基于神經網絡的電機轉子斷條故障診斷

1前言電機是工農業生產中的主要傳動機械。隨著現代科學技術的進步和生產的發展，電機的容量不斷增大，所組成的系統的規模越來越大，構成也越來越復雜。但由于工作環境復雜，或者電機頻繁起動等原因，電機轉子斷條等故障時有發生，對其可靠性要求也越來越高。傳統的電機故障診斷方法，需要建立精確的數學模型、有效的狀態估計或參數估計、適當的統計決策方法等。這些前提條件使得傳統的電機故障診斷具有相當的局限性。針對傳統檢測方法的以上缺陷，有必要對電機轉子工作情況進行更先進及時監測，以防造成重大損失。異步電動機故障檢測是通過應用先進的技術手段，在線監測異步電動機相關運行參數(如電壓、電流、磁通、轉速、溫度、振動、局部放電等)，判斷其是否處于正常狀態，以確定合理檢修方案，從而達到避免事故停機、提高設備運行可靠性、降低維修費用的目的。2電機轉子斷條故障轉子斷條故障是指異步電動機轉子導條斷裂(端環開裂)故障。異步電動機在運行過程中，轉子導條受到徑向點磁力、旋轉點磁力、離心力、熱彎曲撓度力等交變應力的作用，加之轉子制造缺陷，導致斷條故障。在冷卻效果較差時，起動電流產生的熱應力和機械應力較大。當在重載和頻繁起動情況下，籠條與端環焊接處是經常發生斷裂的部位。一般過程如下:(1)在即將斷裂的部位經常出現過熱，很高的熱應力或機械應力。(2)達到疲勞極限時籠條斷裂，并產生電弧。(3)在繼續起動時，相鄰的籠條通過更大的電流，并承受更大的機械和熱應力。(4)造成更多籠條斷裂，故障范圍擴大;產生較大的單邊磁拉力，使電機產生振動、噪聲;定子電流擺動和溫升增加，轉速波動。3神經網絡技術在電機轉子斷條故障診斷的應用人工神經元的信息處理分三個部分，首先完成輸入信號與神經元聯接強度內運算，然后再將其結果通過激活函數(如Sigmond函數)，再經過閥值函數判決，如果輸出值大于閥值，則該神經元被激活否則處于抑制狀態。神經元按一定模式連接成網絡型，神經元之間的連接權值的大小反應信號傳遞的強弱。本文借助于神經網絡的極強的非線性映射能力，實現由電機轉子斷條故障征兆或者說故障特征參量空間向故障模式空間的映射，從而達到對電機轉子故障模式的識別，判斷出是否為電機轉子斷條故障。這里，我們采用最具代表性和應用最為廣泛的BP網。利用定子電流法和神經網絡技術對電動機的運轉性能和動力性能的檢測，得到瞬時轉速信號的尺度參數。將該參數作為BP網絡的輸入，通過BP網絡的自學習和聯想記憶功能，能有效地確定轉子斷條數和故障的部位。同時，這種利用神經網絡技術對電動機的運轉性能和動力性能的檢測基于神經網絡電機轉子斷條故障診斷框圖，如圖3所示。通常利用神經網絡來實現學習與分類決策的功能。為了能夠對模式進行分類，往往需要學習。通過學習將系統參數或結構固定下來，這也就完成了訓練的過程。待識別信息經已訓練神經網絡的處理，可自動根據某一判別原則對被識別對象進行分類，最后給出準確、及時的電機轉子斷條故障診斷結論。4訓練樣本的選取BP神經網絡的算法通常采用基于梯度下降原理的誤差反向傳播算法，即BP算法。但標準的BP算法往往收斂速度慢。為加快訓練收斂速度，引入動量項的權值修正快速算法，提高了運算效率。異步電機轉子故障診斷人工神經網絡采用前饋型三層(輸入層、隱含層和輸出層)感知網絡。基于BP網絡電機轉子斷條故障診斷方法的結構框圖如圖4所示。