黃向慧，田坤臣，榮相，魏禮鵬，楊方

(1.西安科技大學電氣與控制工程學院，陜西西安 710000；2.中煤科工集團常州研究院有限公司，江蘇常州 213000；3.天地(常州)自動化股份有限公司，江蘇常州 213000 )

0 前言

異步電機具有結構簡單、安全可靠和生產成本低等優(yōu)點，是目前工業(yè)生產、運輸和電力系統(tǒng)廣泛使用的一種電機。大中型異步電機多采用鼠籠型轉子，一旦發(fā)生故障，將會導致整個系統(tǒng)停止工作，如果可以在故障初期盡早預警，就可以減少因電機故障帶來的經濟損失。在異步電機的各種故障形式中，最常見的是轉子斷條故障和偏心故障。隨著變頻器的發(fā)展，越來越多的電機是在變頻環(huán)境下運行的，若在變頻環(huán)境下能夠對這些故障進行較為準確的診斷，對于異步電機的穩(wěn)定運行有著極為重要的意義。

在變頻環(huán)境下原始信號不但會受到大量的噪聲干擾，還會由于高頻功率電子器件所產生的高頻脈沖在電機的定子線圈內產生諧波干擾，需要對信號進行特征提取。蘇建芳、吳欽木利用小波包對故障信號進行分析，依據各類故障特征頻率，對信號進行小波包分解和重構，得到相應的故障特征，但是如果信號是非平穩(wěn)信號，在選取小波基函數上會存在一定困難；譚勇、劉振興提出一種基于分數階Fourier和頻域Relax算法進行故障提取的方法，將線調頻變化的電流主分量轉換成恒頻分量，再通過頻域Relax方法提取和剔除該恒頻成分，突出故障特征，但是會存在對各個頻率分量的參數估計不準確的問題；張建文等提出利用擴展Park矢量的方法，將故障特征頻率分量從原始電流信號中剝離出來，減少基頻信號的影響，采用頻譜方式使之得到突顯，但是高頻成分會對處于低頻段的故障特征頻率造成一定干擾；劉美容等提出采用EMD方法進行故障特征提取，將非平穩(wěn)信號拆成頻率從高到低排序的多個頻段的本征模式函數，但是該方法存在很嚴重的模態(tài)混淆情況。在故障識別方面，李衛(wèi)民等搭建支持向量機分類模型，近似熵特征量被劃分為訓練樣本和測試樣本，該方法只適合小樣本集；馬天兵等采用BP神經網絡，選取不同樣本對神經網絡進行測試，容易出現局部最小化問題；鞠晨等人通過粒子群優(yōu)化算法優(yōu)化BP神經網絡的初始權值和閾值，可以避免陷入局部極小值；李思琦、蔣志堅先進行EEMD分解，再計算信號陡峭度及其他一系列指標后使用卷積神經網絡進行故障診斷。

本文作者針對變頻環(huán)境下異步電機斷條和偏心故障提取方法，提出了互補集合經驗模態(tài)分解(Complementary Ensemble Empirical Mode Decomposition，CEEMD)，使用排列熵和樣本熵作為判斷有效IMF信號的依據，將選擇出來的IMF信號重構，多組重構后的數據組成數據集，通過一維卷積神經網絡進行訓練分類診斷，并保存最優(yōu)訓練模型，通過實例信號進行驗證，結果表明提出的方法可以實現故障診斷。

1 CEEMD-CNN算法理論

1.1 CEEMD算法理論基礎

互補集合經驗模態(tài)分解(CEEMD)是模態(tài)經驗分解(EEMD)改進的一種方法。EEMD是在被分解信號中加入高斯白噪聲，相較于傳統(tǒng)EMD可以較好地抑制模態(tài)混淆情況，但是在分解過程中高斯白噪聲會影響分解出來的IMF信號，導致分解出來的IMF信號準確性不高?；パa集合經驗分解則是通過添加一對相位相反、幅值相同的高斯白噪聲來進行分解，不僅可以進一步抑制模態(tài)混淆情況，還可以減少因添加高斯白噪聲造成的重構信號誤差。CEEMD的具體分解步驟與EEMD分解大致一樣，EEMD分解方法詳細參照文獻[12]。CEEMD具體步驟如下：

