Ｅｌｍａｎ神经网络在三相异步电机故障诊断中的应用

　　摘 要:三相异步电机在运行过程中受到电、热、机械、周围环境等各种因素的作用,会产生各种故障,影响生产的顺利进行,故对三相异步电机的故障诊断有重大的意义,大多数情况下,采用BP神经网络进行的故障诊断,虽然能准确地确定各种故障类型,但是BP网络是一种前向的神经网络,有收敛到局部极小点以及对外部噪声敏感等弊病。相比之下,采用的Elman神经网络是一种动态的神经网络,用它对异步电机的匝间短路、转子断条、转子偏心等三种常见的故障进行诊断。仿真的训练误差曲线显示,Elman神经网络可以降低网络对参数调整的敏感性,有效抑制局部极小值的出现。实践证明,采用Elman神经网络也能识别出各种故障类型,实际应用效果较好。
　　关键词:三相异步电机;故障诊断;Elman;神经网络
　　中图分类号:TP277文献标识码:B
　　文章编号:1004-373X(2009)10-161-03
　　
　　Application of Elman Neural Network in Failure Diagnosis of
　　Three-phase Asynchronous Motor
　　WANG Xiaoyu,XIAO Hongxiang,LU Minghan,TU Bing
　　(Guilin University of Technology,Guilin,541004,China)
　　Abstract: Three-phase asychronous motor breaks down with the factor of electricity,heat,machinery and surrounding environment,then interfere the normal production.Accordingly,research on the failure diagnosis of three-phase asychronous motor is significantly important.In most conditions,all kinds of failure types can be determined by using BP neural network in faliure diagnosis.Whereas BP network is a feedforward neural network,it has shortcomings such as easy to converge to the local minima and sensitive to noises exterior.As compared,Elman neural network used here is a dynamic neural network,it is used for diagnose the common faults such as inter-turn short circuit,broken rotor bar and rotor eccentricity of asynchronous motor.The training error curve in simulation shows Elman neural network can reduce the network sensitivity to parameter adjustment,efficiently suppress local minima appearance.Practices prove that all kinds of failure can be recognized by using Elman neural network and gain a good effect in actual application.
　　Keywords:three-phase asychronous motor;failure diagnosis;Elman;neural network
　　
　　Elman型回归神经元网络是在1990年提出的,是一种从输出到输入具有反馈连接的神经网络,其结构比前馈网络要复杂。本文采用的Elman神经网络是一种动态的神经网络,用它对异步电机的匝间短路、转子断条、转子偏心等三种常见的故障进行诊断。
　　
　　1 Elman神经网络结构
　　
　　Elman神经网络一般分为四层:输入层、中间层、承接层和输出层,如图1所示。其输入层、隐含层和输出层的连接类似于前馈网络。输入层单元仅起信号传输作用;输出层单元起线性加权作用;隐含层单元的传递函数可采用线性或非线性函数;承接层又称为上下文层或状态层,它用来记忆隐含层单元前一时刻的输出值,并返回给输入。由于其输入表示了信号的空域信息,而反馈支路是一个延迟单元,反映了信号的时域信息,所以Elman网络可以在时域和空域进行模式识别。
　　图1 Elman神经网络的模型
　　Elman型回归神经元网络的特点是隐含层的输出通过承接层的延迟与存储,自动联到隐含层输入,这种自联方式使其历史状态的数据具有敏感性,内部反馈网路的加入增加了网络本身处理动态信息的能力,从而达到了动态建模的目的。网络的隐含层为tansig神经元;输出层为purelin或 logsig神经元。这样的传输函数在两层神经网络的特殊组合可以任意精度逼近任意函数,关于这一点只需要隐含层的神经元数目足够多即可以实现,所逼近函数的复杂性越高,所需的隐含层神经元数越多。值得注意的是,Elman网络不同于通常的两层网络,其第一网络层有一个反馈节点,该节点的延迟量存储了前一时刻的值,从而应用于当前时刻的计算。所以即使是具有相同权值和阈值的Elman网络,如果其反馈状态不同,那么对于同样的输入向量,其同一时刻的输出也可能不相同。因为网络能够存储供将来时刻使用的信息,所以它既可以学习时域模式,也可以学习空域模式;既可以训练后对模式产生响应,也可以产生模式输出。
　　
　　2 Elman神经网络的学习过程
　　
　　Elman网络的非线性状态空间表达式为:
　　y(k)=g\x(k)\〗
　　x(k)=f
　　xc(k)=x(k-1)
