采用最優(yōu)小波樹和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的感應(yīng)電動(dòng)機(jī)定子故障診斷

史麗萍　湯家升　王攀攀　韓　麗　張曉蕾

（中國礦業(yè)大學(xué)信息與電氣工程學(xué)院　徐州　221008）

采用最優(yōu)小波樹和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的感應(yīng)電動(dòng)機(jī)定子故障診斷

史麗萍湯家升王攀攀韓麗張曉蕾

（中國礦業(yè)大學(xué)信息與電氣工程學(xué)院徐州221008）

為了準(zhǔn)確及時(shí)地識(shí)別并排除感應(yīng)電動(dòng)機(jī)定子匝間短路故障，保障電動(dòng)機(jī)設(shè)備的安全運(yùn)行，提出了一種基于最優(yōu)小波樹和捕食搜索遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的新型故障診斷方法。結(jié)合故障電流的特征，采用最優(yōu)小波樹，將濾除基波分量后的定子殘余電流信號進(jìn)行分解，提取表征信號內(nèi)在規(guī)律最強(qiáng)的分解節(jié)點(diǎn)能量成分，作為BP神經(jīng)網(wǎng)絡(luò)的輸入特征向量。采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，通過捕食搜索策略優(yōu)化的遺傳算法選擇神經(jīng)網(wǎng)絡(luò)訓(xùn)練的初始權(quán)值和閾值，提升網(wǎng)絡(luò)訓(xùn)練的速度和準(zhǔn)確度。實(shí)驗(yàn)結(jié)果表明，該方法不但可以提取優(yōu)于小波包方法的最優(yōu)特征向量，同時(shí)可以準(zhǔn)確識(shí)別三種故障下的電動(dòng)機(jī)定子匝間短路故障。

感應(yīng)電動(dòng)機(jī)定子匝間短路故障最優(yōu)小波樹捕食搜索遺傳算法BP神經(jīng)網(wǎng)絡(luò)

0　引言

感應(yīng)電動(dòng)機(jī)轉(zhuǎn)速高、容量大，是電力系統(tǒng)的重要支撐設(shè)備之一，其常見的故障主要有定子、轉(zhuǎn)子、軸承及氣隙偏心等故障。其中定子繞組匝間短路故障是感應(yīng)電動(dòng)機(jī)經(jīng)常出現(xiàn)的故障類型，故障率約占電動(dòng)機(jī)總故障的37%，因此能夠在早期及時(shí)準(zhǔn)確地預(yù)測出故障并排除具有重要的安全和經(jīng)濟(jì)意義［1-3］。

近年來，隨著計(jì)算機(jī)技術(shù)和信號處理技術(shù)的發(fā)展，國內(nèi)在感應(yīng)電動(dòng)機(jī)匝間短路故障的檢測研究方向非?；钴S。歸類總結(jié)，目前診斷方法主要有三種。第一種是通過解析模型進(jìn)行診斷，如文獻(xiàn)［4］提出通過感應(yīng)電動(dòng)機(jī)模型的參數(shù)識(shí)別來進(jìn)行故障檢測。但受環(huán)境、負(fù)載以及電動(dòng)機(jī)模型復(fù)雜性等因素的影響，精確地建立定子匝間短路模型有一定的困難。第二種是針對磁通、溫度、振動(dòng)等電動(dòng)機(jī)參數(shù)采用信號處理的方法進(jìn)行診斷，效果各有優(yōu)劣。如文獻(xiàn)［5］通過采集電動(dòng)機(jī)表面紅外熱像并進(jìn)行內(nèi)部溫度場分析來確定短路故障槽大致位置，但是其診斷限制在匝間短路早期故障發(fā)生在槽內(nèi)的情況下，推廣性不足。文獻(xiàn)［6］通過分析失電殘壓中高次諧波成分的變化來診斷定子繞組匝間短路故障，同時(shí)根據(jù)匝間短路故障后完好相與故障相端電壓所含諧波成分的不同確定故障發(fā)生的位置，但是這種方法僅限實(shí)現(xiàn)繞組早期輕微匝間短路故障。第三種是基于人工智能的方法，其通常與前兩個(gè)方面相結(jié)合，診斷準(zhǔn)確度很高，應(yīng)用廣泛。如文獻(xiàn)［7］通過Park矢量旋轉(zhuǎn)變換和徑向基函數(shù)（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)將得到的電流、電壓負(fù)序向量中與定子故障相關(guān)的負(fù)序電流提取出來進(jìn)行分析診斷，取得了較好的效果。文獻(xiàn)［8］采用小波包分解定子電流并利用骨干微粒群算法優(yōu)化的支持向量機(jī)進(jìn)行判斷，能夠?qū)收蠣顟B(tài)準(zhǔn)確辨識(shí)，但是沒有實(shí)現(xiàn)不同短路程度下的故障分類。

