全封闭压缩机绕组短路故障自动检测方法

张 波，王新明，黄振华

（1.河北工程技术学院 软件学院，石家庄 050091；2.河北建筑工程学院 机械工程学院，张家口 075000）

0 引言

全封闭式压缩机常见于应用在空调、冰箱、冷柜等制冷设备之中，作用犹如人体的心脏，在制冷设备中发挥着举足轻重的作用，压缩机的运行情况直接影响制冷设备的性能[1]。一般情况下，诊断压缩机机械设备是否发生故障，需要根据压缩机机械设备所展现出的各种信号来判断，常见的故障信号包括排气信号、振动信号、电流信号等，通过这些信号不但能够确定压缩机是否工作正常，还能够准确判断出设备故障的位置[2]。压缩机故障特征是检测其机械故障的基本依据，所以压缩机故障特征提取直接关乎检测故障的准确性，大多数故障检测方法都以故障特征提取作为基础。

全封闭式压缩机通常情况下会和电机一同密封在一个厚度只有几毫米的泵壳内，密封结构的外部不会安装用于排气和吸气的管状设备，同时也不会安装有关发挥排气与吸气作用的截止阀，泵壳一般使用焊接技术实现全方位封闭，不会出现接头位置，所以当变压器可能发生设备故障时，无法通过外部连接设备或者手动直接提取故障位置与情况。全封闭式压塑机之所以采用这种密封工艺可以避免出现渗漏制冷液的情况，外部空气不能随便进入压缩机之中，用于冷冻机的润滑油也不会侵入制冷设备内部，同时这种全封闭的方式还能减少外部污染物对于结构内部造成污染，压缩机所承受的工作压力也更低，这样能够避免压缩机经常出现故障。尽管全封闭式压缩机具有以上诸多优点，但是一旦被密封的电机出现冷却恶化情况，就会直接导致压缩机的绕组发生短路故障，严重时甚至会出现绕组烧毁的情况，同时由于全密封结构，导致工作人员或者制冷设备的使用者很难提前发现压缩机存在的隐患，即使发生故障，也无法通过传统手段实现检测。针对这种问题，有学者尝试通过全封闭压缩机的泵壳振动情况实现压缩机的故障检测，这也是目前使用最为广泛的压缩机故障检测技术，这一技术在上文中已经提及，机械设备的振动是最能直观反映设备故障的检测方法，尽管已经属于比较成熟的机械设备故障检测技术，但是准确性仍然需要进一步验证[3]；还有学者提出以改进元分析方法作为基础的压缩机故障检测方法，将出现故障的主元子空间与未发生故障的元子空间作出对比，由此判断压塑机发生故障的位置与情况，该方法是一种全新的检测技术，可行性与准确性仍然需要进一步实验验证[4]。

本文结合已经成熟的技术，通过遗传算法优化常用于故障检测的神经网络，实现全封闭压缩机绕组短路故障自动检测。

1 全封闭压缩机绕组短路故障检测

1.1 全封闭压缩机绕组短路故障分析

本文研究中将应用于小型制冷机中的一种全封闭压缩机作为研究对象，研究发生在压缩机定子与转子上的绕组短路故障。分析全封闭压缩机绕组短路故障情况时使用有限元软件，构建压缩机模型，压缩机的相关参数（表1）输入到模型之中，得到RMxprt模型，求解该模型后得到Maxwell2D模型，在模型中划分网格分配材料同时设定模型的边界条件。

表1 全封闭压缩机相关参数

通过分析该模型确定全封闭式压缩机的再定子与转子发生绕组短路故障后对整个全封闭式压缩机性能造成的影响。压缩机的激励电源是经过设置的外电路，模拟绕组短路需要将定子与转子的线圈设备设置成短路才能实现，故障模拟方式如下：

压缩机定子和转子中国存在三相绕组，以其中一相绕组作为研究对象，将其命名为A相绕组，定子内故障状态分别设置为5.5%、12.0%、35.5%三种状态；转子内故障状态分别设置为13.0%、25.5%两种状态，模拟过程中所设定的步长为0.0009s，数据采集时所设定的样品采集频率设定为1261Hz，每0.5s施行一次样品采集，随机选取数据波形根据三相绕组谐波分量诊断绕组短路故障。全封闭式压缩机非故障情况下，压缩机的三相电流存在对称性，如果绕组出现短路故障，三相电流的对称性丧失，电流幅值呈现出降低趋势，随着短路故障越来越严重，三相绕组中会有一相绕组的电流幅值逐渐降低，另两相绕组的电流幅值不会发生改变。

