一類基于人工神經網絡的三相異步電機斷相檢測方法

王景煥

（南京工業職業技術大學航空工程學院，江蘇南京 210000）

三相異步電機廣泛應用在工業、農業和交通等領域。在電機工作過程中會發生多種形式的故障。斷相故障非常常見并且常常引起嚴重的后果。一些文獻給出了斷相發生時保護電機免受癱瘓的方法[1-4]，但是沒有給出檢測故障的方法；文獻[5]中介紹了電機的常見故障及檢測方法，對于電機繞組斷相的檢測給出了三種方法，在理論上提出了通過檢測電流來判斷是否斷相，但沒有使用人工智能方法；文獻[6]給出了三相異步電機的常見故障并從理論角度分析了處理措施，同樣沒有采用人工智能方法；文獻[7]針對三相異步電機缺相給出了保護對策；文獻[8]針對同步電機提出了一種電動機系統容錯控制策略，對斷相后出現的諧波控制量具有良好的控制效果。文獻[9-15]開始將人工智能方法應用于電機故障檢測。人工智能又稱為人工神經網絡（Artificial Neural Networks，ANN），人工神經網絡系統是20 世紀40 年代后出現的。它是由眾多的神經元可調的連接權值連接而成，具有大規模并行處理、分布式信息存儲、良好的自組織自學習能力等特點。

文獻[16]在SIMULINK 環境下建立了三相異步電機的仿真模型，給出了判斷三相異步電機發生故障的依據——斷相會導致另外兩相的定子電流變化。根據這一依據，通過監測各相中的定子電流變化，訓練人工神經網絡、概率神經網絡進行故障檢測，在判斷哪一相發生故障問題上達到了很高的準確率。

1 人工神經網絡檢測模型設計

三相異步電機（three-phase asynchronous motor）是感應電動機的一種，是靠同時接入380 V 三相交流電流（相位差120°）供電的一類電動機，由于三相異步電機的轉子與定子旋轉磁場以相同的方向、不同的轉速旋轉，存在轉差率，所以叫三相異步電機。三相異步電機轉子的轉速低于旋轉磁場的轉速，轉子繞組因與磁場間存在著相對運動而產生電動勢和電流，并與磁場相互作用產生電磁轉矩，實現能量變換。

與單相異步電機相比，三相異步電機運行性能好，并可節省各種材料。按轉子結構的不同，三相異步電機可分為籠式和繞線式兩種。籠式轉子的異步電機結構簡單、運行可靠、重量輕、價格便宜，得到了廣泛的應用，其主要缺點是調速困難。繞線式三相異步電機的轉子和定子同樣也設置了三相繞組并通過滑環、電刷與外部變阻器連接。調節變阻器電阻可以改善三相異步電機的起動性能和調節三相異步電機的轉速。

為了盡可能重現實際工作環境，采用SIMULINK仿真環境。SIMULINK 具有適應面廣、結構和流程清晰及仿真精細、貼近實際、效率高、靈活等優點，基于以上優點，SIMULINK 已被廣泛應用于控制理論和數字信號處理的復雜仿真和設計。同時有大量的第三方軟件和硬件可應用于或被要求應用于SIMULINK。SIMULINK 可以用連續采樣時間、離散采樣時間或兩種混合的采樣時間進行建模，它也支持多速率系統，也就是系統中的不同部分具有不同的采樣速率。為了創建動態系統模型，SIMULINK 提供了一個建立模型方塊圖的圖形用戶接口，這個創建過程只需單擊和拖動鼠標操作就能完成，它提供了一種更快捷、直接明了的方式，而且用戶可以立即看到系統的仿真結果。SIMULINK 是用于動態系統和嵌入式系統的多領域仿真和基于模型的設計工具。對各種時變系統，包括通信、控制、信號處理、視頻處理和圖像處理系統，SIMULINK 提供了交互式圖形化環境和可定制模塊庫來對其進行設計、仿真、執行和測試。

在SIMULINK 中建立三相異步電機模型時作如下假設：1）假設各相繞組參數相同，定子和轉子的繞組在空間上對稱分布；2）不計鐵耗；3）忽略磁場諧波；4）電機參數沒有時變性。仿真模型如圖1 所示。

圖1 三相異步電機仿真模型

概率神經網絡(PNN)于1989 年由D.F.Specht 博士首先提出，是一種常用于模式分類的人工神經網絡。概率神經網絡是基于統計原理的神經網絡模型，在分類功能上與最優Bayes 分類器等價，其實質是基于貝葉斯最小風險準則發展而來的一種并行算法，同時它不像傳統的多層前向網絡需要用BP 算法進行反向誤差傳播的計算，而是完全前向的計算過程。它訓練時間短、不易產生局部最優，而且它的分類正確率較高。無論分類問題多么復雜，只要有足夠多的訓練數據，就可以保證獲得貝葉斯準則下的最優解。“貝葉斯策略”是一個用于模式分類判定規則的公認標準，也是概率神經網絡的理論基礎。

