CN111722145B - 一种同步电机励磁绕组匝间短路轻度故障诊断方法 - Google Patents

Abstract

本发明以卷积网络(CNN)和深度置信网络(DBN)相结合，实现对同步电机励磁绕组匝间短路轻度故障的诊断。本发明收集同步电机正常和轻度故障时的历史数据，经归一化处理后训练CNN和DBN。本发明以12个物理量作为CNN输入提取数据特征，以提取的数据特征为DBN输入，以故障和正常作为DBN的输出。将现场采集数据输入训练好的网络，当连续20个数据样本均被划分为故障时则判定为故障。本发明充分考虑了与转子匝间短路相关的物理量，避免了某一种物理量测量不准确或因信号受到干扰而造成的故障误判的情况，且不需要在发电机内添加额外的测量装置，具有简便易行的优点。

Description

一种同步电机励磁绕组匝间短路轻度故障诊断方法

技术领域

本发明涉及同步电机技术领域，尤其是同步电机励磁绕组匝间短路轻度故障诊断领域。

背景技术

随着同步电机单机容量的逐渐增大，同步电机在电网中的作用也愈渐重要。然而，在提供我国约80％发电量的同步电机中都出现过一些异常或故障，这直接影响到发电场的稳定运行和安全高校供电。励磁绕组匝间短路是同步电机中最常见的故障。当短路故障较轻微时，其对电机的运行性能影响较小；但当故障较为严重时，会导致励磁电流大幅度增加，励磁绕组温度上升，如故障长时间不能得到解决甚至会由于故障点局部过热而引发一点接地或两点接地故障，造成更为严重的后果。因此，在励磁绕组匝间短路故障早期及时的发现故障，可以避免故障进一步发展，起到维护电网稳定的作用。

目前用于转子匝间短路故障诊断的方法有很多，主要分为离线检测和在线检测两种。离线检测法主要包括空载短路试验法、直流电阻测量法、交流阻抗与损耗试验法、开口变压器法和重复脉冲RSO试验法等。离线检测需要停机检查，不能实时监测。在线检测有着发现故障及时的优点，但同时也存在着干扰因素过多，轻度故障诊断效果差的问题。在线检测主要方法包括探测线圈法、转子振动变化法、轴电压法和神经网络法等。探测线圈法的理想适用状态是同步电机空载或三相短路的情况，此时发电机铁心处于不饱和状态，但在实际运行中，发电机带负载运行时磁路处于饱和状态，转子漏磁场相对电枢反应磁场较小，所以检测灵敏度降低，该方法具有一定的局限性。在轻微故障时，转子振动变化不明显，此时转子振动变化法仅可作为辅助判据。轴电压法中导致转轴电压差的因素很多，任何的磁场不对称都可能引起压差的出现，且轴电压信号来源于电刷与转轴的接触，大型电机的转轴高转速和转轴表面油污问题都会影响信号的获取。神经网络法通过对数据样本分类实现故障诊断，在一定程度上考虑了多方面因素，避免了因单一物理量不准确而造成的误诊情况，但神经网络法在轻度故障诊断方面仍表现欠佳。因此，需要一种能够实时有效地诊断同步电机励磁绕组匝间短路轻度故障的方法。

发明内容

本发明要解决的技术问题是，如何克服现有技术在故障监测的及时性、信号采集大干扰及轻度故障诊断效果差等方面存在的不足。

为解决上述技术问题，本发明提出一种基于卷积神经网络(ConvolutionalNeural Network，CNN)和深度置信网络(Deep neural network，DBN)相结合的方法实现同步电机励磁绕组匝间短路轻度故障的诊断。

