基于神经网络的异步电动机温升预测分析*

王水发，陈德为

(1.福建船政交通职业学院;2.福州大学)

0 引言

在日常生活中，异步电动机的使用范围非常广泛，异步电动机的故障大多是过载引起的，过载引起电机绕组温度升高，破坏绕组绝缘层，进而烧坏电机[1].传统的异步电动机温升检测方法，主要有直接法和间接测量法.直接法需要改变电机的加工工艺，预先在电机绕组内预埋热敏电阻，但该方法只能检测当前的温升，不能满足过载时，提前保护电机的目的.而间接法，是通过电机的电流、电压和结构材料散热等多个参数，通过理论分析，进行计算出电机的温升，该计算方法和模型复杂，精度不高.而人工神经网络是一种模拟生物大脑的思维方式，对外界的输入信息进行反馈的数学模型.已成功应用于产品的分类筛选、设备的故障诊断、信息的快速提取、人脸识别和预测预警等多个领域中[2,3].因此，该文简化异步电动机温升的数学模型，采用Matlab的神经网络函数，编写计算程序实现对电机温升进行预测预报，对研究电机电器装置的智能保护具有重要的实际意义.

1 人工神经网络的概述

1.1 人工神经网络的基本原理

人工神经网络是由大量简单处理元件(神经元)相互连接而构成的.它具有高度并能分布式处理功能、非性性处理功能和自学习的功能[4]，能模拟人大脑的思维方式，快速寻找到模型的最优解，通过对历史数据的学习，实现对外部事物的预测.单个神经元的基本模型如图1所示.

图1 神经元的基本模型

神经元的数学模型也可用式(1)表示：

(1)

式(1)中，x0=-1；ω0j=Tj;Tj是神经元j的阈值；ωij是神经元i到j的权重值；f(·)是神经元的变换函数.

按照神经网络模型内信息的传递方向，人工神经网络一般可分为前馈型神经网络和反馈型神经网络[2]，其网络结构如图2所示.前馈型神经网络是最简单的神经网络结构模型，其网络层级是单向的，每一层包含若干个神经元.神经网络信息是从输入层(第0层)到各隐含层再到输出层，逐层传递.反馈型神经网络的网络层级不是单向的，其网络信息在从输入层到输出层传递过程中，每个神经元的输出信息既可以反馈给自己的输入层，同时也可以馈给其它的神经元作为输入信号，从而构成了信息的反馈系统.

(a)前馈型神经网各

(b)反馈型神经网络图2 前馈型神经网络和反馈型神经网络结构图

1.2 BP神经网络的算法

BP神经网络是采用误差反向传播(Error Back Propagation，BP)算法进行学习训练的前馈型神经网络[4].它的基本原理是将学习样本输入输入层，经过网络中各层的神经元权值的迭代计算，采用梯度搜索技术，使输出层的输出值与期望值的误差尽可能的小.当网络输出层误差大于设置的最大误差时，则误差值将在网络中逆向传递.各层神经元根据接收到的误差信息，再进行各自神经元权值的修正.修正完成后，再将修正后的输出信号重新正向传递，如此不断反复调整各层神经元的的权值，直到网络训练出的输出结果收敛到所需的映射精度，或者迭代到预先设定的学习次数为止.

BP神经网络虽然具有较好的泛化能力，但也存在局部极小化问题和收敛速度慢等缺点.因此，国内外的专家学者提出了很多有效的改进算法，并应用到Matlab软件中的神经网络工具箱里[5].可根据实际的需求情况来选择.该文的训练算法就是选用Levenberg_Marquardt算法，因为只要内存足够，该算法的运行速度较快.

2 异步电动机的温升智能预测

该文所分析的异步电动机是全封闭外置风扇冷却结构(Y90L-4三相异步电动机)，实验表明电动机运行时的最高温度出现在定子绕组中[6].因此，该文利用BP神经网络改进算法，针对异步电动机在多种负载下，编写程序对电机定子绕组的温升进行预测.

2.1 预测模型的建立

众所周知，异步电动机绕组的温升受很多因素的影响，其中电流、电压、功率和负载等是引发异步电动机绕组发热的主要原因，但这些因素都具有相关性[7].因此，为简化预测模型，该文根据实验条件，选择电流作为输入量.同时，假设电源电压不受外界因素的影响，实验的环境温度设定为25 ℃.

