郭昱君, 王愛元,2, 姚曉東,2

(1.上海電機(jī)學(xué)院 電氣學(xué)院，上海 201306； 2.佛山市高明區(qū)明戈新型電機(jī)電控研究院，廣東 佛山 528500)

0 引 言

異步電動機(jī)作為工業(yè)生產(chǎn)中不可或缺的設(shè)備，因其具有結(jié)構(gòu)簡單、成本低、效率高的優(yōu)點，被廣泛應(yīng)用于多種領(lǐng)域。異步電動機(jī)故障診斷也成為工業(yè)生產(chǎn)中備受關(guān)注的問題，一旦電動機(jī)發(fā)生故障，工業(yè)生產(chǎn)的整個環(huán)節(jié)均會受到相應(yīng)的影響，工廠的經(jīng)濟(jì)效益也會降低。因此，異步電動機(jī)故障的及時診斷具有重要意義。本文選取了3個異步電動機(jī)常見故障，分別為異步電動機(jī)的轉(zhuǎn)子斷條、定子匝間短路以及氣隙偏心故障，將這3個類型的故障作為研究對象，對異步電動機(jī)進(jìn)行故障診斷研究。

傳統(tǒng)的異步電動機(jī)故障診斷根據(jù)采集到的信號進(jìn)行相應(yīng)的頻譜分析，由于采集的信號一般為振動信號或者定子電流信號，均屬于非平穩(wěn)信號，含有許多的干擾信號，無法精確地判斷出故障的類型。國內(nèi)外的研究學(xué)者針對該領(lǐng)域也有所研究。文獻(xiàn)[1]的研究對象為三相電機(jī)故障，采集電機(jī)故障時的振動信號進(jìn)行時域、頻域分析，對故障的類型以及影響進(jìn)行了研究。該方法先對信號進(jìn)行快速傅里葉變換(FFT)，再對不同頻段內(nèi)的細(xì)節(jié)信號處進(jìn)行頻譜分析，過程過于繁瑣、費(fèi)時。文獻(xiàn)[2]的研究對象為無人機(jī)，主要研究飛行器電機(jī)故障和角速度傳感器故障，通過FFT分析法對故障信號進(jìn)行處理，提取出時域、頻域的特征，再通過概率神經(jīng)網(wǎng)絡(luò)進(jìn)行故障分類。由于故障信號的干擾因素過多，直接進(jìn)行FFT分析會使結(jié)果不夠精確。文獻(xiàn)[3]的研究對象為機(jī)械設(shè)備故障，對故障設(shè)備的振動信號進(jìn)行提取，通過FFT分析法，對機(jī)械設(shè)備及時進(jìn)行故障診斷。雖然FFT分析法實時高效，但是對于振動信號這種不穩(wěn)定的信號，很多時候其診斷結(jié)果不夠精確。文獻(xiàn)[4-7]研究的均為電機(jī)的各種故障，對于提取到的故障信號運(yùn)用了小波分析法進(jìn)行處理，提取到相應(yīng)的故障特征再進(jìn)行后續(xù)的診斷工作。為了減少干擾，通過小波分析可使研究結(jié)果更加準(zhǔn)確。但是，小波變換對于高頻信號處理不夠敏感，所以該方法還存在一定的改進(jìn)空間。

綜上所述，本文采用了小波包能量分析的方法，對提取出的定子電流故障信號進(jìn)行小波包分析能量重構(gòu)，得出故障特征向量。為了使結(jié)果更加精確，本文還提取了定子電流信號的時域和頻域特征，共同作為故障特征。BP神經(jīng)網(wǎng)絡(luò)具有很好的學(xué)習(xí)能力和自適應(yīng)能力，且出錯率很低，被廣泛應(yīng)用于故障診斷領(lǐng)域。因此，將小波包分析與BP神經(jīng)網(wǎng)絡(luò)結(jié)合，對異步電動機(jī)的故障進(jìn)行研究。

