基于CW-RNNs 的PMSM 故障诊断

2020-08-27唐天瑶段莹莹张超臣靳龙飞

沈阳工程学院学报（自然科学版） 2020年3期

杨柏，王森，唐天瑶，段莹莹，张超臣，靳龙飞

（1.沈阳工程学院a.研究生部；b.自动化学院，辽宁沈阳 110136；2.大连大发电供热有限公司，辽宁大连 116023；3.国网沈阳供电公司，辽宁沈阳 110000）

电机故障诊断技术是基于电机故障机理的一门诊断技术。通过实时监测电机运行过程中的振动信号、温度、电气特性等状态，能够判断电机的运行是否正常。虽然我国的电机故障诊断技术起步较晚，但在不断发展的基础上也获得了许多成果[1]。

河南科技大学研究小组[2]将最小二乘支持向量机与位移实验相结合，提出了具有降低在线诊断计算量、保证故障判别率和泛化能力特点的泵油电机的故障诊断方法。基于变分模态分解的自适应形态学的提取特征量的方法，为提取滚动轴承信号的特征频率提供了理论支持。选取粒子群算法可以对滤波器进行优化，便于完成自适应滤波。为了提取故障特征信号，可以进行仿真实验并分析滚动轴承的故障原因，结合自适应形态学和其他调节方法进行比较[3]。张周磊研究小组提出了电机匝间短路故障诊断的新方法，样本数据的扩张、鲁棒的建立、训练合集多样性均由生成式对抗神经网络负责，再利用稀疏自编码深度学习网络完成高效而准确的故障诊断和故障分类，两者相结合的方法能够使诊断结果具有更高的准确性和高效性[4]。通过模糊神经网络优化专家系统的方法进行电机的故障诊断，利用模糊神经网络的自学习性，弥补专家系统学习性差的缺点[5]，最终达到大量获取电机故障特征量的目标，为故障诊断结果的准确率提供保障。不仅如此，随机搜索与长短时记忆神经网络相结合还可以防止故障预兆不明确的问题，在诊断的速度上也有了明显改善[6]。

由于人工智能的飞速发展，神经网络类型不断更新。研究者们提出了许多新型神经网络，如卷积神经网络、自联想神经网络、灰色神经网络、RNN等等。本文基于粒子群算法与时钟驱动循环神经网络提出一种高效准确的PMSM 故障诊断方法。基于MATLAB 建立时钟驱动循环神经网络（CW-RNNs）模型，实现PMSM 故障类型诊断，通过实验仿真验证该方法的有效性。

1 时钟驱动循环神经网络

通过不断的发展，循环神经网络衍生了很多优化模型，如：LSTM、GRU、SPNN、Bi-RNN。时钟驱动循环神经网络（Clockwork RNNS）是众多优化模型之一。CW-RNNs 简化了参数的数量，降低了循环神经网络结构的复杂性，提高了神经网络的训练速率和准确率[7]。为了解决循环神经网络对隐含层长时间依赖的问题，CW-RNNs 将隐含层划分为不同的组（块）且每组（块）按照自己的时钟频率周期运行计算，提升了隐含层的独立性与计算效率。CW-RNNs 能够利用时钟进行离散操作，时钟周期的不同会导致网络中隐含层组单元工作的改变。除此之外，所有隐含层使用周期性工作的方式代替同时工作，保证了网络训练的速度。以时钟周期较小组的神经元作为神经元的连接方向，一般来说，神经元与时钟周期较长组连接可能较小，方向由神经元的大周期指向小周期。随着神经元组周期的增大，计算速度降低。

CW-RNNs 网络结构如图1 所示，与传统循环神经网络一样都包括输入层（input）、输出层（output）、隐含层（hidden）。其中隐含层被划分为g个模块，每个模块含有m个神经元。每组模块具有不同的运行周期，且每组模块的神经元之间相互连接。CW-RNNs网络的输入、输出公式如下：

式中，M为隐含层神经元相互连接矩阵；Min为输入层与隐含层之间的权值矩阵；Mo为输出层与隐含层之间的权值矩阵；xt与ht-1分别为第t步的输入与隐含层第t-1 步的输出；ht为隐含层第t步的输出；Ot为第t步的输出；fh与fo分别为隐含层与输出层的激活函数。

其中，

CW-RNNs 的隐含层被划分为g个模块组，隐含层满足（tmodTh）=0 条件时，隐含层执行第t步计算。由于每一隐含层的周期是任意的，因此本文CW-RNNs 隐含层组的周期为Th=2s-1（s∈[1，…，g]）。

