0.5，的辅助变量
分别为
且数值均大于0.2。的故障现象为“外部无明显异常”，那么发生了IGBT同侧双开关开路，可能会导致驱动线路出现故障，或者导致驱动光耦隔离电路故障或驱动信号调制电路故障，故障发生在器件IGBT1及IGBT3上。
其中，语句内所含问号为SWRL书写规则中变量的前缀。
参考文献
[1] 魏永清, 康军, 曾海燕, 等. 十二相永磁电机驱动系统的容错控制策略[J]. 电工技术学报, 2019, 34(21): 4467-4473.
Wei Yongqing, Kang Jun, Zeng Haiyan, et al. Fault-tolerant control strategy for twelve-phase permanent magnet synchronous motor propulsion system[J]. Transactions of China Electrotechnical Society, 2019, 34(21): 4467-4473.
[2] 陈文汉, 孙丹, 王铭泽. 断相故障下开绕组永磁同步电机模型预测控制容错控制策略研究[J]. 电工技术学报, 2021, 36(1): 77-86.
Chen Wenhan, Sun Dan, Wang Mingze. Research on fault-tolerance strategy based on model predictive control for open-winding PMSM system under open-phase fault[J]. Transactions of China Electrotechnical Society, 2021, 36(1): 77-86.
[3] 林京京, 沈艳霞. 永磁同步电机驱动系统电流传感器容错控制[J]. 浙江大学学报(工学版), 2019, 53(9): 1815-1825.
Lin Jingjing, Shen Yanxia. Stator current sensors’ fault tolerant control for permanent magnet synchronous motor drive system[J]. Journal of Zhejiang University (Engineering Science), 2019, 53(9): 1815-1825.
[4] 张海霞, 谭阳红, 周野. 变流器开路故障下永磁同步风力发电系统运行特性分析[J]. 中国电机工程学报, 2018, 38(23): 7045-7051, 7138.
Zhang Haixia, Tan Yanghong, Zhou Ye. Characteristic analysis for permanent magnet syn-chronous generator wind power systems during converter faults[J]. Proceedings of the CSEE, 2018, 38(23): 7045-7051,7138.
[5] 李辉, 杨甜, 谭宏涛, 等. 基于电压和电流特征的双馈风电变流器功率器件开路故障综合诊断[J]. 电工技术学报, 2021, 36(16): 3433-3445.
Li Hui, Yang Tian, Tan Hongtao, et al. Comprehensive diagnosis of open-circuit fault for power devices of doubly-fed wind power converter based on the features of voltage and current[J]. Transactions of China Electrotechnical Society, 2021, 36(16): 3433-3445.
[6] 徐殿国, 刘晓峰, 于泳. 变频器故障诊断及容错控制研究综述[J]. 电工技术学报, 2015, 30(21): 1-12.
Xu Dianguo, Liu Xiaofeng, Yu Yong. A survey on fault diagnosis and tolerant control of inverters[J]. Transactions of China Electrotechnical Society, 2015, 30(21): 1-12.
[7] Henao H, Capolino G A, Fernandez-Cabanas M , et al. Trends in fault diagnosis for electrical machines: a review of diagnostic techniques[J]. IEEE Industrial Electronics Magazine, 2014, 8(2): 31-42.
[8] 于泳, 蒋生成, 杨荣峰, 等. 变频器IGBT开路故障诊断方法[J]. 中国电机工程学报, 2011, 31(9): 30-35.
Yu Yong, Jiang Shengcheng, Yang Rongfeng, et al. IGBT open circuit fault diagnosis method for inverter[J]. Transactions of China Electrotechnical Society, 2011, 31(9): 30-35.
[9] 黄科元, 刘静佳, 黄守道, 等.永磁直驱系统变流器开路故障诊断方法[J]. 电工技术学报, 2015, 30(16): 129-136.
Huang Keyuan, Liu Jingjia, Huang Shoudao, et al. Converters open-circuit fault-diagnosis methods research for direct-driven permanent magnet wind power system[J]. Transactions of China Electrotechnical Society, 2015, 30(16): 129-136.
[10] 伍珣, 陈特放, 成庶, 等. 基于输出电流轨迹的机车逆变器开路故障在线诊断方法[J]. 电工技术学报, 2017, 32(增刊2): 87-95.
Wu Xun, Chen Tefang, Cheng Shu, et. Al. An online diagnostic method based on output current locus for open-circuit faults of inverters[J]. Transactions of China Electrotechnical Society, 2017, 32(S2): 87-95.
[11] Ning Fang, Peng Guo．Wind generator tower vibration fault diagnosis and monitoring based on PCA[C]// 2013 25th Chinese Control and Decision Conference, 2013: 1924-1929．
[12] 曹海洋, 沈建辉, 姜子健, 等. 基于双混合钳位式变流器的永磁直驱风力发电系统控制策略[J]. 电工技术学报, 2016, 31(11): 32-40.
