無刷同步發電機旋轉整流器故障的神經網絡識別

喬維德

（無錫開放大學 科研與質量控制處，江蘇 無錫 214011）

無刷同步發電機旋轉整流器故障的神經網絡識別

喬維德

（無錫開放大學 科研與質量控制處，江蘇 無錫 214011）

針對無刷同步發電機旋轉整流器常見故障特點，提出一種基于小波包分解和BP神經網絡的旋轉整流器故障識別方法。運用小波包分析（WAP）提取故障特征信號，建立故障識別的神經網絡模型，采取粒子群-人工蜂群（PSO-ABC）算法優化神經網絡的最優初始連接權值和閾值等結構參數。仿真結果表明，該方法具有識別速度快、準確性高等優點。

同步發電機；旋轉整流器；WAP；PSO-ABC；故障識別

0 引 言

由于電力系統的快速發展和工業生產需要，大容量及超大容量同步發電機的需求和應用日益頻繁。同步發電機的容量越大，相應需要的勵磁電流也越大，由此容易引起電刷、集電環嚴重發熱，并出現過度磨損、噪聲、火花等問題。為解決此類問題，將無刷勵磁技術應用于同步發電機不失為一種有效辦法。目前采用的無刷勵磁同步發電機組，因取消了勵磁系統中的電刷和滑環，減少磨損并消除了噪聲、火花，能有效解決大容量或超大容量同步發電機勵磁電流過大而導致的問題，從而提高同步發電機組長期安全運行的可靠性。作為無刷勵磁同步發電機組的核心部件和重要環節，旋轉整流器安裝在同步發電機的轉子上，隨轉子一直處于高速旋轉狀態，再加之惡劣的工作環境因素作用和影響，旋轉整流器的故障尤其是突發性故障率較高，甚至燒毀旋轉整流器，并直接導致同步發電機組轉子振蕩、轉子損壞和失步等嚴重故障[1]。然而，由于旋轉的勵磁回路與外部電路部分沒有直接與電連接，所以難以直接檢測轉子旋轉整流器故障并加以及時有效維護。基于此，對旋轉整流器故障診斷已成為無刷勵磁同步發電機安全運行監測研究的重要課題。本文采取小波包分析（WPA）和BP神經網絡識別技術，建立無刷勵磁同步發電機旋轉整流器故障識別模型，采用粒子群—人工蜂群（PSO-ABC）算法優化神經網絡的結構參數，增強同步發電機旋轉整流器故障識別的能力。

1 故障識別模型

無刷勵磁同步發電機旋轉整流器故障識別過程主要包括故障信號的采集、故障識別信號的提取、旋轉整流器狀態與故障識別。旋轉整流器故障識別模型[2]如圖1所示。T31～T37分別為同步發電機交流勵磁機的定子磁極線圈上并聯電容C2的電壓信號，經過小波包分解和歸一化處理后的故障特征向量。采取BP神經網絡建立旋轉整流器故障識別模型，通過PSO-ABC算法訓練優化神經網絡結構，將故障特征向量參數T31～T37設定為神經網絡的輸入信號，神經網絡有S1,S2,S33個輸出神經元，它們不同的狀態組合分別對應同步發電機旋轉整流器的Y0～Y78種工作狀態。其中，A+,A-,B+, C-分別表示旋轉整流器的A相正組、A相負組、B相正組、C相負組。

圖1 旋轉整流器故障識別模型

2 故障識別信號的提取

要對無刷勵磁同步發電機旋轉整流器的運行狀態及其故障類型進行在線、實時檢測和識別，必須獲取轉子側旋轉整流器的相關參數信息。同步發電機因取消了勵磁系統中的電刷和滑環，所以無法直接提取轉子側旋轉整流器的故障信息。將電容C1,C2并聯接于交流勵磁機的定子勵磁繞組，只需要采集帶有轉子故障信息的電容C2兩端的電壓信號波形，對其進行頻域、時域分析，即可作為神經網絡識別的故障特征信號[3]。旋轉整流器故障識別信號的提取如圖2所示。

圖2 旋轉整流器故障識別信號的提取

WPA屬于一種比FFT更加優越的新興時頻分析方法，利用它可細分故障信號的低、高頻部分，并通過推算不同頻段對應的頻帶能量，實現對信號時頻的精確分析，提高時域分辨率，以方便故障信號的特征提取[4]。C2兩端電壓信號3層小波包分解過程如圖3所示。

