電機匝間短路故障的仿真研究

趙娟等

摘 要：電機匝間短路故障的仿真研究是以電機匝間的氣隙勵磁磁通密度信號為研究對象的，通過采集系統進行數據實時采集，再運用小波包分解對數據進行分析，提取故障信息，最后運用BP神經網絡對數據進行訓練和測試，從而達到對電機匝間短路故障以及故障位置的準確判斷。通過運行表明，此方法故障識別率高、方便靈活而且診斷精度高。

關鍵詞：匝間短路 電流信號 小波包分解 BP神經網絡

中圖分類號：U226.8+1 文獻標識碼：A 文章編號：1672-3791（2014）08（c）-0112-01

電機廣泛的應用于各種機械設備，其性能決定了行業的經濟效益和技術水平。為了保證電機的安全運行，有效和及時的避免事故發生，對電機各種參數進行實時監測具有非常重要的意義。本文提出一種電機匝間短路故障檢測的方法，是將小波包分解和BP神經網絡技術結合，通過采集到的電機的氣隙勵磁磁通密度信號進行分析和訓練，建立數據信號和故障模式的非線性映射關系，從而確定是否存在短路故障以及確定隱患所在位置。電機匝間短路故障的仿真研究，可以提高電機匝間短路故障診斷的有效性和可靠性。

1 電機轉子繞組匝間短路故障機理

電機匝間短路是電機故障中最常見的故障之一。本論文的選擇的是電機匝間繞組開槽數是16，N極和S極各設置8個槽。利用MATLAB軟件進行模擬仿真，采集并存儲正常狀態和任意一個槽內發生短路故障時的氣隙勵磁磁通密度信號，分析比較采集的信號，為電機匝間短路故障的仿真研究提供了數據支持。

2 綜合故障診斷的數據處理系統

當電機發生短路故障時，氣隙勵磁磁通密度信號的波形發生相應變化，即該信號攜帶了豐富的故障特征信息。因此，綜合故障診斷的數據處理系統主要實現對故障特征信息的提取，采用小波包變換將信號分解后，提取與故障征兆有關的量值，為建立BP神經網絡診斷提供數據基礎。利用小波包變換提取的特征信息作為BP神經網絡的輸入，電機故障槽短路作為輸出，建立3層BP神經網絡，進行學習和訓練，BP神經網絡完全能夠實現電機匝間短路故障的判斷及故障槽的準確定位。

3 應用小波包變換提取氣隙勵磁磁通密度信號的故障信息

應用小波包變換可以將氣隙勵磁磁通密度信號的低頻和高頻同時分解變換，其中，低頻分量和原信號相似，而高頻分量是攜帶故障特征信息的細節信號。小波包變換的優勢在于提高高頻部分的分辨率，可以更準確的提取頻帶內的信息，放大了電機匝間短路時信號攜帶的故障特征信息，在故障檢測識別領域中得到了廣泛的應用。基于小波包變換的故障特征信息提取的具體實現方法如以下幾點。

（1）小波包分解。本系統采用4層小波包變換，將氣隙勵磁磁通密度信號分解出16個分量。

（2）小波包分解系數進行重構。分別求出16個分量在各自頻帶中的信號總能量，再將含有故障特征信息的分量進行小波系數重構。具體做法是：對4層小波包分解出來的16個分量分別提取其特征向量，按照低頻到高頻的順序將其排列，得到16個頻帶的特征信號。

（3）特征向量歸一化處理。對16個特征信號進行歸一化處理，將其數值歸一化到[0，1]范圍內。

4 建立BP神經網絡診斷電機匝間短路故障

本文利用BP神經網絡建立短路故障診斷系統，對電機的氣隙勵磁磁通密度信號進行分析和訓練，實現對故障信息的智能識別和準確定位。BP神經網絡即反向傳播網絡，是目前故障檢測中應用最廣泛的神經網絡模型之一，可以通過故障實例中的樣本數據對網絡進行不斷的訓練學習以提高網絡中存儲知識的數量，并通過網絡中調整各神經元之間的權值來實現智能判斷。

4.1 建立神經網絡

將小波包變換提取氣隙勵磁磁通密度信號的故障信息作為輸入向量，來建立一個獨立的三層BP神經網絡模型。

（1）輸入層神經元個數：輸入層的神經元是由氣氣隙勵磁磁通密度信號經過4層小波包分解后的16個特征向量構成，再進行歸一化處理，樣本數據歸一化到[0，1]，保證算法程序收斂加快。

（2）輸出層神經元個數：輸出層是由電機短路故障的故障槽個數確定的，本系統存在16種短路故障類型和一種正常狀態的情況，總共17個狀態輸出，因此采用輸出層的神經元個數設置為5，總共可以輸出32種輸出狀態，當轉子不同槽發生短路故障時，目標輸出不同，可以根據神經網絡的輸出結果對故障槽進行準確的定位。

（3）學習速率：一般學習速率選擇范圍為0.01～0.8之間。本試驗選取學習速率為0.1。

4.2 BP神經網絡訓練結果

采用LM算法進行BP神經網絡的訓練，神經網絡的訓練參數設置為如下：

net.trainParam.lr=0.1； %學習速率為0.1

net.trainParam.epochs=1000； %訓練次數為1000

net.trainParam.goal=1e-6； %訓練誤差為1e-6

當網絡訓練達到給定誤差1e-6時，神經網絡訓練成功，實驗證明，經過32次樣本訓練就可以達到誤差精度1e-6和網絡收斂，訓練曲線很平滑，網絡性能良好。

5 結語

本文完成了對電機匝間短路故障系統的氣隙勵磁磁通密度信號的模擬采集和處理；并通過小波包變換和BP神經網絡局進行診斷處理，對電機是否發生短路故障以及故障槽所在位置進行準確定位，利用MATLAB軟件進行數據采集、仿真分析及測試，提高了診斷系統的可靠性，驗證了該方法是一種可靠性好并且準確度高的短路故障診斷方法。

參考文獻

[1] 聶國斌，趙亮.小波神經網絡技術在故障診斷中的應用[M].北京：工業技術出版社，2007：16-21.

[2] 鄧日青.基于神經網絡專家系統的電噴發動機故障自診斷研究[D].重慶交通大學，2008：46-52.

[3] 朱麗娟.基于小波神經網絡的異步電動機振動故障診斷研究[D].山西：太原理工大學，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