1.2 全封闭压缩机绕组短路故障特征提取

全封闭压缩机绕组短路故障检测直接受到提取故障特征向量准确性的影响，所以检测全封闭压缩机绕组短路故障时需要有其主要故障特征向量的提取。当全封闭压缩机绕组发生短路故障时，原有三相绕组的电气平衡规律遭受破坏，绕组电流对称性丧失造成封闭压缩机中出现高幅值谐波分量[5]。假设使用i1表示其中一相绕组的电流，该绕组的磁势包含不相融合的两个磁势，这两个导体电流幅值一致电流方向相反，于是则有展开后的磁势傅里叶级数如式(1)所示。

α用于表示两个不同导体之间间隔的空间电角度，P与kyf分别用于描述极对数与线圈节距因数，v用于描述谐波次数，通常情况下，整距线圈与短距线圈内v都等于(1/P，2/P，3/P，…)，但是在整距线圈之中，v不等于偶数。

如果全封闭压缩机上的其中一个绕组出现短路故障时，正常电流上会被重复增加一个短路的电流，造成故障磁场出现。全封闭压缩机绕组发生短路故障时，内部结构遭受破坏，从空间角度丧失平衡性，造成压缩机出现不对称的工作电流，通过工作电流产生的磁势内存在一定数量的谐波分量。假如把电流叠加在出现短路故障的线圈上，此时会产生一个与气隙分布相同的空间电角度，该角度使用α=Pθ表示，由式(1)演化得出磁动势：

ω与t分别用于描述电源角频率与时间，短路电流幅值通过I实现表示，θ代表将封闭式压缩机上的定子坐标作为参照的机械角度，同时，φ代表全封闭压缩机的转子坐标，其中S用于描述转差率。将式(2)的磁动势向转子坐标系转换如式(3)所示。

在转子一侧，磁势的电流分量如式(4)所示：

在转子端，IRF是电流幅值。全封闭压缩机中的定子和转子之间不存在关联关系，所以故障发生时，也不会影响转子绕组对称性，在转子坐标系之中，由电流IR所产生的磁动势可以使用式(5)表示。

Fv，n用于描述第n次谐波磁势幅值，其中n=6p+1，p=0，1，2，3，…。在式(5)中，使用θ代替φ，获取封闭式压缩机定子坐标写的磁势如式(6)所示。

对式(4)展开分析，通过感应得到全封闭压缩机转子侧的磁势F(φ，t)的电流分量，该分量的频率为：[1±v(1-s)]f1，同时转子侧的磁势FR(φ，t)的电流分量频率为[1±(n±v)(1-s)]f1。

经过以上分析计算可以确定如果全封闭压缩机绕组发生短路故障，无论是压缩机的定子侧还是转子侧都能对特殊频率的谐波分量作出感应。两侧所感应出的各频次谐波分量如下所示：

定子侧频次：sf1、(0.5+0.5s)f1、(1.5+0.5s)f1、(2+s)f1、(2.5+1.5s)f1、(3+2s)f1；转子侧频次：(0.5+0.5s)f1、(1.5-0.5s)f1、(2-s)f1、(2.5-1.5s)f1。

1.3 基于主成分分析法的数据降维

经过上文分析计算以后，提取的全封闭式压缩一相机绕组故障特征向量属于16维特征向量，三相绕组一共会产生48维特征向量，如此庞大的向量维数会影响神经网络对于故障的训练检测结果，所以需要对各特征向量实行降维，从特征向量之中提取出研究价值较高的内容汇总成输入神经网络的样本，提升神经网络检测故障的能力。表2为特征向量所对应的贡献率。

表2 特征值贡献率

从表2中能够获知，使用主成分分析法降维特征向量后，各状态的贡献率均较高，降维后，为避main出现有效数据丢失现象，将特征维数由16维降至5维，此时可以确定神经网络的输入层为15个。

1.4 基于遗传算法优化神经网络的故障检测

利用遗传算法优化神经网络的阈值与权值，提高神经网络的全封闭压缩机绕组短路故障检测效果。

遗传算法以生物进化作为原理，该算法坚持使用优胜劣汰的原则筛选群体中的个体，在种群中筛选出较为优异的个体重新构建较为优异的种群。全新种群中的各个个体，能够一定程度上提示适应度，停止条件是达到极限条件，等待优化的参数最优解也就是种群中具有最大自适应值的个体。

仅通过三个主要部分就能使用遗传算法实现优化神经网络：

1）确定网络结构；

2）优化阈值与权值；

3）训练并实现遗传算法-神经网络的预测。图1为算法具体流程。

图1 遗传算法-神经网络计算流程

遗传算法-神经网络使用遗传算法实现结构网络阈值和权值的优化，优化后能够一定程度上提升神经网络检测全封闭式压缩机绕组故障的精度。优化过程中较为关键的步骤是初始化种群、选取交叉和变异算子、计算适应度。关键步骤的详细内容如下：

