直流电机高频EMC模型阻抗敏感性分析

肖玉杰，单潮龙，张庆龙



直流电机高频EMC模型阻抗敏感性分析

肖玉杰，单潮龙，张庆龙

（海军工程大学电气与信息工程学院，武汉 430033）

针对基于直流电机绕组电磁兼容（EMC）集总参数模型得到的高频等效电路，以直流电机绕组短路阻抗为例，分别在Matlab2009a和Labview2010开发环境下利用MIV(Mean Impact Value) –BP（Back Propagation）算法和阻抗分析方法实现短路阻抗的静态和动态敏感性分析。研究发现敏感性因素C对阻抗值的灵敏度非常高、而非敏感性因素R对阻抗值的变化影响较小。静态和动态仿真结果相吻合，验证了该分析方法的正确性，研究结果对于分析和预测高频电机EMC具有重要的参考价值。

EMC 敏感性分析 MIV BP

0 引言

近些年来，直流电动机的结构和控制方式都发生了很大变化。而电机作为许多系统（如电动车，叉车等）的核心设备，已经成为系统内的重要干扰源，其具体表现为：在直流电机在运行过程中，由于换向过程及电刷与换向器之间的不稳定接触，会在电源线上产生很大的瞬变电压。这些瞬变电压会通过导线以传导干扰的形式侵入到其他设备，影响其正常运行[1-2]。本文以直流电机短路阻抗为例，分别在Matlab2009a和Labview2010开发环境下利用MIV–BP算法和RLC基本电路分析方法实现了短路阻抗的静态和动态敏感性分析。

1 他励直流电机绕组EMC模型的建立

在分析和预测直流电机侧高频共模电流时，集总参数模型取得了比较好的效果[3]。哈尔滨理工大学刘金凤在分析他励直流电机的基础上建立了直流电机绕组的EMC模型，如图1所示。L表示电枢绕组的共模电感；C表示电枢绕组的寄生电容；R表示铁心涡流效应和电枢绕组电阻的总和；L表示电枢铁心电感；C表示电枢绕组与槽之间的寄生电容和电枢铁心叠片之间的寄生电容总和；R表示电枢铁心叠片电阻与电机轴承电阻总和；C为电枢绕组耦合到励磁绕组铁心的寄生电容。并利用安捷伦公司的Agilent 4249A型精密阻抗分析仪测得了绕组短路阻抗曲线，如图2所示，最后通过蚁群算法得到了参数值：=21.3 mΩ，=21.1 μΗ，=22 pF。

图1 他励直流电机高频共模等效电路

图2 直流电机绕组阻抗短路阻抗特性图

对于图1所示的等效电路，根据电路理论可以得到绕组阻抗Z和对地共模阻抗Z的表达式如下：

短路时：

开路时：

对于短路时：

2 直流电机短路阻抗敏感性分析

敏感性分析是指从定量分析的角度研究有关因素发生某种变化对某一个或一组关键指标影响程度的一种分析方法。下面分别在Matlab2009a和Labview2010开发环境下利用MIV-BP算法和阻抗分析方法实现了短路阻抗的静态和动态敏感性分析。

2.1 基于MIV-BP算法的静态敏感性分析

BP（back propagation）算法是一种神经网络学习算法，全称基于误差反向传播法的人工神经网络，如图3所示。Dombi等人提出用MIV(Mean Impact Value)来反映神经网络中权重矩阵的变化情况，MIV被认为是在神经网络中评价变量相关性最好的指标之一，也为解决此类问题开创了新思路。文献[4-5]已经将MIV方法成功的用于滚动轴承故障诊断技术和肿瘤基因信息提取中。

图3 BP 神经网络结构

MIV是用于确定输入变量对输出变量影响大小的一个重要指标，其符号代表相关的方向，绝对值大小代表影响的相对重要性。具体计算过程如下：在网络训练结束后，将训练样本P中的每一个自变量特征在其原值的基础上分别加/减某一数值如10%构成2个新的样本P1和P2,将P1和P2分别作为仿真样本，得到2个仿真结果A1和A2，求出A1和A2的差值，即为变动该自变量后对输入产生的影响变化值（IV，Impact Value），最后将IV按观测例数平均得出自变量对于应变量-网络输出的MIV值。按照上面步骤计算出各自自变量的MIV值，最后根据MIV绝对值的大小为各自变量排序，得到各自变量对输出影响相对性重要性的位次表，从而判断出输入特征对于网络结果的影响程度，即实现敏感性分析（其符号代表相关的方向，绝对值代表影响的相对重要性），算法流程图如图4所示。