(1)在初始信號()中加入一對相位相反、幅值相同的高斯白噪聲構成兩個新的信號()和()，其中

(1)

式中：()為添加的高斯白噪聲。

(2)對()和()進行三次樣條插值擬合得到上包絡線和下包絡線，并取平均值記為()和();

(3)用()和()分別減去平均值()和()，得到新的數據序列()和()，若()和()滿足本征模態(tài)函數則作為一個IMF分量，不滿足則對以上步驟進行重復操作，直到符合本征模態(tài)函數;

(4)將第一個IMF分量從()和()中進行分離，得到新的分量，以此類推循環(huán)多次，直到不能再提取出滿足條件的分量后停止循環(huán)，再將()和()得到的兩組IMF信號兩兩對應求平均值，得到最終IMF分量。

1.2 樣本熵原理

樣本熵可以比較出各IMF信號的復雜程度，計算得到的樣本熵越大，則該信號復雜性越高，反之復雜性越低。樣本熵計算步驟如下所示：

(1)假設實際信號為()， 嵌入維數=2，相似容限=01×[()]， 其中[()]是數據信號的標準差，參照實際信號對其重構，重構一個維向量。

()={,+1,…，+-1}，1≤≤-+1

(2)

(2)定義為()和()對應元素之差絕對值最大值的距離，統(tǒng)計<的個數(<)，定義()為

(3)

(3)對()求平均值()，再對維數+1重復以上幾步得到+1()和+1()。

(4)得到樣本熵的表達式為

(4)

樣本熵具有比時域統(tǒng)計更好的估計效果，對原始數據處理時無需進行粗?；崛。铱垢蓴_能力強，是常用的一種熵值計算方法。本文作者選擇小于平均值的IMF信號為有效信號。

1.3 排列熵原理

排列熵是一種用于描述信號復雜程度的非線性估計方法，排列熵值越大，則說明該信號的時間序列越復雜，反之信號就越簡單。排列熵計算步驟如下所示：

(1)假設數據是長度為的時間序列，將此序列按照相空間延遲坐標法進行重構，若該序列中每一個采樣點都選取連續(xù)的個樣本點，就可以得到()的維重構向量：

(5)

其中：為嵌入維數，這里取=5；為延遲時間，這里取=1。

(2)上述矩陣每一行都可看做一個重構分量，將矩陣第行按升序的方式排序，都將得到一組位置索引序列,記為()，它是符號序列的其中一種：

()=(，，…，),=1,2,3,…，

(6)

式(6)中≤!。符號序列出現的概率記為(=1，2，…，)，它滿足:

(7)

(3)序列{(),=1,2,…,}的排列熵可以定義為

(8)

(4)對排列熵進行歸一化處理可得：

(9)

排列熵能夠有效放大時間序列的微弱變化，且計算簡單、實時性好。這里同樣選擇小于平均值的IMF信號為有效信號。

1.4 卷積神經網絡(CNN)

卷積神經網絡是一種具有代表性的深度學習算法，其主要結構通常由卷積層、池化層以及全連接層3個部分組成。卷積層是卷積神經網絡的核心，提取輸入數據中包含的特征；池化層用于實現對特征圖的降采樣操作；最后通過全連接層對得到的特征圖進行鋪展和連接，通過采用ReLU函數作為激活函數的隱藏層，結合softmax函數實現分類結果的輸出。

其中卷積操作的原理如圖1所示。

圖1 卷積操作原理

不難發(fā)現，圖1中輸入序列的數據維度為4，卷積核的維度為2，卷積后輸出的數據維度為3，存在數據維度減少的問題。為了保持信號的維度不發(fā)生變化，可以采取補零策略，即在輸入序列最前面或最后面補零，可以保證輸出維度不變。

2 故障診斷步驟

變頻環(huán)境下異步電機故障診斷步驟主要分為四部分：數據樣本的獲取、故障特征的提取、仿真數據故障類型的識別以及實測數據故障類型的識別，電機故障診斷流程如圖2所示。