將故障的征兆(轉速n、轉差率s、定子電流中頻率p、溫度c等)作為網絡的輸入，各個征兆元素對應網絡輸入神經元，電機轉子斷條數Nm和斷條的相對位置Xm(即相對于電機外殼的某一固定點)作為網絡的輸出，對應網絡輸出神經元;隱含層用于提取信號中階相關特性(故又稱特征提取層)。通過一系列正常電機的試驗和故障電機的仿真計算得到的數據完成網絡的學習訓練。根據網絡輸出的斷條數和電機實際斷條數的偏差(診斷誤差)，從輸出層開始，反過來調整網絡中的權值。通過反復調整學習和訓練，形成一個完整的基于神經網絡的故障診斷系統。使用時，對應一組輸入的故障征兆，網絡將迅速給出診斷結果。圖4神經網絡的結構圖學習階段中，電機轉子斷條數目的確定仍需專家給出定性的診斷結論;應用推廣階段中，就可根據輸入的信息自動診斷出當前的電機狀況(正常運行或存在故障)，并給出斷條數目和故障位置。實驗結果表明，訓練好的BP網絡對于電機轉子斷條故障的辯識精確度可達100%。5試驗結果分析實驗接線圖示于圖5。實驗電機采用一臺Y100L-2型三相異步電動機(3kW、380V50Hz、2極)和一臺Y100L1-4型三相異步電動機(2.2kW、380V、50Hz、4極)。對每一臺實驗電機，除其正常轉子外，另配備兩個故障轉子以模擬斷條故障，這兩個故障轉子分別存在一根斷裂導條、連續兩根斷裂導條，斷條的位置不同，并進行反復實驗。2008.No.4基于神經網絡的電機轉子斷條故障診斷圖5試驗接線圖表6異步電動機轉子斷條故障試驗結果分析正常1根斷條2根斷條5根斷條m根斷條p/Hz50.0250.0450.0349.06……n/r·min-13.423.353.813.10……s/%0.050.450.840.95……c/℃30455275……Xm/cm0152635……從以上的結果可知，與基于數學模型的故障診斷方法相比，由于神經網絡具有很強的非線性映射能力、良好的學習能力、獨特的聯想記憶能力等優點，因此十分適用于復雜電機系統的轉子斷條故障診斷。基于神經網絡的電機轉子斷條故障診斷方法無需精確的數學模型，無需相關的電機故障診斷知識，僅需提前得到網絡訓練的數據，就可實現理想的效果，這也是電機轉子斷條故障診斷智能手段的優勢所在。然而，值得注意的是，基于神經網絡的電機轉子斷條故障診斷方法也存在內在不足。如問題的解決依賴于神經網絡結構的選擇、訓練過度或不足、較慢的收斂速度等都可能影響故障診斷的效果;定性的或是語言化的信息無法在神經網絡中直接使用或嵌入，而且較難用訓練好的神經網絡的輸入出映射關系來解釋實際意義的電機轉子斷條故障診斷規則。6結語電機轉子斷條故障診斷技術是一門研究故障機理，在線監測和故障特征量提取，以及診斷推理的多學科交叉的新興學科，本文用人工神經網絡電機進行轉子斷條故障狀態的識別和判斷，該系統以此為典型實例，反映電機轉子斷條故障診斷的規律，有指導意義和實用價值。實踐表明，將訓練恰當的人工神經網絡應于異步電機轉子故障診斷，可以獲得滿意的診斷效果。參考文獻[1]SubhasisNandiHamidA.Toliyat.Faultdiagnosisofelectricalmchines-areview[C].ProceedingsfromElectricMachinesanDrives，1999:219-221.[2]M.Y.Chow，R.N.Sharpe，J.C.Hung.Ontheapplicationanddesiofartificialneuralnetworksformotorfaultdetection(I)[J].IEE