基于BP神經網絡和小波包能量熵的異步電動機故障診斷

郭昱君, 王愛元,2, 姚曉東,2

(1.上海電機學院 電氣學院，上海 201306； 2.佛山市高明區明戈新型電機電控研究院，廣東 佛山 528500)

0 引 言

異步電動機作為工業生產中不可或缺的設備，因其具有結構簡單、成本低、效率高的優點，被廣泛應用于多種領域。異步電動機故障診斷也成為工業生產中備受關注的問題，一旦電動機發生故障，工業生產的整個環節均會受到相應的影響，工廠的經濟效益也會降低。因此，異步電動機故障的及時診斷具有重要意義。本文選取了3個異步電動機常見故障，分別為異步電動機的轉子斷條、定子匝間短路以及氣隙偏心故障，將這3個類型的故障作為研究對象，對異步電動機進行故障診斷研究。

傳統的異步電動機故障診斷根據采集到的信號進行相應的頻譜分析，由于采集的信號一般為振動信號或者定子電流信號，均屬于非平穩信號，含有許多的干擾信號，無法精確地判斷出故障的類型。國內外的研究學者針對該領域也有所研究。文獻[1]的研究對象為三相電機故障，采集電機故障時的振動信號進行時域、頻域分析，對故障的類型以及影響進行了研究。該方法先對信號進行快速傅里葉變換(FFT)，再對不同頻段內的細節信號處進行頻譜分析，過程過于繁瑣、費時。文獻[2]的研究對象為無人機，主要研究飛行器電機故障和角速度傳感器故障，通過FFT分析法對故障信號進行處理，提取出時域、頻域的特征，再通過概率神經網絡進行故障分類。由于故障信號的干擾因素過多，直接進行FFT分析會使結果不夠精確。文獻[3]的研究對象為機械設備故障，對故障設備的振動信號進行提取，通過FFT分析法，對機械設備及時進行故障診斷。雖然FFT分析法實時高效，但是對于振動信號這種不穩定的信號，很多時候其診斷結果不夠精確。文獻[4-7]研究的均為電機的各種故障，對于提取到的故障信號運用了小波分析法進行處理，提取到相應的故障特征再進行后續的診斷工作。為了減少干擾，通過小波分析可使研究結果更加準確。但是，小波變換對于高頻信號處理不夠敏感，所以該方法還存在一定的改進空間。

綜上所述，本文采用了小波包能量分析的方法，對提取出的定子電流故障信號進行小波包分析能量重構，得出故障特征向量。為了使結果更加精確，本文還提取了定子電流信號的時域和頻域特征，共同作為故障特征。BP神經網絡具有很好的學習能力和自適應能力，且出錯率很低，被廣泛應用于故障診斷領域。因此，將小波包分析與BP神經網絡結合，對異步電動機的故障進行研究。

1 異步電動機故障

異步電動機有多種故障類型。故障可以分為電氣故障和機械故障[8]。電氣故障包括定子匝間短路故障；機械故障包括轉子斷條、氣隙偏心以及軸承故障。本文主要對以上幾類故障進行研究，提取故障特征，對故障進行分類。

在電機故障中，轉子斷條故障占很大比例，屬于常見故障。轉子導條在電動機工作時，會受到各種應變力的影響，這種應力隨著電動機的運轉起停和負載高低而變化[9]。轉子本身在生產制造的過程中也存在不足，會使電動機出現轉子斷條故障。

異步電動機在工作中承受各種應變力的作用，定子繞組匝間容易損壞。定子繞組破損的程度會隨著時間的增加變得更加嚴重。匝間短路電流持續增大，使得損壞的一部分電路處溫度上升，造成更大范圍的短路，導致電動機無法運行[10]。