一般來說，采用人工智能方法，故障特征量的選取和分析以及診斷模型的效率是研究的關(guān)鍵所在。本文首先通過匝間短路實(shí)驗(yàn)獲取了感應(yīng)電動(dòng)機(jī)定子電流信號，在濾除對信號故障特征淹沒較大的基波分量后，使用基于最優(yōu)熵原則的最優(yōu)小波樹對殘余電流信號進(jìn)行分解。相比文獻(xiàn)［8］中小波包分解結(jié)果，最優(yōu)小波樹在進(jìn)一步優(yōu)化匝間短路故障特征量內(nèi)在特征的同時(shí)，還大大縮減了故障特征量的維數(shù)，相當(dāng)于減少了后期構(gòu)建神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)，有效地提升了網(wǎng)絡(luò)的收斂速度。最后利用基于捕食搜索遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)對故障特征和故障狀態(tài)模式進(jìn)行關(guān)聯(lián)，實(shí)現(xiàn)了三種故障程度下感應(yīng)電動(dòng)機(jī)定子匝間短路故障的準(zhǔn)確識(shí)別。

1　捕食搜索策略優(yōu)化遺傳算法

1.1遺傳算法

早在20世紀(jì)70年代初，美國密歇根大學(xué)的教授J. Holland等人就提出了遺傳算法（Genetic Algorithm，GA）的數(shù)學(xué)框架［9］遺傳算法以編碼空間取代問題的參數(shù)空間，構(gòu)造遺傳操作的初始種群。根據(jù)待求解優(yōu)化問題的目標(biāo)函數(shù)構(gòu)造種群個(gè)體的適應(yīng)度函數(shù)，以適應(yīng)度函數(shù)作為個(gè)體評價(jià)的依據(jù)，對群體中個(gè)體按照一定的選擇規(guī)則比如輪盤賭法等方式進(jìn)行初步選擇，通常適應(yīng)度高的個(gè)體最有可能進(jìn)入下一代的交叉和變異遺傳操作運(yùn)算中。經(jīng)過多次迭代，個(gè)體中的重要基因被不斷重組，新一代個(gè)體的適應(yīng)度優(yōu)于老一代個(gè)體的適應(yīng)度，群體不斷進(jìn)化，逐漸接近最優(yōu)解，最終達(dá)到求解問題的目的。

1.2捕食搜索策略

隨著研究的深入，GA以其魯棒性強(qiáng)、適應(yīng)并行分布處理等優(yōu)點(diǎn)，在不同的工程領(lǐng)域應(yīng)用中日趨廣泛。但是GA畢竟是一種生物進(jìn)化過程的近似模擬，不可避免存在缺點(diǎn)。由于GA中交叉算子和變異算子分別決定算法的全局搜索和局部開發(fā)能力，因此交叉概率和變異概率的選擇至關(guān)重要，它直接關(guān)系到GA的收斂性。通常的交叉概率Pc一般取為0.4～0.99，變異概率Pm一般取為0.000 1～0.1，特殊情況下，也會(huì)有較大變動(dòng)，需要經(jīng)驗(yàn)以及不斷嘗試來確定所需最終值，盲目性較大，選擇失策，GA容易陷入局部最優(yōu)，出現(xiàn)早熟現(xiàn)象。捕食搜索策略作為一種解決組合優(yōu)化問題的新型手段，則可以通過解決GA中交叉概率和變異概率的選取問題來迅速獲得最優(yōu)解。

捕食搜索（Predatory Search，PS）策略是Alexandre Linhares在1998年模擬動(dòng)物捕食行為的基礎(chǔ)上提出的［10，11］。大型動(dòng)物捕食時(shí)首先在領(lǐng)地內(nèi)進(jìn)行大范圍搜索，一旦在某一區(qū)域發(fā)現(xiàn)獵物跡象，則重點(diǎn)在該區(qū)域范圍內(nèi)重點(diǎn)集中搜索，這種全局到局部的搜索方式是非常高效的。