圖3 C2兩端電壓信號3層小波包分解過程

由圖3可知，結點(i,j)表示第i層第j個結點，其中i設為0,1,2,3,j設為0,1,2,…,7。每個結點如(0, 0)、(1, 0)、(2, 2)等都分別代表一定的信號特征。當旋轉整流器發生故障時，C2兩端電壓信號的故障特征能量與正常運行時的能量不同，所以通過計算該頻段的能量值，可及時監測旋轉整流器中的整流元件是否出現開路或短路故障。對故障信號進行小波包分解重構，從中可提取各頻帶范圍的信號能量。設經過小波包分解后的第3層第j個頻帶的重構信號記為S(3, j)，其信號能量記為E(3, j)，則：

其中，Fkj(j=0,1,2,…,7；k=1,2,…,n)記為S(3, j)離散點的幅值，n為信號采樣點數。信號S(3, j)的總能量E3為各頻帶能量之和，記為：

經過上述變換后的總能量E3比較大，對于模式分類有一定影響，故需要采取能量歸一化處理，即：

由此，利用小波包分解提取的同步發電機旋轉整流器故障特征向量為：

考慮同步發電機勵磁電流中包含的直流分量，但它在旋轉整流器出現故障前后的變化不明顯，所以為更好提取故障特征值，舍去低頻頻帶特征量T30，選取T31～T37。

3 粒子群—人工蜂群融合算法

3.1 粒子群算法

粒子群（PSO）算法中每個粒子的位置就是一個可行解，PSO算法通過個體極值Pbest及全局極值Gbest及時更新粒子的當前速度和所處位置。設PSO中有N個粒子，在M維求解空間中，第i個粒子的位置記為Xi=(Xi1, Xi2,…,XiM)，第i個粒子的個體最優位置記為Pi=(Pi1, Pi2,…,PiM)，所有粒子的全局最優位置記為G=(G1,G2,…, GM)，那么第i個粒子的速度Vij和位置Xij的迭代更新公式為：

其中，i=1,2…,N；j=1,2,…,M；t為迭代次數，為粒子的慣性權重，C1,C2分別為局部和全局加速常數，R1,R2為0～1范圍內均勻分布的隨機值。

為有效避免PS O算法尋優過程中“早熟”及全局最優解附近可能出現的振蕩問題，采取慣性權重線性減小的處理方法，即替換（5）式中的為：

3.2 人工蜂群算法

人工蜂群（ABC）算法是一種模仿蜜蜂協作搜尋蜜源的智能進化方法。蜂群含有引領蜂、跟隨蜂和偵查蜂三種群體，先由引領蜂搜尋蜜源，并將蜜源相關信息告知跟隨蜂，然后跟隨蜂在蜜源周邊尋找更優蜜源。如果跟隨蜂沒有找出更優蜜源，就舍去原來蜜源，引領蜂便變為偵查蜂，繼續搜尋新的蜜源。在A B C算法中，每個蜜源代表優化問題的1個可能解，蜜源的優劣表征對應問題解的好壞，一般以適應度來表示。設引領蜂、跟隨蜂的數目均為N個，xij為第i個蜜源在D維搜索空間的位置，引領蜂的初始化位置公式為：為第j維最大元素值，xjmin為第j維最小元素值，rand(0, 1)為[0,1]內的一個隨機數。

引領蜂尋至一蜜源后，需要測試該蜜源的適應度（相應解的質量）為：

其中，Fiti為第i個蜜源的適應度，fi為第i個蜜源的適應值（優化問題的目標函數值）。

跟隨蜂按概率函數Pi選擇引領蜂尋來的某個蜜源，即：

引領蜂、跟隨蜂搜尋蜜源的位置更新公式為：

其中，vij為更新后的新位置，k=1,2,…,N,k≠i,rand (-1,1)為[-1,1]內的一個隨機數。

3.3 PSO-ABC算法及神經網絡優化

PS O算法具有很快的收斂速度，但在處理復雜問題時很容易陷入局部最優，往往出現早熟現象，并導致算法在后期搜索更優解的能力變弱、收斂速度變慢。A B C算法具有很強的全局搜索能力，但前期搜索可行解的速度比較緩慢，只要搜尋到可行解，該算法的搜索能力便會很快提高。針對兩種算法存在的優勢和不足，融合PSO算法與ABC算法，形成PSO-ABC算法[5]。由PSO-ABC算法進化輸出的最優值，作為旋轉整流器故障識別模型中BP神經網絡的最優初始連接權值和閾值等。PSO-ABC算法優化BP神經網絡流程如圖4所示。

