基于PSO-Elman的三峽升船機(jī)驅(qū)動(dòng)電機(jī)故障診斷研究

易 爽，高 嵐，朱漢華

(武漢理工大學(xué) 船海與能源動(dòng)力工程學(xué)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(jī)則是三峽永久通航設(shè)備中最重要的設(shè)備之一[1]。驅(qū)動(dòng)電機(jī)作為三峽升船機(jī)的核心動(dòng)力來源，其重要性不言而喻，一旦出現(xiàn)故障，升船機(jī)會(huì)失去動(dòng)力來源，可能會(huì)造成嚴(yán)重的安全事故。因此，有必要對(duì)驅(qū)動(dòng)電機(jī)進(jìn)行故障診斷研究，從而保障三峽升船機(jī)運(yùn)行的安全性。

三峽升船機(jī)驅(qū)動(dòng)電機(jī)是功率為315 kW的1PQ8355-6PB80-Z系列西門子變頻調(diào)速三相異步電動(dòng)機(jī)，針對(duì)驅(qū)動(dòng)電機(jī)進(jìn)行故障研究就要了解異步電機(jī)的故障機(jī)理及診斷方式?，F(xiàn)如今，許多學(xué)者針對(duì)異步電機(jī)故障診斷方法進(jìn)行相關(guān)研究。其中，文獻(xiàn)[2]提出一種基于小波包信息熵和小波神經(jīng)網(wǎng)絡(luò)的故障診斷方法；文獻(xiàn)[3]提出了基于差分進(jìn)化算法優(yōu)化徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)的故障診斷方法；文獻(xiàn)[4]以定子電流為故障信號(hào)，利用集合經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)能量熵構(gòu)造故障特征向量，通過人工神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識(shí)別。

針對(duì)三峽升船機(jī)驅(qū)動(dòng)電機(jī)，本文以驅(qū)動(dòng)電機(jī)定子電流作為故障診斷信號(hào)，根據(jù)小波包分解得到的能量分布特征構(gòu)建故障特征向量，通過PSO-Elman模型實(shí)現(xiàn)對(duì)驅(qū)動(dòng)電機(jī)的故障診斷。

1 驅(qū)動(dòng)電機(jī)建模與故障設(shè)置

驅(qū)動(dòng)電機(jī)在實(shí)際運(yùn)行過程中，由于工作環(huán)境惡劣、工況復(fù)雜，可能會(huì)導(dǎo)致轉(zhuǎn)子斷條故障的發(fā)生，而在通常情況下，轉(zhuǎn)子斷條故障都會(huì)引起氣隙偏心故障的產(chǎn)生[5]。因此本文以三峽升船機(jī)驅(qū)動(dòng)電機(jī)作為研究對(duì)象，針對(duì)電機(jī)匝間短路、轉(zhuǎn)子斷條、氣隙偏心、轉(zhuǎn)子斷條和氣隙偏心復(fù)合故障4種故障開展診斷研究。

由于三峽升船機(jī)機(jī)電設(shè)備運(yùn)行數(shù)據(jù)的涉密性，本文利用ANSYS Maxwell仿真平臺(tái)完成驅(qū)動(dòng)電機(jī)的建模和故障設(shè)置，表1為三峽升船機(jī)驅(qū)動(dòng)電機(jī)相關(guān)參數(shù)，三峽升船機(jī)驅(qū)動(dòng)電機(jī)有限元模型示意圖如圖1所示。每種故障設(shè)置4種故障程度，其故障狀態(tài)分別為：匝間短路2匝、4匝、6匝和8匝，轉(zhuǎn)子斷條1、3、5和7根，氣隙偏心10%、20%、30%和40%。轉(zhuǎn)子斷條和氣隙偏心復(fù)合故障按照故障程度分為輕度、中度、重度和嚴(yán)重，有限元模型的仿真時(shí)間設(shè)置為5 s，仿真步長設(shè)置為0.001 s，通過仿真分析計(jì)算獲取驅(qū)動(dòng)電機(jī)定子三相電流數(shù)據(jù)。

表1 三峽升船機(jī)驅(qū)動(dòng)電機(jī)相關(guān)參數(shù)

