電機(jī)匝間短路故障的仿真研究

趙娟等

摘 要：電機(jī)匝間短路故障的仿真研究是以電機(jī)匝間的氣隙勵(lì)磁磁通密度信號(hào)為研究對(duì)象的，通過采集系統(tǒng)進(jìn)行數(shù)據(jù)實(shí)時(shí)采集，再運(yùn)用小波包分解對(duì)數(shù)據(jù)進(jìn)行分析，提取故障信息，最后運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，從而達(dá)到對(duì)電機(jī)匝間短路故障以及故障位置的準(zhǔn)確判斷。通過運(yùn)行表明，此方法故障識(shí)別率高、方便靈活而且診斷精度高。

關(guān)鍵詞：匝間短路 電流信號(hào) 小波包分解 BP神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：U226.8+1 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2014）08（c）-0112-01

電機(jī)廣泛的應(yīng)用于各種機(jī)械設(shè)備，其性能決定了行業(yè)的經(jīng)濟(jì)效益和技術(shù)水平。為了保證電機(jī)的安全運(yùn)行，有效和及時(shí)的避免事故發(fā)生，對(duì)電機(jī)各種參數(shù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)具有非常重要的意義。本文提出一種電機(jī)匝間短路故障檢測(cè)的方法，是將小波包分解和BP神經(jīng)網(wǎng)絡(luò)技術(shù)結(jié)合，通過采集到的電機(jī)的氣隙勵(lì)磁磁通密度信號(hào)進(jìn)行分析和訓(xùn)練，建立數(shù)據(jù)信號(hào)和故障模式的非線性映射關(guān)系，從而確定是否存在短路故障以及確定隱患所在位置。電機(jī)匝間短路故障的仿真研究，可以提高電機(jī)匝間短路故障診斷的有效性和可靠性。

1 電機(jī)轉(zhuǎn)子繞組匝間短路故障機(jī)理

電機(jī)匝間短路是電機(jī)故障中最常見的故障之一。本論文的選擇的是電機(jī)匝間繞組開槽數(shù)是16，N極和S極各設(shè)置8個(gè)槽。利用MATLAB軟件進(jìn)行模擬仿真，采集并存儲(chǔ)正常狀態(tài)和任意一個(gè)槽內(nèi)發(fā)生短路故障時(shí)的氣隙勵(lì)磁磁通密度信號(hào)，分析比較采集的信號(hào)，為電機(jī)匝間短路故障的仿真研究提供了數(shù)據(jù)支持。

2 綜合故障診斷的數(shù)據(jù)處理系統(tǒng)

當(dāng)電機(jī)發(fā)生短路故障時(shí)，氣隙勵(lì)磁磁通密度信號(hào)的波形發(fā)生相應(yīng)變化，即該信號(hào)攜帶了豐富的故障特征信息。因此，綜合故障診斷的數(shù)據(jù)處理系統(tǒng)主要實(shí)現(xiàn)對(duì)故障特征信息的提取，采用小波包變換將信號(hào)分解后，提取與故障征兆有關(guān)的量值，為建立BP神經(jīng)網(wǎng)絡(luò)診斷提供數(shù)據(jù)基礎(chǔ)。利用小波包變換提取的特征信息作為BP神經(jīng)網(wǎng)絡(luò)的輸入，電機(jī)故障槽短路作為輸出，建立3層BP神經(jīng)網(wǎng)絡(luò)，進(jìn)行學(xué)習(xí)和訓(xùn)練，BP神經(jīng)網(wǎng)絡(luò)完全能夠?qū)崿F(xiàn)電機(jī)匝間短路故障的判斷及故障槽的準(zhǔn)確定位。

3 應(yīng)用小波包變換提取氣隙勵(lì)磁磁通密度信號(hào)的故障信息

應(yīng)用小波包變換可以將氣隙勵(lì)磁磁通密度信號(hào)的低頻和高頻同時(shí)分解變換，其中，低頻分量和原信號(hào)相似，而高頻分量是攜帶故障特征信息的細(xì)節(jié)信號(hào)。小波包變換的優(yōu)勢(shì)在于提高高頻部分的分辨率，可以更準(zhǔn)確的提取頻帶內(nèi)的信息，放大了電機(jī)匝間短路時(shí)信號(hào)攜帶的故障特征信息，在故障檢測(cè)識(shí)別領(lǐng)域中得到了廣泛的應(yīng)用?；谛〔ò儞Q的故障特征信息提取的具體實(shí)現(xiàn)方法如以下幾點(diǎn)。

（1）小波包分解。本系統(tǒng)采用4層小波包變換，將氣隙勵(lì)磁磁通密度信號(hào)分解出16個(gè)分量。

（2）小波包分解系數(shù)進(jìn)行重構(gòu)。分別求出16個(gè)分量在各自頻帶中的信號(hào)總能量，再將含有故障特征信息的分量進(jìn)行小波系數(shù)重構(gòu)。具體做法是：對(duì)4層小波包分解出來的16個(gè)分量分別提取其特征向量，按照低頻到高頻的順序?qū)⑵渑帕校玫?6個(gè)頻帶的特征信號(hào)。

