无刷同步发电机旋转整流器故障的神经网络识别

乔维德

（无锡开放大学 科研与质量控制处，江苏 无锡 214011）

无刷同步发电机旋转整流器故障的神经网络识别

乔维德

（无锡开放大学 科研与质量控制处，江苏 无锡 214011）

针对无刷同步发电机旋转整流器常见故障特点，提出一种基于小波包分解和BP神经网络的旋转整流器故障识别方法。运用小波包分析（WAP）提取故障特征信号，建立故障识别的神经网络模型，采取粒子群-人工蜂群（PSO-ABC）算法优化神经网络的最优初始连接权值和阈值等结构参数。仿真结果表明，该方法具有识别速度快、准确性高等优点。

同步发电机；旋转整流器；WAP；PSO-ABC；故障识别

0 引 言

由于电力系统的快速发展和工业生产需要，大容量及超大容量同步发电机的需求和应用日益频繁。同步发电机的容量越大，相应需要的励磁电流也越大，由此容易引起电刷、集电环严重发热，并出现过度磨损、噪声、火花等问题。为解决此类问题，将无刷励磁技术应用于同步发电机不失为一种有效办法。目前采用的无刷励磁同步发电机组，因取消了励磁系统中的电刷和滑环，减少磨损并消除了噪声、火花，能有效解决大容量或超大容量同步发电机励磁电流过大而导致的问题，从而提高同步发电机组长期安全运行的可靠性。作为无刷励磁同步发电机组的核心部件和重要环节，旋转整流器安装在同步发电机的转子上，随转子一直处于高速旋转状态，再加之恶劣的工作环境因素作用和影响，旋转整流器的故障尤其是突发性故障率较高，甚至烧毁旋转整流器，并直接导致同步发电机组转子振荡、转子损坏和失步等严重故障[1]。然而，由于旋转的励磁回路与外部电路部分没有直接与电连接，所以难以直接检测转子旋转整流器故障并加以及时有效维护。基于此，对旋转整流器故障诊断已成为无刷励磁同步发电机安全运行监测研究的重要课题。本文采取小波包分析（WPA）和BP神经网络识别技术，建立无刷励磁同步发电机旋转整流器故障识别模型，采用粒子群—人工蜂群（PSO-ABC）算法优化神经网络的结构参数，增强同步发电机旋转整流器故障识别的能力。

1 故障识别模型

无刷励磁同步发电机旋转整流器故障识别过程主要包括故障信号的采集、故障识别信号的提取、旋转整流器状态与故障识别。旋转整流器故障识别模型[2]如图1所示。T31～T37分别为同步发电机交流励磁机的定子磁极线圈上并联电容C2的电压信号，经过小波包分解和归一化处理后的故障特征向量。采取BP神经网络建立旋转整流器故障识别模型，通过PSO-ABC算法训练优化神经网络结构，将故障特征向量参数T31～T37设定为神经网络的输入信号，神经网络有S1,S2,S33个输出神经元，它们不同的状态组合分别对应同步发电机旋转整流器的Y0～Y78种工作状态。其中，A+,A-,B+, C-分别表示旋转整流器的A相正组、A相负组、B相正组、C相负组。

图1 旋转整流器故障识别模型

2 故障识别信号的提取

要对无刷励磁同步发电机旋转整流器的运行状态及其故障类型进行在线、实时检测和识别，必须获取转子侧旋转整流器的相关参数信息。同步发电机因取消了励磁系统中的电刷和滑环，所以无法直接提取转子侧旋转整流器的故障信息。将电容C1,C2并联接于交流励磁机的定子励磁绕组，只需要采集带有转子故障信息的电容C2两端的电压信号波形，对其进行频域、时域分析，即可作为神经网络识别的故障特征信号[3]。旋转整流器故障识别信号的提取如图2所示。

图2 旋转整流器故障识别信号的提取

WPA属于一种比FFT更加优越的新兴时频分析方法，利用它可细分故障信号的低、高频部分，并通过推算不同频段对应的频带能量，实现对信号时频的精确分析，提高时域分辨率，以方便故障信号的特征提取[4]。C2两端电压信号3层小波包分解过程如图3所示。

图3 C2两端电压信号3层小波包分解过程

由图3可知，结点(i,j)表示第i层第j个结点，其中i设为0,1,2,3,j设为0,1,2,…,7。每个结点如(0, 0)、(1, 0)、(2, 2)等都分别代表一定的信号特征。当旋转整流器发生故障时，C2两端电压信号的故障特征能量与正常运行时的能量不同，所以通过计算该频段的能量值，可及时监测旋转整流器中的整流元件是否出现开路或短路故障。对故障信号进行小波包分解重构，从中可提取各频带范围的信号能量。设经过小波包分解后的第3层第j个频带的重构信号记为S(3, j)，其信号能量记为E(3, j)，则：

