陳世游，陸 海，張少泉，陳曉云

?

SOM神經(jīng)網(wǎng)絡(luò)對永磁同步電機的故障診斷

陳世游，陸 海，張少泉，陳曉云

（云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院研究生工作站，云南 昆明 650217）

為實現(xiàn)永磁同步電機的故障類別的診斷，采用小波函數(shù)根據(jù)不同頻段進行故障特征提取，對提取樣本數(shù)據(jù)進行歸一化處理，對奇異樣本。SOM（Self Organizing Map）的領(lǐng)域函數(shù)選取小波函數(shù)，形成次興奮神經(jīng)元不斷對權(quán)值更新，避免 SOM的產(chǎn)生局部最優(yōu)解。采用實驗提取的故障數(shù)據(jù)作為 SOM 神經(jīng)網(wǎng)絡(luò)的輸入樣本進行網(wǎng)絡(luò)訓(xùn)練，從而得出產(chǎn)生特定故障時所激發(fā)的相應(yīng)神經(jīng)元索引。實驗結(jié)果驗證了該方法的可行性和實用性。

神經(jīng)網(wǎng)絡(luò)；故障診斷；神經(jīng)元索引；永磁同步電機

0 引言

當(dāng)前社會工業(yè)、農(nóng)業(yè)生產(chǎn)和人們的日常生活都對動力源提出了新的要求，在全球化石能源日漸枯竭的今天，電機已成為主要的動力輸出設(shè)備，數(shù)量與應(yīng)用范圍越來越廣。為了適應(yīng)生產(chǎn)的需要，電機的容量不斷增大，所組成的系統(tǒng)規(guī)模越來越大，構(gòu)成越來越復(fù)雜，所以降低其故障率提高可靠性的要求也越來越高。作為系統(tǒng)中重要的動力輸出源，交流電機一旦出現(xiàn)故障，便導(dǎo)致整個系統(tǒng)無法工作，引起系統(tǒng)癱瘓，其經(jīng)濟損失不可估量。因此近些年來電機故障診斷技術(shù)引起專家和技術(shù)人員的高度重視。針對故障診斷社會上已經(jīng)開發(fā)出科技含量較高的診斷設(shè)備。對電機進行故障診斷，對癥下藥延長設(shè)備部件的使用壽命，為企業(yè)節(jié)省大量的停機時間，創(chuàng)造巨大的經(jīng)濟價值[1-2]。

早期的故障診斷是電機發(fā)生故障后對電機進行維修，屬于事后維修。除此之外，定期的對電機進行試驗和更換器件，進行預(yù)防性維修但其是離線的不能保障生產(chǎn)的連續(xù)性。在上述兩種檢測方法中,斷電檢測時電機的參數(shù)發(fā)生變化。另外，定期檢測，非實時檢測，無法確保隨時發(fā)現(xiàn)故障問題[3-4]。

傳統(tǒng)的診斷方法需要建立比較準確的數(shù)學(xué)模型，在系統(tǒng)模型不確定或非線性的情況下，傳統(tǒng)的診斷方法無法解決。

永磁同步電機磁場是由永磁體產(chǎn)生的，從而避免通過勵磁電流來產(chǎn)生磁場而導(dǎo)致的勵磁損耗（銅耗）；永磁同步電機的外特性效率曲線相比異步電機，其在輕載時效率值要高很多，這是永磁同步電機在節(jié)能方面，相比異步電機最大的一個優(yōu)勢。從電機本體來對比，永磁同步變頻調(diào)速電機與異步電機的可靠性相當(dāng)，但永磁同步電機結(jié)構(gòu)的靈活性，便于實現(xiàn)直接驅(qū)動負載，永磁同步變頻調(diào)速電機體積小，功率密度大的優(yōu)勢。本文采用永磁同步電機作為例子來分析SOM神經(jīng)網(wǎng)絡(luò)在故障診斷方面的應(yīng)用。

