SOM神經網絡對永磁同步電機的故障診斷

陳世游，陸 海，張少泉，陳曉云

?

SOM神經網絡對永磁同步電機的故障診斷

陳世游，陸 海，張少泉，陳曉云

（云南電網有限責任公司電力科學研究院研究生工作站，云南 昆明 650217）

為實現永磁同步電機的故障類別的診斷，采用小波函數根據不同頻段進行故障特征提取，對提取樣本數據進行歸一化處理，對奇異樣本。SOM（Self Organizing Map）的領域函數選取小波函數，形成次興奮神經元不斷對權值更新，避免 SOM的產生局部最優解。采用實驗提取的故障數據作為 SOM 神經網絡的輸入樣本進行網絡訓練，從而得出產生特定故障時所激發的相應神經元索引。實驗結果驗證了該方法的可行性和實用性。

神經網絡；故障診斷；神經元索引；永磁同步電機

0 引言

當前社會工業、農業生產和人們的日常生活都對動力源提出了新的要求，在全球化石能源日漸枯竭的今天，電機已成為主要的動力輸出設備，數量與應用范圍越來越廣。為了適應生產的需要，電機的容量不斷增大，所組成的系統規模越來越大，構成越來越復雜，所以降低其故障率提高可靠性的要求也越來越高。作為系統中重要的動力輸出源，交流電機一旦出現故障，便導致整個系統無法工作，引起系統癱瘓，其經濟損失不可估量。因此近些年來電機故障診斷技術引起專家和技術人員的高度重視。針對故障診斷社會上已經開發出科技含量較高的診斷設備。對電機進行故障診斷，對癥下藥延長設備部件的使用壽命，為企業節省大量的停機時間，創造巨大的經濟價值[1-2]。

早期的故障診斷是電機發生故障后對電機進行維修，屬于事后維修。除此之外，定期的對電機進行試驗和更換器件，進行預防性維修但其是離線的不能保障生產的連續性。在上述兩種檢測方法中,斷電檢測時電機的參數發生變化。另外，定期檢測，非實時檢測，無法確保隨時發現故障問題[3-4]。

傳統的診斷方法需要建立比較準確的數學模型，在系統模型不確定或非線性的情況下，傳統的診斷方法無法解決。

永磁同步電機磁場是由永磁體產生的，從而避免通過勵磁電流來產生磁場而導致的勵磁損耗（銅耗）；永磁同步電機的外特性效率曲線相比異步電機，其在輕載時效率值要高很多，這是永磁同步電機在節能方面，相比異步電機最大的一個優勢。從電機本體來對比，永磁同步變頻調速電機與異步電機的可靠性相當，但永磁同步電機結構的靈活性，便于實現直接驅動負載，永磁同步變頻調速電機體積小，功率密度大的優勢。本文采用永磁同步電機作為例子來分析SOM神經網絡在故障診斷方面的應用。

1 永磁同步電機故障特征

電機動力輸出原理是把電能轉換成機械動能，系統較為復雜，包括電路、磁路、絕緣、機械、通風散熱系統等。任何一個子系統工作狀況不好或其間銜接出現問題，便會使整個系統工作紊亂即電機出現故障。所以電機故障的成因復雜，涉及的專業技術領域較廣，診斷難度較大，對電機維修人員也提出了較高的要求。一般來說，電機故障診斷涉及到的專業知識主要有電機理論、電磁測量、信號處理、計算機技術、熱力學、絕緣技術、人工智能等。

電機故障的特征往往不明顯，具有隱含性，故障征兆也具有多個產生原因即故障原因的多元性。一個故障也可能表現出多種征兆，如籠型異步電機當鼠籠斷裂或端環開裂時表現為機體振動加劇，電流不穩定，定子電流增加（1~2 s）fl電流分量、起動緩慢、電機轉差率增加、轉速轉矩波動等故障征兆，這些征兆之間有時獨立存在，有時同時存在。電機鼠籠斷條發生后，如果不及時停機檢查維修電，讓電機在故障下運行，將會造成更多的籠條斷裂，故障會加劇，zui終可能造成電機無法修復。有時不同故障起因也可能會反映出同一個故障征兆，這時就要逐一排查能夠產生該征兆的各種原因。另外，電機故障還與其負載情況、運行工作環境等有關，在不同的外在因素影響下，電機表現出的故障征兆是不同的，這又增加了對電機故障的診斷難度。

2 SOM神經網絡概述

一個神經網絡接收外界輸入模式時，將會分為不同的對應區域，各區域對輸入模式有不同的響應特征，而這個過程是自動完成的。其特點與人腦的自組織特性類似。SOM的目標是用低維（通常是二維或三維）目標空間的點來表示高維空間中的所有點，盡可能地保持點間的距離和鄰近關系（拓撲關系）。

3 SOM神經網絡結構

SOM人工神經網絡是一個可以在一維或二維的處理單元陣列上，形成輸入信號的特征拓撲分布。自組織神經網絡：是無導師學習網絡。它通過自動尋找樣本中的內在規律和本質屬性，自組織，自適應地改變網絡參數與結構。SOM為層次型結構。典型結構是：輸入層加競爭層；輸入層：接收外界信息，將輸入模式向競爭層傳遞，起“觀察”作用；競爭層：負責對輸入模式進行“分析比較”，尋找規律并歸類。SOM神經網絡結構如下圖1所示：