图4 MIV算法流程图

本文使用Matlab2009a作为开发环境，编写程序仿真。众所周知，阻抗最大值是敏感性分析的关键，故本文分析直流电机在=24.1075285 MHz,|Z|=4.6336 kΩ时的等效电路状态。仿真运行次数epoch=21，t=11.621214 s后。MIV仿真结果如下：

MIV-1=0.4148 ; MIV-2=-1.1424 ;

MIV-3=-1.6057 ;

其中MIV-n（n=1,2,3）分别表示对电阻、电感、电容的敏感性分析。从仿真结果可知，电容的敏感性最强、电阻的敏感性最弱，且相对影响非常小。

说明：由于BP网络每次初始化连接权值的随机性和不确定性会导致网络每次训练的结果并不相同，但MIV的对比结果是一致的；不只是BP神经网络，其他的神经网络如RBF、ELM等神经网络模型均可以应用到MIV方法中进行敏感性分析。

2.1 基于Labview的动态敏感性分析

Labview在国内已被广泛的用于教学、科研、测试、和工业自动化领域[6]。其优点是能在程序运行过程中动态的修改输入参数从而动态的得到仿真结果。本文正是基于此原理对直流电机短路阻抗进行动态敏感性分析。如图5所示，其中图5为前面板的设计，分为输入界面和显示界面。输入界面用于在运行过程中动态的调整、、的数值；显示界面显示了输出阻抗值的结果和仿真时间等信息。

仿真开始后，动态的改变、、参数的输入值，可以很直观的观测敏感性大小及方向。结果如下：在21.3-1e+3数值内变化，对输出阻抗值没有任何影响，稍微变化即可以影响到输出结果的改变，从仿真可以得出看出R对阻抗值的而变化影响较小，而的灵敏度最高。此结果与静态分析结果一致。

图5 Labview实现

3 结论

本文利用直流电机绕组EMC集总参数模型得到的高频等效电路，以直流电机绕组短路阻抗为例，分别在Matlab和Labview开发环境下利用MIV-BP算法和RLC基本电路分析方法实现了短路阻抗的静态和动态敏感性分析。得到了敏感性因素和非敏感性因素。

[1] Nobuyoshi Mutoh. A Suitable method for ecovehicles to control surge voltage occurring at motor terminals connected to PWM inverters and to control induced EMI noise[J]. IEEE Transactions on vehicular technology, 57(4): 2089-2098.

[2] G.M. Cheng, J.C. Waite. Minimization and cancellation of common mode currents, shaft voltages and bearing currents for induction motor drives[J]. IEEE Transactions on Industrial Electronics. 2006, 53(5): 1127~1132.

[3] Jens Benecke, Andre Linde, Stefan Dickmann. Automatic HF model generatioin and impedance optimization for low voltage DC motors[C]. Proceedings of the 2008 International Conference on Electrical Machines, Vilamoura, Portugal, 2008.

[4] 周莹, 程卫东. 基于MIV特征筛选和BP神经网络的滚动轴承故障诊断技术研究[D]. 北京: 北京交通大学, 2011.6.

[5] 王紫微, 叶奇旺. 基于神经网络MIV值分析的肿瘤基因信息提取[J]. 数学的实践与认识, 2011, 41(14): 47-58.

[6] 陈树学, 刘萱. Labview宝典[M].北京: 电子工业出版社, 2011.

Impedance Sensitivity Analysis of DC Motor High Frequency EMC Model

Xiao Yujie, Shan Chaolong, Zhang Qinglong

(College of Electrical and Information Engineering, Naval University of Engineering, Wuhan 430033, China )

is sensitiv is imsensitive to impedance, and the static simulation result is identical with dynamic simulation result, which proves the validity of the method.

TM303.3

A

1003-4862（2013）04-0028-03

2012-08-13

肖玉杰(1987-)，男，硕士研究生。专业方向：人工智能及电力系统电磁兼容。