概率神經網絡(PNN)是一種常用于模式分類的神經網絡,一般由四層組成，如圖2 所示。Input 是輸入層，負責將特征向量傳入網絡，輸入層個數是樣本特征的個數；Pattern 是模式層，通過連接權值與輸入層相接，計算輸入特征向量與訓練集中各個模式的匹配程度，也就是相似度，將其距離送入高斯函數得到模式層的輸出，模式層的神經元的個數是輸入樣本矢量的個數，即有多少個樣本，該層就有多少個神經元。Summation 是求和層，負責將各個類的模式層單元連接起來，這一層的神經元個數是樣本的類別數目。Output 是輸出層，負責輸出求和層中得分最高的那一類，在輸出向量中，輸出值有一個為1，其余均為0，為1 的輸出所對應概率最大。

圖2 PNN概率神經網絡結構

圖2 中：

設ωi是輸入層與模式層之間的權值，Zi=xωi，在實際應用中，可以將x和ω先進行標準化，然后進行徑向基運算:

其中，σ是平滑因子。

Pattern 層中輸入與輸出的關系?ij如下：

其中，i=1,2,…,M，M為訓練樣本的總類數，j是第i類模式的第j個神經元。d是維度值，xij是樣本中心。

求和層把同一類神經元的輸出加權平均：

其中，gi是第i類輸出，L為第i類神經元的個數。

輸出層將前一層的值比較后輸出概率的最大值：

由文獻[16]可知，以A 相為例，在額定負載下，在0.5 s 發生斷相后，定子中B 相電流迅速增大，為正常狀態下的2 倍，C 相電流的情況與B 相相同，即非斷相的兩相定子電流和負序電流分量可以作為斷相故障的診斷依據。設計一個人工神經網絡，將隨機采樣的定子電流作為人工神經網絡的輸入，對應三相電壓的狀態作為人工神經網絡的輸出，模型如圖3所示。

圖3 概率神經網絡檢測模型

其中：

輸入向量P=[t,pa,pb,pc]T，t代表時間，pa,pb,pc是三相定子電流；

輸出向量T=[ta,tb,tc]T，ta,tb,tc分別代表A、B、C三相電壓連接狀態，“1”代表斷相，“0”代表正常；

函數調用語句為net=newpnn(P,T,spread)，其中spread 是擴展系數，默認值是0.1，取值范圍是(0,∞)。

2 模型訓練和測試

在SIMULINK 環境下建立三相異步電機的特殊工況仿真模型，參數如下：定子電阻為0.252 Ω，定子自感為16 mH，轉子電阻為0.332 Ω，轉子自感為16 mH，定子和轉子的互感為80 mH，轉動慣量為0.6 kg·m2，極對數為2。

首先獲取訓練模型需要的數據，方法如下：

在0～2 s 內，使ABC 三相電壓分別斷開，每間隔0.05 s 仿真一次，每次讀取ABC 三相定子電流數據，和對應的時間點一起可以獲取4×40 個數據。每一相發生故障均可以獲取20 組這樣的數據。將數據經過適當的處理后作為人工智能模型的輸入，對應的理論斷相狀態作為神經網絡的輸出，來訓練三相異步電機斷相檢測模型。

人工神經網絡的一個重要特性是其能夠從環境中學習，并把學習的結果分布存儲于網絡的突觸連接中。人工神經網絡的學習是一個過程，在其所處環境的激勵下，相繼給網絡輸入一些樣本模式，并按照一定的規則（學習算法）調整網絡各層的權值矩陣，待網絡各層權值都收斂到一定值，學習過程結束，即可用生成的人工神經網絡來對真實數據進行分類。

以C 相電壓在0.5 s 處斷開為例，觀測三相定子電流，得到的定子電流的仿真波形分別如圖4-6所示。

圖4 A相定子電流

圖5 B相定子電流

圖6 C相定子電流

為了測試經過訓練得到的人工神經網絡檢測模型，需要隨機抽取一些數據輸入到模型中，將模型輸出的結果與理論值進行比對。測試數據的選擇如下：

仿真環境與人工神經網絡模型相同，避開訓練數據斷相的時間，在每一相0～2 s 內隨機獲取10 組4×40 個數據作為人工神經網絡檢測模型的輸入，記錄輸出結果。在測試過程中改變函數net=newpnn(P,T,spread) 中的參數spread 的值，可以得到最優值。測試結果和spread 值的關系如表1 所示。可以看出，A 相故障檢測準確率最高，當spread ≥0.031時，B 相和C 相的故障檢測率也大大增加，分別達到了80%和90%，驗證了所設計的人工神經網絡檢測模型在檢測三相異步電機發生斷相故障時的有效性。

表1 測試結果

3 結論

該文在概率神經網絡的基礎上提出了一種用于檢測三相異步電機斷相的人工神經網絡。在特定的spread 取值范圍內，設計的人工神經網絡在檢測斷相電壓時取得了較高的準確率。跟文獻中提到的其他人工智能方法相比，該文提出的人工智能方法計算簡單但是編程量相對較大。另外，這種方法只測試了每一時刻只有一種斷相發生的情況，沒有考慮同時有多相斷開的情況；在進行模型仿真時進行的假設與在實際應用環境下的參數會有差別，所采樣數據均在SIMULINK 仿真環境下取得，還有待在實際電機中進一步驗證。后續有待研究的工作是將檢測和保護結合在一起，在故障發生時盡量將損害減小到最低。