基于BP网的异步电机故障诊断方法

1、第30卷第2期1998年6月西安建筑科技大学学报J.Xian U niv.of Arch.&T ech.V ol.30N o.2Jun.1998基于BP网的异步电机故障诊断方法董建园段志善(西安建筑科技大学机械工程系,西安,710055;第一作者男,26岁,硕士摘要在对异步电机三类典型故障机理的分析基础之上,提出了基于BP网的诊断方法,建立了适宜于异步电机故障诊断的网络模型和电气故障模板,开发出基于BP网的电机故障诊断软件.关键词BP网;故障机理;故障模板;诊断方法中图分类号T P391The diagnostic method of a synchronous motorbased

2、on the BP neural networkDong J iany uanDuan Zhishan(D ept.of M ech.Eng.,Xian U niv.of Ar ch.&T ech.,X ia n,710055AbstractBy analy sing the thr ee ty pical fault mechanism of t he m oto r,the paper has put for war d a diagno st ic method based o n t he BP neur al net wo rk.At the same tim e,the n

3、etw or k mo del and t he standar d moto r electr ical fault patt ern appr opr iate fo r mo tor failure diag nosis ar e set up.A diag no stic softw ar e ba sed on the BP neur al net wo rk w as pro-gr amed.Key wordsB P neural networ k,f ault mechanism,standr ded f ault p atter n,diagnostic method交流异步电

4、动机是当今用于驱动各种机械和工业设备的最通用装置,通过识别运行中的电机故障,以防止灾难性的事故发生,一直是人们关注的问题.异步电动机常见的故障有三类,定子绕组故障、转子绕组故障和气隙偏心故障.电机发生故障的类型取决于电机的种类和工作环境.在电机出现电的或机械的故障之前,总会呈现机械的、电磁的、声学的及绝缘系统的劣化征兆.如果在电机出现故障之前,能及时地检测到反应电机劣化状态的参数,并对行将出现的故障发出警报,就可避免恶性事故的发生和不必要的停机造成的重大经济损失1.这里,我们通过监测定子的电流,采用电流分析法对异步电动机的电气故障进行诊断.1机理分析电机故障的诊断方法,是根据故障时运行电机所表

5、现出的特征参量的变化,或者说故障征兆来确定的.通过对电机三类典型故障机理的分析我们得出如下结论:转子绕组故障时,其电流特征频率表达式为:f s=v(1-S±Sf(v=1,3,5,即转子绕组故障后,不对称的异步电机转子将在定子绕组中感应出上述电流频率分量,其大小由转子不对称的严重程度而定.其最明显的特征是在基波两侧出现2Sf为大小的边频带.收稿日期:1997-11-20电机发生气隙偏心故障后,改变了电机定转子之间的正常的气隙磁通波形,气隙磁通波形随空间和时间而变化.这些谐波磁通相对定子移动,它们在静止的定子绕组中感应出相应的电流谐波,即定子电流中出现新的谐波分量.f s =1±

6、;(1-S /p f =f ±f r ,f s =(R ±1(1-S /p ±1f =(R ±1f r ±f ,f s =R (1-S /p ±1f =Rf r ±f .其中f r 为转子旋转频率;R f r ±f 为主齿谐波;f 为基波;S 为滑差;p 为极对数.电机在正常运转的情况下,含有基波和主齿谐波.当电机发生静偏心时,主齿谐波分量将会增大;当电机处于动偏心状态时,定子电流被旋转频率所调制,呈现在电流信号的谱图中,是在基波和主齿谐波的两侧分别出现以旋转频率为大小的边频带.此外,气隙偏心时,电机各相绕组内部和

7、彼此之间的电感发生变化,这进一步导致定子各相电流的有效值增大.当电机发生定子绕组故障时,绕组内部不对称,此时,气隙磁场中有较强的空间谐波,定子电流中有较强的时间谐波.其表现是,3次谐波和5次谐波明显增大,三相电流不对称,故障相电流恒为最大,三相电流之间的相位差偏离120°.但是,由于故障征兆与故障模式之间的复杂性和实际中的非线性,给诊断带来了困难.同一种故障可能导致多个特征参量的变化,同一特征参量的变化也可能由多种故障所引起.比如,电机发生定子绕组故障会使气隙磁场畸变,引起或多或少的偏心.而转子绕组故障也会导致三相电流的不对称和气隙偏心.故障之间的耦合,使得单纯依靠某一故障特征参量来