對于GA，最理想的狀態(tài)是在進(jìn)化初期，應(yīng)確保種群在大范圍內(nèi)搜索，進(jìn)行全局進(jìn)化以避免過早收斂，而在后期，由于種群成熟度較高，個(gè)體更加逼近最優(yōu)解，因此種群應(yīng)該在局部范圍內(nèi)搜索，重點(diǎn)進(jìn)化，盡可能提高精度。因此，應(yīng)用捕食搜索算法尋優(yōu)時(shí)，首先以較大的交叉概率Pc1和較小的變異概率Pm1進(jìn)行全局大范圍搜索，直到找到一個(gè)較優(yōu)解；然后以較大的變異概率Pm2和較小的交叉概率Pc2在較優(yōu)解附近進(jìn)行局部搜索。如果在搜索過程中，直到搜索很多次也沒有找到更優(yōu)解，則再以較大的交叉概率Pc1和較小的變異概率Pm1進(jìn)行全局探索，直到滿足要求。另外交叉概率Pc1應(yīng)隨著進(jìn)化過程逐漸變小，最后趨于某一穩(wěn)定值，以免算法不能收斂或收斂過程加長；變異算子主要是防止個(gè)體出現(xiàn)未成熟收斂，因此隨著進(jìn)化代數(shù)的增加，變異概率Pm1應(yīng)當(dāng)越來越大。

在PS優(yōu)化GA的設(shè)計(jì)實(shí)現(xiàn)中，通過當(dāng)代的最優(yōu)適應(yīng)度值Fbt和歷代最優(yōu)適應(yīng)度Gbt的比值g來選擇交叉和變異的概率。g=Fbt/Gbt，如果g＞k（k通常取略大于1的數(shù)），表明當(dāng)前個(gè)體是較優(yōu)解，宜以較大的變異概率Pm2和較小的交叉概率Pc2在該較優(yōu)解附近進(jìn)行局部搜索；如果g＜k，表明當(dāng)前個(gè)體非較優(yōu)解，需要繼續(xù)以較大的交叉概率Pc1和較小的變異概率Pm1進(jìn)行全局大范圍搜索。其中Pc1、Pm1選取為

式中，i為進(jìn)化代數(shù)；M為總進(jìn)化代數(shù)；Pc1max和Pc1min為最大、最小交叉概率；Pm1max和Pm1min為最大、最小變異概率。

由于局部搜索的重點(diǎn)是提高局部搜索的能力，是在個(gè)體附近進(jìn)行仔細(xì)的搜索，以加快找到最優(yōu)解或是提高求解精度，并不會(huì)破壞原有種群，所以可以采用固定的較小的交叉概率Pc2和較大的變異概率Pm2。PS優(yōu)化GA的流程如圖1所示。

圖1　PS優(yōu)化GA流程Fig.1　Flow chart of PSGA optimization

2　改進(jìn)PSGA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)（Back-Propagation Network）是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，在神經(jīng)網(wǎng)絡(luò)中應(yīng)用最為廣泛。BP算法的運(yùn)行機(jī)制包括正向傳播和反饋修改兩個(gè)過程，其模型結(jié)構(gòu)如圖2所示。R. Hecht-Nielson從理論上證明，對于任何在閉區(qū)間內(nèi)的一個(gè)連續(xù)函數(shù)都可以用具有一個(gè)隱層的BP網(wǎng)絡(luò)來逼近，因而一個(gè)三層的BP網(wǎng)絡(luò)可以完成任意的M維數(shù)到m維的映射［12，13］。本文故障診斷也是以三層BP網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)，因此只介紹三層結(jié)構(gòu)下的參數(shù)優(yōu)化。

圖2　三層BP神經(jīng)網(wǎng)絡(luò)模型Fig.2　Three-level BP network model

在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，最為重要的參數(shù)是權(quán)值和閾值。圖2中：wji為隱含層第j個(gè)神經(jīng)元與輸入層第i個(gè)神經(jīng)元之間的連接權(quán)值，vkj為輸出層第k個(gè)神經(jīng)元與隱含層第j個(gè)神經(jīng)元之間的連接權(quán)值，aj和bk分別為隱含層第j個(gè)神經(jīng)元和輸出層第k個(gè)神經(jīng)元的閾值。BP神經(jīng)網(wǎng)絡(luò)通過調(diào)整權(quán)值和閾值來減少誤差完成最終訓(xùn)練，因此這兩類參數(shù)的選取對于網(wǎng)絡(luò)收斂的速度以及精度具有重要的意義。為此，本文采用基于捕食搜索策略的遺傳算法PSGA對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值參數(shù)進(jìn)行優(yōu)化選擇，主要步驟如下。