1 異步電動機(jī)故障

異步電動機(jī)有多種故障類型。故障可以分為電氣故障和機(jī)械故障[8]。電氣故障包括定子匝間短路故障；機(jī)械故障包括轉(zhuǎn)子斷條、氣隙偏心以及軸承故障。本文主要對以上幾類故障進(jìn)行研究，提取故障特征，對故障進(jìn)行分類。

在電機(jī)故障中，轉(zhuǎn)子斷條故障占很大比例，屬于常見故障。轉(zhuǎn)子導(dǎo)條在電動機(jī)工作時，會受到各種應(yīng)變力的影響，這種應(yīng)力隨著電動機(jī)的運(yùn)轉(zhuǎn)起停和負(fù)載高低而變化[9]。轉(zhuǎn)子本身在生產(chǎn)制造的過程中也存在不足，會使電動機(jī)出現(xiàn)轉(zhuǎn)子斷條故障。

異步電動機(jī)在工作中承受各種應(yīng)變力的作用，定子繞組匝間容易損壞。定子繞組破損的程度會隨著時間的增加變得更加嚴(yán)重。匝間短路電流持續(xù)增大，使得損壞的一部分電路處溫度上升，造成更大范圍的短路，導(dǎo)致電動機(jī)無法運(yùn)行[10]。

氣隙偏心故障也是常見的電機(jī)故障之一，主要是由其他故障引起的連鎖反應(yīng)，比如定、轉(zhuǎn)子的故障和軸承的故障等。一旦氣隙偏心過大，將會嚴(yán)重影響電動機(jī)的運(yùn)行[11]。

2 基于小波包能量熵的故障特征提取

2.1 小波包能量熵

小波包能量熵結(jié)合了小波包分析和信息熵，可以用來定位和檢測故障信號，還可以用來描述系統(tǒng)的不確定程度[12-14]。相比于小波分析，小波包分析能夠處理小波分析無法解決的高頻、非線性、非平穩(wěn)信號的問題。當(dāng)異步電動機(jī)發(fā)生故障時，采集的定子電流信號是非平穩(wěn)的信號，而采集的信號擁有所需要的故障信息，這時故障狀態(tài)的不確定性大于正常狀態(tài)下的不確定性，小波包能量熵比正常狀態(tài)下增加[15-16]。因此，本文選擇小波包能量熵作為故障特征。該算法的定義為

(1)

式中：S為原始信號；Sj，k為小波包重構(gòu)信號；j為小波包分解層數(shù)，j=1，2，3，…，n；k為第j層第k個節(jié)點，k=1，2，3，…，m；Ej，k為重構(gòu)信號對應(yīng)的能量；dj,k(n)為小波包分解后節(jié)點(k，j)對應(yīng)的第n個小波包系數(shù)。

歸一化的公式為

(2)

式中：E為k層節(jié)點的總能量；Ej,k為第k層分解的j節(jié)點的小波包能量熵；λj,k為第k層分解的j節(jié)點的歸一化值。

2.2 故障特征的提取

在異步電動機(jī)發(fā)生故障時，定子電流會發(fā)生相應(yīng)的改變，所以采集故障狀態(tài)下的定子電流信號進(jìn)行分析。針對轉(zhuǎn)子斷條、定子匝間短路以及氣隙偏心這3種故障進(jìn)行電磁場有限元仿真。

2.2.1 電機(jī)故障電磁場有限元仿真

本文選用2.2 kW的鼠籠式異步電動機(jī)為研究對象，具體參數(shù)如表1所示。

表1 異步電動機(jī)的主要參數(shù)

將正常狀態(tài)以及3種故障狀態(tài)分別進(jìn)行仿真。正常狀態(tài)下的仿真模型如圖1所示。轉(zhuǎn)子斷條仿真如圖2所示，通過設(shè)置轉(zhuǎn)子導(dǎo)條的材料，采用令材料的電導(dǎo)率為零的方法模擬斷條。如圖3所示，設(shè)置定子A相繞組短路線圈所在的槽號為1號和9號。如圖4所示，氣隙偏心故障為定、轉(zhuǎn)子不同心，旋轉(zhuǎn)中心為定子軸，設(shè)置偏心為0.02 mm。正常狀態(tài)下槽內(nèi)為43匝線圈，故障模型設(shè)定槽內(nèi)20匝線圈出現(xiàn)匝間短路，對應(yīng)圖5外電路20匝線圈短路標(biāo)識，剩余23匝線圈與A相繞組的其他線圈串聯(lián)接入。