氣隙偏心故障也是常見的電機故障之一，主要是由其他故障引起的連鎖反應，比如定、轉子的故障和軸承的故障等。一旦氣隙偏心過大，將會嚴重影響電動機的運行[11]。

2 基于小波包能量熵的故障特征提取

2.1 小波包能量熵

小波包能量熵結合了小波包分析和信息熵，可以用來定位和檢測故障信號，還可以用來描述系統的不確定程度[12-14]。相比于小波分析，小波包分析能夠處理小波分析無法解決的高頻、非線性、非平穩信號的問題。當異步電動機發生故障時，采集的定子電流信號是非平穩的信號，而采集的信號擁有所需要的故障信息，這時故障狀態的不確定性大于正常狀態下的不確定性，小波包能量熵比正常狀態下增加[15-16]。因此，本文選擇小波包能量熵作為故障特征。該算法的定義為

(1)

式中：S為原始信號；Sj，k為小波包重構信號；j為小波包分解層數，j=1，2，3，…，n；k為第j層第k個節點，k=1，2，3，…，m；Ej，k為重構信號對應的能量；dj,k(n)為小波包分解后節點(k，j)對應的第n個小波包系數。

歸一化的公式為

(2)

式中：E為k層節點的總能量；Ej,k為第k層分解的j節點的小波包能量熵；λj,k為第k層分解的j節點的歸一化值。

2.2 故障特征的提取

在異步電動機發生故障時，定子電流會發生相應的改變，所以采集故障狀態下的定子電流信號進行分析。針對轉子斷條、定子匝間短路以及氣隙偏心這3種故障進行電磁場有限元仿真。

2.2.1 電機故障電磁場有限元仿真

本文選用2.2 kW的鼠籠式異步電動機為研究對象，具體參數如表1所示。

表1 異步電動機的主要參數

將正常狀態以及3種故障狀態分別進行仿真。正常狀態下的仿真模型如圖1所示。轉子斷條仿真如圖2所示，通過設置轉子導條的材料，采用令材料的電導率為零的方法模擬斷條。如圖3所示，設置定子A相繞組短路線圈所在的槽號為1號和9號。如圖4所示，氣隙偏心故障為定、轉子不同心，旋轉中心為定子軸，設置偏心為0.02 mm。正常狀態下槽內為43匝線圈，故障模型設定槽內20匝線圈出現匝間短路，對應圖5外電路20匝線圈短路標識，剩余23匝線圈與A相繞組的其他線圈串聯接入。

分別提取正常狀態、轉子斷條、定子匝間短路以及氣隙偏心故障下的定子電流信號，仿真得到4種狀態下的A相定子電流波形圖如圖6～圖8所示。

如圖6所示，轉子斷條的波形與正常狀態下的A相定子電流有細微的不同；如圖7所示，定子匝間短路的波形起伏比轉子斷條明顯；圖8中的偏心故障波形變化最為劇烈，所以通過定子電流信號的變化能夠對故障狀態進行辨別。但是僅僅憑借波形圖的變化結果分析故障類型不夠準確，所以需要對采集到的定子電流信號進行小波包分析，分析結果如圖9～圖12所示。根據以往的電機故障研究可知，故障發生的頻段一般是在電源頻率的分數倍或者整數倍處，選擇db8小波對A相定子電流信號進行3層小波包分解，可以從中提取能量不同的8個信號頻段，得到相應的故障特征向量輸入到后續的神經網絡中。

圖9為電動機正常時波形重構的每個頻段的狀態。圖9(a)為正常狀態下去除干擾信號后的波形，與仿真所得的波形相比，其波形明顯變得更加平滑，去除了多余的毛刺影響。轉子斷條和定子匝間短路的小波包分解波形與原始波形也是如此。對比這4種狀態下的每個頻段處的波形可以發現，在不同的頻段，不同故障的能量也不盡相同。因此，在特征提取上采用小波包分析進行信號處理比直接進行信號處理更加準確。故障時的小波包能量會比正常的狀態高很多，憑借此特性可以區分出電機正常與故障狀態以及故障的類型，為后續的BP神經網絡訓練做鋪墊。經過小波包能量重構得到的故障特征向量如表2所示，此處列舉了4個狀態下的特征向量，分別是正常、轉子斷條、匝間短路以及氣隙偏心。