1）初始化种群

编码种群内的各个个体时运用二进制编码法。共有四个部分组成一个个体，（1）连接输入层与隐含层之间的取值；（2）隐含层和输出值之间的阈值；（3）输出层阈值；隐含层阈值。连接以上这些阈值与权值，形成个体编码。

2）计算适应度

式(7)为适应度值S，具体计算式如式(7)所示。

k与n分别表示为系数与输出的神经元个数，第i个节点的期望、预测输出分别用yi与Oi表示。

3）算子确定

使用随机遍历抽样法完成算子选取，将适应度最大的个体从目前的原始群体中挑选出来，提升这些个体参与到下一代繁殖的概率。

4）交叉算子与变异算子

为获取全新的个体需要交叉变换算子，全新的个体从父辈那里继承原有的特性。单点交叉算子是所选取的算子。对于出现变异的基因，作出随机选取，也就是变异，所产生的变异会使其结构发生改变。仅有很小概率会发生变异，所以变异值通常也较小。

2 结果分析

通过数据收集技术，对应用于小型制冷机中的一种全封闭压缩机实行数据采集，模拟绕组短路发生时的三相电流信号，并且依据所提取的谐波分量，构建15维，共900组的样本数据，非故障状态100组，样本数据各100组（包含不同故障形式）。随机抽取90%的样本数据作为训练样本，剩余10%的样本数据作为测试样本。将压缩机的各种工作状态作为神经网络的输出，将这些输出实行二进制编码，根据本文方法的计算流程，通过编码获得神经网络的原始种群，根据本文方法降维结果，神经网络的绕组故障检测模型的输入、输出特征向量的数量分别为15和与5个，该个数也是输入和输出层的神经元数量，设置收敛精度与极限训练次数分别为0.01与1000次，遗传算法的种群个数设置为25，交叉概率与变异概率分别设置为0.2与0.1。隐含层的神经元数量需要通过计算获得：，c是10以内的随机常数，a和b分别是输入和输出层的神经元数量。通过计算确定本文所使用的隐含层神经元个数大概在5～15之间，需要通过训练确定具体个数。

为测试本文方法对于全封闭压缩机电流谐波信号的主成分降维效果，对比分析降维前以及本文方法降维后的封闭压缩机电流谐波信号结果，结果如图2所示。

图2 本文方法的降维效果

对比分析图2两个图可以看成，本文方法对全封闭压缩机电流谐波信号的降维效果显著，去除了原始电流谐波信号中无用信号，并且保留有效电流信号的完整性，降低维度后的全封闭电流谐波信号没有发生信号中断和缺失现象。

使用本文方法获取未发生绕组短路故障以及存在绕组短路故障，全封闭压缩机的电流谐波情况，用图3描述。

图3 全封闭压缩机的电流谐波采集结果

分析图3(a)可得，未发生绕组短路故障的全封闭压缩机电流谐波分量信号波形图变化较为平稳。而图3(b)显示，本文方法通过提取全封闭压缩机的电流谐波分量信号波形图，检测全封闭压缩机绕组短路故障的电流谐波分量波形图中出现8次明显的尖峰。

使用本文方法检测获得全封闭式压缩机，在不同电流频次下，定子和转子位置出现的谐波幅值，表3为非故障情况下电流频次对应的谐波幅值，表4为绕组故障情况下各电流频次下的谐波幅值。

从表3与表4的对比结果来看发生故障后的压缩机绕组谐波幅值与未发生故障的压缩机绕组谐波幅值发生显著提升，说明通过本文方法能够准确检测出全封闭压缩机所发生的绕组短路故障。

表3 非故障情况下谐波幅值

表4 故障情况下谐波幅值

3 结语

全封闭式压缩机由于结构特点，即使发生故障也不能及时检测，本文研究基于遗传算法的全封闭压缩机绕组短路故障自动检测方法，通过数据采集电流信号，发现故障发生时电流的对称性被破坏，提取故障特征，并采用主成分分析方法对故障特征进行降维处理，在常见的神经网络检测方法基础上，使用遗传算法优化神经网络，避免神经网络检测故障时出现训练速度慢，逼近局部极小值的情况，提高全封闭式压缩机绕组短路故障的检测效率。通过实际验证分析发现，本文方法能够有效降低全封闭压缩机电流谐波信号维度，实现全封闭压缩机绕组短路故障的准确检测。