異步電動機故障仿真與診斷研究

趙乾麟，趙 屹，方炳平，游張平,2

(1.浙江乾麟縫制設備有限公司，麗水 323000;2.麗水學院 機械工程系，麗水 323000)

0 引 言

異步電動機因構造簡單、控制便利等優點，成為了一種廣泛應用在各種生產活動和生活中的工業設備[1-3]。然而，受工作電壓波動、工作環境不穩定、負載頻繁變動等因素的影響，電機常出現各種故障。因此，開展異步電動機故障診斷技術研究，盡量防止故障發生，對于降低維修成本、消除事故威脅、減少經濟損失等具有重要的理論意義與工程價值[4-6]。

傳統基于故障特征提取的診斷方法，需要領域工程師應用大量領域知識選取好的特征，加之設備運行過程中存在諸多不可預測因素，使得故障診斷的過程變得十分復雜，因此人工干預進行特征提取的故障診斷方法存在一定的局限性[7-8]。近年來，隨著人工智能領域的不斷發展，機器學習作為一種能夠從數據集中自主挖掘數據內在特征的學習方式，受到越來越多專家學者的關注[9]。Liu 等人[10]提出了一種基于多尺度核函數的殘差卷積神經網絡用于電機故障診斷。茍旭丹等人[11]提出了一種基于定子電流Hilbert 模量的混沌粒子群神經網絡用于感應電機轉子斷條故障診斷方法。張芳芳等人[12]提出了一種基于位移檢測的最小二乘支持向量機用于泵油電機的故障診斷。

本文基于Simulink平臺建立異步電動機傳統故障仿真模型，并應用人工神經網絡開展故障診斷研究。首先，在Simulink平臺上選取仿真模塊，設置單相短路(A相、B相、C相)、兩相短路(AB、AC、BC)6種接地短路故障類型，設定仿真參數，并進行仿真分析；其次，建立異步電動機上述故障的BP神經網絡診斷模型；最后提取異步電動機故障特征量，經預處理后，送入BP神經網絡模型進行訓練與診斷測試，仿真結果表明本方法是有效可行的。

1 異步電動機Simulink建模

在Simulink中，根據異步電動機系統物理對象選擇合適的仿真模塊，如表1所示。

表1 異步電動機系統Simulink模塊的選擇

將以上模塊布置在合適位置并由輸入至輸出進行連線，搭建完的異步電動機Simulink模型如圖1所示。

圖1 異步電動機Simulink模型

2 故障仿真

2.1 仿真參數設置

根據研究對象實際，分別對以上所選模塊進行參數設置。如在“Asynchronous Machine SI Units”模塊中對異步電動機模塊參數進行設置，如圖2所示。又如在“Three-Phase Programmable Voltage Source”模塊中設置異步電動機電壓源Voltage Source模塊的線電壓有效值、相位、頻率分別為220 V、0、50 Hz。直到將圖1所有已選的模塊參數設置完畢。

圖2 三相異步電動機模塊參數設置

2.2 故障設置

將圖1仿真模型中的A相接地，便可設置出A相(接地)短路的故障。同理，將圖1仿真模型中的B相接地，便可設置出B相(接地)短路的故障。依此類推，可以設置出C相(接地)短路、AB兩相(接地)短路、AC兩相(接地)短路、BC兩相(接地)短路等余下來的4種故障。

2.3 故障仿真與數據采集

將故障仿真起始時間參數設為0，仿真終止時間參數設為1，仿真步長切換成變步長，設定“ode23tb”求解器作為本仿真模型的計算方法，設置完畢后啟動仿真運行，分別采集保存5種頻率(0、20 Hz、50 Hz、80 Hz、100 Hz)工況下的幅值與基波幅值的比值數據，為后續診斷識別提供數據基礎。

3 故障診斷

3.1 輸入數據歸一化預處理

將幅值與基波幅值的比值作為輸入特征量，為了使診斷運算快速收斂，對上述5種頻率工況下的幅值與基波幅值的比值數據，歸一變換到[0.1,0.9]之間的小數。

3.2 輸出模式設定

根據上述設定的6種故障模式(A相短路、B相短路、C相短路、AB兩相短路、AC兩相短路以及BC兩相短路)，加上正常工況模式，共可得到7種輸出模式，并可由3個輸出分量來表述，如表2所示。

表2 輸出模式

3.3 BP神經網絡訓練與故障診斷

上述采集5種頻率工況的數據，因此設定BP網絡輸入單元為5；7種輸出模式由3個輸出分量表述，因此設定BP網絡輸出單元為3，通過試算確定隱含層單元為9。為驗證BP神經網絡的有效性，隨機選取5種頻率工況數據各20組共100組數據作為訓練樣本，對BP網絡進行訓練。將新的50組數據(每種頻率工況10組)作為測試樣本，運用訓練好的BP網絡對其進行診斷，診斷結果令人滿意，如表3所示，7種狀態正判率都不低于90%，說明了BP網絡對故障狀態表現出較強的泛化識別能力，總正判率達到了97.1%，說明采用BP網絡對異步電動機進行故障診斷是可行有效的。

表3 故障診斷結果比較

4 結 語

BP神經網絡對異步電動機7種狀態(A相短路、B相短路、C相短路、AB兩相短路、AC兩相短路、BC兩相短路以及正常)具有較強的泛化識別能力。

Simulink模擬故障，結合BP神經網絡識別故障，診斷精度高，可以較好地對異步電動機的各種故障模式進行分類，其故障診斷是有效的，為異步電動機其他類型故障的診斷識別問題提供了新的參考與方案。