圖2 電機故障診斷流程

具體步驟如下：

(1)基于ANSYS軟件分別對正常電機、轉子斷條電機、氣隙偏心電機建模并進行有限元分析，在Simplorer中搭建一個SPWM電路聯(lián)合仿真，獲取仿真定子電流數據。

(2)對獲取的電流數據進行濾波處理和CEEMD分解，可得到多個IMF信號。

(3)計算每個IMF信號的樣本熵和排列熵，選擇低于平均值的IMF信號為有效信號。

(4)將選擇的IMF信號進行重構，將多組重構信號組成數據集，作為卷積神經網絡的樣本集。

(5)設計CNN結構和基本參數，將定子電流數據集劃分為訓練集與驗證集，分別對CNN模型進行訓練與驗證，最終得出故障診斷結果并保存訓練效果最好的模型。

(6)通過搭建實驗平臺，分別對正常電機、斷條電機以及偏心電機3種狀態(tài)收集電流信號，再重復步驟(2)—(3)，將得到的電流信號數據集放到步驟(5)訓練好的模型中進行故障診斷。

3 仿真驗證

通過設置SPWM電路中正弦調制波頻率為40、50、60 Hz，從而達到輸出頻率也為40、50、60 Hz的效果，再由SPWM電路與三相異步電機模型進行聯(lián)合仿真，收集不同狀態(tài)的電流信號。

3.1 Maxwell有限元建模

在Maxwell搭建一個三相異步電機，對電機的有限元模型進行參數設計，在RMxprt中可以自動生成電機模型。此次搭建的是一個型號為380V YB3-160M的三相異步電機，采用星形接法，電機模型如圖3所示，電機參數如表1所示。

圖3 三相異步電機模型

表1 YB3-160M-4型電機參數

斷條故障一般指的是電機導條和端環(huán)斷裂，通過改變鼠籠導條鑄鋁材料參數將電導率調至2 S/m，遠低于其他導條電導率，即可達到轉子斷條故障的效果。偏心故障通過改變定子、轉子、鐵芯位置及坐標系可獲得氣隙偏心故障，再通過建立相對坐標系區(qū)分靜態(tài)偏心和動態(tài)偏心，通過文中的研究，可以將靜態(tài)偏心和動態(tài)偏心劃分為一類偏心故障進行故障診斷，這里統(tǒng)一設置偏心度為20%。

3.2 Simplorer外電路

變頻環(huán)境通過搭建一個基于正弦脈寬調制(SPWM)技術變頻電路來實現，通過控制逆變電路中開關器件的通斷，使電路輸出一系列幅值相等寬度不等的脈沖波，用脈沖波來代替正弦波。通過改變載波與調制波的頻率比可以改變輸出電壓的頻率，實現變頻輸出，如圖4所示。

圖4 變頻電路

3.3 基于CEEMD的故障特征提取

以斷條故障電機電流信號數據為例進行CEEMD分解，分為10個IMF分量和1個殘余分量，殘余分量這里不做考慮，如圖5所示。

圖5 CEEMD分解結果

對CEEMD分解后的各IMF信號分別進行樣本熵和排列熵的計算，選取低于熵值平均值的IMF信號，選取結果見表2和表3。

表2 CEEMD分解后樣本熵選取IMF結果

表3 CEEMD分解后排列熵選取IMF結果

為方便后面使用卷積神經網絡進行故障診斷，這里統(tǒng)一對樣本熵選取結果選擇IMF5～IMF10作為有效IMF信號，對于排列熵選取結果選定IMF4～IMF10作為有效IMF信號。

將選定的IMF信號做一個平均值的計算，使其得到一個重構后的數據，再由多組數據組合成一個數據集，將該數據集放入卷積神經網絡中進行訓練，為保證每組數據集含特征，文中使用的數據集共13 500條數據(3種頻率平均分配)，每條包含3 000個點。