分別提取正常狀態(tài)、轉(zhuǎn)子斷條、定子匝間短路以及氣隙偏心故障下的定子電流信號，仿真得到4種狀態(tài)下的A相定子電流波形圖如圖6～圖8所示。

如圖6所示，轉(zhuǎn)子斷條的波形與正常狀態(tài)下的A相定子電流有細(xì)微的不同；如圖7所示，定子匝間短路的波形起伏比轉(zhuǎn)子斷條明顯；圖8中的偏心故障波形變化最為劇烈，所以通過定子電流信號的變化能夠?qū)收蠣顟B(tài)進(jìn)行辨別。但是僅僅憑借波形圖的變化結(jié)果分析故障類型不夠準(zhǔn)確，所以需要對采集到的定子電流信號進(jìn)行小波包分析，分析結(jié)果如圖9～圖12所示。根據(jù)以往的電機(jī)故障研究可知，故障發(fā)生的頻段一般是在電源頻率的分?jǐn)?shù)倍或者整數(shù)倍處，選擇db8小波對A相定子電流信號進(jìn)行3層小波包分解，可以從中提取能量不同的8個信號頻段，得到相應(yīng)的故障特征向量輸入到后續(xù)的神經(jīng)網(wǎng)絡(luò)中。

圖9為電動機(jī)正常時波形重構(gòu)的每個頻段的狀態(tài)。圖9(a)為正常狀態(tài)下去除干擾信號后的波形，與仿真所得的波形相比，其波形明顯變得更加平滑，去除了多余的毛刺影響。轉(zhuǎn)子斷條和定子匝間短路的小波包分解波形與原始波形也是如此。對比這4種狀態(tài)下的每個頻段處的波形可以發(fā)現(xiàn)，在不同的頻段，不同故障的能量也不盡相同。因此，在特征提取上采用小波包分析進(jìn)行信號處理比直接進(jìn)行信號處理更加準(zhǔn)確。故障時的小波包能量會比正常的狀態(tài)高很多，憑借此特性可以區(qū)分出電機(jī)正常與故障狀態(tài)以及故障的類型，為后續(xù)的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練做鋪墊。經(jīng)過小波包能量重構(gòu)得到的故障特征向量如表2所示，此處列舉了4個狀態(tài)下的特征向量，分別是正常、轉(zhuǎn)子斷條、匝間短路以及氣隙偏心。

表2 故障特征向量

從表2可以看出，每個故障在各個頻段處的特征向量都會發(fā)生變化，變化最為明顯的有兩個節(jié)點為(3，1)和(3，3)，其他許多節(jié)點處的特征向量也呈現(xiàn)細(xì)微的不同。因此，借助小波包分解得到的特征向量對故障識別的方式是行之有效的，可以在保證精確的基礎(chǔ)上過濾掉不必要的信息量，且節(jié)省診斷時間。

3 基于BP神經(jīng)網(wǎng)絡(luò)的診斷模型

3.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)，也是目前發(fā)展比較成功的神經(jīng)網(wǎng)絡(luò)之一，被廣泛用于機(jī)器學(xué)習(xí)。BP神經(jīng)網(wǎng)絡(luò)是誤差反向傳播的多層前饋型網(wǎng)絡(luò)，會根據(jù)每一次的訓(xùn)練值和預(yù)測值進(jìn)行誤差分析。BP神經(jīng)網(wǎng)絡(luò)的模型如圖13所示，其由輸入層、隱藏層和輸出層組成。將采集的信號正向輸入到網(wǎng)絡(luò)中，經(jīng)過學(xué)習(xí)和訓(xùn)練，誤差原路返回，不斷修改相應(yīng)的權(quán)值與閾值，逐步減小誤差，得到與預(yù)期結(jié)果一致的模型。