其中，Fkj(j=0,1,2,…,7；k=1,2,…,n)记为S(3, j)离散点的幅值，n为信号采样点数。信号S(3, j)的总能量E3为各频带能量之和，记为：

经过上述变换后的总能量E3比较大，对于模式分类有一定影响，故需要采取能量归一化处理，即：

由此，利用小波包分解提取的同步发电机旋转整流器故障特征向量为：

考虑同步发电机励磁电流中包含的直流分量，但它在旋转整流器出现故障前后的变化不明显，所以为更好提取故障特征值，舍去低频频带特征量T30，选取T31～T37。

3 粒子群—人工蜂群融合算法

3.1 粒子群算法

粒子群（PSO）算法中每个粒子的位置就是一个可行解，PSO算法通过个体极值Pbest及全局极值Gbest及时更新粒子的当前速度和所处位置。设PSO中有N个粒子，在M维求解空间中，第i个粒子的位置记为Xi=(Xi1, Xi2,…,XiM)，第i个粒子的个体最优位置记为Pi=(Pi1, Pi2,…,PiM)，所有粒子的全局最优位置记为G=(G1,G2,…, GM)，那么第i个粒子的速度Vij和位置Xij的迭代更新公式为：

其中，i=1,2…,N；j=1,2,…,M；t为迭代次数，为粒子的惯性权重，C1,C2分别为局部和全局加速常数，R1,R2为0～1范围内均匀分布的随机值。

为有效避免PS O算法寻优过程中“早熟”及全局最优解附近可能出现的振荡问题，采取惯性权重线性减小的处理方法，即替换（5）式中的为：

3.2 人工蜂群算法

人工蜂群（ABC）算法是一种模仿蜜蜂协作搜寻蜜源的智能进化方法。蜂群含有引领蜂、跟随蜂和侦查蜂三种群体，先由引领蜂搜寻蜜源，并将蜜源相关信息告知跟随蜂，然后跟随蜂在蜜源周边寻找更优蜜源。如果跟随蜂没有找出更优蜜源，就舍去原来蜜源，引领蜂便变为侦查蜂，继续搜寻新的蜜源。在A B C算法中，每个蜜源代表优化问题的1个可能解，蜜源的优劣表征对应问题解的好坏，一般以适应度来表示。设引领蜂、跟随蜂的数目均为N个，xij为第i个蜜源在D维搜索空间的位置，引领蜂的初始化位置公式为：为第j维最大元素值，xjmin为第j维最小元素值，rand(0, 1)为[0,1]内的一个随机数。

引领蜂寻至一蜜源后，需要测试该蜜源的适应度（相应解的质量）为：

其中，Fiti为第i个蜜源的适应度，fi为第i个蜜源的适应值（优化问题的目标函数值）。

跟随蜂按概率函数Pi选择引领蜂寻来的某个蜜源，即：

引领蜂、跟随蜂搜寻蜜源的位置更新公式为：

其中，vij为更新后的新位置，k=1,2,…,N,k≠i,rand (-1,1)为[-1,1]内的一个随机数。

3.3 PSO-ABC算法及神经网络优化

PS O算法具有很快的收敛速度，但在处理复杂问题时很容易陷入局部最优，往往出现早熟现象，并导致算法在后期搜索更优解的能力变弱、收敛速度变慢。A B C算法具有很强的全局搜索能力，但前期搜索可行解的速度比较缓慢，只要搜寻到可行解，该算法的搜索能力便会很快提高。针对两种算法存在的优势和不足，融合PSO算法与ABC算法，形成PSO-ABC算法[5]。由PSO-ABC算法进化输出的最优值，作为旋转整流器故障识别模型中BP神经网络的最优初始连接权值和阈值等。PSO-ABC算法优化BP神经网络流程如图4所示。

