基于DCNN-BiLSTM-Attention的電機(jī)繞組絕緣剩余壽命預(yù)測(cè)

關(guān)鍵詞：電機(jī)繞組絕緣；剩余壽命預(yù)測(cè)；擴(kuò)張卷積神經(jīng)網(wǎng)絡(luò)；雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)；注意力機(jī)制

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2024）28-0121-03

0 引言

電機(jī)系統(tǒng)在現(xiàn)代工業(yè)和日常生活中扮演著不可或缺的角色，它們驅(qū)動(dòng)著各種機(jī)械設(shè)備，從工廠生產(chǎn)線到交通運(yùn)輸工具。然而，電機(jī)系統(tǒng)的可靠性和安全性一直是廣泛關(guān)注的問題，尤其是涉及電機(jī)絕緣的老化和壽命問題。在交流電機(jī)故障中，常見故障類型包括定子故障、軸故障和轉(zhuǎn)子故障。根據(jù)調(diào)查結(jié)果，30%～40%的交流電機(jī)故障與定子有關(guān)[1]。在所有統(tǒng)計(jì)的發(fā)電機(jī)事故的故障因素中，絕緣損壞造成的事故所占比例過半[2]。發(fā)電機(jī)定子繞組通過電磁感應(yīng)原理進(jìn)行能量交換，工作中需承受不斷變化的機(jī)械力、電場(chǎng)、熱力作用，定子繞組絕緣性能、壽命也在緩慢發(fā)生變化[3]。為了確保電機(jī)系統(tǒng)的可靠運(yùn)行和維護(hù)，對(duì)繞組絕緣的壽命預(yù)測(cè)（Remaining Useful Life， RUL） 變得至關(guān)重要。

電機(jī)定子絕緣老化壽命預(yù)測(cè)根據(jù)本質(zhì)可分為兩大類：基于回歸分析的預(yù)測(cè)、基于智能算法的預(yù)測(cè)[2]。國(guó)內(nèi)在基于回歸分析的預(yù)測(cè)的研究較為深入，曾鵬團(tuán)隊(duì)通過局放、介損、交直流耐壓等試驗(yàn)對(duì)水輪發(fā)電機(jī)定子繞組絕緣進(jìn)行局部放電參數(shù)法、D圖像法與老化公式進(jìn)行對(duì)比，發(fā)現(xiàn)D圖像法的可行度較高[4]。張建以聚酰亞胺薄膜的剩余擊穿電壓為狀態(tài)變量，基于Wiener過程以及加速退化數(shù)據(jù)建立了卡爾曼濾波模型的狀態(tài)方程與觀測(cè)模型，從而實(shí)現(xiàn)了電機(jī)絕緣紙剩余壽命預(yù)測(cè)[5]。胡曉盼通過采集低壓電機(jī)熱應(yīng)力與機(jī)械應(yīng)力參數(shù)建立兩參數(shù)威布爾分布模型，繪制可靠度函數(shù)與壽命曲線，從而實(shí)現(xiàn)了電機(jī)絕緣剩余壽命預(yù)測(cè)[6]。

除了基于回歸分析的預(yù)測(cè)方法，另外一種預(yù)測(cè)方法便是基于智能算法的預(yù)測(cè)。鮑曉華分析了影響高壓潛水電機(jī)絕緣壽命的重要因素，建立了反向傳播Propagation， BP） 神經(jīng)網(wǎng)絡(luò)進(jìn)行絕緣壽命預(yù)測(cè)，并（通Ba過ck加速壽命實(shí)驗(yàn)實(shí)現(xiàn)了高壓潛水電機(jī)絕緣壽命預(yù)測(cè)[7]。曾裕針對(duì)雙饋異步發(fā)電機(jī)絕緣壽命預(yù)測(cè)的效率和精度有待提高的問題，提出一種基于果蠅算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法，從而實(shí)現(xiàn)了電機(jī)絕緣剩余壽命的預(yù)測(cè)[8]。楊增杰通過研究水輪發(fā)電機(jī)定子繞組采集故障局部放電脈沖數(shù)據(jù)，并對(duì)其進(jìn)行處理轉(zhuǎn)化為灰度圖數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行故障識(shí)別[3]。

