基于神经网络的电机转子断条故障诊断的论文-计算机网络论文.docx

??

?

??

基于神经网络的电机转子断条故障诊断的论文

计算机网络论文

?

??

?

?

?

?

?

?

???

?

?

?

?

?

?

1前言

电机是工农业生产中的主要传动机械。随着现代科学技术的进步和生产的发展,电机的容量不断增大,所组成的系统的规模越来越大,构成也越来越复杂。但由于工作环境复杂,或者电机频繁起动等原因,电机转子断条等故障时有发生,对其可靠性要求也越来越高。传统的电机故障诊断方法,需要建立精确的数学模型、有效的状态估计或参数估计、适当的统计决策方法等。这些前提条件使得传统的电机故障诊断具有相当的局限性。针对传统检测方法的以上缺陷,有必要对电机转子工作情况进行更先进及时监测,以防造成重大损失。

异步电动机故障检测是通过应用先进的技术手段,在线监测异步电动机相关运行参数(如电压、电流、磁通、转速、温度、振动、局部放电等),判断其是否处于正常状态,以确定合理检修方案,从而达到避免事故停机、提高设备运行可靠性、降低维修费用的目的。

2电机转子断条故障

转子断条故障是指异步电动机转子导条断裂(端环开裂)故障。异步电动机在运行过程中,转子导条受到径向点磁力、旋转点磁力、离心力、热弯曲挠度力等交变应力的作用,加之转子制造缺陷,导致断条故障。

在冷却效果较差时,起动电流产生的热应力和机械应力较大。当在重载和频繁起动情况下,笼条与端环焊接处是经常发生断裂的部位。一般过程如下:(1)在即将断裂的部位经常出现过热,很高的热应力或机械应力。(2)达到疲劳极限时笼条断裂,并产生电弧。(3)在继续起动时,相邻的笼条通过更大的电流,并承受更大的机械和热应力。WWw..Com(4)造成更多笼条断裂,故障范围扩大;产生较大的单边磁拉力,使电机产生振动、噪声;定子电流摆动和温升增加,转速波动。

3神经网络技术在电机转子断条故障诊断的应用人工神经元的信息处理分三个部分,首先完成输入信号与神经元联接强度内运算,然后再将其结果通过激活函数(如sigmond函数),再经过阀值函数判决,如果输出值大于阀值,则该神经元被激活否则处于抑制状态。神经元按一定模式连接成网络型,神经元之间的连接权值的大小反应信号传递的强弱。

本文借助于神经网络的极强的非线性映射能力,实现由电机转子断条故障征兆或者说故障特征参量空间向故障模式空间的映射,从而达到对电机转子故障模式的识别,判断出是否为电机转子断条故障。这里,我们采用最具代表性和应用最为广泛的bp网。利用定子电流法和神经网络技术对电动机的运转性能和动力性能的检测,得到瞬时转速信号的尺度参数。将该参数作为bp网络的输入,通过bp网络的自学习和联想记忆功能,能有效地确定转子断条数和故障的部位。同时,这种利用神经网络技术对电动机的运转性能和动力性能的检测基于神经网络电机转子断条故障诊断框图,如图3所示。通常利用神经网络来实现学习与分类决策的功能。为了能够对模式进行分类,往往需要学习。通过学习将系统参数或结构固定下来,这也就完成了训练的过程。待识别信息经已训练神经网络的处理,可自动根据某一判别原则对被识别对象进行分类,最后给出准确、及时的电机转子断条故障诊断结论。

4训练样本的选取

bp神经网络的算法通常采用基于梯度下降原理的误差反向传播算法,即bp算法。但标准的bp算法往往收敛速度慢。为加快训练收敛速度,引入动量项的权值修正快速算法,提高了运算效率。异步电机转子故障诊断人工神经网络采用前馈型三层(输入层、隐含层和输出层)感知网络。基于bp网络电机转子断条故障诊断方法的结构框图如图4所示。将故障的征兆(转速n、转差率s、定子电流中频率p、温度c等)作为网络的输入,各个征兆元素对应网络输入神经元,电机转子断条数nm和断条的相对位置xm(即相对于电机外壳的某一固定点)作为网络的输出,对应网络输出神经元;隐含层用于提取信号中阶相关特性(故又称特征提取层)。通过一系列正常电机的试验和故障电机的仿真计算得到的数据完成网络的学习训练。根据网络输出的断条数和电机实际断条数的偏差(诊断误差),从输出层开始,反过来调整网络中的权值。通过反复调整学习和训练,形成一个完整的基于神经网络的故障诊断系统。使用时,对应一组输入的故障征兆,网络将迅速给出诊断结果。图4神经网络的结构图

学习阶段中,电机转子断条数目的确定仍需专家给出定性的诊断结论;应用推广阶段中,就可根据输入的信息自动诊断出当前的电机状况(正常运行或存在故障),并给出断条数目和故障位置。实验结果表明,训练好的bp网络对于电机转子断条故障的辩识精确度可达100%。

5试验结果分析

实验接线图示于图5。实验电机采用一台y100l-2型三相异步电动机(3kw、380v50hz、2极)和一台y100l1-4型三相异步电动机(2.2kw、380v、50hz、4极