（1）種群初始化。個(gè)體編碼采用實(shí)數(shù)編碼法，每個(gè)個(gè)體由輸入層與隱含層的連接權(quán)值、隱含層閾值、隱含層與輸出層的連接權(quán)值和輸出層閾值四部分構(gòu)成。

（2）適應(yīng)度函數(shù)選取。根據(jù)每一個(gè)個(gè)體包含的權(quán)值閾值訓(xùn)練網(wǎng)絡(luò)，將網(wǎng)絡(luò)的預(yù)測輸出和期望輸出之間的誤差絕對值和作為個(gè)體適應(yīng)度值F，計(jì)算式為

式中，n為網(wǎng)絡(luò)輸出節(jié)點(diǎn)數(shù)；yi為BP神經(jīng)網(wǎng)絡(luò)第i個(gè)節(jié)點(diǎn)輸出；oi為第i個(gè)節(jié)點(diǎn)預(yù)測輸出；k為系數(shù)。

（3）應(yīng)用基于適應(yīng)度比例的輪盤賭法進(jìn)行選擇。每個(gè)個(gè)體被選擇的概率pi為

式中，N為種群個(gè)體數(shù)目；k為系數(shù)；fi為個(gè)體i的適應(yīng)度值，由于個(gè)體適應(yīng)度是誤差值，誤差越小，表明個(gè)體越優(yōu)秀，因此在種群選擇中需要取倒數(shù)。

（4）按照1.2節(jié)中捕食策略對個(gè)體執(zhí)行交叉和變異的遺傳操作，直至達(dá)到終止條件。本文交叉操作選用算術(shù)交叉法，變異操作采用均勻變異法。

3　感應(yīng)電動(dòng)機(jī)短路故障診斷實(shí)現(xiàn)

3.1基于最優(yōu)小波樹的故障特征量提取

匝間短路故障發(fā)生時(shí)，定子電流中將會(huì)出現(xiàn)特定的諧波分量，并將改變原來某些諧波的能量值［14］。諧波分量的出現(xiàn)和變換將引起信號相應(yīng)頻帶能量的改變，因此可以使用小波包進(jìn)行故障特征量的提取。文獻(xiàn)［15］指出了小波包提取匝間短路故障的優(yōu)勢。最優(yōu)小波樹是在小波包分解基礎(chǔ)上根據(jù)最優(yōu)熵原則對小波樹的優(yōu)化，其主要特征就是試圖使分解具有最大的規(guī)律性，將信號內(nèi)在的規(guī)律搜尋出來。在信號分析處理中，熵是度量信息規(guī)律性的量，熵值越小，信息的規(guī)律性就越強(qiáng)［16，17］。在小波包分解過程中，如果設(shè)生成的小波樹中任意一個(gè)已經(jīng)分解的節(jié)點(diǎn)N的熵值為Ent（N），分解得到的兩組系數(shù)對應(yīng)的節(jié)點(diǎn)分別為N1和N2，如果Ent（N1）+Ent（N2）＞Ent（N），那么就取消N點(diǎn)的分解，如果Ent（N1）+Ent（N2）＜Ent（N），那么就將N1和N2保留作為N的子節(jié)點(diǎn)。最后將得到的最優(yōu)小波樹提取各外圍子節(jié)點(diǎn)的能量值，作為表征故障的特征量進(jìn)行分析。相比于小波包分解，最優(yōu)小波樹不僅可以更有效探尋出信號的內(nèi)在規(guī)律特征而且可以減少故障的特征量維數(shù)，提高神經(jīng)網(wǎng)絡(luò)收斂的速度。

3.2故障診斷步驟

基于PSGA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的感應(yīng)電動(dòng)機(jī)短路故障診斷實(shí)現(xiàn)步驟如下。

（1）對采樣的電流信號濾除基波后使用最優(yōu)小波樹分解，初步分析分解結(jié)果，提取節(jié)點(diǎn)能量分布值，作為故障特征量。

（2）根據(jù)故障特征量初始化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，作為遺傳操作種群。設(shè)置種群規(guī)模以及迭代次數(shù)，按照第2節(jié)中步驟，利用PSGA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，獲取最佳的權(quán)值和閾值。

（3）利用獲得的最優(yōu)BP神經(jīng)網(wǎng)絡(luò)的模型參數(shù)以及訓(xùn)練數(shù)據(jù)進(jìn)行故障特征的診斷分類，分析診斷結(jié)果。

