基于LSTM網(wǎng)絡(luò)在時變轉(zhuǎn)速鼠籠電機斷條診斷中的應(yīng)用?

李夢含 李垣江 夏 炎 王延波

（江蘇科技大學電子信息學院 鎮(zhèn)江 212003）

1 引言

鼠籠式異步電機是工農(nóng)業(yè)生產(chǎn)中應(yīng)用最為廣泛的電機，其本身具有的可靠性對保障連續(xù)生產(chǎn)、降低電機維護費用有著重要意義。但受工藝和使用環(huán)境的影響，鼠籠電機又常會發(fā)生各種突發(fā)故障，如軸承破碎、繞組局短路、轉(zhuǎn)子斷條等。其中轉(zhuǎn)子斷條故障是鼠籠電機特有的故障形式。由于其特殊的結(jié)構(gòu)，鼠籠電機參數(shù)不容易被獲取，并且在故障初期也并不會出現(xiàn)類似機體噪聲增加、機體溫度上升等易察覺的征兆。

近些年來，國內(nèi)外研究人員對電機斷條做了一系列研究［1～4］，其中MCSA采用單相定子電流譜分析原理簡單、方便實用。經(jīng)典MCSA方法是基于快速傅里葉（Fast Fourier Transform，F(xiàn)FT）數(shù)學理論，但該方法必須要求電機的電流信號是平穩(wěn)信號，只有在電機平穩(wěn)運行時才可以近似為“平穩(wěn)信號”。但相對于平穩(wěn)運行，電機的時變運行則是更加常見的工作狀態(tài)。此時MCSA要求的平穩(wěn)信號應(yīng)用條件完全被打破，造成該方法完全失效。RNN網(wǎng)絡(luò)也有缺陷：在反向傳播梯度下，降法調(diào)參優(yōu)化的時候容易出現(xiàn)梯度消失和爆炸現(xiàn)象。作為改進模型，LSTM很好地解決了RNN難以訓練的缺陷。

2 斷條故障特征分析及問題描述

在電機轉(zhuǎn)速相對穩(wěn)定的時候，電機的負載電流近似不變。所以整個系統(tǒng)可以看作是平穩(wěn)信號，此時a、b、c三相電流如式（1）［5～7］。

其中，Im為電流的基本最大分量，基波頻率ω=2πf。各電流相位相差2π/3，noise為負載波動的高斯白噪聲。電機發(fā)生斷條故障時候，電機電路電氣不平衡導致轉(zhuǎn)子間的氣隙磁場畸變，最終在定子繞組中感生出周期性的電流擾動，表現(xiàn)在頻域就是與轉(zhuǎn)子有關(guān)的諧波分量，(1±2ks)，k=1，2，3…因此產(chǎn)生故障時電流表達式發(fā)生改變，如圖1所示。

圖1 電機轉(zhuǎn)速不變的斷條故障時域頻域圖

圖1中故障電機穩(wěn)定運行，幅值穩(wěn)定在頻域反映出來的是基波附近有明顯的諧波分量，傳統(tǒng)的基于頻域處理方式就是利用了這個頻域特性。圖2中由于電機轉(zhuǎn)速在區(qū)間變化，負載的電流發(fā)生改變、電流幅值也改變，體現(xiàn)在頻域的是基波附近的信號重疊在一起無法很好地分離。對于這種情況也有使用經(jīng)驗?zāi)B(tài)分解（Empirical Mode Decompo?sition，EMD）將疊加在基波信號上的所有信號分離然后逐個分析分離后的信號分量。此方法對信號本身的要求［5～7］：1）在整個時間范圍內(nèi)，局部極值點和過零點的數(shù)目必須相等，或最多相差一個。2）在任意時刻點，局部最大值的包絡(luò)（上包絡(luò)線）和局部最小值的包絡(luò)（下包絡(luò)線）平均必須為零。電機在實際成產(chǎn)環(huán)境下不一定能滿足EMD分解條件，因此大大地限制了這種方法的使用。如何利用斷條早期的電器特性檢測和預(yù)估出斷條的故障已經(jīng)成為研究的熱點之一［8］。

圖2 電機轉(zhuǎn)速時變的斷條故障時域頻域圖

3 LSTM網(wǎng)絡(luò)模型

3.1 LSTM網(wǎng)絡(luò)原理

LSTM是一種特殊形式的RNN，是為了解決梯度消失和梯度爆炸問題而設(shè)計的［11］。在學習長時依賴關(guān)系時有著卓越的表現(xiàn)，如圖3所示。