1 永磁同步電機故障特征

電機動力輸出原理是把電能轉(zhuǎn)換成機械動能，系統(tǒng)較為復(fù)雜，包括電路、磁路、絕緣、機械、通風(fēng)散熱系統(tǒng)等。任何一個子系統(tǒng)工作狀況不好或其間銜接出現(xiàn)問題，便會使整個系統(tǒng)工作紊亂即電機出現(xiàn)故障。所以電機故障的成因復(fù)雜，涉及的專業(yè)技術(shù)領(lǐng)域較廣，診斷難度較大，對電機維修人員也提出了較高的要求。一般來說，電機故障診斷涉及到的專業(yè)知識主要有電機理論、電磁測量、信號處理、計算機技術(shù)、熱力學(xué)、絕緣技術(shù)、人工智能等。

電機故障的特征往往不明顯，具有隱含性，故障征兆也具有多個產(chǎn)生原因即故障原因的多元性。一個故障也可能表現(xiàn)出多種征兆，如籠型異步電機當(dāng)鼠籠斷裂或端環(huán)開裂時表現(xiàn)為機體振動加劇，電流不穩(wěn)定，定子電流增加（1~2 s）fl電流分量、起動緩慢、電機轉(zhuǎn)差率增加、轉(zhuǎn)速轉(zhuǎn)矩波動等故障征兆，這些征兆之間有時獨立存在，有時同時存在。電機鼠籠斷條發(fā)生后，如果不及時停機檢查維修電，讓電機在故障下運行，將會造成更多的籠條斷裂，故障會加劇，zui終可能造成電機無法修復(fù)。有時不同故障起因也可能會反映出同一個故障征兆，這時就要逐一排查能夠產(chǎn)生該征兆的各種原因。另外，電機故障還與其負載情況、運行工作環(huán)境等有關(guān)，在不同的外在因素影響下，電機表現(xiàn)出的故障征兆是不同的，這又增加了對電機故障的診斷難度。

2 SOM神經(jīng)網(wǎng)絡(luò)概述

一個神經(jīng)網(wǎng)絡(luò)接收外界輸入模式時，將會分為不同的對應(yīng)區(qū)域，各區(qū)域?qū)斎肽Ｊ接胁煌捻憫?yīng)特征，而這個過程是自動完成的。其特點與人腦的自組織特性類似。SOM的目標是用低維（通常是二維或三維）目標空間的點來表示高維空間中的所有點，盡可能地保持點間的距離和鄰近關(guān)系（拓撲關(guān)系）。

3 SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

SOM人工神經(jīng)網(wǎng)絡(luò)是一個可以在一維或二維的處理單元陣列上，形成輸入信號的特征拓撲分布。自組織神經(jīng)網(wǎng)絡(luò)：是無導(dǎo)師學(xué)習(xí)網(wǎng)絡(luò)。它通過自動尋找樣本中的內(nèi)在規(guī)律和本質(zhì)屬性，自組織，自適應(yīng)地改變網(wǎng)絡(luò)參數(shù)與結(jié)構(gòu)。SOM為層次型結(jié)構(gòu)。典型結(jié)構(gòu)是：輸入層加競爭層；輸入層：接收外界信息，將輸入模式向競爭層傳遞，起“觀察”作用；競爭層：負責(zé)對輸入模式進行“分析比較”，尋找規(guī)律并歸類。SOM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如下圖1所示：

圖1 一維SOM網(wǎng)的輸出陣列二維SOM網(wǎng)的輸出陣列

4 SOM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法

輸出層神經(jīng)元數(shù)量設(shè)定和訓(xùn)練集樣本的類別數(shù)相關(guān)，但是實際中我們往往不能清除地知道有多少類。如果神經(jīng)元節(jié)點數(shù)少于類別數(shù)，則不足以區(qū)分全部模式，訓(xùn)練的結(jié)果勢必將相近的模式類合并為一類；相反，如果神經(jīng)元節(jié)點數(shù)多于類別數(shù)，則有可能分的過細，或者是出現(xiàn)“死節(jié)點”，即在訓(xùn)練過程中，某個節(jié)點從未獲勝過且遠離其他獲勝節(jié)點，因此它們的權(quán)值從未得到過更新[5-7]。