通過對BP神經網絡優化訓練，直至其均方誤差J最小，即：

其中，n表示網絡訓練集樣本個數，m表示網絡輸出神經元個數，Qjh,Sjh分別表示第j個訓練樣本在第h個網絡輸出神經元的理想輸出值和實際輸出值。

4 仿真實驗

4.1 故障特征樣本選取

在某大型電機廠的現場試驗中，借助數字分析儀，檢測并采集無刷勵磁同步發電機（功率為360KW）交流勵磁機的定子上電容C2的電壓波形，采取3層小波包分解，當旋轉整流器處于正常運行（Y0）及各種故障（Y1～Y7）狀態時，分別提取各頻帶的電壓信號特征量T31～T37。設定數據采樣頻率為1 000hz，分析上限頻率f為500hz，選取的頻帶分別為62.5～125hz，125～187.5hz，187.5～250hz，250～312.5hz，312.5～375hz，375～437.5hz，437.5～500hz。收集24組同步發電機旋轉整流器故障特征數據，用于神經網絡的訓練樣本和檢驗樣本（見表1）。

圖4 PSO-ABC算法優化BP神經網絡流程

表1 神經網絡樣本數據

4.2 仿真參數設置及診斷結果

PSO-ABC算法參數選取如下：PSO規模N=50，慣性權重的初始值和終值分別為1=1.2，2=0.2；R1=R2=2，PSO算法最大迭代次數tmax=200；ABC算法迭代次數極限值limit=100。BP神經網絡結構為7-8-3，BP神級網絡的學習率為0.1，誤差精度為10-5。采取Matlab7.1工具，將表1中1～20組數據用于BP神經網絡旋轉整流器故障識別的訓練樣本，采用PSO-ABC算法優化得到BP神經網絡最優初始權值和閾值，并通過反復訓練，最終使BP神經網絡的輸出誤差達到規定的精度要求[6]。BP神經網絡訓練完畢后，利用表1中21～24組數據作為網絡的檢驗樣本，得到檢驗結果（見表2）。由表2可知，神經網絡診斷旋轉整流器故障的實際輸出值與期望輸出值接近，說明故障識別準確度高。

表2 神經網絡樣本檢驗結果

為進一步驗證PSO-ABC算法的優化性能，利用表1樣本數據，先后以BP、PSO、ABC、PSO-ABC等算法優化、訓練、測試神經網絡，各算法仿真實驗結果見表3。仿真實驗結果表明，PSO-ABC算法優化旋轉整流器故障識別的神經網絡，速度最快、精度最高。

表3 神經網絡不同算法性能比較

5 結 論

（1）同步發電機組的交流勵磁機的定子磁極線圈，由于受到整流器及磁極鐵芯飽和的影響和作用，導致C2上采集的電壓信號信噪比增大。構建神經網絡的故障識別模型，可減少同步發電機旋轉整流器故障信號的失真度，有利于提升故障類型識別的準確率。

（2）仿真實驗結果表明，PSO-ABC算法比BP、PSO、ABC算法的性能優越，PSO-ABC算法用于優化旋轉整流器故障識別的神經網絡，識別速度最快、精度最高，從而為同步發電機組旋轉整流器故障診斷提供一種新的途徑和方法。

[1]劉念，謝馳.無刷勵磁同步發電機旋轉整流器故障的模糊神經網絡診斷[J].繼電器，2003，31(8):8-10.

[2]喬維德.基于人工魚群-蛙跳神經網絡的變壓器故障診斷[J].常熟理工學院學報，2016，30(4):70-74，96.

[3]張敬，李穎暉，朱喜華，等.基于改進的D-S證據理論的旋轉整流器故障診斷研究[J].大電機技術，2012，46(1):59-63.

[4]楊健，李穎暉，熊大順.基于小波包能量譜和改進神經網絡的異步電機故障診斷[J].電力電子，2013，14(2):19-21.

[5]余慶，李冰，孫輝，等.一種改進的粒子群與人工蜂群融合算法[J].南昌工程學院學報，2015，34(1):18-24.

[6]喬維德.改進粒子群優化神經網絡的高壓斷路器故障診斷[J].常熟理工學院學報，2016，30(2):51-55.

[責任編輯：蔡蔡兵]

Fault Identification of Nerve Net in Rotating Rectifier of Brushless Synchronous Generator

QIAO Weide
(Scientific Research and Quality Control Department, Wuxi Open University, Wuxi, 214011, China)

In terms of some common faults in rotating rectifier of brushless synchronous generator, a way based on wavelet packet decomposition and BP nerve net to identify faults is discussed. Generally, using WAP to pick up fault signals and to make nerve net model to identify faults. Besides, PSO-ABC algorithm could be used to optimize such structural parameters as the optimum initial connection weights and threshold value in nerve net. The simulation results reveal that this method is characterized with its advantages of being quick and accurate in detecting faults.

Synchronous generator; Rotating rectifier; WAP; PSO-ABC; Fault identification

TM31；TP183

A

1671-4326(2016)04-0044-05

10.13669/j.cnki.33-1276/z.2016.081

2016-08-21

無錫市社會事業領軍人才資助項目（WX530/2016013）

喬維德（1967—），男，江蘇寶應人，無錫開放大學科研與質量控制處，教授.