电机匝间短路故障的仿真研究

赵娟等

摘 要：电机匝间短路故障的仿真研究是以电机匝间的气隙励磁磁通密度信号为研究对象的，通过采集系统进行数据实时采集，再运用小波包分解对数据进行分析，提取故障信息，最后运用BP神经网络对数据进行训练和测试，从而达到对电机匝间短路故障以及故障位置的准确判断。通过运行表明，此方法故障识别率高、方便灵活而且诊断精度高。

关键词：匝间短路 电流信号 小波包分解 BP神经网络

中图分类号：U226.8+1 文献标识码：A 文章编号：1672-3791（2014）08（c）-0112-01

电机广泛的应用于各种机械设备，其性能决定了行业的经济效益和技术水平。为了保证电机的安全运行，有效和及时的避免事故发生，对电机各种参数进行实时监测具有非常重要的意义。本文提出一种电机匝间短路故障检测的方法，是将小波包分解和BP神经网络技术结合，通过采集到的电机的气隙励磁磁通密度信号进行分析和训练，建立数据信号和故障模式的非线性映射关系，从而确定是否存在短路故障以及确定隐患所在位置。电机匝间短路故障的仿真研究，可以提高电机匝间短路故障诊断的有效性和可靠性。

1 电机转子绕组匝间短路故障机理

电机匝间短路是电机故障中最常见的故障之一。本论文的选择的是电机匝间绕组开槽数是16，N极和S极各设置8个槽。利用MATLAB软件进行模拟仿真，采集并存储正常状态和任意一个槽内发生短路故障时的气隙励磁磁通密度信号，分析比较采集的信号，为电机匝间短路故障的仿真研究提供了数据支持。

2 综合故障诊断的数据处理系统

当电机发生短路故障时，气隙励磁磁通密度信号的波形发生相应变化，即该信号携带了丰富的故障特征信息。因此，综合故障诊断的数据处理系统主要实现对故障特征信息的提取，采用小波包变换将信号分解后，提取与故障征兆有关的量值，为建立BP神经网络诊断提供数据基础。利用小波包变换提取的特征信息作为BP神经网络的输入，电机故障槽短路作为输出，建立3层BP神经网络，进行学习和训练，BP神经网络完全能够实现电机匝间短路故障的判断及故障槽的准确定位。

3 应用小波包变换提取气隙励磁磁通密度信号的故障信息

应用小波包变换可以将气隙励磁磁通密度信号的低频和高频同时分解变换，其中，低频分量和原信号相似，而高频分量是携带故障特征信息的细节信号。小波包变换的优势在于提高高频部分的分辨率，可以更准确的提取频带内的信息，放大了电机匝间短路时信号携带的故障特征信息，在故障检测识别领域中得到了广泛的应用。基于小波包变换的故障特征信息提取的具体实现方法如以下几点。

（1）小波包分解。本系统采用4层小波包变换，将气隙励磁磁通密度信号分解出16个分量。

（2）小波包分解系数进行重构。分别求出16个分量在各自频带中的信号总能量，再将含有故障特征信息的分量进行小波系数重构。具体做法是：对4层小波包分解出来的16个分量分别提取其特征向量，按照低频到高频的顺序将其排列，得到16个频带的特征信号。

（3）特征向量归一化处理。对16个特征信号进行归一化处理，将其数值归一化到[0，1]范围内。

4 建立BP神经网络诊断电机匝间短路故障

本文利用BP神经网络建立短路故障诊断系统，对电机的气隙励磁磁通密度信号进行分析和训练，实现对故障信息的智能识别和准确定位。BP神经网络即反向传播网络，是目前故障检测中应用最广泛的神经网络模型之一，可以通过故障实例中的样本数据对网络进行不断的训练学习以提高网络中存储知识的数量，并通过网络中调整各神经元之间的权值来实现智能判断。

4.1 建立神经网络

将小波包变换提取气隙励磁磁通密度信号的故障信息作为输入向量，来建立一个独立的三层BP神经网络模型。

（1）输入层神经元个数：输入层的神经元是由气气隙励磁磁通密度信号经过4层小波包分解后的16个特征向量构成，再进行归一化处理，样本数据归一化到[0，1]，保证算法程序收敛加快。

（2）输出层神经元个数：输出层是由电机短路故障的故障槽个数确定的，本系统存在16种短路故障类型和一种正常状态的情况，总共17个状态输出，因此采用输出层的神经元个数设置为5，总共可以输出32种输出状态，当转子不同槽发生短路故障时，目标输出不同，可以根据神经网络的输出结果对故障槽进行准确的定位。

（3）学习速率：一般学习速率选择范围为0.01～0.8之间。本试验选取学习速率为0.1。

4.2 BP神经网络训练结果

采用LM算法进行BP神经网络的训练，神经网络的训练参数设置为如下：

net.trainParam.lr=0.1； %学习速率为0.1

net.trainParam.epochs=1000； %训练次数为1000

net.trainParam.goal=1e-6； %训练误差为1e-6

当网络训练达到给定误差1e-6时，神经网络训练成功，实验证明，经过32次样本训练就可以达到误差精度1e-6和网络收敛，训练曲线很平滑，网络性能良好。

5 结语

本文完成了对电机匝间短路故障系统的气隙励磁磁通密度信号的模拟采集和处理；并通过小波包变换和BP神经网络局进行诊断处理，对电机是否发生短路故障以及故障槽所在位置进行准确定位，利用MATLAB软件进行数据采集、仿真分析及测试，提高了诊断系统的可靠性，验证了该方法是一种可靠性好并且准确度高的短路故障诊断方法。

参考文献

[1] 聂国斌，赵亮.小波神经网络技术在故障诊断中的应用[M].北京：工业技术出版社，2007：16-21.

[2] 邓日青.基于神经网络专家系统的电喷发动机故障自诊断研究[D].重庆交通大学，2008：46-52.

[3] 朱丽娟.基于小波神经网络的异步电动机振动故障诊断研究[D].山西：太原理工大学，2008：30-32.

[4] X.F.FAN，M.J.ZUO.Gearbox Fault Detection Using Hilbert and Wavelet Packet Transform.Mechanical Systems and Signal Processing，2006：966-982.endprint