輸出層的節(jié)點排列成哪種形式取決于實際應(yīng)用的需要，排列形式應(yīng)盡量直觀反映出實際問題的物理意義。例如，對于旅行路徑類的問題，二維平面比較直觀；對于一般的分類問題，一個輸出節(jié)點節(jié)能代表一個模式類，用一維線陣意義明確結(jié)構(gòu)簡單。

權(quán)值初始化問題：基本原則是盡量使權(quán)值的初始位置與輸入樣本的大概分布區(qū)域充分重合，不要出現(xiàn)大量的初始“死節(jié)點”。一種簡單易行的方法是從訓(xùn)練集中隨機抽取m個輸入樣本作為初始權(quán)值另一種可行的辦法是先計算出全體樣本的中心向量，在該中心向量基礎(chǔ)上迭加小隨機數(shù)作為權(quán)向量初始值，也可將權(quán)向量的初始位置確定在樣本群中（找離中心近的點）。

優(yōu)勝領(lǐng)域設(shè)計原則是使領(lǐng)域不斷縮小，這樣輸出平面上相鄰神經(jīng)元對應(yīng)的權(quán)向量之間既有區(qū)別又有相當(dāng)?shù)南嗨菩裕瑥亩ＷC當(dāng)獲勝節(jié)點對某一類模式產(chǎn)生最大響應(yīng)時，其領(lǐng)域節(jié)點也能產(chǎn)生較大響應(yīng)。領(lǐng)域的形狀可以是正方形、六邊形或者菱形。優(yōu)勢領(lǐng)域的大小用領(lǐng)域的半徑表示，的設(shè)計目前沒有一般化的數(shù)學(xué)方法，通常憑借經(jīng)驗來選擇。

學(xué)習(xí)率的設(shè)計：在訓(xùn)練開始時，學(xué)習(xí)率可以選取較大的值，之后以較快的速度下降，這樣有利于很快捕捉到輸入向量的大致結(jié)構(gòu)，然后學(xué)習(xí)率在較小的值上緩降至0值，這樣可以精細地調(diào)整權(quán)值使之符合輸入空間的樣本分布結(jié)構(gòu)。在上一篇中，我們提到最終的學(xué)習(xí)率是由學(xué)習(xí)率*優(yōu)勝領(lǐng)域的影響，也有一些資料是把兩者分開的，學(xué)習(xí)率就是一個遞減的函數(shù)（學(xué)習(xí)率可以參考上面優(yōu)勝鄰域半徑的設(shè)定形式，可選形式類似），而優(yōu)勝鄰域也是t的遞減函數(shù)，只不過我們隊優(yōu)勝鄰域內(nèi)的點進行更新罷了。

SOM神經(jīng)網(wǎng)絡(luò)[8-10]競爭學(xué)習(xí)的步驟是，首先向量歸一化然后尋找獲勝神經(jīng)元最后網(wǎng)絡(luò)輸出與權(quán)值調(diào)整。算法具體步驟如下：

（1）初始化

初始化，對競爭層（也是輸出層）各神經(jīng)元權(quán)重賦小隨機數(shù)初值，并進行歸一化處理，得到；建立初始優(yōu)勝領(lǐng)域；學(xué)習(xí)率初始化；

（2）輸入向量的輸入

對輸入數(shù)據(jù)進行歸一化處理，得到，總共有P個數(shù)據(jù)；

（3）計算映射層的權(quán)值向量和輸入向量的距離（歐氏距離）

在映射層，計算各神經(jīng)元的權(quán)值向量和輸入向量的歐式距離。映射層的第個神經(jīng)元和輸入向量的距離，計算如下：

（4）權(quán)值的學(xué)習(xí)