8、识别故障的准确性并不高.人工神经网络以其高度的并行处理、联想记忆、自学习以及极强的非线性映射能力,在各个领域得到了广泛应用,显示了极强的生命力.因此,我们想借助于神经网络的极强的非线性映射能力,实现由故障征兆或者说故障特征参量空间向故障模式空间的映射,从而达到对故障模式的识别.这里,我们采用最具代表性和应用最为广泛的BP 网.2神经元的基本特性和BP 网络模型图1神经元结构模型神经网络(见图1是由大量神经元按一定的拓扑结构互相连接而成,每个神经元是神经网络的基本处理单元.一般是多个输入,一个输出的非线性单元.图中Y i 是神经元的输出,i 是阀值,X j 为输入信号,W ji 表示从神经元U

9、j 到U i 的连接权值,S i 表示外部输入信号.上述模型可描述为: i =W j i X i +S i ,Y i =f ( i - i ,其中f 为激活函数.人工神经元的信息处理分三个部分,首先完成输入信号与神经元联接强度内运算,然后再将其结果通过激活函数(如Sigm ond 函数,再经过阀值函数判决,如果输出值大于阀值,则该神经元被激活,否则处于抑制状态.神经元按一定模式连接成网络型,神经元之间的连接权值的大小反应信号传递的强弱2.BP 网络模型(见图2.BP 网是误差反向传播的多层前馈网络,是人工神经网络中最具代表性和应用最为广泛的一种网络模型.它由输入层、隐含层、输出层组成.在网络中

10、,信号由输入单向传至输出,且同一层的神经元之间互不传递信号.每个神经元与相邻层的所有神经元相连.某一层的神经元的输出值通过连接权系数的加强或抑制传输到下一层的神经元.除了输入层外,每一神经元的输入为前一层所有神经元之输出值的加权和.3BP 算法(误差反向传播算法误差反向传播算法是一个监督训练多层神经网络的算法,每一个训练范例在网络中经过两遍的传递计算.一遍是前向传播计算,从输入开始,传递各层并经过处理后,产生一个输出,并得到一个该实际输出和所需输出之差的误差失量.另一遍是反向传播计算,从输出层到输入层,利用差错失量对权值进行逐层修改.160西安建筑科技大学学报第30卷 图2网络模型训练的目的是

11、用一组输入矢量产生一组所希望的输出矢量.它是应用一系列输入矢量通过预先确定的算法调整网络的权值来实现的.设第P 个样本的故障特征向量为网络输入层的输入矢量X p =X p 1,X p 2,X p n 对应的网络输出层状态输出向量Y p =Y p 1,Y p 2,Y pm 各个神经元激励函数选用Sigmo nd 函数f (x =1/1+ex p-(x + 则输入层第i 个神经元的输出为O p i =X pi隐含层第j 个神经元的输入为net p j =i W pj i O p i那么隐含层第j 个神经元的输出为O pj =f (net pj =11+ex p-(net pj + j 输出层第k

12、个神经元的输入值为net p k =j W pkj O pj输出层第k 个神经元的输出值为O pk =f (net pk =11+ex p-(net pk + k 在训练该网络的学习阶段,由给定的模式X p 为网络输入,要求网络通过调节所有的连接权系数和各个神经元的阀值,使得在输出层神经元上得到所需要的理想输出值Y pk ,一般来说,网络输出O p k 与理想输出Y pk 不完全一致.对各个样本,其平方误差为:E p =0.5k(Y pk -O p k 2;而全体样本的平方误差则为E =12p p k(Y pk -O pk 2,式中p 为训练样本数.用 学习规则,权值W 有如下调整公式:(1对