通过对BP神经网络优化训练，直至其均方误差J最小，即：

其中，n表示网络训练集样本个数，m表示网络输出神经元个数，Qjh,Sjh分别表示第j个训练样本在第h个网络输出神经元的理想输出值和实际输出值。

4 仿真实验

4.1 故障特征样本选取

在某大型电机厂的现场试验中，借助数字分析仪，检测并采集无刷励磁同步发电机（功率为360KW）交流励磁机的定子上电容C2的电压波形，采取3层小波包分解，当旋转整流器处于正常运行（Y0）及各种故障（Y1～Y7）状态时，分别提取各频带的电压信号特征量T31～T37。设定数据采样频率为1 000hz，分析上限频率f为500hz，选取的频带分别为62.5～125hz，125～187.5hz，187.5～250hz，250～312.5hz，312.5～375hz，375～437.5hz，437.5～500hz。收集24组同步发电机旋转整流器故障特征数据，用于神经网络的训练样本和检验样本（见表1）。

图4 PSO-ABC算法优化BP神经网络流程

表1 神经网络样本数据

4.2 仿真参数设置及诊断结果

PSO-ABC算法参数选取如下：PSO规模N=50，惯性权重的初始值和终值分别为1=1.2，2=0.2；R1=R2=2，PSO算法最大迭代次数tmax=200；ABC算法迭代次数极限值limit=100。BP神经网络结构为7-8-3，BP神级网络的学习率为0.1，误差精度为10-5。采取Matlab7.1工具，将表1中1～20组数据用于BP神经网络旋转整流器故障识别的训练样本，采用PSO-ABC算法优化得到BP神经网络最优初始权值和阈值，并通过反复训练，最终使BP神经网络的输出误差达到规定的精度要求[6]。BP神经网络训练完毕后，利用表1中21～24组数据作为网络的检验样本，得到检验结果（见表2）。由表2可知，神经网络诊断旋转整流器故障的实际输出值与期望输出值接近，说明故障识别准确度高。

表2 神经网络样本检验结果

为进一步验证PSO-ABC算法的优化性能，利用表1样本数据，先后以BP、PSO、ABC、PSO-ABC等算法优化、训练、测试神经网络，各算法仿真实验结果见表3。仿真实验结果表明，PSO-ABC算法优化旋转整流器故障识别的神经网络，速度最快、精度最高。

表3 神经网络不同算法性能比较

5 结 论

（1）同步发电机组的交流励磁机的定子磁极线圈，由于受到整流器及磁极铁芯饱和的影响和作用，导致C2上采集的电压信号信噪比增大。构建神经网络的故障识别模型，可减少同步发电机旋转整流器故障信号的失真度，有利于提升故障类型识别的准确率。

（2）仿真实验结果表明，PSO-ABC算法比BP、PSO、ABC算法的性能优越，PSO-ABC算法用于优化旋转整流器故障识别的神经网络，识别速度最快、精度最高，从而为同步发电机组旋转整流器故障诊断提供一种新的途径和方法。

[1]刘念，谢驰.无刷励磁同步发电机旋转整流器故障的模糊神经网络诊断[J].继电器，2003，31(8):8-10.

[2]乔维德.基于人工鱼群-蛙跳神经网络的变压器故障诊断[J].常熟理工学院学报，2016，30(4):70-74，96.

[3]张敬，李颖晖，朱喜华，等.基于改进的D-S证据理论的旋转整流器故障诊断研究[J].大电机技术，2012，46(1):59-63.

[4]杨健，李颖晖，熊大顺.基于小波包能量谱和改进神经网络的异步电机故障诊断[J].电力电子，2013，14(2):19-21.

[5]余庆，李冰，孙辉，等.一种改进的粒子群与人工蜂群融合算法[J].南昌工程学院学报，2015，34(1):18-24.

[6]乔维德.改进粒子群优化神经网络的高压断路器故障诊断[J].常熟理工学院学报，2016，30(2):51-55.

[责任编辑：蔡蔡兵]

Fault Identification of Nerve Net in Rotating Rectifier of Brushless Synchronous Generator

QIAO Weide
(Scientific Research and Quality Control Department, Wuxi Open University, Wuxi, 214011, China)

In terms of some common faults in rotating rectifier of brushless synchronous generator, a way based on wavelet packet decomposition and BP nerve net to identify faults is discussed. Generally, using WAP to pick up fault signals and to make nerve net model to identify faults. Besides, PSO-ABC algorithm could be used to optimize such structural parameters as the optimum initial connection weights and threshold value in nerve net. The simulation results reveal that this method is characterized with its advantages of being quick and accurate in detecting faults.

Synchronous generator; Rotating rectifier; WAP; PSO-ABC; Fault identification

TM31；TP183

A

1671-4326(2016)04-0044-05

10.13669/j.cnki.33-1276/z.2016.081

2016-08-21

无锡市社会事业领军人才资助项目（WX530/2016013）

乔维德（1967—），男，江苏宝应人，无锡开放大学科研与质量控制处，教授.