圖1 一維SOM網的輸出陣列二維SOM網的輸出陣列

4 SOM神經網絡學習算法

輸出層神經元數量設定和訓練集樣本的類別數相關，但是實際中我們往往不能清除地知道有多少類。如果神經元節點數少于類別數，則不足以區分全部模式，訓練的結果勢必將相近的模式類合并為一類；相反，如果神經元節點數多于類別數，則有可能分的過細，或者是出現“死節點”，即在訓練過程中，某個節點從未獲勝過且遠離其他獲勝節點，因此它們的權值從未得到過更新[5-7]。

輸出層的節點排列成哪種形式取決于實際應用的需要，排列形式應盡量直觀反映出實際問題的物理意義。例如，對于旅行路徑類的問題，二維平面比較直觀；對于一般的分類問題，一個輸出節點節能代表一個模式類，用一維線陣意義明確結構簡單。

權值初始化問題：基本原則是盡量使權值的初始位置與輸入樣本的大概分布區域充分重合，不要出現大量的初始“死節點”。一種簡單易行的方法是從訓練集中隨機抽取m個輸入樣本作為初始權值另一種可行的辦法是先計算出全體樣本的中心向量，在該中心向量基礎上迭加小隨機數作為權向量初始值，也可將權向量的初始位置確定在樣本群中（找離中心近的點）。

優勝領域設計原則是使領域不斷縮小，這樣輸出平面上相鄰神經元對應的權向量之間既有區別又有相當的相似性，從而保證當獲勝節點對某一類模式產生最大響應時，其領域節點也能產生較大響應。領域的形狀可以是正方形、六邊形或者菱形。優勢領域的大小用領域的半徑表示，的設計目前沒有一般化的數學方法，通常憑借經驗來選擇。

學習率的設計：在訓練開始時，學習率可以選取較大的值，之后以較快的速度下降，這樣有利于很快捕捉到輸入向量的大致結構，然后學習率在較小的值上緩降至0值，這樣可以精細地調整權值使之符合輸入空間的樣本分布結構。在上一篇中，我們提到最終的學習率是由學習率*優勝領域的影響，也有一些資料是把兩者分開的，學習率就是一個遞減的函數（學習率可以參考上面優勝鄰域半徑的設定形式，可選形式類似），而優勝鄰域也是t的遞減函數，只不過我們隊優勝鄰域內的點進行更新罷了。

SOM神經網絡[8-10]競爭學習的步驟是，首先向量歸一化然后尋找獲勝神經元最后網絡輸出與權值調整。算法具體步驟如下：

（1）初始化

初始化，對競爭層（也是輸出層）各神經元權重賦小隨機數初值，并進行歸一化處理，得到；建立初始優勝領域；學習率初始化；

（2）輸入向量的輸入

對輸入數據進行歸一化處理，得到，總共有P個數據；

（3）計算映射層的權值向量和輸入向量的距離（歐氏距離）

在映射層，計算各神經元的權值向量和輸入向量的歐式距離。映射層的第個神經元和輸入向量的距離，計算如下：

（4）權值的學習

調整權重，對優勝鄰域內的所有神經元調整權重：

（5）是否滿足設定的標準

達到要求則結束，否則，則返回步驟（2），進行循環。

5 同步電動機故障診斷概述

永磁同步電機的故障主要分為兩方面：機械故障和電氣故障。機械故障主要包括轉子不平衡、軸承磨損、部件質量不平衡、轉子軸系不對中和松動故障等，而電氣故障主要包括定子和轉子之間氣隙的不均勻、電機電流偏大、電機電刷故障和早期匝間短路等。

保序映射——將輸入空間的樣本模式類有序地映射在輸出層上；將高維空間的樣本在保持拓撲結構不變的條件下投影到低維的空間，在這方面SOM網具有明顯的優勢。無論輸入樣本空間是多少維，其模式都可以在SOM網輸出層的某個區域得到相應。SOM網經過訓練以后，在高維空間輸入相近的樣本，其輸出相應的位置也相近；從高維空間樣本向低維空間的映射，SOM網的輸出層相當于低維特征空間。對傳感器檢測到的振動信號，采集頻率是1 200 Hz，通過db43層小波包分解，將信號分解成8個不同頻帶，在這8個頻帶中選取6個頻帶的能量值作為故障特征向量，即S1：18.75~37.5 Hz；S2：37.5~56.25 Hz；S3：56.25~75 Hz；S4：75~93.75 Hz；S5：112.5~131.25 Hz；S6：131.25~150 Hz。采集永磁同步電機在常用的故障頻率下的振動值作為故障的特征向量，選取電機在轉子不平衡、不對中和松動等情況下的數據，形成標準樣本數據和有待檢驗樣本數據。樣本數據如表1所示：

