一类基于人工神经网络的三相异步电机断相检测方法

王景焕

（南京工业职业技术大学航空工程学院，江苏南京 210000）

三相异步电机广泛应用在工业、农业和交通等领域。在电机工作过程中会发生多种形式的故障。断相故障非常常见并且常常引起严重的后果。一些文献给出了断相发生时保护电机免受瘫痪的方法[1-4]，但是没有给出检测故障的方法；文献[5]中介绍了电机的常见故障及检测方法，对于电机绕组断相的检测给出了三种方法，在理论上提出了通过检测电流来判断是否断相，但没有使用人工智能方法；文献[6]给出了三相异步电机的常见故障并从理论角度分析了处理措施，同样没有采用人工智能方法；文献[7]针对三相异步电机缺相给出了保护对策；文献[8]针对同步电机提出了一种电动机系统容错控制策略，对断相后出现的谐波控制量具有良好的控制效果。文献[9-15]开始将人工智能方法应用于电机故障检测。人工智能又称为人工神经网络（Artificial Neural Networks，ANN），人工神经网络系统是20 世纪40 年代后出现的。它是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信息存储、良好的自组织自学习能力等特点。

文献[16]在SIMULINK 环境下建立了三相异步电机的仿真模型，给出了判断三相异步电机发生故障的依据——断相会导致另外两相的定子电流变化。根据这一依据，通过监测各相中的定子电流变化，训练人工神经网络、概率神经网络进行故障检测，在判断哪一相发生故障问题上达到了很高的准确率。

1 人工神经网络检测模型设计

三相异步电机（three-phase asynchronous motor）是感应电动机的一种，是靠同时接入380 V 三相交流电流（相位差120°）供电的一类电动机，由于三相异步电机的转子与定子旋转磁场以相同的方向、不同的转速旋转，存在转差率，所以叫三相异步电机。三相异步电机转子的转速低于旋转磁场的转速，转子绕组因与磁场间存在着相对运动而产生电动势和电流，并与磁场相互作用产生电磁转矩，实现能量变换。

与单相异步电机相比，三相异步电机运行性能好，并可节省各种材料。按转子结构的不同，三相异步电机可分为笼式和绕线式两种。笼式转子的异步电机结构简单、运行可靠、重量轻、价格便宜，得到了广泛的应用，其主要缺点是调速困难。绕线式三相异步电机的转子和定子同样也设置了三相绕组并通过滑环、电刷与外部变阻器连接。调节变阻器电阻可以改善三相异步电机的起动性能和调节三相异步电机的转速。

为了尽可能重现实际工作环境，采用SIMULINK仿真环境。SIMULINK 具有适应面广、结构和流程清晰及仿真精细、贴近实际、效率高、灵活等优点，基于以上优点，SIMULINK 已被广泛应用于控制理论和数字信号处理的复杂仿真和设计。同时有大量的第三方软件和硬件可应用于或被要求应用于SIMULINK。SIMULINK 可以用连续采样时间、离散采样时间或两种混合的采样时间进行建模，它也支持多速率系统，也就是系统中的不同部分具有不同的采样速率。为了创建动态系统模型，SIMULINK 提供了一个建立模型方块图的图形用户接口，这个创建过程只需单击和拖动鼠标操作就能完成，它提供了一种更快捷、直接明了的方式，而且用户可以立即看到系统的仿真结果。SIMULINK 是用于动态系统和嵌入式系统的多领域仿真和基于模型的设计工具。对各种时变系统，包括通信、控制、信号处理、视频处理和图像处理系统，SIMULINK 提供了交互式图形化环境和可定制模块库来对其进行设计、仿真、执行和测试。

在SIMULINK 中建立三相异步电机模型时作如下假设：1）假设各相绕组参数相同，定子和转子的绕组在空间上对称分布；2）不计铁耗；3）忽略磁场谐波；4）电机参数没有时变性。仿真模型如图1 所示。

图1 三相异步电机仿真模型

概率神经网络(PNN)于1989 年由D.F.Specht 博士首先提出，是一种常用于模式分类的人工神经网络。概率神经网络是基于统计原理的神经网络模型，在分类功能上与最优Bayes 分类器等价，其实质是基于贝叶斯最小风险准则发展而来的一种并行算法，同时它不像传统的多层前向网络需要用BP 算法进行反向误差传播的计算，而是完全前向的计算过程。它训练时间短、不易产生局部最优，而且它的分类正确率较高。无论分类问题多么复杂，只要有足够多的训练数据，就可以保证获得贝叶斯准则下的最优解。“贝叶斯策略”是一个用于模式分类判定规则的公认标准，也是概率神经网络的理论基础。