　　式中:y,x,xc分别表示m维输出结点向量,n维中间层结点单元向量,r维输入向量和n维反馈状态向量;w3,w2,w1分别表示中间层到输入层,输入层到中间层,承接层到中间层的连接权;g(•)为输出神经元的传递函数,是中间层输出的线性组合;f(•)为中间层神经元的传递函数,常采用s函数。Elman网络采用BP算法进行权值修正,目标函数采用误差平方和函数:
　　E(w)=∑nk=1[yk(w)-yk~(w)]2
　　式中:k(w)为目标输出向量。
　　
　　3 三相异步电动机的故障诊断原理
　　
　　目前,国内外学者在三相异步电动机的故障诊断采用着不同的方法,这些方法各有自己的特点和优势,到目前为止,还没有一种很满意的方法。一般情况是根据各种实际情况和不同的实验条件,选用较合适的方法。这里采用定子电流的频谱分析法,它是诊断和监测电机故障的有效方法,可以诊断交流电机笼型绕组的断条、静态气隙偏心、动态气隙偏心、机械不平衡等故障。交流电机故障往往是由机械和电气相互联系的复合原因引起的。根据多回路理论笼条断裂、气隙偏心、定子匝间短路等故障征兆都会通过气隙磁势在定子电流中反映出来,所以通过定子电流检测和频谱分析可对这些故障进行诊断。
　　
　　
　　4 故障信号采集与处理
　　
　　实验中频谱分析仪采用的是中国电子科技团公司第四十一研究所生产的AV4033C型高性能频谱分析仪,它具有灵敏度度高、频带宽、动态范围大等特点,可以方便地获得时域测量中不易得到的独特信息。以Y132S-4型感应电动机作为实验对象,将电流互感器箍住三相电源的一相或多相,通过频谱分析仪分别对电机发生定子匝间短路、转子断条、转子偏心等故障的特征频率进行观测和分析,并做出详尽记录,对于上述所收集的样本还需要进行整理,以保证神经网络能够有效地进行学习,对上述数值型样本要进行标准化或归一化处理。具体处理过程如下:设样本数据为xp,其中p=1,2,…,n;并设xp的上限和下限分别为xpmin,xpmax,则:
　　Xp′=(xp-xpmin)/(xpmax-xpmin)
　　按上式对所有样本进行归一化处理,然后把处理后的样本作为学习样本输入神经网络进行训练。
　　
　　5 Elman网路建立
　　
　　由于单隐含层Elman网路的功能已经非常强大,所以这里采用单隐含层网路可以满足要求。由于故障检测的特征频率选取了8个,所以输入层神经元的个数应该为8个。综合考虑网路的性能和速度,将隐含层神经元的个数设定为16个,输出层神经元的个数设定为4个,训练步数设定为1 000,目标为0.01。网络的输出为4种模式,采用如下的形式表示输出:定子匝间短路故障:(1000);转子断条故障: (0100);转子偏心故障: (0010);电机正常: (0001)。
　　创建该网络的主要代码如下;
　　net = newelm(minmax(p),[16,4],{′tansig′,′logsig′},
　　′traingdx′)
　　net.trainParam.epochs = 1000
　　net.trainParam.goal = 0.01
　　net = train(net,p,t)
　　Y=sim(net,p_test)
　　运行结果为:
　　TRAINGDX,Epoch 0/1000,MSE 0.448483/0.01,Gradient 0.16468/1e-006
　　TRAINGDX,Epoch 25/1000,MSE 0.43859/0.01,Gradient 0.165819/1e-006
　　TRAINGDX,Epoch 50/1000,MSE 0.408668/0.01,Gradient 0.153543/1e-006
　　TRAINGDX,Epoch 75/1000,MSE 0.340136/0.01,Gradient 0.134183/1e-006
　　TRAINGDX,Epoch 100/1000,MSE 0.114546/0.01,Gradient 0.070875/1e-006
　　TRAINGDX,Epoch 125/1000,MSE 0.0331304/0.01,Gradient 0.0277783/1e-006
　　TRAINGDX,Epoch 141/1000,MSE 0.00958177/0.01,Gradient 0.00994031/1e-006
　　TRAINGDX,Performance goal met.
　　可见,经过141次训练后,网络误差达到了要求,如图2所示。
　　图2 网络训练
　　利用测试数据P-test 对网络进行仿真结果为:
　　Y=
　　0.912 3 0.031 4 0.054 3 0.019 3
　　0.053 2 0.907 6 0.028 7 0.046 1
　　0.076 1 0.092 4 0.927 2 0.029 6
　　0.034 2 0.092 9 0.087 1 0.972 6
　　
　　6 结 语
　　
　　从以上分析可见,采用Elman网路能准确地识别出故障类型。由于在该网络中引入了反馈,所以网路的训练误差曲线平滑,降低了网路性能对参数调整的敏感性,有效地抑制了局部极小值的出现,从而使系统具有适应时变特性的能力,所以在电机故障诊断领域中也可作为手段之一。
　　
　　参考文献
　　[1]沈标正.电机故障诊断技术[M].北京:机械工业出版社,1996.
　　[2]高景德,王祥珩,李发海.交流电机及其系统的分析[M].北京:清华大学出版社,1993.
　　[3]梁霖.基于电流法的鼠笼异步电动机故障特征提取及其自动诊断[D].西安:西安交通大学,2001.
　　[4]韩力群.智能控制理论及其应用[M].北京:机械工业出版社,2008.
　　[5]周开利,康耀红.神经网络模型及其Matlab仿真程序设计[M].北京:清华大学出版社,2005.
　　[6] Thomson W T.On-line MCSA to Diagno Seshorted Turnsinlow Voltage Stator Windings of Three-phase Asychronous Motors Prior to Failure.IEEE PES&IAS IEMDC,2001:891-898.
　　[7]王耀南,孙炜.智能控制理论及应用[M].北京:机械工业出版社,2008.
　　[8]葛哲学,孙志强.神经网络理论与Matlab R2007实现[M].北京:电子工业出版社,2007.
　　[9]周云波.PLC在三相异步电机控制中的应用\.现代电子技术,2003,26(11):76-79.