Cao Haiyang, Shen Jianhui, Jiang Zijian, et al. Control strategy of permanent magnet direct-driven wind generation system based on hybrid clamp dual PWM rectifier[J]. Transactions of China Electrotechnical Society, 2016, 31(11): 32-40.
[13] Estima J O, Marques Cardoso A J. A new algorithm for real-time multiple open-circuit fault diagnosis in voltage-fed PWM motor drives by the reference current errors[J]. IEEE Transactions on Industrial Electronics, 2013, 60(8): 3496-3505.
[14] 李娟莉, 杨兆建, 庞新宇. 面向知识工程的提升机智能故障诊断方法[J]. 煤炭学报, 2016, 41(5): 1309-1315.
Li Juanli, Yang Zhaojian, Pang Xinyu. Intelligent fault diagnosis method of mine hoist based on knowledge engineering[J]. Journal of China Coal Society, 2016, 41(5): 1309-1315.
[15] 李娟莉, 杨兆建. 基于本体的矿井提升机故障诊断方法[J]. 振动.测试与诊断, 2013, 33(6): 993-997, 1094.
Li Juanli, Yang Zhaojian. Fault diagnosis method for mine hoist based on ontology[J]. Journal of Vibration, Measurement & Diagnosis, 2013, 33(6): 993-997, 1094.
[16] 周安美, 于德介, 吴雪明, 等. 基于本体的大型风力发电机组故障智能诊断研究[J]. 中国机械工程, 2012, 23(17): 2075-2080.
Zhou Anmei, Yu Dejie, Wu Xueming, et al. Research on intelligent fault diagnosis for large—scale wind turbines based on ontology[J]. China Mechanical Engineering, 2012, 23(17): 2075-2080.
[17] 于德介, 赵丹, 周安美. 基于本体故障树的关键机组诊断决策研究[J]. 湖南大学学报(自然科学版), 2013, 40(8): 46-51.
Yu Dejie, Zhao Dan, Zhou Anmei. Research on the diagnosis decision-making of key units based on ontology and fault tree[J]. Journal of Hunan University (Natural Sciences), 2013, 40(8): 46-51.
[18] 余磊, 谷宏强, 孟晨, 等.基于本体的装备PHM知识化建模研究[J]. 火力与指挥控制, 2019, 44(10): 13-17.
Yu Lei, Gu Hongqiang, Meng Chen, et al. Research on ontology-based knowledge modeling of equipment PHM[J]. Fire Control & Command Control, 2019, 44(10): 13-17.
[19] 王琼, 魏军, 闫润珍, 等. 知识图谱在智能电网的应用[J]. 电子元器件与信息技术, 2020, 4(1): 135-137, 147. Wang Qiong, Wei jun, Yan Runzhen, et al. Application of knowledge map in smart grid[J]. Electronic Component and Information Technology, 2020, 4(1): 135-137, 147.
[20] Freire N M A, Estima J O, Marques Cardoso A J, et al. Open-circuit fault diagnosis in PMSG drives for wind turbine applications[J]. IEEE Transactions on Industrial Electronics, 2013, 60(9): 3957-3967.
Open Circuit Fault Diagnosis Method for Permanent Magnet Synchronous Machine Drive System Based on Ontology Tracking
Abstract A fault diagnosis method based on ontology tracking is proposed for the problems of permanent magnet synchronous machine (PMSM) system strong fault correlation, complex heterogeneous information, and traditional fault diagnostic methods cannot trace the true cause of the coupling fault. Taking the open-circuit fault of PMSM drive system as the main research object, firstly, define and standardize the ontology model in PMSM fault diagnosis field, and integrate the dense heterogeneous information in the PMSM system; secondly, on the basis of improving the normalized fault current data analysis method to accurately and quickly locate the fault switch pipe, the fault characteristics and identification results obtained from quantitative analysis are map to the fault field ontology model, extending the scope of fault diagnosis; finally, through the preset of semantic web rule language (SWRL) rule library and rule-based reasoning, integrate the ontology technology to trace and diagnose the fault cause, fault type and other information. Experiments verify that the proposed method improves the utilization of information among subsystems and can reasonably trace the cause of failure, providing a shared and easy to update standardized method for fault diagnosis of large complex systems.
Keywords:Improved normalized error current, ontology, open circuit fault, fault diagnosis, drive system
DOI: 10.19595/j.cnki.1000-6753.tces.210557
中图分类号：TP182; TP277
湖南省自然科学基金资助项目（2020JJ6034）。
收稿日期 2021-04-20
改稿日期 2021-06-17
张潇丹 女，1997年生，硕士研究生，研究方向为风电系统智能故障诊断。E-mail：zxd1997229@163.com
段 斌 男，1966年生，教授，博士生导师，研究方向为信息技术在电力系统中的应用、工程教育认证。E-mail：db61850@163.com（通信作者）
（编辑 郭丽军）