調(diào)整權(quán)重，對優(yōu)勝鄰域內(nèi)的所有神經(jīng)元調(diào)整權(quán)重：

（5）是否滿足設(shè)定的標準

達到要求則結(jié)束，否則，則返回步驟（2），進行循環(huán)。

5 同步電動機故障診斷概述

永磁同步電機的故障主要分為兩方面：機械故障和電氣故障。機械故障主要包括轉(zhuǎn)子不平衡、軸承磨損、部件質(zhì)量不平衡、轉(zhuǎn)子軸系不對中和松動故障等，而電氣故障主要包括定子和轉(zhuǎn)子之間氣隙的不均勻、電機電流偏大、電機電刷故障和早期匝間短路等。

保序映射——將輸入空間的樣本模式類有序地映射在輸出層上；將高維空間的樣本在保持拓撲結(jié)構(gòu)不變的條件下投影到低維的空間，在這方面SOM網(wǎng)具有明顯的優(yōu)勢。無論輸入樣本空間是多少維，其模式都可以在SOM網(wǎng)輸出層的某個區(qū)域得到相應(yīng)。SOM網(wǎng)經(jīng)過訓(xùn)練以后，在高維空間輸入相近的樣本，其輸出相應(yīng)的位置也相近；從高維空間樣本向低維空間的映射，SOM網(wǎng)的輸出層相當(dāng)于低維特征空間。對傳感器檢測到的振動信號，采集頻率是1 200 Hz，通過db43層小波包分解，將信號分解成8個不同頻帶，在這8個頻帶中選取6個頻帶的能量值作為故障特征向量，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。采集永磁同步電機在常用的故障頻率下的振動值作為故障的特征向量，選取電機在轉(zhuǎn)子不平衡、不對中和松動等情況下的數(shù)據(jù)，形成標準樣本數(shù)據(jù)和有待檢驗樣本數(shù)據(jù)。樣本數(shù)據(jù)如表1所示：

表1 故障特征的樣本數(shù)據(jù)

Tab.1 Sample data of fault characteristics

6 模型建立

6.1 建模步驟

將SOM網(wǎng)絡(luò)應(yīng)用于柴油機故障診斷步驟如下：

（1）初始化標準故障樣本；對競爭層（也是輸出層）各神經(jīng)元權(quán)重賦小隨機數(shù)初值，并進行歸一化處理，得到；建立初始優(yōu)勝領(lǐng)域；學(xué)習(xí)率初始化；

行業(yè)雖然面臨諸多的挑戰(zhàn)，但有利因素同樣很多。從國內(nèi)因素看，過去一年，國內(nèi)經(jīng)濟實現(xiàn)了增速回升，經(jīng)濟運行質(zhì)量也好于預(yù)期。從國外因素來看，2017年，全球經(jīng)濟呈現(xiàn)所有地區(qū)“高度同步”的增長，積極因素越來越多，全球經(jīng)濟將進入新一輪復(fù)蘇和增長周期。因此，我們有理由對宏觀經(jīng)濟環(huán)境和我國磷復(fù)肥行業(yè)的發(fā)展充滿信心。

（2）對每一種標準故障樣本帶入模型進行訓(xùn)練，訓(xùn)練結(jié)束后，標以最大輸出的神經(jīng)元為故障點；

（3）待測樣本輸入訓(xùn)練好的SOM神經(jīng)網(wǎng)絡(luò)；

（4）若輸出神經(jīng)元在輸出層的位置與某標準故障樣本的位置相同，說明待檢樣本發(fā)生了相應(yīng)的故障；若輸出神經(jīng)元在輸出層的位置介于很多標準故障之間，由該位置與相應(yīng)標準故障樣本位置的歐氏距離大小確定故障類型。

6.2 編程實現(xiàn)