基于以上的假设，可以将预测模型简化为双输入和单输出的三层BP神经网络，简化模型框图如图3所示.只要测量当前电机定子电流和当前的环境温度两个输入信息，再通过三层的BP神经网络运算，就可以预测定子绕组的下一时刻的温升.

图3 异步电动机稳定负载温升预测模型

2.2 温升实验数据预处理

该文采用在异步电机绕组中预埋热敏电阻的方式，利用自行设计的温升测试系统，分别采集了异步电动机从空载到堵转多种负载情况下，温升的训练样本数据和测试样本数据.其实验负载相对应的电流数据见表1.

表1 实验负载相对应的电流数据表

因为采集的样本数据都是离散的点数据，为更好的进行数据训练，需先将原始各负载下的温升数据利用广义多项式算法进行拟合，使拟合后的数据更加平滑，拟合后的数据曲线如图4所示.

图4 不同负载下电动机定子绕组温升拟合曲线

样本数据经过平滑处理后，还需进行归一化处理，使各样本数据的量纲统一，即使输入输出数据都在[-1,1]的范围内.数据尺度变换后，就可以直接用于神经网络的训练.因此，该文采用Sigmoid变换函数对拟合后的温升数据进行变换，变换函数如式(2)所示[8]：

pn=2×(p-minp)/(maxp-minp)-1

(2)

式(2)中，pn为变换后的数据；p为变换前的数据；minp为p的最小值；maxp为p的最大值.

2.3 神经网络结构设计和训练

该文确定的神经网络结构除了前面确定的输入层为双输入和输出层为单输出外，还需确定中间隐含层的层数和神经元的节点数量.隐含层的层数并非越多越好，层数越多，计算机的计算数就越大，需要的计算时间就越长，并且还更容易陷入局部极值中，无法获得最优解[9].隐含节点数的确定同样也要把握一个“度”的原则.当隐含层节点数太少时，不能完全描述样本中的内在规律；当隐含层节点数太多时，会降低了网络的泛化能力.根据经验的做法：先将隐含层设为单层，再逐渐增加单层的神经元节点数.而后观察网络的学习训练情况.若增加单层节点数的训练效果不好，再考虑增加隐含层的层数.

该文利用Matlab软件的神经网络工具箱，采用试凑法，确定网络结构采用单层的隐含层，节点数为10.采用newff函数建立的网络对象，即：

net = newff(minmax(pn),[10,1],{'tansig' 'purelin' },'trainlm')；

接着设置网格的训练次数确定为1000，误差为0；最后利用train函数进行训练.其训练后的输出值与目标值之间的误差曲线图如图5所示.

图5 神经网络预测系统训练误差曲线图

2.4 测试结果分析

通过将实验温升的样本负载数据(电流)和环境温度作为神经网络的输入条件，利用训练好的神经网络结构net和Matlab软件中的sim函数编写温升预测程序，预测的温升曲线如图6所示.将电机在各种负载情况下(不同的定子电流)分别预测的温升数据与实际实验的各样本数据进行对比，比较结果如图7所示.从图中可以看出，不管是有参与训练的样本集数据，还是没有参与训练的样本集数据，其误差都在±1℃(以内，训练的神经网络具有良好的泛化能力，满足工程应用要求.

图6 不同负载下电动机定子绕组温升预测曲线图

图7 不同负载下电动机温升实测数据与预测结果的误差图

3 结束语

首先介绍了人工神经网络的概念和BP神经网络的工作原理.根据BP神经网络的基本原理和异步电动机的温升特点，建立并优化了神经网络的温升预测模型.利用实验采集异步电动机不同负载下(从空载到堵转)绕组温升数据做为样本数据，并对样本数据进行拟合和归一化处理.同时，引入Matlab软件的神经网络函数，编写程序对神经网络模型进行训练与学习.实验结果表明，简化的神经网络模型在异步电动机绕组温升的预测应用上是可行性的，这对异步电动机的热过载智能保护研究具有重要的实际意义.