近年來，深度學(xué)習(xí)技術(shù)因其強(qiáng)大的數(shù)據(jù)處理和模式識(shí)別能力，在許多領(lǐng)域顯示出了巨大的應(yīng)用潛力。特別是在電機(jī)絕緣剩余壽命的預(yù)測(cè)研究中，通過深度學(xué)習(xí)模型處理和分析電機(jī)運(yùn)行數(shù)據(jù)，可以有效地揭示電機(jī)絕緣老化的復(fù)雜機(jī)理和趨勢(shì)，從而實(shí)現(xiàn)對(duì)電機(jī)絕緣剩余壽命的準(zhǔn)確預(yù)測(cè)。本文提出了一種空洞卷積神經(jīng)網(wǎng)絡(luò)、雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)和注意力機(jī)制的混合深度學(xué)習(xí)模型（DCNN-BiLSTM-Attention） ，旨在提高電機(jī)絕緣剩余壽命預(yù)測(cè)的準(zhǔn)確性。首先，研究電機(jī)絕緣熱老化的機(jī)理，通過加速壽命試驗(yàn)獲得電機(jī)絕緣老化的數(shù)據(jù)。然后，利用CNN進(jìn)行特征提取，使用Bi- LSTM進(jìn)行預(yù)測(cè)，最后使用注意力機(jī)制提高模型的性能與泛化能力。通過這種方式，模型可以更好地捕捉電機(jī)絕緣老化過程中的復(fù)雜特征和非線性關(guān)系，從而實(shí)現(xiàn)對(duì)電機(jī)絕緣剩余壽命的有效預(yù)測(cè)。

1 DCNN-BiLSTM-Attention模型

1.1 空洞卷積神經(jīng)網(wǎng)絡(luò)

空洞卷積神經(jīng)網(wǎng)絡(luò)是一種卷積神經(jīng)網(wǎng)絡(luò)的變體，它在傳統(tǒng)的卷積操作中引入了“空洞”或“膨脹”操作。在處理序列數(shù)據(jù)時(shí)，尤其是在時(shí)間序列數(shù)據(jù)中，空洞卷積能夠更好地捕捉長(zhǎng)期依賴關(guān)系，從而提高模型的性能。

對(duì)于后向LSTM，其計(jì)算過程與前向LSTM相似，但方向是從序列的末尾到開頭。最終，將每個(gè)時(shí)間步t 的前向LSTM和后向LSTM的輸出結(jié)合起來。這樣，BiLSTM 能夠同時(shí)考慮給定時(shí)間點(diǎn)之前和之后的信息，從而提供更豐富的上下文信息。這在序列預(yù)測(cè)任務(wù)中尤為重要，BiLSTM 可以因此做出更準(zhǔn)確的預(yù)測(cè)[9]。

1.3 注意力機(jī)制

注意力機(jī)制是一種用于增強(qiáng)模型性能的技術(shù)，尤其適用于序列數(shù)據(jù)處理任務(wù)[10]。在序列中，某些部分對(duì)于任務(wù)的完成可能更加重要，而其他部分則相對(duì)不那么重要。注意力機(jī)制通過為每個(gè)時(shí)間步學(xué)習(xí)權(quán)重，使得模型能夠更加集中地關(guān)注重要的部分。這種機(jī)制能夠幫助模型更好地理解序列中的關(guān)鍵信息，從而提高模型的性能和泛化能力。

2 電機(jī)繞組熱老化加速壽命實(shí)驗(yàn)

2.1 加速熱老化試驗(yàn)設(shè)計(jì)

在本研究中，采用恒應(yīng)力加速壽命試驗(yàn)方法，對(duì)三相異步電機(jī)進(jìn)行熱老化測(cè)試。試驗(yàn)中使用恒溫控制箱，最高溫度可達(dá)500°C。該電機(jī)采用F級(jí)絕緣系統(tǒng)，根據(jù)GB/T 11026.1-2016標(biāo)準(zhǔn)，溫度設(shè)定為220°C，并按此溫度進(jìn)行10個(gè)周期的老化試驗(yàn)。溫度調(diào)節(jié)通過溫控儀完成，以確保溫差在可接受范圍內(nèi)。每完成一個(gè)老化周期后，樣品被放置至室溫（25°C） 冷卻，然后對(duì)其進(jìn)行三相間以及與地之間的絕緣電阻、吸收比和極化指數(shù)等關(guān)鍵參數(shù)的測(cè)試。重復(fù)上述操作直至樣品壽命終止。

2.2 測(cè)量參數(shù)