表2 故障特征向量

從表2可以看出，每個故障在各個頻段處的特征向量都會發生變化，變化最為明顯的有兩個節點為(3，1)和(3，3)，其他許多節點處的特征向量也呈現細微的不同。因此，借助小波包分解得到的特征向量對故障識別的方式是行之有效的，可以在保證精確的基礎上過濾掉不必要的信息量，且節省診斷時間。

3 基于BP神經網絡的診斷模型

3.1 BP神經網絡

BP神經網絡是傳統的神經網絡，也是目前發展比較成功的神經網絡之一，被廣泛用于機器學習。BP神經網絡是誤差反向傳播的多層前饋型網絡，會根據每一次的訓練值和預測值進行誤差分析。BP神經網絡的模型如圖13所示，其由輸入層、隱藏層和輸出層組成。將采集的信號正向輸入到網絡中，經過學習和訓練，誤差原路返回，不斷修改相應的權值與閾值，逐步減小誤差，得到與預期結果一致的模型。

本文采用BP神經網絡建立故障診斷模型，具體流程如圖14所示。選擇小波包分析作為信號處理的方式，處理3種故障狀態下采集的信號，得到故障特征向量，加上從時域、頻域提取的特征，一并輸入到BP神經網絡中進行訓練。

3.2 故障診斷仿真

根據Kolmogorov定理，在合理的結構和恰當的權值條件下，3層BP神經網絡可以逼近任何一個非線性網絡，所以本文采用3層網絡進行研究。將上一節中由小波包分析以及時域、頻域提取的特征結果，直接輸入到BP神經網絡中進行模式識別。輸入層的神經元個數由故障特征的數目決定，采集的定子電流信號經過信號處理后提取出30個故障特征，因此將30個神經元輸入到輸入層中，輸出層的神經元個數由需要輸出的目標值決定。本文研究的3種故障狀態分別為轉子斷條、定子匝間短路和氣隙偏心，所以輸出層的神經元個數為3個，分別表示對應的期望輸出向量，BP神經網絡的期望輸出向量如表3所示。

表3 期望輸出向量

BP神經網絡輸入、輸出層的選取都比較容易，難點在于隱藏層的選取，其會影響整個網絡的性能。對于樣本量少的數據集，隱藏層數選擇1或2，但如果數據集較為復雜，則需要選擇更多層數的隱藏層。隱藏層的數量與擬合函數的能力在一定范圍內成正比，這代表如果層數過多，反而會影響效果。根據已有的模型試驗，選取10個節點數的隱含層較為合適，訓練的函數選擇trainlm函數，訓練速度和誤差結果能夠達到預期效果。

本文在提取故障特征時，加入了時域、頻域的特征。圖15為僅提取小波包能量熵的訓練結果，可以看出精確度不夠高，只有90.2%，將時域、頻域特征加入特征向量能夠提高結果的精確性。

將提取出的特征向量輸入網絡，共150組樣本數據，每種故障狀態為50組，選擇100組數據進行訓練，剩下的50組數據作為測試數據，BP神經網絡在訓練22次后能夠達到預期目標。從圖16可以看出，改進后方法的分類結果十分準確，分類精確度達到了100%。根據上述分析可以得出，基于BP神經網絡和小波包能量熵的方法確實能夠更快、更準確地診斷出異步電動機故障類型。

4 結 語

(1) 運用小波包分析和時域、頻域分析作為信號處理的前置手段，效果十分明顯，不僅過濾掉了不必要的信號，而且使得故障特征更加明顯。

(2) 仿真結果表明，本文設計的基于BP神經網絡和小波包能量熵的異步電動機故障診斷系統，能夠準確地檢測出發生的故障類型，診斷速度快且精度高。將其應用到工業生產中，可以減少電動機故障的發生，提高經濟效益。