基于GA-BP的船舶同步發(fā)電機定轉子繞組匝間短路故障診斷研究

孫衛(wèi)鵬，徐合力，高 嵐

(武漢理工大學 能源與動力工程學院，湖北 武漢 430063)

船舶同步發(fā)電機是船舶電力系統(tǒng)的重要組成部分，由于其惡劣的工作環(huán)境以及制造過程中產生的缺陷加上人員操作不規(guī)范，發(fā)電機容易產生電氣以及機械故障[1]。其中，發(fā)電機定子繞組匝間短路故障以及轉子勵磁繞組匝間短路故障是發(fā)電機內部較常見的電氣故障，易對船舶及工作人員造成安全威脅。因此對發(fā)電機故障進行診斷研究，從而對故障進行快速處理具有重要的意義。

隨著人工智能技術的發(fā)展，故障診斷方法逐步從傳統(tǒng)故障診斷轉變?yōu)槿斯ぶ悄芄收显\斷。與此對應的即是模式識別方法的改變，通過提取診斷對象數據的特征參數，利用人工神經網絡進行分類識別，進而達到故障診斷的目的[2-4]。其中，BP神經網絡是廣泛使用的一種神經網絡，它具有可靠性高、實用性好、運算速度快的優(yōu)點，但也有易陷入局部極小值、學習效率低、收斂速度慢的缺點[5-6]。本文利用遺傳算法(GA)對BP神經網絡進行優(yōu)化(GA-BP神經網絡)，以提高其診斷性能。

輸入樣本的維數對BP神經網絡的建立、學習以及診斷效率有較大的影響，當輸入樣本的維數較高時，需要降低輸入樣本的維數。其中，主成分分析法(PCA)是一種常用的數據降維方法，目前廣泛應用于故障診斷領域[7]。本文以某小型船舶同步發(fā)電機參數為例，在Maxwell軟件平臺上進行故障仿真，利用小波包以及PCA對仿真數據進行故障特征提取，生成樣本數據，對GA-BP神經網絡進行訓練測試，從而實現對船舶同步發(fā)電機的故障診斷。

1 同步發(fā)電機故障分析

1.1 同步發(fā)電機模型

本文以一臺小型船用同步發(fā)電機為例，探究了在額定工況下不同程度的定子以及轉子繞組匝間短路對發(fā)電機性能的影響。利用ANSYS Maxwell軟件中的RMxprt模塊，選擇三相凸極電機模型，輸入同步發(fā)電機的結構參數，生成RMxprt模型，再通過對RMxprt模型求解生成Maxwell2D模型，并完成模型的材料分配、網格剖分以及邊界條件設置。為更好的觀察同步發(fā)電機定子以及轉子繞組匝間短路故障對發(fā)電機性能的影響，本文通過外電路設置發(fā)電機激勵源，通過短路發(fā)電機定子以及轉子繞組的線圈來模擬匝間短路故障。表1為同步發(fā)電機的主要參數。

表1 同步發(fā)電機主要參數表

1.2 同步發(fā)電機故障仿真

針對同步發(fā)電機定子繞組匝間短路故障，對A相繞組進行5.0%、12.5%、30.0%、45.0%4種不同程度的故障狀況模擬；針對同步發(fā)電機轉子勵磁繞組匝間短路故障，對其進行12.5%、25.0%、50.0% 3種不同程度的故障狀況模擬。數據采樣頻率為1 250 Hz，仿真步長為0.000 8 s，采樣周期為0.4 s，利用三相電流信號對發(fā)電機故障進行診斷，選取從0.56 s到0.60 s，總共為0.04 s的發(fā)電機數據波形進行分析。圖1為發(fā)電機在正常以及故障狀態(tài)下的三相電流仿真波形。圖1中,實線為A相電流仿真波形,虛線為B相電流仿真波形,點劃線為C相電流仿真波形。

由圖1可知，正常狀態(tài)下發(fā)電機的三相電流具有對稱性。當發(fā)生定子繞組匝間短路時，發(fā)電機三相電流對稱性被打破，電流幅值均減小，其中A相電流幅值隨著故障程度的加深而減小，B、C相電流幅值基本維持不變。當發(fā)生轉子勵磁繞組匝間短路故障時，發(fā)電機三相電流對稱性同樣被打破，A、B、C相電流幅值隨著故障程度的加深而減小，且不對稱程度逐漸增加。針對以上仿真結果，對仿真數據作進一步的處理。

2 基于小波包和PCA的特征提取

在故障診斷過程中，從數據中提取特征向量是關鍵的一步。本文利用小波包對三相電流信號進行分解重構，得到在不同頻帶下的信號波形，并將各頻帶信號的能量占比作為特征向量輸出。再利用PCA方法對高維特征向量進行降維，以避免高維數的輸入向量對神經網絡診斷結果的影響。

