《基于小波包和Elman神经网络的异步电机转子断条故障诊断方法.docx》由会员分享，可在线阅读，更多相关《基于小波包和Elman神经网络的异步电机转子断条故障诊断方法.docx（6页珍藏版）》请在金锄头文库上搜索。
1、基于小波包和Elman神经网络的异步电机转子断条故障诊断方法摘要:提出了一种基于小波包分析(WPA)和Elman神经网络的异步电机转子断条故障诊断方法。针对异步电机转子断条故障时定子电流出现的边频分量 进行小波包分析,提取动态条件下各频带能量作为故障特征向量,削弱了负载变化及噪声对诊断准确性的影响;采用Elman神经网络对故障进行识别,并对Elman网络进行改进,在关联层增加了自反馈增益因子,提高了网络性能;以频带能量作为Elman神经网络识别故障的特征向量,建立从特征向量到电机转子断条故障之间的映射。试验结果表明:基于小波包分析提取的故障特征明显,由WPA和Elman神经网络构成的诊断系统,
2、能有效地识别出转子断条故障,故障诊断准确率高。 关键词:转子断条,故障诊断,小波包分析,Elman神经网络Method of Fault Diagnosis for Induction Machine Rotor Broken Bar Based on Wavelet Package and Elman Neural NetworkWang Xuhong1,2,He Yigang1( 1 School of Electrical and Information Engineering, Hunan University, Changsha, 410082 ,China2 School of E
3、lectrical and Information Engineering, Changsha University of Science and Technology, Changsha,410076,China)Abstract A fault diagnosis method is presented for motor rotor broken bar fault based on wavelet package analysis (WPS) and Elman neural network. The sideband frequencycurrent which reflects t
4、he broken bar fault is analyzed with the technology of wavelet package decomposition. The frequency segment power under operating states are abstracted as fault characteristic vectors which weaken the influences of variable load and noise. Elman neural network is adopted to identify the broken bar f
5、ault. To improve its performance , Elman neural network is modified by adding a self-feedback gain factor in the context nodes.Energy of various frequency bands acting as the fault characteristic vector is input into the modified Elman neural network to realize the mapping between the feature vector
6、 and the fault mode.Experiment results show that the fault characteristic vectors abstracted by WPA are evident.The diagnosis system based on wavelet package and Elman neural network could identify motor rotor broken bar fault efficiently and accurately.Key words: rotor broken bar; fault diagnosis;
7、wavelet package analysis (WPS); Elman neural network1 引言转子断条是笼型异步电动机常见故障之一,占异步电机故障种类的10%左右1。电动机在长期运行中,尤其是大容量高压电机,由于周期性间歇运行或频繁起动,造成转子上电磁应力急剧变化,加之热应力、环境应力和机械应力等的作用,容易引起转子导条过热,振动加剧,从而导致转子鼠笼断裂。由于笼型电动机转子无直接电气连线引出,对运动的转子直接进行检测较为困难,而定子电流信号采集较简单,容易制成非侵入式诊断系统,因此定子电流检测法是常用的方法2-3。研究表明,当电机发生断条故障时,定子电流将出现 ( 为转差率
8、, 为供电频率)的特征频率分量,基于傅里叶变换的定子电流检测法通过对稳态定子电流信号直接作频谱分析,根据频谱图中是否存在 频率分量来判断转子有无断条故障。但早期轻微断条,断条故障信号往往是间断和不明显的, 频率分量的幅值相对于 频率分量的幅值很小,且异步电机转差率 很小, 与 频率值非常接近(相差约为15Hz),因此, 频率分量易被基频分量的泄漏及环境的噪声淹没。另外,负载变化、电机本身所固有的非对称性、气隙偏心、转子不对中及其他因素,异步电动机即使处于正常状态,其定子电流中也可能包含 频率分量,或以 为中心频率的各种调制分量,加上故障特征分散、模糊以及交叉重叠,增加了信号处理和特征提取的难度
