全封閉壓縮機繞組短路故障自動檢測方法

張 波，王新明，黃振華

（1.河北工程技術學院 軟件學院，石家莊 050091；2.河北建筑工程學院 機械工程學院，張家口 075000）

0 引言

全封閉式壓縮機常見于應用在空調、冰箱、冷柜等制冷設備之中，作用猶如人體的心臟，在制冷設備中發揮著舉足輕重的作用，壓縮機的運行情況直接影響制冷設備的性能[1]。一般情況下，診斷壓縮機機械設備是否發生故障，需要根據壓縮機機械設備所展現出的各種信號來判斷，常見的故障信號包括排氣信號、振動信號、電流信號等，通過這些信號不但能夠確定壓縮機是否工作正常，還能夠準確判斷出設備故障的位置[2]。壓縮機故障特征是檢測其機械故障的基本依據，所以壓縮機故障特征提取直接關乎檢測故障的準確性，大多數故障檢測方法都以故障特征提取作為基礎。

全封閉式壓縮機通常情況下會和電機一同密封在一個厚度只有幾毫米的泵殼內，密封結構的外部不會安裝用于排氣和吸氣的管狀設備，同時也不會安裝有關發揮排氣與吸氣作用的截止閥，泵殼一般使用焊接技術實現全方位封閉，不會出現接頭位置，所以當變壓器可能發生設備故障時，無法通過外部連接設備或者手動直接提取故障位置與情況。全封閉式壓塑機之所以采用這種密封工藝可以避免出現滲漏制冷液的情況，外部空氣不能隨便進入壓縮機之中，用于冷凍機的潤滑油也不會侵入制冷設備內部，同時這種全封閉的方式還能減少外部污染物對于結構內部造成污染，壓縮機所承受的工作壓力也更低，這樣能夠避免壓縮機經常出現故障。盡管全封閉式壓縮機具有以上諸多優點，但是一旦被密封的電機出現冷卻惡化情況，就會直接導致壓縮機的繞組發生短路故障，嚴重時甚至會出現繞組燒毀的情況，同時由于全密封結構，導致工作人員或者制冷設備的使用者很難提前發現壓縮機存在的隱患，即使發生故障，也無法通過傳統手段實現檢測。針對這種問題，有學者嘗試通過全封閉壓縮機的泵殼振動情況實現壓縮機的故障檢測，這也是目前使用最為廣泛的壓縮機故障檢測技術，這一技術在上文中已經提及，機械設備的振動是最能直觀反映設備故障的檢測方法，盡管已經屬于比較成熟的機械設備故障檢測技術，但是準確性仍然需要進一步驗證[3]；還有學者提出以改進元分析方法作為基礎的壓縮機故障檢測方法，將出現故障的主元子空間與未發生故障的元子空間作出對比，由此判斷壓塑機發生故障的位置與情況，該方法是一種全新的檢測技術，可行性與準確性仍然需要進一步實驗驗證[4]。

本文結合已經成熟的技術，通過遺傳算法優化常用于故障檢測的神經網絡，實現全封閉壓縮機繞組短路故障自動檢測。

1 全封閉壓縮機繞組短路故障檢測

1.1 全封閉壓縮機繞組短路故障分析

本文研究中將應用于小型制冷機中的一種全封閉壓縮機作為研究對象，研究發生在壓縮機定子與轉子上的繞組短路故障。分析全封閉壓縮機繞組短路故障情況時使用有限元軟件，構建壓縮機模型，壓縮機的相關參數（表1）輸入到模型之中，得到RMxprt模型，求解該模型后得到Maxwell2D模型，在模型中劃分網格分配材料同時設定模型的邊界條件。

表1 全封閉壓縮機相關參數

通過分析該模型確定全封閉式壓縮機的再定子與轉子發生繞組短路故障后對整個全封閉式壓縮機性能造成的影響。壓縮機的激勵電源是經過設置的外電路，模擬繞組短路需要將定子與轉子的線圈設備設置成短路才能實現，故障模擬方式如下：

壓縮機定子和轉子中國存在三相繞組，以其中一相繞組作為研究對象，將其命名為A相繞組，定子內故障狀態分別設置為5.5%、12.0%、35.5%三種狀態；轉子內故障狀態分別設置為13.0%、25.5%兩種狀態，模擬過程中所設定的步長為0.0009s，數據采集時所設定的樣品采集頻率設定為1261Hz，每0.5s施行一次樣品采集，隨機選取數據波形根據三相繞組諧波分量診斷繞組短路故障。全封閉式壓縮機非故障情況下，壓縮機的三相電流存在對稱性，如果繞組出現短路故障，三相電流的對稱性喪失，電流幅值呈現出降低趨勢，隨著短路故障越來越嚴重，三相繞組中會有一相繞組的電流幅值逐漸降低，另兩相繞組的電流幅值不會發生改變。