13、于输出层与隐含层:(2对于隐含层与输入层之间:!W kj (n +1= k O p j +#!W kj (n !W ji (n +1= j O p i +#!W j i (n W kj (n +1=W kj (n + k O pj +#!W kj (n W j i (n +1=W ji (n + j O pi +#!W ji (n k =(Y p k -O pk O p k (1-O p k j =O p j (1-O pj k( k W kj 为学习常数; 为神经元的差值;#为动量常数,用于调整网络学习的收敛速度.4异步电机电气故障诊断网络模型的建立和训练4.1网络输入层神经元的确定原则(即

14、故障特征参量由于电机的结构型式、容量和所处的工作环境不同,其工作参数是不同的,因而对特定电机的分析结果一般不具有普遍意义.此外,大部分现场不可能为诊断提供详尽的电机运行参数,这就要求选择具有广泛适用性的特征参量作为输入神经元.因此,故障特征参量的选取遵循以下原则: 无量纲化,无量纲量一般不受电机容量大小的影响,与电机结构、型式和尺寸没有必然的联系; 它具有变量特征,能够反应故障程度的变化; 易于区分故障;!特征参量在工程上易于提取.4.2训练样本的选取神经网络诊断方法相比于逻辑识别具有更强的容错能力,即不会因在某一特征参量上的判别的失误而导致误判,这在一定程度上降低了误判的风险3.但该方法要求

15、训练样本非常丰富,其诊断的精度依赖于该领域经验和知识的多少.为此,我们建立了适于异步电机故障分析的多回路模型,通过对电机三类典型故障各特征参量大量的仿真数据,以及故障模拟实验来获得样本.本网络采用3层BP 网络结构,输入层节点数为7,隐含层节点数为10,输出层节点数为3.电机定子电流谱图中,各故障特征频率所对应的幅值X =X 1,X 2,X n 与基波幅值之比作为网络的输入,各161第2期董建园等:基于BP 网的异步电机故障诊断方法162西安建筑科技大学学报第30卷个特征频率对应输入层的神经元.电机的各种故障状态Y=Y1,Y2,Y m作为网络的输出,故障类型对应输出层神经元.隐含层节点H=H1

16、,H2,H s用于提取信号中高阶相关特性。输出层三个神经元依次为:(1转子绕组故障(短路、断条;(2气隙偏心;(3定子绕组故障(短路、接地.这三种故障类型对应的输出层状态为1,0,0,0,1,0,0,0,1.其中“1”表示有,“0”表示无.输入层神经元为f,(1+2Sf,(1-2Sf,1+(1-S/pf,1-(1-S/pf,3f,5f频率分量.网络输入值为上述频率分量对应的幅值与基波分量幅值之比.将4个标准故障模板X1,X2,X3,X4作为训练样本.转子绕组故障标准模板X1=1,0.01,0.01,0.009,0.0004,0.03,0.05气隙偏心故障模板X2=1,0.0018,0.0018

17、,0.049,0.041,0.023,0.027定子绕组故障模板X3=1,0.001,0.001,0.0134,0.006,0.09,0.027正常模板X4=1,0.001,0.001,0.004,0.004,0.035,0.03取全体样本的平均误差为E=0.001,每个样本的平方误差为E=0.001,学习速率=0.7,冲量因子#=0.01进行训练(该训练及诊断程序已在微机上实现.经训练后,其输出值如下:样本理想输出实际输出11,0,00.965950,0.026558,0.00001420,1,00.024362,0.965271,0.02500630,0,10.000052,0.02561

18、0,0.96112440,0,00.024220,0.000056,0.030437从上可看出,神经网络的实际输出与理想输出是相当接近的,达到训练的要求,可用于待检模式的故障诊断.5基于BP网的诊断软件该诊断软件以现有的各种信号分析系统为基础.在进行故障诊断时,首先用信号分析系统采集待检电机的定子电流信号,并分别作分析频率为100Hz和500Hz、加哈明窗的功率谱分析,然后将谱文件存盘.运行诊断软件时,系统提示输入上述功率谱文件、电机的精确转速及极对数,该软件即可自动提取故障特征分量,并作故障模式识别.最后给出故障部位及原因,并指出该故障的故障征兆及危害性.检测人员可通过电机运行时的状态与故障征兆相对比,进行进一步的确认.6结束语基于人工神经网络的模式分类,首先要求有大量的训练样本,即要求该领域的知识和经验特别丰