圖3 LSTM單元結(jié)構(gòu)圖

LSTM的輸出門，用于輸出內(nèi)容即計算另一隱狀態(tài)ht的值。同樣是根據(jù)xt和ht-1計算，οt中每一個數(shù)值在0～1之間，ht通過οt*tanh(Ct)得到。如式（2）所示：

通過這種結(jié)構(gòu)，LSTM網(wǎng)絡(luò)能夠很好地遺忘掉之前網(wǎng)絡(luò)相關(guān)性弱的信息，網(wǎng)絡(luò)的訓練算法采用通過時間的反向傳播算法（Back Propagation Through Time，BPTT）進行訓練。

3.2 基于LSTM的電機斷條模型

電機在時變轉(zhuǎn)速運行的時候，電機采樣的電流特征值可以看做是一個時間序列，當前時刻t狀態(tài)與此之前的k狀態(tài)有關(guān)。即輸入的向量為。輸出向量所以針對網(wǎng)絡(luò)的設(shè)計模型結(jié)構(gòu)可以如圖4。

圖4 斷條電機LSTM模型

4 實驗分析

實驗由電源系統(tǒng)、電機機械系統(tǒng)、數(shù)據(jù)采集系統(tǒng)、信號處理系統(tǒng)四部分組成。實驗電機是1臺額定功率3kW、額定電壓380V、額定電流6.8A的鼠籠電機，參數(shù)如表1所示。

表1 實驗電機參數(shù)

電機帶有三根斷條，實驗過程中設(shè)定工作頻率為50Hz、電機數(shù)據(jù)采樣1kHz，采樣時間20s。調(diào)節(jié)電機每分鐘轉(zhuǎn)速區(qū)間[1 420， 1510]用于模擬電機負載的時候非平穩(wěn)信號情況。選取采樣數(shù)據(jù)中的80%數(shù)據(jù)作為訓練集用于訓練模型網(wǎng)絡(luò)。余下的作為數(shù)據(jù)評估用于調(diào)參，以均方誤差為指標（Mean Squared Error，MSE）來比較LSTM和AR自回歸模型對斷條故障的檢測能力。

圖5給出了AR模型對斷條電機負載電流的檢測曲線圖，圖6給出了LSTM模型對斷條電機負載的檢測曲線圖，圖7是AR模型和LSTM模型的精度比較，圖8是AR模型和LSTM模型的損失收斂比較。

圖5 AR模型方法的檢測效果

圖6 LSTM模型方法的檢測效果

從圖7和圖8中可以發(fā)現(xiàn)LSTM比AR的誤差更小，而且收斂平滑。從我們訓練和檢測的模型中預(yù)測后200個樣本的數(shù)值。在于采樣得到的真實數(shù)據(jù)進行均方誤差。結(jié)果如表2所示。

表2 AR模型和LSTM模型的預(yù)測結(jié)果

圖7 AR與LSTM模型方法的精確度對比

圖8 AR與LSTM模型方法的損失收斂對比

其中origin線表示觀測數(shù)據(jù)、evaluation線是評估數(shù)據(jù)、prediction線表示預(yù)測下200個數(shù)據(jù)值。

其中observation線表示觀測數(shù)據(jù)、evaluation線是評估數(shù)據(jù)、prediction線表示預(yù)測下200個數(shù)據(jù)值。

結(jié)果表明，LSTM的模型比AR模型收斂快、振蕩幅度小、在和檢測數(shù)據(jù)的擬合性更好。這也體現(xiàn)了LSTM的長時間記憶性。

4 結(jié)語

鼠籠電機在時變轉(zhuǎn)速狀態(tài)下運行時破壞了電機電流信號特征分析MCSA的使用條件，使MCSA方法沒辦法診斷出時變情況下電機斷條故障的問題。LSTM網(wǎng)絡(luò)首先通過采集故障鼠籠電機電流信號對LSTM網(wǎng)絡(luò)進行訓練，應(yīng)用訓練好的網(wǎng)絡(luò)預(yù)估下一時間狀態(tài)故障電機的電流值，然后通過對比采集信號和預(yù)估信號檢測出故障，最后該方法通過時間域電流信號直接進行檢測，并且從機器學習角度解決電機斷條故障。最終結(jié)果表明，即使在短時數(shù)據(jù)條件依然能夠診斷出早期斷條故障。