1.2 全封閉壓縮機繞組短路故障特征提取

全封閉壓縮機繞組短路故障檢測直接受到提取故障特征向量準確性的影響，所以檢測全封閉壓縮機繞組短路故障時需要有其主要故障特征向量的提取。當全封閉壓縮機繞組發生短路故障時，原有三相繞組的電氣平衡規律遭受破壞，繞組電流對稱性喪失造成封閉壓縮機中出現高幅值諧波分量[5]。假設使用i1表示其中一相繞組的電流，該繞組的磁勢包含不相融合的兩個磁勢，這兩個導體電流幅值一致電流方向相反，于是則有展開后的磁勢傅里葉級數如式(1)所示。

α用于表示兩個不同導體之間間隔的空間電角度，P與kyf分別用于描述極對數與線圈節距因數，v用于描述諧波次數，通常情況下，整距線圈與短距線圈內v都等于(1/P，2/P，3/P，…)，但是在整距線圈之中，v不等于偶數。

如果全封閉壓縮機上的其中一個繞組出現短路故障時，正常電流上會被重復增加一個短路的電流，造成故障磁場出現。全封閉壓縮機繞組發生短路故障時，內部結構遭受破壞，從空間角度喪失平衡性，造成壓縮機出現不對稱的工作電流，通過工作電流產生的磁勢內存在一定數量的諧波分量。假如把電流疊加在出現短路故障的線圈上，此時會產生一個與氣隙分布相同的空間電角度，該角度使用α=Pθ表示，由式(1)演化得出磁動勢：

ω與t分別用于描述電源角頻率與時間，短路電流幅值通過I實現表示，θ代表將封閉式壓縮機上的定子坐標作為參照的機械角度，同時，φ代表全封閉壓縮機的轉子坐標，其中S用于描述轉差率。將式(2)的磁動勢向轉子坐標系轉換如式(3)所示。

在轉子一側，磁勢的電流分量如式(4)所示：

在轉子端，IRF是電流幅值。全封閉壓縮機中的定子和轉子之間不存在關聯關系，所以故障發生時，也不會影響轉子繞組對稱性，在轉子坐標系之中，由電流IR所產生的磁動勢可以使用式(5)表示。

Fv，n用于描述第n次諧波磁勢幅值，其中n=6p+1，p=0，1，2，3，…。在式(5)中，使用θ代替φ，獲取封閉式壓縮機定子坐標寫的磁勢如式(6)所示。

對式(4)展開分析，通過感應得到全封閉壓縮機轉子側的磁勢F(φ，t)的電流分量，該分量的頻率為：[1±v(1-s)]f1，同時轉子側的磁勢FR(φ，t)的電流分量頻率為[1±(n±v)(1-s)]f1。

經過以上分析計算可以確定如果全封閉壓縮機繞組發生短路故障，無論是壓縮機的定子側還是轉子側都能對特殊頻率的諧波分量作出感應。兩側所感應出的各頻次諧波分量如下所示：

定子側頻次：sf1、(0.5+0.5s)f1、(1.5+0.5s)f1、(2+s)f1、(2.5+1.5s)f1、(3+2s)f1；轉子側頻次：(0.5+0.5s)f1、(1.5-0.5s)f1、(2-s)f1、(2.5-1.5s)f1。

1.3 基于主成分分析法的數據降維

經過上文分析計算以后，提取的全封閉式壓縮一相機繞組故障特征向量屬于16維特征向量，三相繞組一共會產生48維特征向量，如此龐大的向量維數會影響神經網絡對于故障的訓練檢測結果，所以需要對各特征向量實行降維，從特征向量之中提取出研究價值較高的內容匯總成輸入神經網絡的樣本，提升神經網絡檢測故障的能力。表2為特征向量所對應的貢獻率。

表2 特征值貢獻率

從表2中能夠獲知，使用主成分分析法降維特征向量后，各狀態的貢獻率均較高，降維后，為避main出現有效數據丟失現象，將特征維數由16維降至5維，此時可以確定神經網絡的輸入層為15個。

1.4 基于遺傳算法優化神經網絡的故障檢測

利用遺傳算法優化神經網絡的閾值與權值，提高神經網絡的全封閉壓縮機繞組短路故障檢測效果。

遺傳算法以生物進化作為原理，該算法堅持使用優勝劣汰的原則篩選群體中的個體，在種群中篩選出較為優異的個體重新構建較為優異的種群。全新種群中的各個個體，能夠一定程度上提示適應度，停止條件是達到極限條件，等待優化的參數最優解也就是種群中具有最大自適應值的個體。

僅通過三個主要部分就能使用遺傳算法實現優化神經網絡：

1）確定網絡結構；

2）優化閾值與權值；

3）訓練并實現遺傳算法-神經網絡的預測。圖1為算法具體流程。

圖1 遺傳算法-神經網絡計算流程

遺傳算法-神經網絡使用遺傳算法實現結構網絡閾值和權值的優化，優化后能夠一定程度上提升神經網絡檢測全封閉式壓縮機繞組故障的精度。優化過程中較為關鍵的步驟是初始化種群、選取交叉和變異算子、計算適應度。關鍵步驟的詳細內容如下：