3.4 基于CNN的故障類型識別

3.4.1 CNN的建立

使用的卷積神經網絡的參數如表4所示。使用Adam優(yōu)化器優(yōu)化模型，設Dropout為0.3，學習率為0.000 1。從數據集中各隨機選出70%數據作為訓練集，共9 450條數據，剩下30%的數據作為驗證集，共4 050條數據。每次從訓練集選擇32條數據進行訓練，最后使用訓練好的卷積神經網絡模型對驗證集進行驗證，檢驗模型的可用性。

表4 卷積神經網絡的參數

3.4.2 CNN診斷結果

為了驗證文中所述故障診斷方法能夠有效地提高在故障識別過程中的精度，采取多種方法進行對比，其中為通過排列熵選取的IMF信號進行重構得到的數據集，為通過樣本熵選取的IMF信號進行重構得到的數據集，實驗結果如表5所示。

表5 實驗結果

圖6為使用數據集CEEMD-CNN方法訓練得到的訓練集和驗證集的準確率的變化情況，圖7為損失函數變化情況。

圖6 準確率變化情況(未濾波) 圖7 損失函數變化情況(未濾波)

由上述結果可知：這樣進行故障診斷的準確性并不高，這是因為變頻環(huán)境下故障特征易受基頻影響，會引起較大誤差，如果直接對原始信號進行處理，工頻信號和諧波信號會產生干擾，得到的效果并不理想。因此本文作者對原始信號進行濾波處理，去掉基頻，實驗結果如表6所示，對比濾波之后的結果可見，對信號進行濾波處理是很有必要的。

表6 濾波之后實驗結果

圖8為濾波之后使用數據集CEEMD-CNN方法訓練得到的訓練集和驗證集準確率的變化情況，圖9為損失函數變化情況。

圖8 準確率變化情況(濾波后) 圖9 損失函數變化情況(濾波后)

由上述結果可知：對原始信號進行濾波處理至關重要，使用EEMD和CEEMD提取故障特征存在差異性，同樣的方法使用排列熵選出來的重構數據集比樣本熵選出來的準確率高。這是因為樣本熵在處理大量數據的時候，計算效率較低，因此使用排列熵作為選擇IMF信號的CEEMD-CNN方法具有更好的故障診斷效果。

4 實驗平臺驗證

實驗平臺如圖10所示，主要包括5個部分:三相異步電機，變頻器，控制臺，扭矩傳感器和電渦流制動器，其中扭矩傳感器用來測量電機的轉速和扭矩，電渦流制動器用來給電機加負載。通過給轉子鉆一個5 mm的孔達到斷條故障效果,如圖11所示;這里通過移動軸承端蓋擴大0.15 mm達到偏心度為20% 的效果，如圖12所示，通過控制臺中電流傳感器收集電流信號，再對信號進行濾波處理和CEEMD分解，隨機取90組數據(斷條電機，偏心電機和正常電機各取30組數據)，其中40、50、60 Hz各占1/3組成測試集進行測試，編號0為電機正常狀態(tài)，編號1為電機斷條故障，編號2為電機偏心故障，得到的混淆矩陣如圖13所示，驗證結果如表7所示,總識別率為95.56%。

圖10 實驗平臺

圖11 斷條故障 圖12 偏心故障

圖13 混淆矩陣

表7 測試結果

5 結束語

針對變頻環(huán)境下異步電機定子電流信號非平穩(wěn)的問題，提出一種CEEMD與CNN結合的異步電機故障特征方法。通過大量仿真樣本驗證和實際故障識別結果表明:該方法能有效地提取出變頻環(huán)境下異步電機的轉子故障特征信息且準確地實現了對故障類型的識別。通過實例信號實驗分析得出結論如下：

(1)用ANSYS模擬斷條和偏心故障收集的電流信號，具有實際意義，得到的電流信號經過處理可以用來訓練卷積神經網絡，從而有效判斷電流信號屬于哪類故障類型。

(2)采用樣本熵和排列熵都可以作為選取有效IMF信號的依據，其中選用排列熵作為依據選取的IMF信號重構后進行卷積神經網絡的準確率會比用樣本熵作為依據時的準確率高。

(3)對原始信號濾波之后采用CEEMD-CNN方法進行故障診斷，有較好的故障診斷能力。