SOM神经网络对永磁同步电机的故障诊断

陈世游，陆 海，张少泉，陈晓云



SOM神经网络对永磁同步电机的故障诊断

陈世游，陆 海，张少泉，陈晓云

（云南电网有限责任公司电力科学研究院研究生工作站，云南 昆明 650217）

为实现永磁同步电机的故障类别的诊断，采用小波函数根据不同频段进行故障特征提取，对提取样本数据进行归一化处理，对奇异样本。SOM（Self Organizing Map）的领域函数选取小波函数，形成次兴奋神经元不断对权值更新，避免 SOM的产生局部最优解。采用实验提取的故障数据作为 SOM 神经网络的输入样本进行网络训练，从而得出产生特定故障时所激发的相应神经元索引。实验结果验证了该方法的可行性和实用性。

神经网络；故障诊断；神经元索引；永磁同步电机

0 引言

当前社会工业、农业生产和人们的日常生活都对动力源提出了新的要求，在全球化石能源日渐枯竭的今天，电机已成为主要的动力输出设备，数量与应用范围越来越广。为了适应生产的需要，电机的容量不断增大，所组成的系统规模越来越大，构成越来越复杂，所以降低其故障率提高可靠性的要求也越来越高。作为系统中重要的动力输出源，交流电机一旦出现故障，便导致整个系统无法工作，引起系统瘫痪，其经济损失不可估量。因此近些年来电机故障诊断技术引起专家和技术人员的高度重视。针对故障诊断社会上已经开发出科技含量较高的诊断设备。对电机进行故障诊断，对症下药延长设备部件的使用寿命，为企业节省大量的停机时间，创造巨大的经济价值[1-2]。

早期的故障诊断是电机发生故障后对电机进行维修，属于事后维修。除此之外，定期的对电机进行试验和更换器件，进行预防性维修但其是离线的不能保障生产的连续性。在上述两种检测方法中,断电检测时电机的参数发生变化。另外，定期检测，非实时检测，无法确保随时发现故障问题[3-4]。

传统的诊断方法需要建立比较准确的数学模型，在系统模型不确定或非线性的情况下，传统的诊断方法无法解决。

永磁同步电机磁场是由永磁体产生的，从而避免通过励磁电流来产生磁场而导致的励磁损耗（铜耗）；永磁同步电机的外特性效率曲线相比异步电机，其在轻载时效率值要高很多，这是永磁同步电机在节能方面，相比异步电机最大的一个优势。从电机本体来对比，永磁同步变频调速电机与异步电机的可靠性相当，但永磁同步电机结构的灵活性，便于实现直接驱动负载，永磁同步变频调速电机体积小，功率密度大的优势。本文采用永磁同步电机作为例子来分析SOM神经网络在故障诊断方面的应用。

1 永磁同步电机故障特征

电机动力输出原理是把电能转换成机械动能，系统较为复杂，包括电路、磁路、绝缘、机械、通风散热系统等。任何一个子系统工作状况不好或其间衔接出现问题，便会使整个系统工作紊乱即电机出现故障。所以电机故障的成因复杂，涉及的专业技术领域较广，诊断难度较大，对电机维修人员也提出了较高的要求。一般来说，电机故障诊断涉及到的专业知识主要有电机理论、电磁测量、信号处理、计算机技术、热力学、绝缘技术、人工智能等。

电机故障的特征往往不明显，具有隐含性，故障征兆也具有多个产生原因即故障原因的多元性。一个故障也可能表现出多种征兆，如笼型异步电机当鼠笼断裂或端环开裂时表现为机体振动加剧，电流不稳定，定子电流增加（1~2 s）fl电流分量、起动缓慢、电机转差率增加、转速转矩波动等故障征兆，这些征兆之间有时独立存在，有时同时存在。电机鼠笼断条发生后，如果不及时停机检查维修电，让电机在故障下运行，将会造成更多的笼条断裂，故障会加剧，zui终可能造成电机无法修复。有时不同故障起因也可能会反映出同一个故障征兆，这时就要逐一排查能够产生该征兆的各种原因。另外，电机故障还与其负载情况、运行工作环境等有关，在不同的外在因素影响下，电机表现出的故障征兆是不同的，这又增加了对电机故障的诊断难度。

2 SOM神经网络概述

一个神经网络接收外界输入模式时，将会分为不同的对应区域，各区域对输入模式有不同的响应特征，而这个过程是自动完成的。其特点与人脑的自组织特性类似。SOM的目标是用低维（通常是二维或三维）目标空间的点来表示高维空间中的所有点，尽可能地保持点间的距离和邻近关系（拓扑关系）。

3 SOM神经网络结构

SOM人工神经网络是一个可以在一维或二维的处理单元阵列上，形成输入信号的特征拓扑分布。自组织神经网络：是无导师学习网络。它通过自动寻找样本中的内在规律和本质属性，自组织，自适应地改变网络参数与结构。SOM为层次型结构。典型结构是：输入层加竞争层；输入层：接收外界信息，将输入模式向竞争层传递，起“观察”作用；竞争层：负责对输入模式进行“分析比较”，寻找规律并归类。SOM神经网络结构如下图1所示：