4　診斷實(shí)例分析

4.1短路實(shí)驗(yàn)和信號處理

4.1.1短路試驗(yàn)

實(shí)驗(yàn)電動(dòng)機(jī)采用每一相定子繞組210匝的Y132M—4型感應(yīng)電動(dòng)機(jī)。電動(dòng)機(jī)模擬定子匝間短路故障的實(shí)驗(yàn)原理如圖3所示。通過調(diào)節(jié)短路電阻R的值來模擬故障程度的大小。

圖3　短路故障示意圖Fig.3　Schematic diagram of short circuit fault

實(shí)驗(yàn)分別在電動(dòng)機(jī)完好滿載、短路電阻R= 20k?時(shí)滿載和短路電阻R=100k?時(shí)滿載三種狀態(tài)下進(jìn)行定子電流信號數(shù)據(jù)采集。數(shù)據(jù)采集器采集頻率為1 600Hz，采樣長度取3 000。在三種狀態(tài)下，對電動(dòng)機(jī)A相電流分別進(jìn)行55組數(shù)據(jù)采集。本文僅列出各種狀態(tài)下的1組采集信號，如圖4所示。

圖4　定子電流信號采樣波形Fig.4　Waveforms of stator current

4.1.2基波濾除

由于在對感應(yīng)電動(dòng)機(jī)匝間短路電流信號的分析中，發(fā)現(xiàn)基波分量過于強(qiáng)大，在頻譜圖上容易掩蓋或影響其他故障特征，因此在使用最優(yōu)小波樹對信號進(jìn)行分析之前，需對采樣信號進(jìn)行濾除基波的處理，即采用FFT轉(zhuǎn)換后，減去基波分量，再進(jìn)行FFT的逆變換。圖5a、5b和5c分別是三種狀態(tài)下采樣電流信號的頻譜，從圖5中可見由于基波分量過于強(qiáng)大，故障特征的諧波分量難以辨認(rèn)。圖6a、6b和6c分別是濾除基波后殘余電流信號的頻譜圖。圖6和圖5對比后可以發(fā)現(xiàn)，濾除基波后，三種信號的諧波特征非常明顯，尤其是3次、5次、7次、9次、11次、13次諧波幅值的變化。另外，對于完好電動(dòng)機(jī)和兩種不同程度的故障信號，觀察可以發(fā)現(xiàn)各次諧波幅值和數(shù)量上也具有一定的差異，這就為故障診斷特征量的提取提供了基礎(chǔ)。

圖5　定子電流信號頻譜Fig.5　Spectrums signal of stator current

圖6　去基波后的定子電流頻譜Fig.6　Spectrums signal of stator current after filtering the fundamental component

圖7　最優(yōu)小波樹Fig.7　The optimal wavelet tree

4.1.3故障特征量提取

選取Daubechies小波系中db3函數(shù)分別對三種狀態(tài)下去除基波后的定子電流殘余信號進(jìn)行六層最優(yōu)小波樹的分解，通過Wenergy函數(shù)提取各節(jié)點(diǎn)系數(shù)的能量成分作為待分析的故障特征量。從圖7中可以看出，最優(yōu)小波樹的最終保留外圍節(jié)點(diǎn)個(gè)數(shù)只有8個(gè)，結(jié)合小波包分解的機(jī)理可知，信號能量多集中在低通濾波的近似系數(shù)中，這與之前分析的突出匝間短路故障特征集中在低次諧波中相吻合。另外，保留節(jié)點(diǎn)數(shù)相比于小波包分解獲得的26個(gè)節(jié)點(diǎn)數(shù)要少得多。由于提取的能量值成分中最高能量成分比重偏高，為了在圖形中清晰看出各個(gè)能量成分對比值，取1/10倍的最高能量比重值進(jìn)行三種狀態(tài)下的比較，如圖8所示。不同狀態(tài)下各成分能量值具有一定程度的可分性，因此可以將提取的能量成分作為感應(yīng)電動(dòng)機(jī)匝間短路故障的診斷特征。

圖8　三種狀態(tài)下故障特征量對比Fig.8　Comparison of fault characteristics among three kinds of conditions

