基于PSO-Elman的三峽升船機驅動電機故障診斷研究

易 爽，高 嵐，朱漢華

(武漢理工大學 船海與能源動力工程學院，湖北 武漢 430063)

三峽工程是世界聞名的水利工程，而三峽升船機則是三峽永久通航設備中最重要的設備之一[1]。驅動電機作為三峽升船機的核心動力來源，其重要性不言而喻，一旦出現故障，升船機會失去動力來源，可能會造成嚴重的安全事故。因此，有必要對驅動電機進行故障診斷研究，從而保障三峽升船機運行的安全性。

三峽升船機驅動電機是功率為315 kW的1PQ8355-6PB80-Z系列西門子變頻調速三相異步電動機，針對驅動電機進行故障研究就要了解異步電機的故障機理及診斷方式。現如今，許多學者針對異步電機故障診斷方法進行相關研究。其中，文獻[2]提出一種基于小波包信息熵和小波神經網絡的故障診斷方法；文獻[3]提出了基于差分進化算法優化徑向基函數(RBF)神經網絡的故障診斷方法；文獻[4]以定子電流為故障信號，利用集合經驗模態分解(EEMD)能量熵構造故障特征向量，通過人工神經網絡進行故障識別。

針對三峽升船機驅動電機，本文以驅動電機定子電流作為故障診斷信號，根據小波包分解得到的能量分布特征構建故障特征向量，通過PSO-Elman模型實現對驅動電機的故障診斷。

1 驅動電機建模與故障設置

驅動電機在實際運行過程中，由于工作環境惡劣、工況復雜，可能會導致轉子斷條故障的發生，而在通常情況下，轉子斷條故障都會引起氣隙偏心故障的產生[5]。因此本文以三峽升船機驅動電機作為研究對象，針對電機匝間短路、轉子斷條、氣隙偏心、轉子斷條和氣隙偏心復合故障4種故障開展診斷研究。

由于三峽升船機機電設備運行數據的涉密性，本文利用ANSYS Maxwell仿真平臺完成驅動電機的建模和故障設置，表1為三峽升船機驅動電機相關參數，三峽升船機驅動電機有限元模型示意圖如圖1所示。每種故障設置4種故障程度，其故障狀態分別為：匝間短路2匝、4匝、6匝和8匝，轉子斷條1、3、5和7根，氣隙偏心10%、20%、30%和40%。轉子斷條和氣隙偏心復合故障按照故障程度分為輕度、中度、重度和嚴重，有限元模型的仿真時間設置為5 s，仿真步長設置為0.001 s，通過仿真分析計算獲取驅動電機定子三相電流數據。

表1 三峽升船機驅動電機相關參數

2 基于小波包能量的故障信號特征提取

當驅動電機出現匝間短路、轉子斷條、氣隙偏心故障時，定子電流中會產生特定的電流分量，直接利用FFT對定子電流信號進行頻譜分析，該頻率分量極有可能被電流基波分量或干擾信號所淹沒，導致該頻率分量難以被識別。而電機故障會導致故障信號的能量分布與正常信號相比有所不同，因此，本文利用小波包對驅動電機的定子電流信號進行分解重構，得到多個頻段信號，每個頻段對應著不同的能量值，利用能量值占比作為電機的故障特征向量。

令(j，i)為小波包分解后的第j層的第i個節點，其中i為從0到2j-1的整數，該節點的重構信號為Sji，節點能量可以表示為Eji，因此節點(j，i)的能量表達式為：

(1)

式中，N表示信號的長度；k表示整數。

小波包分解后第j層的總能量為Ej，則其表達式為：

(2)

第j層中第i個節點對應的頻段能量值相對總能量的比例pji為：

(3)

通過式(3)得到的頻段相對能量值作為故障診斷的特征向量，為下文的故障識別打下基礎。

由于本文涉及的故障狀態較多，以重度復合故障為例進行展示，以0.6 s作為一個采樣周期，對一個周期的A相定子電流數據進行小波包三層分解，其中小波基選用db5小波，重度復合故障狀態下小波包節點分解重構圖如圖2所示。由圖2可知，定子電流信號經過三層小波包分解后，重構成為了8個節點信號，一般情況下，節點信號的頻段相對能量值會因為故障而發生改變[6]，驅動電機定子電流信號能量譜如圖3所示。由圖3可知，驅動電機不同故障狀態下定子電流信號能量譜具有明顯的不同，利用定子電流信號能量譜能有效地區分電機的故障狀態。將得到的相對能量值組成一個象征故障類型的故障特征向量，按照能量占比每種狀態對應一個八維特征向量。