2.1 基于小波包的特征向量生成

由于發(fā)電機發(fā)生匝間短路故障時三相電流信號存在不對稱性以及各類諧波，因此需要對三相電流的頻率信息進行細致的劃分。利用4層小波包對正常以及短路故障下的每一個采樣周期的電流信號進行分解，生成16個頻帶[S(4,i),i=0,1,2，…，15]的重構信號,其中小波函數選擇db5。圖2為定子繞組5.0%匝間短路故障下的一個采樣周期(0.4 s)內的小波包重構信號圖，僅選用A相電流信號作為處理對象來進行展示。

根據上述16個頻帶的重構信號，將每個頻帶的能量占比作為電流信號的多維特征向量輸出，具體步驟如下。

圖1 發(fā)電機正常以及故障狀態(tài)下三相電流仿真波形

1)求取各個頻帶的能量值E4i(i=0,1,…,15)：

(1)

式中，xik(i=0,1,2，…，15；k=1,2,…,n)為重構信號S4i離散點的幅值。

2)計算重構后16個頻帶的總能量E，用ei來表示每個頻帶的能量占比：

(2)

(3)

3)構造電流信號的特征向量Xi(已進行歸一化處理)：

Xi=[e0,e1,e2，…，e15]T,

(4)

同步發(fā)電機在正常狀態(tài)以及匝間短路故障狀態(tài)下，由于其A相電流重構信號16個頻帶的能量占比數據主要集中在前半部分，因此僅對前10個頻帶的能量占比進行展示，如表2所示。由表2可知，正常狀態(tài)、5.0%、12.5%、30.0%定子繞組匝間短路，12.5%、25.0%、50.0%轉子勵磁繞組匝間短路的能量主要集中在1、2、3、4、5頻帶，45.0%定子繞組匝間短路的能量主要集中在1、2、4、5、7頻帶。

圖2 定子繞組5.0%匝間短路故障下A相電流4層小波包重構信號波形圖

表2 不同狀態(tài)下A相電流重構信號頻帶能量占比表

2.2 PCA降維

一相電流信號經4層小波包分解重構后生成16維特征向量，三相電流信號將總共生成48維特征向量。由于特征向量維數較大，易對BP神經網絡的訓練診斷產生影響，因此利用PCA對小波包分解重構后的每相電流的特征向量進行降維，從16維特征向量中提取最有價值的特征向量匯總組合成神經網絡的輸入樣本，以此達到改善神經網絡診斷能力的目的。16維特征向量所對應的特征值的貢獻率如表3所示，表中按照從大到小排列，排名越靠后貢獻率越小，因此僅展示前10特征值的貢獻率情況。

表3 16維特征向量所對應的前10特征值的貢獻率 %

由表3可知，利用PCA對發(fā)電機不同狀態(tài)下的16維特征向量進行降維后，除45.0%定子繞組匝間短路故障狀態(tài)下前5個主元累計貢獻率方能達到95%外，其他狀態(tài)下前3個主元累計貢獻率即可達到95%。為了不使有效數據丟失，選擇將16維特征向量降為5維，因此BP神經網絡輸入層的個數確定為15。

3 GA-BP神經網絡

GA是通過模擬自然界“優(yōu)勝劣汰”法則，根據選擇和遺傳的機理來尋求最優(yōu)解的一種搜索尋優(yōu)方法，具有良好的全局尋優(yōu)能力[8-9]。本文通過利用GA-BP神經網絡的權值和閾值來彌補BP神經網絡收斂速度慢以及易陷入局部極優(yōu)值的缺陷。GA-BP神經網絡的運算過程如下。

1)建立BP神經網絡結構，設置輸入層、輸出層和隱含層節(jié)點個數，初始化權值和閾值。

2)對BP神經網絡初始權值閾值選用實數進行編碼。

3)利用訓練樣本對BP神經網絡進行學習訓練，利用適應度函數計算種群中每個個體的適應度值，適應度函數f的表達式為：

(5)

式中，aij為神經網絡訓練后的實際輸出值;tij為對應的期望輸出值；N為訓練樣本總數；q為神經網絡輸出神經元數量。

4)對種群個體進行選擇交叉變異操作。從種群中選擇若干個體用于繁殖后代，每個個體被選取的概率Pk為：

(6)

式中，c為種群中的個體數目；fk為個體k的適應度值。

從選取的個體中隨機抽取2個個體進行配對，以交叉概率Pc交換兩者部分基因形成2個新的個體。則第l1和l2個個體在第o位的基因交叉操作如下：

(7)