1）初始化種群

編碼種群內的各個個體時運用二進制編碼法。共有四個部分組成一個個體，（1）連接輸入層與隱含層之間的取值；（2）隱含層和輸出值之間的閾值；（3）輸出層閾值；隱含層閾值。連接以上這些閾值與權值，形成個體編碼。

2）計算適應度

式(7)為適應度值S，具體計算式如式(7)所示。

k與n分別表示為系數與輸出的神經元個數，第i個節點的期望、預測輸出分別用yi與Oi表示。

3）算子確定

使用隨機遍歷抽樣法完成算子選取，將適應度最大的個體從目前的原始群體中挑選出來，提升這些個體參與到下一代繁殖的概率。

4）交叉算子與變異算子

為獲取全新的個體需要交叉變換算子，全新的個體從父輩那里繼承原有的特性。單點交叉算子是所選取的算子。對于出現變異的基因，作出隨機選取，也就是變異，所產生的變異會使其結構發生改變。僅有很小概率會發生變異，所以變異值通常也較小。

2 結果分析

通過數據收集技術，對應用于小型制冷機中的一種全封閉壓縮機實行數據采集，模擬繞組短路發生時的三相電流信號，并且依據所提取的諧波分量，構建15維，共900組的樣本數據，非故障狀態100組，樣本數據各100組（包含不同故障形式）。隨機抽取90%的樣本數據作為訓練樣本，剩余10%的樣本數據作為測試樣本。將壓縮機的各種工作狀態作為神經網絡的輸出，將這些輸出實行二進制編碼，根據本文方法的計算流程，通過編碼獲得神經網絡的原始種群，根據本文方法降維結果，神經網絡的繞組故障檢測模型的輸入、輸出特征向量的數量分別為15和與5個，該個數也是輸入和輸出層的神經元數量，設置收斂精度與極限訓練次數分別為0.01與1000次，遺傳算法的種群個數設置為25，交叉概率與變異概率分別設置為0.2與0.1。隱含層的神經元數量需要通過計算獲得：，c是10以內的隨機常數，a和b分別是輸入和輸出層的神經元數量。通過計算確定本文所使用的隱含層神經元個數大概在5～15之間，需要通過訓練確定具體個數。

為測試本文方法對于全封閉壓縮機電流諧波信號的主成分降維效果，對比分析降維前以及本文方法降維后的封閉壓縮機電流諧波信號結果，結果如圖2所示。

圖2 本文方法的降維效果

對比分析圖2兩個圖可以看成，本文方法對全封閉壓縮機電流諧波信號的降維效果顯著，去除了原始電流諧波信號中無用信號，并且保留有效電流信號的完整性，降低維度后的全封閉電流諧波信號沒有發生信號中斷和缺失現象。

使用本文方法獲取未發生繞組短路故障以及存在繞組短路故障，全封閉壓縮機的電流諧波情況，用圖3描述。

圖3 全封閉壓縮機的電流諧波采集結果

分析圖3(a)可得，未發生繞組短路故障的全封閉壓縮機電流諧波分量信號波形圖變化較為平穩。而圖3(b)顯示，本文方法通過提取全封閉壓縮機的電流諧波分量信號波形圖，檢測全封閉壓縮機繞組短路故障的電流諧波分量波形圖中出現8次明顯的尖峰。

使用本文方法檢測獲得全封閉式壓縮機，在不同電流頻次下，定子和轉子位置出現的諧波幅值，表3為非故障情況下電流頻次對應的諧波幅值，表4為繞組故障情況下各電流頻次下的諧波幅值。

從表3與表4的對比結果來看發生故障后的壓縮機繞組諧波幅值與未發生故障的壓縮機繞組諧波幅值發生顯著提升，說明通過本文方法能夠準確檢測出全封閉壓縮機所發生的繞組短路故障。

表3 非故障情況下諧波幅值

表4 故障情況下諧波幅值

3 結語

全封閉式壓縮機由于結構特點，即使發生故障也不能及時檢測，本文研究基于遺傳算法的全封閉壓縮機繞組短路故障自動檢測方法，通過數據采集電流信號，發現故障發生時電流的對稱性被破壞，提取故障特征，并采用主成分分析方法對故障特征進行降維處理，在常見的神經網絡檢測方法基礎上，使用遺傳算法優化神經網絡，避免神經網絡檢測故障時出現訓練速度慢，逼近局部極小值的情況，提高全封閉式壓縮機繞組短路故障的檢測效率。通過實際驗證分析發現，本文方法能夠有效降低全封閉壓縮機電流諧波信號維度，實現全封閉壓縮機繞組短路故障的準確檢測。