异步电动机故障仿真与诊断研究

2021-06-22赵乾麟方炳平游张平

微特电机 2021年6期

赵乾麟，赵屹，方炳平，游张平,2

(1.浙江乾麟缝制设备有限公司，丽水 323000;2.丽水学院机械工程系，丽水 323000)

0 引言

异步电动机因构造简单、控制便利等优点，成为了一种广泛应用在各种生产活动和生活中的工业设备[1-3]。然而，受工作电压波动、工作环境不稳定、负载频繁变动等因素的影响，电机常出现各种故障。因此，开展异步电动机故障诊断技术研究，尽量防止故障发生，对于降低维修成本、消除事故威胁、减少经济损失等具有重要的理论意义与工程价值[4-6]。

传统基于故障特征提取的诊断方法，需要领域工程师应用大量领域知识选取好的特征，加之设备运行过程中存在诸多不可预测因素，使得故障诊断的过程变得十分复杂，因此人工干预进行特征提取的故障诊断方法存在一定的局限性[7-8]。近年来，随着人工智能领域的不断发展，机器学习作为一种能够从数据集中自主挖掘数据内在特征的学习方式，受到越来越多专家学者的关注[9]。Liu 等人[10]提出了一种基于多尺度核函数的残差卷积神经网络用于电机故障诊断。苟旭丹等人[11]提出了一种基于定子电流Hilbert 模量的混沌粒子群神经网络用于感应电机转子断条故障诊断方法。张芳芳等人[12]提出了一种基于位移检测的最小二乘支持向量机用于泵油电机的故障诊断。

本文基于Simulink平台建立异步电动机传统故障仿真模型，并应用人工神经网络开展故障诊断研究。首先，在Simulink平台上选取仿真模块，设置单相短路(A相、B相、C相)、两相短路(AB、AC、BC)6种接地短路故障类型，设定仿真参数，并进行仿真分析；其次，建立异步电动机上述故障的BP神经网络诊断模型；最后提取异步电动机故障特征量，经预处理后，送入BP神经网络模型进行训练与诊断测试，仿真结果表明本方法是有效可行的。

1 异步电动机Simulink建模

在Simulink中，根据异步电动机系统物理对象选择合适的仿真模块，如表1所示。

表1 异步电动机系统Simulink模块的选择

将以上模块布置在合适位置并由输入至输出进行连线，搭建完的异步电动机Simulink模型如图1所示。

图1 异步电动机Simulink模型

2 故障仿真

2.1 仿真参数设置

根据研究对象实际，分别对以上所选模块进行参数设置。如在“Asynchronous Machine SI Units”模块中对异步电动机模块参数进行设置，如图2所示。又如在“Three-Phase Programmable Voltage Source”模块中设置异步电动机电压源Voltage Source模块的线电压有效值、相位、频率分别为220 V、0、50 Hz。直到将图1所有已选的模块参数设置完毕。

图2 三相异步电动机模块参数设置

2.2 故障设置

将图1仿真模型中的A相接地，便可设置出A相(接地)短路的故障。同理，将图1仿真模型中的B相接地，便可设置出B相(接地)短路的故障。依此类推，可以设置出C相(接地)短路、AB两相(接地)短路、AC两相(接地)短路、BC两相(接地)短路等余下来的4种故障。

2.3 故障仿真与数据采集

将故障仿真起始时间参数设为0，仿真终止时间参数设为1，仿真步长切换成变步长，设定“ode23tb”求解器作为本仿真模型的计算方法，设置完毕后启动仿真运行，分别采集保存5种频率(0、20 Hz、50 Hz、80 Hz、100 Hz)工况下的幅值与基波幅值的比值数据，为后续诊断识别提供数据基础。

3 故障诊断

3.1 输入数据归一化预处理

将幅值与基波幅值的比值作为输入特征量，为了使诊断运算快速收敛，对上述5种频率工况下的幅值与基波幅值的比值数据，归一变换到[0.1,0.9]之间的小数。

3.2 输出模式设定

根据上述设定的6种故障模式(A相短路、B相短路、C相短路、AB两相短路、AC两相短路以及BC两相短路)，加上正常工况模式，共可得到7种输出模式，并可由3个输出分量来表述，如表2所示。

表2 输出模式

3.3 BP神经网络训练与故障诊断

上述采集5种频率工况的数据，因此设定BP网络输入单元为5；7种输出模式由3个输出分量表述，因此设定BP网络输出单元为3，通过试算确定隐含层单元为9。为验证BP神经网络的有效性，随机选取5种频率工况数据各20组共100组数据作为训练样本，对BP网络进行训练。将新的50组数据(每种频率工况10组)作为测试样本，运用训练好的BP网络对其进行诊断，诊断结果令人满意，如表3所示，7种状态正判率都不低于90%，说明了BP网络对故障状态表现出较强的泛化识别能力，总正判率达到了97.1%，说明采用BP网络对异步电动机进行故障诊断是可行有效的。