概率神经网络(PNN)是一种常用于模式分类的神经网络,一般由四层组成，如图2 所示。Input 是输入层，负责将特征向量传入网络，输入层个数是样本特征的个数；Pattern 是模式层，通过连接权值与输入层相接，计算输入特征向量与训练集中各个模式的匹配程度，也就是相似度，将其距离送入高斯函数得到模式层的输出，模式层的神经元的个数是输入样本矢量的个数，即有多少个样本，该层就有多少个神经元。Summation 是求和层，负责将各个类的模式层单元连接起来，这一层的神经元个数是样本的类别数目。Output 是输出层，负责输出求和层中得分最高的那一类，在输出向量中，输出值有一个为1，其余均为0，为1 的输出所对应概率最大。

图2 PNN概率神经网络结构

图2 中：

设ωi是输入层与模式层之间的权值，Zi=xωi，在实际应用中，可以将x和ω先进行标准化，然后进行径向基运算:

其中，σ是平滑因子。

Pattern 层中输入与输出的关系ϕij如下：

其中，i=1,2,…,M，M为训练样本的总类数，j是第i类模式的第j个神经元。d是维度值，xij是样本中心。

求和层把同一类神经元的输出加权平均：

其中，gi是第i类输出，L为第i类神经元的个数。

输出层将前一层的值比较后输出概率的最大值：

由文献[16]可知，以A 相为例，在额定负载下，在0.5 s 发生断相后，定子中B 相电流迅速增大，为正常状态下的2 倍，C 相电流的情况与B 相相同，即非断相的两相定子电流和负序电流分量可以作为断相故障的诊断依据。设计一个人工神经网络，将随机采样的定子电流作为人工神经网络的输入，对应三相电压的状态作为人工神经网络的输出，模型如图3所示。

图3 概率神经网络检测模型

其中：

输入向量P=[t,pa,pb,pc]T，t代表时间，pa,pb,pc是三相定子电流；

输出向量T=[ta,tb,tc]T，ta,tb,tc分别代表A、B、C三相电压连接状态，“1”代表断相，“0”代表正常；

函数调用语句为net=newpnn(P,T,spread)，其中spread 是扩展系数，默认值是0.1，取值范围是(0,∞)。

2 模型训练和测试

在SIMULINK 环境下建立三相异步电机的特殊工况仿真模型，参数如下：定子电阻为0.252 Ω，定子自感为16 mH，转子电阻为0.332 Ω，转子自感为16 mH，定子和转子的互感为80 mH，转动惯量为0.6 kg·m2，极对数为2。

首先获取训练模型需要的数据，方法如下：

在0～2 s 内，使ABC 三相电压分别断开，每间隔0.05 s 仿真一次，每次读取ABC 三相定子电流数据，和对应的时间点一起可以获取4×40 个数据。每一相发生故障均可以获取20 组这样的数据。将数据经过适当的处理后作为人工智能模型的输入，对应的理论断相状态作为神经网络的输出，来训练三相异步电机断相检测模型。

人工神经网络的一个重要特性是其能够从环境中学习，并把学习的结果分布存储于网络的突触连接中。人工神经网络的学习是一个过程，在其所处环境的激励下，相继给网络输入一些样本模式，并按照一定的规则（学习算法）调整网络各层的权值矩阵，待网络各层权值都收敛到一定值，学习过程结束，即可用生成的人工神经网络来对真实数据进行分类。

以C 相电压在0.5 s 处断开为例，观测三相定子电流，得到的定子电流的仿真波形分别如图4-6所示。

图4 A相定子电流

图5 B相定子电流

图6 C相定子电流

为了测试经过训练得到的人工神经网络检测模型，需要随机抽取一些数据输入到模型中，将模型输出的结果与理论值进行比对。测试数据的选择如下：

仿真环境与人工神经网络模型相同，避开训练数据断相的时间，在每一相0～2 s 内随机获取10 组4×40 个数据作为人工神经网络检测模型的输入，记录输出结果。在测试过程中改变函数net=newpnn(P,T,spread) 中的参数spread 的值，可以得到最优值。测试结果和spread 值的关系如表1 所示。可以看出，A 相故障检测准确率最高，当spread ≥0.031时，B 相和C 相的故障检测率也大大增加，分别达到了80%和90%，验证了所设计的人工神经网络检测模型在检测三相异步电机发生断相故障时的有效性。

表1 测试结果

3 结论

该文在概率神经网络的基础上提出了一种用于检测三相异步电机断相的人工神经网络。在特定的spread 取值范围内，设计的人工神经网络在检测断相电压时取得了较高的准确率。跟文献中提到的其他人工智能方法相比，该文提出的人工智能方法计算简单但是编程量相对较大。另外，这种方法只测试了每一时刻只有一种断相发生的情况，没有考虑同时有多相断开的情况；在进行模型仿真时进行的假设与在实际应用环境下的参数会有差别，所采样数据均在SIMULINK 仿真环境下取得，还有待在实际电机中进一步验证。后续有待研究的工作是将检测和保护结合在一起，在故障发生时尽量将损害减小到最低。