文 献 综 述
- 研究背景：
永磁同步电机是当今非常重要的机电转换设备，在工业制造和人们的日常生活中都起着重要作用。近年来随着新型电机控制理论和稀土永磁材料的快速发展，永磁同步电动机的性能得到巨大提升，与普通电机相比，PMSM（Permanent Magnet Synchronous Motor)有许多独特优势，如：(1)效率高，在转子上嵌入永磁材料后，在正常工作时转子与定子磁场同步运行，转子绕组无感生电流，不存在转子电阻和磁滞损耗，提高了电机效率;(2)功率因数高,永磁同步电机转子中无感应电流励磁，定子绕组呈现阻性负载，电机的功率因数近于1，减小了定子电流，提高了电机的效率。同时功率因数的提高，提高了电网品质因数，减小了输变电线路的损耗，输变电容量也可降低，节省了电网投资;(3)起动转矩大,在需要大起动转矩的设备中，可以用较小容量的永磁电机替代较大容量的Y系列电机,节省了设备投入费用，提高了系统的运行效能;(4)温升低,转子绕组中不存在电阻损耗，定子绕组中几乎不存在无功电流，因而电机温升低;(5)体积小，重量轻，耗材少同容量的永磁同步电机体积、重量、所用材料可以减小30％左右;所以PMSM被广泛应用于农业、工业、军事、航空航天等领域。
由于环境恶劣、供电不稳、绕组输出端脱落等问题造成的电机绕组开路是三相 PMSM常见的故障之一，电机中开路故障发生后电机往往还能够继续运行，不易发现。因此其余的功率管将会流过更大的电流，造成过流故障；同时，电机电流中直流电流分量的存在，会引起绕组发热、转矩减小、绝缘损坏等问题 ，如果不能及时处理，将会导致整个系统的崩溃。故障诊断技术(Fault Diagnosis Technology)起源于20世纪中期，是指对正在运行的机械或电子设备进行状态监测，及时发现设备异常状态，分析故障发生的原因，并对设备未来的状态进行预测的各种技术的总称[1]，这些方法维护了机器的正常生产和人的生命安全，具有重大的社会意义和经济意义。
- 研究现状：
1、诊断方法
传统的电机故障诊断方法往往需要建立精确的数学模型、有效的状态估计或参数估计、适当的统计决策方法等，这些前提条件使得传统的电机故障诊断具有相当的局限性[2-3]。近年来,随着机器学习的高速发展,我们对电机故障诊断不仅仅局限于传统的人为经验, 高精度的故障诊断方法层出不穷[4]。
人工智能控制方法如神经网络、遗传算法等，具有传统诊断方法不可比拟的优越性。神经网络算法主要通过信号处理的方法从电流信号或振动信号中提取特征，并将其作为判断是否发生故障的依据[5]。基于大数据挖掘技术的故障诊断技术主要是依靠历史数据，然后根据历史数据的特征预测未来的发展趋势，进一步实现故障诊断监测[6]。但是各个智能算法也都存在着相应的缺点，如神经网络算法依赖于神经网络结构的选择，训练过度或不足、较慢的收敛速度都可能影响故障诊断的效果。而遗传算法则可能出现过早收敛而不能达到最优解的问题[7]。不仅如此，人工智能诊断算法往往数据需求量大，诊断周期长，过长的诊断时间会增加电机损坏、造成事故的风险。对于较少且单一的数据来说，灰色系统模型是一种有效的预测手段，其单数列的微分模型具有较好的拟合和外推性，故灰色预测模型建立了一种可行性高、稳定性良好的故障诊断方法。
2、诊断信号的选择
目前，电压检测法与电流检测法是国内外学者对于绕组开路故障诊断策略研究的主要方法。电压检测法具有诊断快速的优点，然而需要增加额外的电压传感器，使系统成本增加、复杂度变大，且通用性差[8-9]。相比于电压检测法，电流检测法由于其系统的参数和控制策略的独立性无需额外的传感器，而是通过提取电流采样信号的处理，实现绕组的开路故障识别与定位[10-13]。目前的电流诊断方法大都需要在采集一个甚至多个周期的电流波形后才能做出故障诊断如小波包分析算法等[14]，过长的诊断时间会增加电机损坏、造成事故的风险，较短的诊断时间可以增加系统的可靠性。
- 灰色预测模型概述：
灰色系统、模糊数学、概率统计是三个最常用的不确定性系统研究方法。模糊数学主要是凭经验借助于隶属函数进行处理，而概率统计则强调大样本并要求对象服从典型分布。作为控制论新领域，灰色系统理论学说最早是由我国教授邓聚龙提出，主要应用于小样本不确定性系统的问题，对数据进行处理、建立灰色模型，通过该模型对事物发展的趋势进行准确的预测[15].灰色系统理论提出后广泛应用于商业、农业、地理等领域。由于小样本、贫信息不确定性系统的大量存在，而灰色系统理论又具有建模时所需 数据样本较少、计算简单且预测精度较高等特点，因此用它来进行预测和评估，解决了生产、生活和科学研究等方面的大量问题[16].
GM(1,1)预测模型的简要原理是指: 首先利用累加的技术使数据具备指数规律，然后建立一阶微分方程并对其求解，将所求结果再累减还原 即为灰色预测值，从而对未来进行预测[16]。GM(1,1) 模型群中，新陈代谢模型是最理想的模型。这是因为任何一个灰色系统在发展过程中，随着时间的推移，将会不断地有一些随即扰动和驱动因素进入系统，使系统的发展相继地受其影响。用GM(1,1) 模型进行预测，精度较高的仅仅是原点数据(0)(n) 以后的1到2个数据，即预测时刻越远预测的意义越弱。