式中，gl1,o和gl2,o分別為第l1和l2個個體在第o位的基因；r為[0,1]之間的隨機數。

以一個較小的變異概率Pv選擇第k個個體的第o位基因進行變異操作生成新的個體來增加種群的多樣性，其操作方法如下：

(8)

式中，gmax和gmin分別為基因gko的上限和下限；r1為隨機數；s為當前的迭代次數；smax為最大進化代數；r2為[0,1]之間的隨機數。

5)計算每代的最小適應度值。當最小適應度值不再變化或者達到最大迭代次數則停止計算并進行下一步操作，否則返回步驟3)繼續(xù)進行計算。

6)將得到的最優(yōu)個體進行解碼并計算出相應的最優(yōu)權值閾值，并應用到BP神經網絡中。

7)利用訓練樣本對應用最優(yōu)權值閾值后的BP神經網絡進行學習訓練，計算訓練結果輸出誤差。

8)利用BP神經網路訓練結果的輸出誤差對網絡的權值閾值進行更新，當達到預定的訓練精度或者訓練次數時結束訓練，否則返回步驟7)繼續(xù)進行計算。

4 故障實驗分析

采集同步發(fā)電機在3種狀態(tài)(正常、定子繞組匝間短路、轉子勵磁繞組匝間短路)下的三相電流信號，按照上述方法進行特征提取，構成800組15維的樣本數據，其中正常狀態(tài)以及不同程度的故障狀態(tài)各100組。從800組樣本數據中隨機抽取700組作為訓練樣本，剩下的100組樣本作為測試樣本。

將發(fā)電機正常工況、5.0%定子繞組匝間短路、12.5%定子繞組匝間短路、30.0%定子繞組匝間短路、45.0%定子繞組匝間短路、12.5%轉子勵磁繞組匝間短路、25.0%轉子勵磁繞組匝間短路、50.0%轉子勵磁繞組匝間短路作為神經網絡的輸出，并對其進行二進制編碼，狀態(tài)編碼表見表4。

表4 狀態(tài)編碼表

根據以上分析，本文采用的BP神經網絡故障診斷模型具有15個輸入特征量和5個輸出特征量，因此該神經網絡的輸入層、輸出層的神經元數分別是H=15、M=5，設置網絡的最大訓練次數為1 000，梯度下降法的學習率為0.01；并設置收斂精度為0.001。設置遺傳算法種群數目為20，進化次數為30，交叉概率為0.2，變異概率為0.1。

隱含層節(jié)神經元數I需要根據以下經驗公式進一步確定：

(9)

式中，H、M分別為神經網絡輸入層、輸出層神經元個數，b為0～10的常數。

由公式(9)知，隱含層節(jié)點數在4～14之間，從中選取效果最佳的隱含層節(jié)點數。利用訓練樣本對不同隱含層節(jié)點的神經網絡進行訓練，圖3為不同隱含層節(jié)點數下的BP神經網絡訓練精度。

圖3 不同隱含層節(jié)點數下的BP神經網絡訓練精度

由圖3可知，當隱含層節(jié)點數為10時神經網絡訓練精度最小，因此確定隱含層節(jié)點數為10。圖4為傳統(tǒng)BP神經網絡以及GA-BP神經網絡訓練誤差變化曲線。可看出，GA-BP神經網絡收斂效率優(yōu)于傳統(tǒng)BP神經網絡，克服了傳統(tǒng)BP神經網絡后期陷入局部極小值，影響收斂速度的缺點。

圖4 2種神經網絡訓練誤差變化曲線

2種神經網絡訓練完畢后，利用100組測試樣本分別對2種神經網絡診斷效果進行測試，表5列出了2種神經網絡測試的部分輸出向量。由表5中測試結果計算可得：BP神經網絡診斷準確率為98.56%,GA-BP神經網絡的診斷準確率則為99.67%，GA-BP神經網絡的診斷精度最高，也反映了基于PCA和GA-BP神經網絡的診斷方法具有較好的效果。

5 結束語

本文針對船舶同步發(fā)電機定轉子繞組匝間短路問題，利用Maxwell軟件進行發(fā)電機正常狀態(tài)以及匝間短路故障狀態(tài)仿真，采集三相電流信號對故障狀況進行分析，發(fā)現當發(fā)生匝間短路故障時，三相電流對稱性被打破，且電流幅值隨著故障程度加深而減小。利用小波包分解重構以及PCA降維提取故障特征向量，分別對傳統(tǒng)BP神經網絡以及GA-BP神經網絡進行訓練測試。結果表明，GA-BP神經網絡在發(fā)電機匝間短路故障診斷中具備更好的快速性和準確性，滿足故障診斷的要求，在實際工程中有一定的應用價值。

表5 測試結果對比表