Details

Синхронные двигатели с постоянными магнитами (PMSM) широко применяются в промышленности, электромобилях и авиации благодаря высокой эффективности и динамическим характеристикам, но в сложных условиях эксплуатации они подвержены электрическим и механическим неисправностям. В статье предложен метод диагностики PMSМ, объединяющий расширенный векторный подход Парка (EPVA) и двухвходовую свёрточную нейронную сеть (DCNN). Созданы математическая модель PMSМ и имитационные модели четырёх типичных неисправностей (обрыв, замыкание на землю, межвитковое КЗ, размагничивание магнитов) для получения трёхфазных токов. EPVA позволяет совместно анализировать ток статора во временной и частотной областях: извлекать траекторию вектора Парка и спектр квадрата его модуля (спектр EPVA). Для решения проблемы малой выборки применена стратегия расширения данных (скользящее окно с шумом, амплитудные и фазовые возмущения). Разработана двухвходовая архитектура CNN, использующая графики траектории Парка и спектрограммы EPVA как два канала, с последующим слиянием признаков. Экспериментально достигнута точность диагностики 98,7% для нормального состояния и четырёх типов неисправностей, что подтверждает эффективность метода.

Permanent magnet synchronous motors (PMSM) are widely used in industry, electric vehicles, and aviation due to their high efficiency and dynamic characteristics, but under complex operating conditions they are prone to electrical and mechanical faults. This paper proposes a PMSM fault diagnosis method that combines the Extended Parks Vector Approach (EPVA) and a two- input convolutional neural network (DCNN). A mathematical model of the PMSM and simulation models of four typical faults (open circuit, ground fault, inter- turn short circuit, and magnet demagnetization) are developed to obtain three- phase currents. EPVA enables joint time- frequency domain analysis of the stator current: extracting the Parks vector trajectory and the spectrum of its squared modulus (EPVA spectrum). To address the small sample size problem, a data augmentation strategy is applied (sliding window with noise, amplitude and phase perturbations). A two- input CNN architecture is developed, using Parks trajectory plots and EPVA spectrograms as two channels, followed by feature fusion. Experimentally, a diagnostic accuracy of 98.7% is achieved for the normal state and four fault types, confirming the effectiveness of the method.