图1 一维SOM网的输出阵列二维SOM网的输出阵列

4 SOM神经网络学习算法

输出层神经元数量设定和训练集样本的类别数相关，但是实际中我们往往不能清除地知道有多少类。如果神经元节点数少于类别数，则不足以区分全部模式，训练的结果势必将相近的模式类合并为一类；相反，如果神经元节点数多于类别数，则有可能分的过细，或者是出现“死节点”，即在训练过程中，某个节点从未获胜过且远离其他获胜节点，因此它们的权值从未得到过更新[5-7]。

输出层的节点排列成哪种形式取决于实际应用的需要，排列形式应尽量直观反映出实际问题的物理意义。例如，对于旅行路径类的问题，二维平面比较直观；对于一般的分类问题，一个输出节点节能代表一个模式类，用一维线阵意义明确结构简单。

权值初始化问题：基本原则是尽量使权值的初始位置与输入样本的大概分布区域充分重合，不要出现大量的初始“死节点”。一种简单易行的方法是从训练集中随机抽取m个输入样本作为初始权值另一种可行的办法是先计算出全体样本的中心向量，在该中心向量基础上迭加小随机数作为权向量初始值，也可将权向量的初始位置确定在样本群中（找离中心近的点）。

优胜领域设计原则是使领域不断缩小，这样输出平面上相邻神经元对应的权向量之间既有区别又有相当的相似性，从而保证当获胜节点对某一类模式产生最大响应时，其领域节点也能产生较大响应。领域的形状可以是正方形、六边形或者菱形。优势领域的大小用领域的半径表示，的设计目前没有一般化的数学方法，通常凭借经验来选择。

学习率的设计：在训练开始时，学习率可以选取较大的值，之后以较快的速度下降，这样有利于很快捕捉到输入向量的大致结构，然后学习率在较小的值上缓降至0值，这样可以精细地调整权值使之符合输入空间的样本分布结构。在上一篇中，我们提到最终的学习率是由学习率*优胜领域的影响，也有一些资料是把两者分开的，学习率就是一个递减的函数（学习率可以参考上面优胜邻域半径的设定形式，可选形式类似），而优胜邻域也是t的递减函数，只不过我们队优胜邻域内的点进行更新罢了。

SOM神经网络[8-10]竞争学习的步骤是，首先向量归一化然后寻找获胜神经元最后网络输出与权值调整。算法具体步骤如下：

（1）初始化

初始化，对竞争层（也是输出层）各神经元权重赋小随机数初值，并进行归一化处理，得到；建立初始优胜领域；学习率初始化；

（2）输入向量的输入

对输入数据进行归一化处理，得到，总共有P个数据；

（3）计算映射层的权值向量和输入向量的距离（欧氏距离）

在映射层，计算各神经元的权值向量和输入向量的欧式距离。映射层的第个神经元和输入向量的距离，计算如下：

（4）权值的学习

调整权重，对优胜邻域内的所有神经元调整权重：

（5）是否满足设定的标准

达到要求则结束，否则，则返回步骤（2），进行循环。

5 同步电动机故障诊断概述

永磁同步电机的故障主要分为两方面：机械故障和电气故障。机械故障主要包括转子不平衡、轴承磨损、部件质量不平衡、转子轴系不对中和松动故障等，而电气故障主要包括定子和转子之间气隙的不均匀、电机电流偏大、电机电刷故障和早期匝间短路等。

保序映射——将输入空间的样本模式类有序地映射在输出层上；将高维空间的样本在保持拓扑结构不变的条件下投影到低维的空间，在这方面SOM网具有明显的优势。无论输入样本空间是多少维，其模式都可以在SOM网输出层的某个区域得到相应。SOM网经过训练以后，在高维空间输入相近的样本，其输出相应的位置也相近；从高维空间样本向低维空间的映射，SOM网的输出层相当于低维特征空间。对传感器检测到的振动信号，采集频率是1 200 Hz，通过db43层小波包分解，将信号分解成8个不同频带，在这8个频带中选取6个频带的能量值作为故障特征向量，即S1：18.75~37.5 Hz；S2：37.5~56.25 Hz；S3：56.25~75 Hz；S4：75~93.75 Hz；S5：112.5~131.25 Hz；S6：131.25~150 Hz。采集永磁同步电机在常用的故障频率下的振动值作为故障的特征向量，选取电机在转子不平衡、不对中和松动等情况下的数据，形成标准样本数据和有待检验样本数据。样本数据如表1所示：

