基于神經(jīng)網(wǎng)絡的電機轉子斷條故障診斷

基于神經(jīng)網(wǎng)絡的電機轉子斷條故障診斷

1前言電機是工農(nóng)業(yè)生產(chǎn)中的主要傳動機械。隨著現(xiàn)代科學技術的進步和生產(chǎn)的發(fā)展，電機的容量不斷增大，所組成的系統(tǒng)的規(guī)模越來越大，構成也越來越復雜。但由于工作環(huán)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(fā)生，對其可靠性要求也越來越高。傳統(tǒng)的電機故障診斷方法，需要建立精確的數(shù)學模型、有效的狀態(tài)估計或參數(shù)估計、適當?shù)慕y(tǒng)計決策方法等。這些前提條件使得傳統(tǒng)的電機故障診斷具有相當?shù)木窒扌?。針對傳統(tǒng)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(jiān)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(jiān)測異步電動機相關運行參數(shù)(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(tài)，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(huán)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(chǎn)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(huán)焊接處是經(jīng)常發(fā)生斷裂的部位。一般過程如下:(1)在即將斷裂的部位經(jīng)常出現(xiàn)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(chǎn)生電弧。(3)在繼續(xù)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(chǎn)生較大的單邊磁拉力，使電機產(chǎn)生振動、噪聲;定子電流擺動和溫升增加，轉速波動。3神經(jīng)網(wǎng)絡技術在電機轉子斷條故障診斷的應用人工神經(jīng)元的信息處理分三個部分，首先完成輸入信號與神經(jīng)元聯(lián)接強度內運算，然后再將其結果通過激活函數(shù)(如Sigmond函數(shù))，再經(jīng)過閥值函數(shù)判決，如果輸出值大于閥值，則該神經(jīng)元被激活否則處于抑制狀態(tài)。神經(jīng)元按一定模式連接成網(wǎng)絡型，神經(jīng)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(jīng)網(wǎng)絡的極強的非線性映射能力，實現(xiàn)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(wǎng)。利用定子電流法和神經(jīng)網(wǎng)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(shù)。將該參數(shù)作為BP網(wǎng)絡的輸入，通過BP網(wǎng)絡的自學習和聯(lián)想記憶功能，能有效地確定轉子斷條數(shù)和故障的部位。同時，這種利用神經(jīng)網(wǎng)絡技術對電動機的運轉性能和動力性能的檢測基于神經(jīng)網(wǎng)絡電機轉子斷條故障診斷框圖，如圖3所示。通常利用神經(jīng)網(wǎng)絡來實現(xiàn)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(tǒng)參數(shù)或結構固定下來，這也就完成了訓練的過程。待識別信息經(jīng)已訓練神經(jīng)網(wǎng)絡的處理，可自動根據(jù)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(jīng)網(wǎng)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(jīng)網(wǎng)絡采用前饋型三層(輸入層、隱含層和輸出層)感知網(wǎng)絡?；贐P網(wǎng)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(wǎng)絡的輸入，各個征兆元素對應網(wǎng)絡輸入神經(jīng)元，電機轉子斷條數(shù)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(wǎng)絡的輸出，對應網(wǎng)絡輸出神經(jīng)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(shù)據(jù)完成網(wǎng)絡的學習訓練。根據(jù)網(wǎng)絡輸出的斷條數(shù)和電機實際斷條數(shù)的偏差(診斷誤差)，從輸出層開始，反過來調整網(wǎng)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(jīng)網(wǎng)絡的故障診斷系統(tǒng)。使用時，對應一組輸入的故障征兆，網(wǎng)絡將迅速給出診斷結果。圖4神經(jīng)網(wǎng)絡的結構圖學習階段中，電機轉子斷條數(shù)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(jù)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(shù)目和故障位置。實驗結果表明，訓練好的BP網(wǎng)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(xù)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(jīng)網(wǎng)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(shù)學模型的故障診斷方法相比，由于神經(jīng)網(wǎng)絡具有很強的非線性映射能力、良好的學習能力、獨特的聯(lián)想記憶能力等優(yōu)點，因此十分適用于復雜電機系統(tǒng)的轉子斷條故障診斷?；谏窠?jīng)網(wǎng)絡的電機轉子斷條故障診斷方法無需精確的數(shù)學模型，無需相關的電機故障診斷知識，僅需提前得到網(wǎng)絡訓練的數(shù)據(jù)，就可實現(xiàn)理想的效果，這也是電機轉子斷條故障診斷智能手段的優(yōu)勢所在。然而，值得注意的是，基于神經(jīng)網(wǎng)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(jīng)網(wǎng)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(jīng)網(wǎng)絡中直接使用或嵌入，而且較難用訓練好的神經(jīng)網(wǎng)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(guī)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(jiān)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(jīng)網(wǎng)絡電機進行轉子斷條故障狀態(tài)的識別和判斷，該系統(tǒng)以此為典型實例，反映電機轉子斷條故障診斷的規(guī)律，有指導意義和實用價值。實踐表明，將訓練恰當?shù)娜斯ど窠?jīng)網(wǎng)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