圖2 重度復合故障狀態下小波包節點分解重構圖

圖3 驅動電機定子電流信號能量譜

3 基于PSO-Elman模型的故障診斷

3.1 Elman神經網絡

Elman神經網絡是一種局部回歸神經網絡。其主要由輸入層、隱含層、承接層和輸出層組成，承接層可以起到承上啟下的作用，它主要是用來記憶隱含層上一時刻的輸出，相當于一個隱含層輸出的臨時儲存器。Elman神經網絡結構如圖4所示。

圖4 Elman神經網絡結構

3.2 基于 PSO-Elman的故障診斷方案設計

粒子群算法(PSO)是近些年來發展起來的一種進化算法，其具有實現方便、收斂速度快、參數設置少等優點，因此被廣泛用于日常實際問題的解決。

Elman神經網絡采用的核心算法是BP算法，其劣勢比較明顯，網絡收斂速度較慢并且易陷入局部極值，而利用PSO算法的全局尋優能力進行優化則能很好地解決這一缺點。因此，針對三峽升船機驅動電機，本文設計基于PSO-Elman的故障診斷方案。

基于PSO-Elman的驅動電機故障診斷方案流程圖如圖5所示。該設計方案主要包括4個部分：故障特征向量提取、Elman神經網絡結構、PSO算法優化網絡參數、網絡故障分類。其基本步驟如下：①將驅動電機的故障特征向量進行編碼，確定故障診斷數據集的輸入和輸出樣本；②根據數據集樣本，確定Elman神經網絡基本結構；③根據網絡結構初始化PSO算法粒子參數；④將Elman神經網絡訓練誤差的絕對值作為個體適應度值，在適應度值的迭代中選取最優的個體極值和全局極值；⑤當迭代次數達到設定值或者目標精度，就停止PSO尋優；⑥將尋優得到的全局極值對應權值和閾值作為Elman神經網絡的參數設定值；⑦利用PSO算法優化后的神經網絡完成驅動電機的故障分類。

圖5 基于PSO-Elman的驅動電機故障診斷方案流程圖

4 故障診斷結果分析

將驅動電機正常和故障狀態下的定子電流信號，按照“基于小波包能量的故障信號特征提取”方法提取驅動電機故障特征向量，構成850組八維向量。針對驅動電機的17種狀態，利用一維向量進行編碼，作為Elman神經網絡的輸出，按照表2 的電機狀態次序從1至17依次編碼。將故障特征向量和編碼組成數據樣本集，選取60%的數據樣本作為訓練集，40%的數據樣本作為測試集。

本文中Elman神經網絡的輸入向量為八維，輸出向量為一維，因此設置其輸入層節點個數為8，隱含層節點個數為11，輸出層節點個數為1。設定PSO算法的粒子群體規模為20，微粒長度為110，最大迭代次數為200，目標精度為0.001，學習因子c1=c2=1.5，慣性權重ω=0.95，粒子的運動速度vmax=0.9、vmin=0.5。

本文利用PSO算法優化Elman神經網絡， PSO-Elman模型迭代誤差變化曲線圖如圖6所示。由圖6可知，PSO算法優化Elman神經網絡模型效果明顯，網絡模型收斂速度較快且沒有陷入局部最小值的問題，在第31次迭代后，迭代的誤差率降至0.01以下，在40次迭代后趨于平緩，當迭代次數達到52次時達到目標精度0.001，隨即PSO尋優過程停止。總體來說，該模型的預測精度較高。

圖6 PSO-Elman模型迭代誤差變化曲線圖

針對三峽升船機驅動電機的匝間短路、轉子斷條、氣隙偏心和復合故障等多種故障狀態，利用PSO-Elman模型完成故障分類，表2為PSO-Elman模型故障診斷結果。其中，對于轉子斷條故障的故障分類效果最好，故障診斷準確率接近100%，PSO-Elman模型總的故障診斷準確率達到95.29%。

表2 PSO-Elman模型故障診斷結果

5 結束語

為了保障三峽升船機驅動電機的可靠運行，本文針對驅動電機的4種故障類型共16種故障狀態進行研究，利用小波包分解提取了故障特征向量，相較于FFT對故障信號處理不佳，小波包保障了故障特征向量提取的準確性。利用PSO算法優化Elman神經網絡模型完成了故障診斷，通過仿真試驗證明了PSO-Elman模型能實現對三峽升船機驅動電機的故障分類，該方法具有可靠性和有效性。因此，將該模型應用于三峽升船機驅動電機的運行狀態監測是可行的。