2 基于小波包能量的故障信號(hào)特征提取

當(dāng)驅(qū)動(dòng)電機(jī)出現(xiàn)匝間短路、轉(zhuǎn)子斷條、氣隙偏心故障時(shí)，定子電流中會(huì)產(chǎn)生特定的電流分量，直接利用FFT對(duì)定子電流信號(hào)進(jìn)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(hào)所淹沒，導(dǎo)致該頻率分量難以被識(shí)別。而電機(jī)故障會(huì)導(dǎo)致故障信號(hào)的能量分布與正常信號(hào)相比有所不同，因此，本文利用小波包對(duì)驅(qū)動(dòng)電機(jī)的定子電流信號(hào)進(jìn)行分解重構(gòu)，得到多個(gè)頻段信號(hào)，每個(gè)頻段對(duì)應(yīng)著不同的能量值，利用能量值占比作為電機(jī)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(gè)節(jié)點(diǎn)，其中i為從0到2j-1的整數(shù)，該節(jié)點(diǎn)的重構(gòu)信號(hào)為Sji，節(jié)點(diǎn)能量可以表示為Eji，因此節(jié)點(diǎn)(j，i)的能量表達(dá)式為：

(1)

式中，N表示信號(hào)的長度；k表示整數(shù)。

小波包分解后第j層的總能量為Ej，則其表達(dá)式為：

(2)

第j層中第i個(gè)節(jié)點(diǎn)對(duì)應(yīng)的頻段能量值相對(duì)總能量的比例pji為：

(3)

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

由于本文涉及的故障狀態(tài)較多，以重度復(fù)合故障為例進(jìn)行展示，以0.6 s作為一個(gè)采樣周期，對(duì)一個(gè)周期的A相定子電流數(shù)據(jù)進(jìn)行小波包三層分解，其中小波基選用db5小波，重度復(fù)合故障狀態(tài)下小波包節(jié)點(diǎn)分解重構(gòu)圖如圖2所示。由圖2可知，定子電流信號(hào)經(jīng)過三層小波包分解后，重構(gòu)成為了8個(gè)節(jié)點(diǎn)信號(hào)，一般情況下，節(jié)點(diǎn)信號(hào)的頻段相對(duì)能量值會(huì)因?yàn)楣收隙l(fā)生改變[6]，驅(qū)動(dòng)電機(jī)定子電流信號(hào)能量譜如圖3所示。由圖3可知，驅(qū)動(dòng)電機(jī)不同故障狀態(tài)下定子電流信號(hào)能量譜具有明顯的不同，利用定子電流信號(hào)能量譜能有效地區(qū)分電機(jī)的故障狀態(tài)。將得到的相對(duì)能量值組成一個(gè)象征故障類型的故障特征向量，按照能量占比每種狀態(tài)對(duì)應(yīng)一個(gè)八維特征向量。

圖2 重度復(fù)合故障狀態(tài)下小波包節(jié)點(diǎn)分解重構(gòu)圖

圖3 驅(qū)動(dòng)電機(jī)定子電流信號(hào)能量譜

3 基于PSO-Elman模型的故障診斷

3.1 Elman神經(jīng)網(wǎng)絡(luò)

Elman神經(jīng)網(wǎng)絡(luò)是一種局部回歸神經(jīng)網(wǎng)絡(luò)。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(shí)刻的輸出，相當(dāng)于一個(gè)隱含層輸出的臨時(shí)儲(chǔ)存器。Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.2 基于 PSO-Elman的故障診斷方案設(shè)計(jì)

粒子群算法(PSO)是近些年來發(fā)展起來的一種進(jìn)化算法，其具有實(shí)現(xiàn)方便、收斂速度快、參數(shù)設(shè)置少等優(yōu)點(diǎn)，因此被廣泛用于日常實(shí)際問題的解決。

Elman神經(jīng)網(wǎng)絡(luò)采用的核心算法是BP算法，其劣勢(shì)比較明顯，網(wǎng)絡(luò)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(yōu)能力進(jìn)行優(yōu)化則能很好地解決這一缺點(diǎn)。因此，針對(duì)三峽升船機(jī)驅(qū)動(dòng)電機(jī)，本文設(shè)計(jì)基于PSO-Elman的故障診斷方案。