4.2參數(shù)優(yōu)化和故障識(shí)別

本實(shí)驗(yàn)中，將三種狀態(tài)下測得的55×3組數(shù)據(jù)進(jìn)行分類，取50×3組數(shù)據(jù)作為訓(xùn)練集，5×3組數(shù)據(jù)作為測試集。由第3節(jié)獲得的故障特征量維數(shù)可以確定神經(jīng)網(wǎng)絡(luò)輸入神經(jīng)元個(gè)數(shù)為8。對應(yīng)三種不同狀態(tài)，設(shè)定輸出層維數(shù)為3，其中，完好電動(dòng)機(jī)對應(yīng)（1，0，0），故障類型為正常；短路電阻R=20k?時(shí)對應(yīng)（0，1，0）和故障1；短路電阻R=100k?時(shí)對應(yīng)（0，0，1）和故障2，見表1。

表1　目標(biāo)輸出Tab.1　Target output

BP神經(jīng)網(wǎng)絡(luò)創(chuàng)建時(shí)隱含層個(gè)數(shù)的確定非常重要，隱含層節(jié)點(diǎn)數(shù)過少，網(wǎng)絡(luò)模型比較粗糙，影響網(wǎng)絡(luò)的學(xué)習(xí)和判斷；節(jié)點(diǎn)數(shù)過多，網(wǎng)絡(luò)劃分過細(xì)，抓不到樣本的主要特征，且會(huì)增加訓(xùn)練時(shí)間。隱含層范圍可由經(jīng)驗(yàn)式（4）確定。

式中，p為隱含層節(jié)點(diǎn)數(shù)；n為輸入節(jié)點(diǎn)數(shù)；m為輸出節(jié)點(diǎn)數(shù)；r為1～10間的任意整數(shù)。

代入n=8，m=3，則p為5～13。各點(diǎn)數(shù)對應(yīng)的網(wǎng)絡(luò)方均誤差MSE（Mean Square Error）見表2。由表2可知宜選取的點(diǎn)數(shù)為10。BP算法本文采用優(yōu)于傳統(tǒng)梯度算法的自適應(yīng)調(diào)整學(xué)習(xí)率的LM（Levenberg-Marquard）算法［18］。網(wǎng)絡(luò)訓(xùn)練步數(shù)設(shè)定為1 000次，步數(shù)顯示間隔為2，訓(xùn)練誤差為0.000 01，初始學(xué)習(xí)速率為0.1。對于一個(gè)8-10-3結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，共有8×10+10×3=110個(gè)權(quán)值和10+ 3=13個(gè)閾值，所以遺傳算法中個(gè)體的長度為123。在PSGA中設(shè)定k=1.001，Pc1max=0.93，Pc1min=0.4，Pm1max=0.1，Pm1min=0.01，Pc2=0.1，Pm2=0.3。種群規(guī)模為10，最大進(jìn)化次數(shù)為20。按照第2節(jié)中的步驟進(jìn)行權(quán)值和閾值的優(yōu)化。優(yōu)化適應(yīng)度曲線如圖9所示。

表2　不同網(wǎng)絡(luò)下訓(xùn)練誤差Tab.2　Error of the BP neural network with different parameters

圖9　適應(yīng)度優(yōu)化曲線Fig.9　Curve of fitness evolutionary

利用訓(xùn)練集和最優(yōu)權(quán)值閾值參數(shù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后對測試集進(jìn)行診斷分類，分類結(jié)果見表3。

表3　PSGA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)測試分類結(jié)果Tab.3　Test classification results of BP neural network optimized by PSGA

（續(xù)）

從表3可以看出，PSGA優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)對測試集的診斷準(zhǔn)確度很高，達(dá)到100%，證明了檢測模型的有效性。為了驗(yàn)證PSGA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的優(yōu)越性，本文分別對傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)、基本GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)以及PSGA-BP神經(jīng)網(wǎng)絡(luò)在同樣的訓(xùn)練集和測試集下進(jìn)行了識(shí)別驗(yàn)證比較，均方誤差和網(wǎng)絡(luò)收斂的時(shí)間參數(shù)對比結(jié)果見表4。

表4　三種處理方式的對比Tab.4　Comparison among three kinds of treatment

由表4可知，相比于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和普通GA優(yōu)化的BP網(wǎng)絡(luò)，基于PSGA優(yōu)化的神經(jīng)網(wǎng)絡(luò)有效縮短了網(wǎng)絡(luò)的收斂時(shí)間，而且診斷準(zhǔn)確度最高，該方法可以作為定子匝間短路故障診斷的有效手段。