表1 故障特征的样本数据

Tab.1 Sample data of fault characteristics

6 模型建立

6.1 建模步骤

将SOM网络应用于柴油机故障诊断步骤如下：

（1）初始化标准故障样本；对竞争层（也是输出层）各神经元权重赋小随机数初值，并进行归一化处理，得到；建立初始优胜领域；学习率初始化；

行业虽然面临诸多的挑战，但有利因素同样很多。从国内因素看，过去一年，国内经济实现了增速回升，经济运行质量也好于预期。从国外因素来看，2017年，全球经济呈现所有地区“高度同步”的增长，积极因素越来越多，全球经济将进入新一轮复苏和增长周期。因此，我们有理由对宏观经济环境和我国磷复肥行业的发展充满信心。

（2）对每一种标准故障样本带入模型进行训练，训练结束后，标以最大输出的神经元为故障点；

（3）待测样本输入训练好的SOM神经网络；

（4）若输出神经元在输出层的位置与某标准故障样本的位置相同，说明待检样本发生了相应的故障；若输出神经元在输出层的位置介于很多标准故障之间，由该位置与相应标准故障样本位置的欧氏距离大小确定故障类型。

6.2 编程实现

SOM网络是由函数newsom进行创建的，利用sim和train两个仿真函数对网络进行训练，应用SOM神经网络对永磁同步电机振动信号的故障特性进行分析，选取数据s=[0.6154,0.589,0.7214,0.1256, 1.0042,0.8120]。利用Matlab工具箱进行训练表

6.3 结果分析

聚类的结果如下所示：

yc =

16 2 17

16 2 17

16 2 17

16 2 17

16 2 18

16 1 12

16 1 12

rr = 16

图2 SOM网络拓扑结构

图3 邻近神经元之间的距离情况

图4 每个神经元的分类

从图4中可以看出，SOM网络将位置故障样本分到了第一类故障里。

7 结论

采用小波函数对传感器检测数据分6个频段进行故障特征向量的提取，并归一化，剔除奇异样本；SOM网络的邻域函数选取Morlet母小波奇函数，解决了由于某个神经元的初始权值向量选取不科学，导致竞争中无优势形成死神经元。同时将该方法应用于永磁同步电机的机械故障诊断中，提高了故障诊断结果的准确率。通过仿真和分析了解到将SOM神经网络的方法应用于电机的机械故障诊断中，简单而且学习周期短，辨识能力强可以应用于多种电机的故障诊断，比较实用。

[1] 韩力群. 人工神经网络理论设计及应用北京化学工业出版社, 2002.

[2] 高隽. 人工神经网络原理及仿真实例北京机械工业出版社, 2003.

[3] 朱丽娟, 田慕琴. 基于小波神经网络的异步电动机振动故障诊断研究[D].

[4] 沈海峰, 李东升, 李群霞等. 基于Kohonen自组织特征映射神经元网络图像分割方法的研究[J]. 计算机应用与软件, 2004, (9).

[5] 张彼德, 孙才新, 王柯柯, 等. 汽轮发电机多故障诊断的SOM神经网络方法[J]. 重庆大学学报, 2005, 28(2).

[6] 张北鸥. 基于小波包变换和人工神经网络的电机故障诊断系统的研究. 武汉理工大学硕士学位论文, 2010.

[7] 陈文斌. 基于小波变换的电机控制系统的故障诊断研究. 湖南大学硕士学位论文. 2006.

[8] 石黎, 孙志梅. 教学质量评价的BP 神经网络模型[J]. 软件, 2015, 36(3): 19-21.

[9] 张敏, 徐启华. 基于改进BP 的神经网络模型参考自适应控制[J]. 软件, 2015, 36(7): 118-123.

[10] 王宏涛, 孙剑伟. 基于BP神经网络和SVM的分类方法研究[J]. 软件, 2015, 36(11): 96-99.

Fault Diagnosis of Permanent Magnet Synchronous Motor Based on SOM Neural Network

CHEN Shi-you, LU Hai, ZHANG Shao-quan, CHEN Xiao-yun

(Institute of Electric Power Reasearch, Kunming, 650217)

In order to diagnose the faults of PMSM, the wavelet function is used to extract the fault features according to different frequency bands, and the normalized data samples are processed to eliminate the singular samples. The domain functions of SOM (Self, Organizing, Map) are constructed by using wavelet function, and the weights of the sub excited neurons are updated to avoid the local optimum of SOM. The experimental data is trained as the input sample of SOM neural network, and the correspondin 1g neuron index is generated when the fault is generated. The experimental results verify the feasibility and practicability of the method.

Neural network; Fault diagnosis; Neural index; Permanent magnet synchronous motor (PMSM)

TK2

A

10.3969/j.issn.1003-6970.2018.08.015

陈世游(1993-)，男，硕士，研究方向为新能源发电与智能电网技术；陆海(1985-)，男，博士，研究方向为新能源发电与智能电网技术。

本文著录格式：陈世游，陆海，张少泉，等. SOM神经网络对永磁同步电机的故障诊断[J]. 软件，2018，39（8）：70-73