基于PSO-Elman的驅(qū)動(dòng)電機(jī)故障診斷方案流程圖如圖5所示。該設(shè)計(jì)方案主要包括4個(gè)部分：故障特征向量提取、Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、PSO算法優(yōu)化網(wǎng)絡(luò)參數(shù)、網(wǎng)絡(luò)故障分類。其基本步驟如下：①將驅(qū)動(dòng)電機(jī)的故障特征向量進(jìn)行編碼，確定故障診斷數(shù)據(jù)集的輸入和輸出樣本；②根據(jù)數(shù)據(jù)集樣本，確定Elman神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)；③根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)初始化PSO算法粒子參數(shù)；④將Elman神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差的絕對(duì)值作為個(gè)體適應(yīng)度值，在適應(yīng)度值的迭代中選取最優(yōu)的個(gè)體極值和全局極值；⑤當(dāng)?shù)螖?shù)達(dá)到設(shè)定值或者目標(biāo)精度，就停止PSO尋優(yōu)；⑥將尋優(yōu)得到的全局極值對(duì)應(yīng)權(quán)值和閾值作為Elman神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)定值；⑦利用PSO算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)完成驅(qū)動(dòng)電機(jī)的故障分類。

圖5 基于PSO-Elman的驅(qū)動(dòng)電機(jī)故障診斷方案流程圖

4 故障診斷結(jié)果分析

將驅(qū)動(dòng)電機(jī)正常和故障狀態(tài)下的定子電流信號(hào)，按照“基于小波包能量的故障信號(hào)特征提取”方法提取驅(qū)動(dòng)電機(jī)故障特征向量，構(gòu)成850組八維向量。針對(duì)驅(qū)動(dòng)電機(jī)的17種狀態(tài)，利用一維向量進(jìn)行編碼，作為Elman神經(jīng)網(wǎng)絡(luò)的輸出，按照表2 的電機(jī)狀態(tài)次序從1至17依次編碼。將故障特征向量和編碼組成數(shù)據(jù)樣本集，選取60%的數(shù)據(jù)樣本作為訓(xùn)練集，40%的數(shù)據(jù)樣本作為測(cè)試集。

本文中Elman神經(jīng)網(wǎng)絡(luò)的輸入向量為八維，輸出向量為一維，因此設(shè)置其輸入層節(jié)點(diǎn)個(gè)數(shù)為8，隱含層節(jié)點(diǎn)個(gè)數(shù)為11，輸出層節(jié)點(diǎn)個(gè)數(shù)為1。設(shè)定PSO算法的粒子群體規(guī)模為20，微粒長度為110，最大迭代次數(shù)為200，目標(biāo)精度為0.001，學(xué)習(xí)因子c1=c2=1.5，慣性權(quán)重ω=0.95，粒子的運(yùn)動(dòng)速度vmax=0.9、vmin=0.5。

本文利用PSO算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)， 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(yōu)化Elman神經(jīng)網(wǎng)絡(luò)模型效果明顯，網(wǎng)絡(luò)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(dāng)?shù)螖?shù)達(dá)到52次時(shí)達(dá)到目標(biāo)精度0.001，隨即PSO尋優(yōu)過程停止?？傮w來說，該模型的預(yù)測(cè)精度較高。

圖6 PSO-Elman模型迭代誤差變化曲線圖

針對(duì)三峽升船機(jī)驅(qū)動(dòng)電機(jī)的匝間短路、轉(zhuǎn)子斷條、氣隙偏心和復(fù)合故障等多種故障狀態(tài)，利用PSO-Elman模型完成故障分類，表2為PSO-Elman模型故障診斷結(jié)果。其中，對(duì)于轉(zhuǎn)子斷條故障的故障分類效果最好，故障診斷準(zhǔn)確率接近100%，PSO-Elman模型總的故障診斷準(zhǔn)確率達(dá)到95.29%。

表2 PSO-Elman模型故障診斷結(jié)果

5 結(jié)束語

為了保障三峽升船機(jī)驅(qū)動(dòng)電機(jī)的可靠運(yùn)行，本文針對(duì)驅(qū)動(dòng)電機(jī)的4種故障類型共16種故障狀態(tài)進(jìn)行研究，利用小波包分解提取了故障特征向量，相較于FFT對(duì)故障信號(hào)處理不佳，小波包保障了故障特征向量提取的準(zhǔn)確性。利用PSO算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)模型完成了故障診斷，通過仿真試驗(yàn)證明了PSO-Elman模型能實(shí)現(xiàn)對(duì)三峽升船機(jī)驅(qū)動(dòng)電機(jī)的故障分類，該方法具有可靠性和有效性。因此，將該模型應(yīng)用于三峽升船機(jī)驅(qū)動(dòng)電機(jī)的運(yùn)行狀態(tài)監(jiān)測(cè)是可行的。