在電機(jī)絕緣性能測(cè)試中，即使絕緣材料具有相同性能，其絕緣電阻也會(huì)因?yàn)轶w積的不同而表現(xiàn)出顯著差異；體積較大的材料會(huì)展現(xiàn)較低的電阻值，而體積較小的則相反。因此，可以通過絕緣電阻隨加壓時(shí)間的變化來判斷絕緣結(jié)構(gòu)是否正常，常用吸收比來判斷。實(shí)際使用中，規(guī)定10 min值R10min 除以1 min阻值R來表示極化指數(shù)（PI） ，如式（8） 所示：

3 DCNN-BiLSTM-Attention模型驗(yàn)證

3.1 預(yù)處理

經(jīng)過老化試驗(yàn)后采集到的數(shù)據(jù)如表1所示。首先，需要對(duì)采集到的數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗。然后，將數(shù)據(jù)按照 8∶1∶1 的比例分成三部分，分別用于訓(xùn)練集、驗(yàn)證集和測(cè)試集。模型采用滑動(dòng)窗口的迭代預(yù)測(cè)模式，窗口長(zhǎng)度為 L。每個(gè)窗口的特征包括前 L個(gè)時(shí)間點(diǎn)的數(shù)據(jù)，而標(biāo)簽則為后 1 個(gè)時(shí)間點(diǎn)的數(shù)據(jù)。

通過將特征數(shù)據(jù)輸入模型進(jìn)行預(yù)測(cè)，得到預(yù)測(cè)標(biāo)簽，并與實(shí)際值進(jìn)行對(duì)比。然后將窗口向前滑動(dòng)一個(gè)時(shí)間點(diǎn)，重復(fù)此過程直至結(jié)束，完成訓(xùn)練。

3.2 模型結(jié)構(gòu)

本文采用的DCNN-BiLSTM-Attention 電機(jī)繞組絕緣剩余壽命預(yù)測(cè)模型，利用了空洞卷積增大感受野的特性，來獲取前 L 條時(shí)間上的數(shù)據(jù)特征。雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（BiLSTM） 對(duì)數(shù)據(jù)進(jìn)行正向和反向處理，以融合數(shù)據(jù)特征。注意力機(jī)制則集中地關(guān)注重要的部分，從而增強(qiáng)模型獲取數(shù)據(jù)中依賴關(guān)系的能力，最后通過全連接層輸出最終預(yù)測(cè)結(jié)果。其模型結(jié)構(gòu)如圖2 所示。

如圖3所示，本文模型對(duì)電機(jī)繞組絕緣剩余壽命的趨勢(shì)預(yù)判基本正確。這表明使用此模型時(shí)，DCNN 能夠有效提取顯著性特征，BiLSTM能夠更準(zhǔn)確地捕獲時(shí)間序列規(guī)律，而注意力機(jī)制則幫助模型聚焦于序列中的顯著特征，避免重要特征的丟失，從而使得預(yù)測(cè)更為準(zhǔn)確。

以上實(shí)驗(yàn)結(jié)果驗(yàn)證了本文模型通過注意力機(jī)制、DCNN和BiLSTM的聯(lián)合應(yīng)用，能夠較好地探尋電機(jī)繞組絕緣剩余壽命的變化規(guī)律。

4 結(jié)束語

通過本文提出的神經(jīng)網(wǎng)絡(luò)訓(xùn)練的電機(jī)定子絕緣剩余壽命預(yù)測(cè)模型，其均方誤差（MSE） 達(dá)到0.1004，平均絕對(duì)誤差（MAE） 達(dá)到0.0706。這表明模型能夠通過采集到的數(shù)據(jù)快速預(yù)測(cè)電機(jī)定子絕緣剩余壽命，解決了由于技術(shù)人員經(jīng)驗(yàn)差異造成的人工診斷結(jié)果的不一致性。通過實(shí)驗(yàn)所得數(shù)據(jù)訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)模型具備較高的科學(xué)性和可靠性，能夠以模型預(yù)測(cè)替代人工分析，提高效率，并實(shí)現(xiàn)機(jī)械狀態(tài)判斷的數(shù)字化和智能化。

然而，模型仍存在不足之處需改進(jìn)。由于模型的訓(xùn)練基于實(shí)驗(yàn)數(shù)據(jù)，當(dāng)前的數(shù)據(jù)庫中對(duì)應(yīng)的電機(jī)種類和數(shù)量較少，而現(xiàn)實(shí)中電機(jī)種類和數(shù)量繁多且復(fù)雜。為了提高模型的準(zhǔn)確性和適用性，后續(xù)工作應(yīng)持續(xù)補(bǔ)充和擴(kuò)充數(shù)據(jù)庫，以訓(xùn)練更加精準(zhǔn)的模型。