（3）特征向量歸一化處理。對(duì)16個(gè)特征信號(hào)進(jìn)行歸一化處理，將其數(shù)值歸一化到[0，1]范圍內(nèi)。

4 建立BP神經(jīng)網(wǎng)絡(luò)診斷電機(jī)匝間短路故障

本文利用BP神經(jīng)網(wǎng)絡(luò)建立短路故障診斷系統(tǒng)，對(duì)電機(jī)的氣隙勵(lì)磁磁通密度信號(hào)進(jìn)行分析和訓(xùn)練，實(shí)現(xiàn)對(duì)故障信息的智能識(shí)別和準(zhǔn)確定位。BP神經(jīng)網(wǎng)絡(luò)即反向傳播網(wǎng)絡(luò)，是目前故障檢測(cè)中應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，可以通過故障實(shí)例中的樣本數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行不斷的訓(xùn)練學(xué)習(xí)以提高網(wǎng)絡(luò)中存儲(chǔ)知識(shí)的數(shù)量，并通過網(wǎng)絡(luò)中調(diào)整各神經(jīng)元之間的權(quán)值來實(shí)現(xiàn)智能判斷。

4.1 建立神經(jīng)網(wǎng)絡(luò)

將小波包變換提取氣隙勵(lì)磁磁通密度信號(hào)的故障信息作為輸入向量，來建立一個(gè)獨(dú)立的三層BP神經(jīng)網(wǎng)絡(luò)模型。

（1）輸入層神經(jīng)元個(gè)數(shù)：輸入層的神經(jīng)元是由氣氣隙勵(lì)磁磁通密度信號(hào)經(jīng)過4層小波包分解后的16個(gè)特征向量構(gòu)成，再進(jìn)行歸一化處理，樣本數(shù)據(jù)歸一化到[0，1]，保證算法程序收斂加快。

（2）輸出層神經(jīng)元個(gè)數(shù)：輸出層是由電機(jī)短路故障的故障槽個(gè)數(shù)確定的，本系統(tǒng)存在16種短路故障類型和一種正常狀態(tài)的情況，總共17個(gè)狀態(tài)輸出，因此采用輸出層的神經(jīng)元個(gè)數(shù)設(shè)置為5，總共可以輸出32種輸出狀態(tài)，當(dāng)轉(zhuǎn)子不同槽發(fā)生短路故障時(shí)，目標(biāo)輸出不同，可以根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果對(duì)故障槽進(jìn)行準(zhǔn)確的定位。

（3）學(xué)習(xí)速率：一般學(xué)習(xí)速率選擇范圍為0.01～0.8之間。本試驗(yàn)選取學(xué)習(xí)速率為0.1。

4.2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

采用LM算法進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)設(shè)置為如下：

net.trainParam.lr=0.1； %學(xué)習(xí)速率為0.1

net.trainParam.epochs=1000； %訓(xùn)練次數(shù)為1000

net.trainParam.goal=1e-6； %訓(xùn)練誤差為1e-6

當(dāng)網(wǎng)絡(luò)訓(xùn)練達(dá)到給定誤差1e-6時(shí)，神經(jīng)網(wǎng)絡(luò)訓(xùn)練成功，實(shí)驗(yàn)證明，經(jīng)過32次樣本訓(xùn)練就可以達(dá)到誤差精度1e-6和網(wǎng)絡(luò)收斂，訓(xùn)練曲線很平滑，網(wǎng)絡(luò)性能良好。

5 結(jié)語

本文完成了對(duì)電機(jī)匝間短路故障系統(tǒng)的氣隙勵(lì)磁磁通密度信號(hào)的模擬采集和處理；并通過小波包變換和BP神經(jīng)網(wǎng)絡(luò)局進(jìn)行診斷處理，對(duì)電機(jī)是否發(fā)生短路故障以及故障槽所在位置進(jìn)行準(zhǔn)確定位，利用MATLAB軟件進(jìn)行數(shù)據(jù)采集、仿真分析及測(cè)試，提高了診斷系統(tǒng)的可靠性，驗(yàn)證了該方法是一種可靠性好并且準(zhǔn)確度高的短路故障診斷方法。

參考文獻(xiàn)

[1] 聶國斌，趙亮.小波神經(jīng)網(wǎng)絡(luò)技術(shù)在故障診斷中的應(yīng)用[M].北京：工業(yè)技術(shù)出版社，2007：16-21.

[2] 鄧日青.基于神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的電噴發(fā)動(dòng)機(jī)故障自診斷研究[D].重慶交通大學(xué)，2008：46-52.

[3] 朱麗娟.基于小波神經(jīng)網(wǎng)絡(luò)的異步電動(dòng)機(jī)振動(dòng)故障診斷研究[D].山西：太原理工大學(xué)，2008：30-32.

[4] X.F.FAN，M.J.ZUO.Gearbox Fault Detection Using Hilbert and Wavelet Packet Transform.Mechanical Systems and Signal Processing，2006：966-982.endprint