由于在CW-RNNs 中，各组（块）都有自己的运行周期，因此运行周期长的组（块）处理输出多依靠信息，而运行周期短的组（块）会进行更新。CWRNNs 的误差传播与传统的RNNs 的区别在于前者的误差是在隐藏层的执行状态下传播，而后者是即使隐藏层组在执行状态下，也会复制前面相连的隐藏组进行后向传播。也就是输出层和连接到左边执行状态隐藏层组的后向传播信息都将产生执行态的隐藏层组的误差后向信息，而不是只源于其连接到左边的隐藏层组的后向传播数据[8]。

图1 CW-RNNs网络结构

2 权重改进的粒子群算法优化CWRNNs超参数

目前，神经网络的最优超参数都是学者们通过大量实验仿真寻找的神经网络最优超参数。由于寻找神经网络最优超参数需要实验人员大量的时间与精力，因此研究人员提出了将自动优化算法应用于神经网络[9]。神经网络超参数的自动优化算法有遗传算法、随机搜索算法[10]、粒子群算法等。本文以权重改进的粒子群算法自动优化神经网络超参数。

设定粒子Pi的适应值为fi，最优粒子适应度是fm，则粒子群的平均适应值为

依据fi、fm、favg将群体分为3个粒子群，分别进行不同的自适应操作，其惯性权重的调整如下：

1）如果fi优于，那么

2）如果fi优于，且次于fm，则惯性权重不变。

3）如果fi次于，则

式中，k1、k2为控制参数，k1用来控制ω的上限，k2主要用来控制ω的调节能力。

权重改进的粒子群算法根据实际情况确定目标函数与约束函数。超参数的最终优化目标是神经网络的训练损失率与测试损失率接近于零（即神经网络模型的故障诊断正确率接近100%）。

目标函数：

式中，A表示神经网络模型故障诊断正确的样本数量；E表示神经网络模型故障诊断错误的样本数量。

超参数包括CW-RNNs隐含层层数LCW-RNNS、隐含层节点个数NHiddenlayer、批量处理样本数目SBatchprocessing和学习率RLearning，约束函数为

式中，SBatchprocessingmin、SBatchprocessingmax表示对应参数的最小值与最大值；StapS表示优化步长。

3 故障诊断试验验证

本文为了有效地实现电机故障诊断，利用权重改进的粒子群算法调节CW-RNNs 的超参数。CW-RNNs 的输入样本尽可能包含故障信号的所有特征。由于不同的故障可能具有相同的故障特征，因此本文将定子电流、振动信号作为神经网络的输入来提高电机故障诊断准确率。

3.1 试验数据

本文搭建了PMSM试验平台，功率分析仪采集定子电流信号，两个振动传感器分别采集底座振动信号与输出轴端振动信号。本文通过更换PMSM零部件模拟电机不同的故障状态（如表1 所示）。本文采集1 000 组正常数据，每种故障类型数据各采集1 000 组，组成样本数据，其中4 900 组作为训练样本集，其余2 100 组作为检测样本集。样本数据分布如图2所示。

表1 电机不同状态及对应索引号

图2 主驱动电机正常数据与故障数据分布

3.2 超参数自动优化

随着基于权重改进的粒子群算法不断迭代计算最优的超参数，其结果如图3 所示。权重改进的粒子群算法在不超过200 次迭代就已经达到收敛，并得到了较低的适应度值。经过权重改进的粒子群算法的全局寻优后，得到CW-RNNs的最优超参数。超参数迭代过程中超参数组合的诊断随时间变化的曲线，如图4 所示。随着超参数组合不断地更新，故障诊断准确率也逐步提高。经过权重改进的粒子群算法的全局寻优后，得到CW-RNNs 的最优超参数。此时采用这种超参数组合训练一段时间，诊断准确度可以达到99%以上。

图3 权重改进的粒子群算法超参数优化结果

图4 超参数优化预测准确率变化曲线

3.3 试验结果分析

通过权重改进的粒子群算法得出CW-RNNs 最优超参数配置神经网络模型，CW-RNNs 模型在样本训练与检测过程中，网络模型的训练损失率与测试损失率变化曲线如图5所示。CW-RNNs神经网络的训练损失率与测试损失率随着迭代次数的不断增加而降低，当模型迭代次数达到300 次之后，神经网络损失率接近于零。

本文以相同的试验数据为基础，PSO-CWRNNs与浅层LSTM 网络、BP 神经网络[11-12]、SVM[13]3 种诊断方法相比较，试验结果如表2 所示。PSOCW-RNNs 故障诊断方法准确率高达99.9%，诊断时间低于90 ms；基于浅层LSTM 神经网络的故障诊断方法准确率低于93%，诊断时间高达650 ms；BP 神经网络的诊断方法准确率低于82%，诊断时间超过700 ms；SVM 诊断方法的准确率低于90%，但高于BP神经的诊断方法，诊断时间超过750 ms。在相同试验条件下，PSO-CW-RNNs的诊断时间与准确率皆优于浅层LSTM 网络、BP 神经网络、SVM3 种方法。PSO-CW-RNNs 方法具有更高的时效性与准确率。