表1 故障特征的樣本數據

Tab.1 Sample data of fault characteristics

6 模型建立

6.1 建模步驟

將SOM網絡應用于柴油機故障診斷步驟如下：

（1）初始化標準故障樣本；對競爭層（也是輸出層）各神經元權重賦小隨機數初值，并進行歸一化處理，得到；建立初始優勝領域；學習率初始化；

行業雖然面臨諸多的挑戰，但有利因素同樣很多。從國內因素看，過去一年，國內經濟實現了增速回升，經濟運行質量也好于預期。從國外因素來看，2017年，全球經濟呈現所有地區“高度同步”的增長，積極因素越來越多，全球經濟將進入新一輪復蘇和增長周期。因此，我們有理由對宏觀經濟環境和我國磷復肥行業的發展充滿信心。

（2）對每一種標準故障樣本帶入模型進行訓練，訓練結束后，標以最大輸出的神經元為故障點；

（3）待測樣本輸入訓練好的SOM神經網絡；

（4）若輸出神經元在輸出層的位置與某標準故障樣本的位置相同，說明待檢樣本發生了相應的故障；若輸出神經元在輸出層的位置介于很多標準故障之間，由該位置與相應標準故障樣本位置的歐氏距離大小確定故障類型。

6.2 編程實現

SOM網絡是由函數newsom進行創建的，利用sim和train兩個仿真函數對網絡進行訓練，應用SOM神經網絡對永磁同步電機振動信號的故障特性進行分析，選取數據s=[0.6154,0.589,0.7214,0.1256, 1.0042,0.8120]。利用Matlab工具箱進行訓練表

6.3 結果分析

聚類的結果如下所示：

yc =

16 2 17

16 2 17

16 2 17

16 2 17

16 2 18

16 1 12

16 1 12

rr = 16

圖2 SOM網絡拓撲結構

圖3 鄰近神經元之間的距離情況

圖4 每個神經元的分類

從圖4中可以看出，SOM網絡將位置故障樣本分到了第一類故障里。

7 結論

采用小波函數對傳感器檢測數據分6個頻段進行故障特征向量的提取，并歸一化，剔除奇異樣本；SOM網絡的鄰域函數選取Morlet母小波奇函數，解決了由于某個神經元的初始權值向量選取不科學，導致競爭中無優勢形成死神經元。同時將該方法應用于永磁同步電機的機械故障診斷中，提高了故障診斷結果的準確率。通過仿真和分析了解到將SOM神經網絡的方法應用于電機的機械故障診斷中，簡單而且學習周期短，辨識能力強可以應用于多種電機的故障診斷，比較實用。

[1] 韓力群. 人工神經網絡理論設計及應用北京化學工業出版社, 2002.

[2] 高雋. 人工神經網絡原理及仿真實例北京機械工業出版社, 2003.

[3] 朱麗娟, 田慕琴. 基于小波神經網絡的異步電動機振動故障診斷研究[D].

[4] 沈海峰, 李東升, 李群霞等. 基于Kohonen自組織特征映射神經元網絡圖像分割方法的研究[J]. 計算機應用與軟件, 2004, (9).

[5] 張彼德, 孫才新, 王柯柯, 等. 汽輪發電機多故障診斷的SOM神經網絡方法[J]. 重慶大學學報, 2005, 28(2).

[6] 張北鷗. 基于小波包變換和人工神經網絡的電機故障診斷系統的研究. 武漢理工大學碩士學位論文, 2010.

[7] 陳文斌. 基于小波變換的電機控制系統的故障診斷研究. 湖南大學碩士學位論文. 2006.

[8] 石黎, 孫志梅. 教學質量評價的BP 神經網絡模型[J]. 軟件, 2015, 36(3): 19-21.

[9] 張敏, 徐啟華. 基于改進BP 的神經網絡模型參考自適應控制[J]. 軟件, 2015, 36(7): 118-123.

[10] 王宏濤, 孫劍偉. 基于BP神經網絡和SVM的分類方法研究[J]. 軟件, 2015, 36(11): 96-99.

Fault Diagnosis of Permanent Magnet Synchronous Motor Based on SOM Neural Network

CHEN Shi-you, LU Hai, ZHANG Shao-quan, CHEN Xiao-yun

(Institute of Electric Power Reasearch, Kunming, 650217)

In order to diagnose the faults of PMSM, the wavelet function is used to extract the fault features according to different frequency bands, and the normalized data samples are processed to eliminate the singular samples. The domain functions of SOM (Self, Organizing, Map) are constructed by using wavelet function, and the weights of the sub excited neurons are updated to avoid the local optimum of SOM. The experimental data is trained as the input sample of SOM neural network, and the correspondin 1g neuron index is generated when the fault is generated. The experimental results verify the feasibility and practicability of the method.

Neural network; Fault diagnosis; Neural index; Permanent magnet synchronous motor (PMSM)

TK2

A

10.3969/j.issn.1003-6970.2018.08.015

陳世游(1993-)，男，碩士，研究方向為新能源發電與智能電網技術；陸海(1985-)，男，博士，研究方向為新能源發電與智能電網技術。

本文著錄格式：陳世游，陸海，張少泉，等. SOM神經網絡對永磁同步電機的故障診斷[J]. 軟件，2018，39（8）：70-73