SOM網(wǎng)絡(luò)是由函數(shù)newsom進行創(chuàng)建的，利用sim和train兩個仿真函數(shù)對網(wǎng)絡(luò)進行訓(xùn)練，應(yīng)用SOM神經(jīng)網(wǎng)絡(luò)對永磁同步電機振動信號的故障特性進行分析，選取數(shù)據(jù)s=[0.6154,0.589,0.7214,0.1256, 1.0042,0.8120]。利用Matlab工具箱進行訓(xùn)練表

6.3 結(jié)果分析

聚類的結(jié)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

圖2 SOM網(wǎng)絡(luò)拓撲結(jié)構(gòu)

圖3 鄰近神經(jīng)元之間的距離情況

圖4 每個神經(jīng)元的分類

從圖4中可以看出，SOM網(wǎng)絡(luò)將位置故障樣本分到了第一類故障里。

7 結(jié)論

采用小波函數(shù)對傳感器檢測數(shù)據(jù)分6個頻段進行故障特征向量的提取，并歸一化，剔除奇異樣本；SOM網(wǎng)絡(luò)的鄰域函數(shù)選取Morlet母小波奇函數(shù)，解決了由于某個神經(jīng)元的初始權(quán)值向量選取不科學(xué)，導(dǎo)致競爭中無優(yōu)勢形成死神經(jīng)元。同時將該方法應(yīng)用于永磁同步電機的機械故障診斷中，提高了故障診斷結(jié)果的準確率。通過仿真和分析了解到將SOM神經(jīng)網(wǎng)絡(luò)的方法應(yīng)用于電機的機械故障診斷中，簡單而且學(xué)習(xí)周期短，辨識能力強可以應(yīng)用于多種電機的故障診斷，比較實用。

[1] 韓力群. 人工神經(jīng)網(wǎng)絡(luò)理論設(shè)計及應(yīng)用北京化學(xué)工業(yè)出版社, 2002.

[2] 高雋. 人工神經(jīng)網(wǎng)絡(luò)原理及仿真實例北京機械工業(yè)出版社, 2003.

[3] 朱麗娟, 田慕琴. 基于小波神經(jīng)網(wǎng)絡(luò)的異步電動機振動故障診斷研究[D].

[4] 沈海峰, 李東升, 李群霞等. 基于Kohonen自組織特征映射神經(jīng)元網(wǎng)絡(luò)圖像分割方法的研究[J]. 計算機應(yīng)用與軟件, 2004, (9).

[5] 張彼德, 孫才新, 王柯柯, 等. 汽輪發(fā)電機多故障診斷的SOM神經(jīng)網(wǎng)絡(luò)方法[J]. 重慶大學(xué)學(xué)報, 2005, 28(2).

[6] 張北鷗. 基于小波包變換和人工神經(jīng)網(wǎng)絡(luò)的電機故障診斷系統(tǒng)的研究. 武漢理工大學(xué)碩士學(xué)位論文, 2010.

[7] 陳文斌. 基于小波變換的電機控制系統(tǒng)的故障診斷研究. 湖南大學(xué)碩士學(xué)位論文. 2006.

[8] 石黎, 孫志梅. 教學(xué)質(zhì)量評價的BP 神經(jīng)網(wǎng)絡(luò)模型[J]. 軟件, 2015, 36(3): 19-21.

[9] 張敏, 徐啟華. 基于改進BP 的神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制[J]. 軟件, 2015, 36(7): 118-123.

[10] 王宏濤, 孫劍偉. 基于BP神經(jīng)網(wǎng)絡(luò)和SVM的分類方法研究[J]. 軟件, 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

陳世游(1993-)，男，碩士，研究方向為新能源發(fā)電與智能電網(wǎng)技術(shù)；陸海(1985-)，男，博士，研究方向為新能源發(fā)電與智能電網(wǎng)技術(shù)。

本文著錄格式：陳世游，陸海，張少泉，等. SOM神經(jīng)網(wǎng)絡(luò)對永磁同步電機的故障診斷[J]. 軟件，2018，39（8）：70-73