5　結(jié)論

本文將實(shí)驗(yàn)提取的定子電流信號去除基波分量后運(yùn)用最優(yōu)小波樹進(jìn)行分解，提取表征故障特征的分解節(jié)點(diǎn)能量分布值。由于單純依靠觀察能量數(shù)值來進(jìn)行故障診斷比較復(fù)雜，提出基于捕食搜索策略遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障狀態(tài)的識(shí)別。實(shí)驗(yàn)結(jié)果表明，該方法能夠成功地診斷分類出三種程度下感應(yīng)電動(dòng)機(jī)匝間短路的故障狀態(tài)。另外，相比傳統(tǒng)的BP網(wǎng)絡(luò)和基本遺傳算法優(yōu)化的網(wǎng)絡(luò)，捕食搜索策略遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)有效提升了網(wǎng)絡(luò)收斂的速度和準(zhǔn)確度。

［1］ Siddique A，Yadava G S，Singh B. A review of stator fault monitoring techniques of induction motors［J］. IEEE Transactions on Energy Conversion，2005，20（1）：106-114.

［2］ 王艷武，楊立，孫豐瑞. 異步電動(dòng)機(jī)定子繞組匝間短路三維溫度場計(jì)算與分析［J］. 中國電機(jī)工程學(xué)報(bào)，2009 29（24）： 84-90.

Wang Yanwu，Yang Li，Sun Fengrui. Simulation and analysis of 3D temperature field for stator winding short-circuit in asynchronous motor［J］. Proceedings of the CSEE，2009，29 （24）： 84-90.

［3］ 徐奇?zhèn)?，宋立偉，崔淑? 感應(yīng)電機(jī)矢量控制中轉(zhuǎn)子參數(shù)自適應(yīng)辨識(shí)［J］. 電工技術(shù)學(xué)報(bào)，2011，26（6）：81-87.

Xu Qiwei，Song Liwei，Cui Shumei. Induction motor vector control based on adaptive identification of rotor parameters［J］. Transactions of China Electrotechnical Society，2011，26（6）： 81-87.

［4］ Bachir S，Tnani S，Trigeassou J C，et al. Diagnosis by parameter estimation of stator and rotor faults occurring in induction machines［J］. IEEE Transactions on Industrial Electronics，2006，53（3）： 963-973.

［5］ 劉慧開，楊立，孫豐瑞. 異步電動(dòng)機(jī)定子繞組槽內(nèi)匝間短路早期故障的表面溫升［J］. 電工技術(shù)學(xué)報(bào)，2007，22（3）： 49-54.

Liu Huikai，Yang Li，Sun Fengrui. Study of surface temperature rise of induction motor with stator winding inter-turn short circuit fault in slot［J］. Transactions of China Electrotechnical Society，2007，22（3）： 49-54.

［6］ 張建文，姚奇，朱寧輝，等. 異步電動(dòng)機(jī)定子繞組的故障診斷方法［J］. 高電壓技術(shù)，2007，33（6）： 114-117.

Zhang Jianwen，Yao Qi，Zhu Ninghui，et al. Method for diagnosing the stator winding faults in squirrel cage induction motor［J］. High Voltage Engineering，2007，33（6）： 114-117.

［7］ 方芳，楊士元，侯新國，等. 派克矢量旋轉(zhuǎn)變換在感應(yīng)電機(jī)定子故障診斷中的應(yīng)用［J］. 中國電機(jī)工程學(xué)報(bào)，2009，29（12）： 99-103.

Fang Fang，Yang Shiyuan，Hou Xinguo，et al. Application of Park's vector roating transformation for stator fault diagnosis in induction motors［J］. Proceedings of the CSEE，2009，29（12）： 99-103.

［8］ 王攀攀，史麗萍，苗長新，等. 利用骨干微粒群算法和 SVM 診斷電機(jī)定子故障［J］. 電機(jī)與控制學(xué)報(bào)，2013，17（2）： 48-54.

Wang Panpan，Shi Liping，Miao Changxin，et al. Diagnosing stator fault in motors by using bare-bones particle swarm optimization algorithm and SVM［J］. Electric Machines and Control，2013，17（2）： 48-54.

［9］ Holland J. Adaptation in natural and artificial systems［M］. Ann Arbor： University of Michigan Press，1992.

［10］ 張頂學(xué). 遺傳算法與粒子群算法的改進(jìn)與應(yīng)用［D］.武漢： 華中科技大學(xué)，2007.

［11］ 王萍萍，陳進(jìn)東，潘豐. 采用捕食搜索策略的遺傳算法改進(jìn)［J］. 東南大學(xué)學(xué)報(bào) （自然科學(xué)版），2010（Z）：223-227.