9、,可能出现误判,使诊断的准确性降低4。小波包分析是一种精细的信号时频分析方法5,本文将小波包分析(WPA)技术应用到定子电流信号的分析中,把信号分解在不同频带之内,对各频带内的信号进行统计分析,形成反映信号特征的特征向量。由于小波包分解中提取的信号特征由多个特征元素组成,它和故障之间的对应关系是一种复杂的非线性映射,需要对其进行模式识别才能诊断出故障的严重程度(如一根、两根或多根断条等)。Elman神经网络具有非线性映射能力和自适应能力、计算精度高、容错性强等特点6,能够解决传统模式识别方法难以解决的问题。因此,本文将由WPA得到的故障特征对Elman神经网络进行训练和测试,获得具有良好分类特
10、性的转子断条故障信息,从而在线准确诊断出电机转子断条故障。2 基于WPA的断条故障特征提取小波分析具有信号时频局部化的良好特性,能同时提供非平稳信号时域和频域中的局部化信息,已成为故障或异常状态特征信号提取的有力工具。小波包分析(WPA)方法是小波变换的一种改进,它在全频带进行多层次的频带划分,对多分辨分析没有细分的高频部分进一步分解,并能够根据分析信号的特征,自适应地选择相应的频带,使之与信号频谱相匹配,实现了对信号时频域任意精确度划分,从而提高时频分辨率。小波变换中,原始信号 在 上的信号二范数定义为 (1) 因此,小波变换中信号二范数的平方等价于原始信号在时域的能量。 小波变换为:(2)
11、其中: 为小波变换系数, 为基小波 的对偶小波。根据式(1)、(2)以及Parseval能量积分等式,有(3)由式(3)可知,小波变换系数 具有能量的量纲。由于分解到每个频带的信号都具有一定的能量,因此,可以用各个频带里信号能量作为特征向量来表征电机的运行状态。设小波包分解后第 层第 个频带的重构信号 对应的信号能量为 ,则有:(4)其中:为小波包分解层次; ,为分解频带的序号; 为第 层第 个频带重构信号的离散点; 为重构信号 的离散点的幅值, 为数据长度。信号总能量 等于各频带能量之和:(5)对式(5)的特征因子进行能量归一化后,得到小波包分解提取的故障特征向量(6)在故障特征的提取过程中
12、,要适当选择 值,若 值过小,则不能有效提取故障特征,若 值过大,T的维数大,会影响诊断的速度。本文采用电机定子 电流信号进行小波包分解,根据诊断需要选择如图1所示的多层小波包分解树,用 表示原信号, 表示小波包分解第 层第 个频带的小波系数,对重构后的信号求取各频带的能量,能量归一化后,得到经小波包分解提取的转子断条故障特征向量 。图1 电流信号小波包分解树Fig.1 Structure of current wavelet packet decomposition tree3 改进的Elman神经网络采用Elman神经网络,根据故障特征向量 ,对转子断条故障进行识别。Elman网络的主要结
13、构是前馈连接,含输入层、隐含层、输出层,连接权通过学习进行修正,反馈连接由一组“结构”单元构成,用来记忆前一时刻的输出值。除了普通的隐含层外,网络中,还有一个关联层,通过联接记忆将上一个时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入,相当于状态反馈,每一个隐含层节点都与一个对应的关联层节点连接。传统的Elman网络训练时采用标准的BP算法,仅能辨识一阶动态模型,当隐层或系统阶次增加时,网络的动态记忆功能有限,收敛速度慢,学习效率低,遇到局部极小点难于收敛,逼近精度不能满足要求。因此,本文在Elman网络结构中,增加一个增益为 的自反馈连接,采用改进的Elman网络对笼型异步电动机转子断
14、条故障进行识别。改进的Elman网络结构如图2所示,即在前馈网络同层节点间引入互反馈与自反馈,从而更好地实现非线性映射的模式识别,同时关联层的自反馈连接在很大程度上也精简了网络的规模,提高了学习速度。显然 越接近1越能包括更远时刻的历史信息,因此可以模拟出高阶系统,而当 为零时,网络就退化为基本的Elman网络。图2改进的Elman神经网络Fig.2.Architecture of the modified Elman neural network图2中,Elman神经网络的输入为 ,输出为 ,隐层输出为 ,关联层的输出为 ; 为关联层的自反馈系数。各输入、输出、隐层及关联层的关系为:(7)
15、(8) (9)式(7)(9)中, 、 、 分别为关联层到隐层、输入层到隐层、隐层到输出层的权值矩阵, 和 分别表示隐层和输出层的非线性向量函数。由于关联层增加了自反馈,改进的Elman网络可利用标准BP学习算法辨识高阶动态系统,算法如下:(10)式(10)中, ; 为学习速率。4 试验结果为了验证基于小波包分析和Elman神经网络的电机转子断条故障诊断方法,本文采用一台1.5kW,50Hz,380V,1475r/min的2极异步电机进行试验。负载采用测功机进行调节,通过对转子钻孔,分别测取不同故障状态下的定子电流信号:正常无故障,转子1根断条,转子连续2根断条,转子连续3根断条。采样频率为4k
16、Hz。4.1 故障特征提取对经过预处理的电机 定子电流信号进行3层小波包分解,分别在正常状态和断条故障状态下,提取第3层从低频到高频8个频率成分的信号特征,对小波包分解系数重构,由式(4) 、(5)、(6)计算小波包分解后每个频带的能量,提取各频带的能量信号,构造故障特征向量 ,将 输入Elman神经网络,对Elman神经网络进行训练和测试。图3是负载变化时,转子正常、1根断条及转子连续3根断条情况下,节点(3,8)的 值。由图3可知:(1)相同的负载条件下,故障严重度不同则故障信号的频带能量不同,电机正常无故障时最小,趋近于零,随着故障严重度增加,频带能量增大;(2)相同的故障状态,随着负载的增加,频带能量增大。图3 负载变化时,节点(3,8)的特征向量Fig.3.Characteristic vector of node(3,8) under diffe