本文采用BP神經(jīng)網(wǎng)絡(luò)建立故障診斷模型，具體流程如圖14所示。選擇小波包分析作為信號處理的方式，處理3種故障狀態(tài)下采集的信號，得到故障特征向量，加上從時域、頻域提取的特征，一并輸入到BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。

3.2 故障診斷仿真

根據(jù)Kolmogorov定理，在合理的結(jié)構(gòu)和恰當(dāng)?shù)臋?quán)值條件下，3層BP神經(jīng)網(wǎng)絡(luò)可以逼近任何一個非線性網(wǎng)絡(luò)，所以本文采用3層網(wǎng)絡(luò)進(jìn)行研究。將上一節(jié)中由小波包分析以及時域、頻域提取的特征結(jié)果，直接輸入到BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行模式識別。輸入層的神經(jīng)元個數(shù)由故障特征的數(shù)目決定，采集的定子電流信號經(jīng)過信號處理后提取出30個故障特征，因此將30個神經(jīng)元輸入到輸入層中，輸出層的神經(jīng)元個數(shù)由需要輸出的目標(biāo)值決定。本文研究的3種故障狀態(tài)分別為轉(zhuǎn)子斷條、定子匝間短路和氣隙偏心，所以輸出層的神經(jīng)元個數(shù)為3個，分別表示對應(yīng)的期望輸出向量，BP神經(jīng)網(wǎng)絡(luò)的期望輸出向量如表3所示。

表3 期望輸出向量

BP神經(jīng)網(wǎng)絡(luò)輸入、輸出層的選取都比較容易，難點在于隱藏層的選取，其會影響整個網(wǎng)絡(luò)的性能。對于樣本量少的數(shù)據(jù)集，隱藏層數(shù)選擇1或2，但如果數(shù)據(jù)集較為復(fù)雜，則需要選擇更多層數(shù)的隱藏層。隱藏層的數(shù)量與擬合函數(shù)的能力在一定范圍內(nèi)成正比，這代表如果層數(shù)過多，反而會影響效果。根據(jù)已有的模型試驗，選取10個節(jié)點數(shù)的隱含層較為合適，訓(xùn)練的函數(shù)選擇trainlm函數(shù)，訓(xùn)練速度和誤差結(jié)果能夠達(dá)到預(yù)期效果。

本文在提取故障特征時，加入了時域、頻域的特征。圖15為僅提取小波包能量熵的訓(xùn)練結(jié)果，可以看出精確度不夠高，只有90.2%，將時域、頻域特征加入特征向量能夠提高結(jié)果的精確性。

將提取出的特征向量輸入網(wǎng)絡(luò)，共150組樣本數(shù)據(jù)，每種故障狀態(tài)為50組，選擇100組數(shù)據(jù)進(jìn)行訓(xùn)練，剩下的50組數(shù)據(jù)作為測試數(shù)據(jù)，BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練22次后能夠達(dá)到預(yù)期目標(biāo)。從圖16可以看出，改進(jìn)后方法的分類結(jié)果十分準(zhǔn)確，分類精確度達(dá)到了100%。根據(jù)上述分析可以得出，基于BP神經(jīng)網(wǎng)絡(luò)和小波包能量熵的方法確實能夠更快、更準(zhǔn)確地診斷出異步電動機(jī)故障類型。

4 結(jié) 語

(1) 運(yùn)用小波包分析和時域、頻域分析作為信號處理的前置手段，效果十分明顯，不僅過濾掉了不必要的信號，而且使得故障特征更加明顯。

(2) 仿真結(jié)果表明，本文設(shè)計的基于BP神經(jīng)網(wǎng)絡(luò)和小波包能量熵的異步電動機(jī)故障診斷系統(tǒng)，能夠準(zhǔn)確地檢測出發(fā)生的故障類型，診斷速度快且精度高。將其應(yīng)用到工業(yè)生產(chǎn)中，可以減少電動機(jī)故障的發(fā)生，提高經(jīng)濟(jì)效益。