Wang Pingping，Chen Jindong，Pan Feng. Improvement of genetic algorithm based on predatory search strategy［J］. Journal of Southeast University （Natural Science Edition），2010（Z）： 223-227.

［12］ Hecht Nielsen R. Theory of the back propagation neural nevwork［C］. IEEE International Joint Conference on Neural Networks，1989： 593-605.

［13］ 嚴(yán)鴻，管燕萍. BP神經(jīng)網(wǎng)絡(luò)隱層單元數(shù)的確定方法及實(shí)例［J］. 控制工程，2009，16（2）： 100-102.

Yan Hong，Guan Yanping. Method to determine the quantity of internal nodes of back propagation neural networks and its demonstration［J］. Control Engineering of China，2009，16（2）： 100-102.

［14］ 向東陽，吳正國，胡文彪，等. 盲信號處理在感應(yīng)電動(dòng)機(jī)復(fù)合故障診斷中的應(yīng)用研究［J］. 電力系統(tǒng)保護(hù)與控制，2010，38（23）： 103-106.

Xiang Dongyang，Wu Zhengguo，Hu Wenbiao，et al. A composite fault diagnosis method of induction motor based on blind signal processing［J］. Power System Protection and Control，2010，38（23）： 103-106.

［15］ 邱赤東，薛征宇，邵萍波，等. 基于小波包變換的電機(jī)定子故障特征提取方法［J］. 電力系統(tǒng)保護(hù)與控制，2010，38（22）： 52-56.

Qiu Chidong，Xue Zhengyu，Shao Pingbo，et al. A feature extraction method for motor stator fault based on wavelet packets transform［J］. Power System Protection and Control，2010，38（22）： 52-56.

［16］ Matlab小波分析與應(yīng)用［M］. 2版. 北京： 國防工業(yè)出版社，2007.

［17］ 唐炬，謝顏斌，周倩，等. 基于最優(yōu)小波包變換與核主分量分析的局部放電信號特征提?。跩］. 電工技術(shù)學(xué)報(bào)，2010，25（9）： 35-40.

Tang Ju，Xie Yanbin，Zhou Qian，et al. Feature extraction for partial discharge signals based on the optimal wavelet packet basis transform and kernel principal component analysis［J］. Transactions of China Electrotechnical Society，2010，25（9）： 35-40.

［18］ 毛穎科，關(guān)志成，王黎明，等. 基于BP人工神經(jīng)網(wǎng)絡(luò)的絕緣子泄漏電流預(yù)測［J］. 中國電機(jī)工程學(xué)報(bào)，2007，27（27）： 7-12.

Mao Yingke，Guan Zhicheng，Wang Liming，et al. Prediction of leakage current of outdoor insulators based on BP artificial neural network［J］. Proceedings of the CSEE，2007，27（27）： 7-12.

Stator Fault Diagnosis of Induction Motors Using the Optimal Wavelet Tree and Improved BP Neural Network

Shi LipingTang JiashengWang PanpanHan LiZhang Xiaolei
（China University of Mining and TechnologyXuzhou221008China）

In order to accurately identify and eliminate the stator winding inter-turn short circuit fault of induction motors in time and guarantee the safe operation of electrical equipment，a novel method for fault diagnosis is proposed based on the optimal wavelet tree and predator search genetic algorithm （PSGA）. Using the optimal wavelet tree combined with the characteristics of the fault current，the remnants of stator current signal is decomposed into different nodes after filtering out the fundamental component. As the input feature vectors of BP neural network，the energy range of each node represents the strongest intrinsic regularity of the fault signal. The BP neural network is used to solve the classification problem and the PSGA is taken to choose the initial weights and threshold of network，which will improve the speed and precision of network training. The final experimental results show that the proposed method can not only extract the better optimal feature vectors than wavelet package method but also accurately identify the three failure extent of motor stator inter-turn short circuit fault.

Induction motors，stator inter-turn short circuit fault，the optimal wavelet tree，predator search genetic algorithm，BP neural network

TM320

史麗萍女，1964年生，博士，教授，博士生導(dǎo)師，研究方向?yàn)殡姎庠O(shè)備故障診斷以及電網(wǎng)無功補(bǔ)償。

湯家升男，1990年生，碩士研究生，研究方向?yàn)殡姎庠O(shè)備故障診斷以及電氣控制。

教育部科學(xué)技術(shù)研究重大資助項(xiàng)目（311021）。

2013-12-28改稿日期 2014-07-21