本发明所述的一种同步电机励磁绕组匝间短路轻度故障诊断方法，包括以下步骤：

S1：收集同步电机历史正常运行数据和励磁绕组匝间短路轻度故障数据，归一化处理。

S2：建立CNN和DBN模型，利用所述收集数据训练CNN和DBN模型；

S3：现场采集数据，归一化处理后输入所述模型，判断励磁绕组是否正常。

优选地，步骤S1中采集数据包括：

通过传感器和采集装置测量同步电机输出定子三相电压，定子三相电流，转子励磁电压，转子励磁电流，定子径向振动，定子切向振动，定子轴向振动，转子振动12个物理量。

优选地，步骤S1中对测得的物理量进行归一化处理方法为：

式中：x为测得物理量；

为x归一化后的指标数值；x_max、x_min分别为测得物理量中输入量部分的上、下极限值。

优选地，步骤S2所述CNN模型具体为：

三层卷积层和两层最大池化层依次交叠，后叠加全局池化层，卷积层卷积核数分别为32、64、32，最大池化层滤波器长度为2的CNN模型。

优选的，步骤S2所述DBN模型具体为：

网络隐含层数为3，每层神经元数为500，网络输出神经元数为2的DBN模型。

优选地，步骤S2所述CNN模型训练方法为：

网络学习率为0.001，dropout参数为0.5，训练次数为50。

优选的，步骤S2所述DBN模型训练方法为：网络学习率为0.001，dropout参数为0.5，预训练次数为20，微调训练次数为50。

优选的，步骤S2所述CNN和DBN模型评价方法采用分类准确率R。

式中：N为总样本个数；N_R为正确分类样本个数。

优选地，步骤S3所述判断方法为：当连续20个数据样本均被划分为故障情况则判定为故障，否则励磁绕组处于正常状态。

技术效果

本发明与现有励磁绕组匝间短路故障诊断方法相比有如下优点：(1)以12个物理量作为模型输入量，充分考虑了与转子匝间短路相关的物理量，避免了某一种物理量测量不准确或信号受到干扰而造成的诊断不准确的情况。(2)本发明可以对轻度故障进行诊断，避免故障发展至严重情况。(3)本发明不需要在同步电机内添加额外的测量装置，具有简便易行的优点。

附图说明

图1是CNN原理示意图。

图2是DBN原理示意图。

图3是RBM原理图。

图4是本发明所述的匝间短路故障轻度故障诊断方法流程图。

图5是网络训练分类结果图。

图6是机组故障情况下网络分类结果图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，以汽轮发电机为例，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

本发明采用的具体技术方案如下。

一种基于卷积神经网络和深度置信网络相结合的方法实现汽轮发电机励磁绕组匝间短路轻度故障的诊断，它利用卷积网络在数据特征提取和深度置信网络在样本分类方面的优势，通过大量训练样本，构建以多个物理量为输入的故障分类器，实现对励磁绕组匝间短路故障的早期预警。

本发明采用一种基于卷积神经网络和深度置信网络相结合的方法实现同步电机励磁绕组匝间短路轻度故障的诊断。

1.CNN原理

卷积神经网络(Convolutional Neural Network，CNN)是前馈神经网络的一种，由多层感知机演变而来。相较于其他深度、前馈神经网络，卷积神经网络采用局部连接，权值共享的构建方法，使得该网络需要的参数更少，降低了模型的复杂度，提高了训练速度。卷积神经网络是由若干个卷积层，池化层和全连接层共同组成的，卷积层的作用是提取数据特征，池化层的作用是对特征进行抽样，降低函数复杂度，防止出现过度拟合的状况。其中，卷积层和池化层的数目不固定，可以采用多种排列方式，如卷积层和池化层交替排列或多层卷积层叠后加一个池化层。一维卷积神经网络常用于对序列模型或自然语言的处理。

与传统的全连接网络不同，一维卷积神经网络的输入是三维结构，即(训练批次，与过去相关时刻，特征维数)如图1所示。

1.1卷积层输出值计算

卷积层的主要作用是提取输入数据特征，原始输入数据经过卷积层后得到特征图，即卷积层的计算结果。

式中：a_i，j为特征图第i行第j列元素；f为激活函数：b为滤波器尺寸；s为滤波器步长；p为输入数据的特征维数；w_m，n为滤波器第m行第n列权重；x_i+m，n为输入数据中第i+m行第n列元素；w_b为滤波器的偏置

1.2池化层输出值计算

池化层的主要作用是对特征图进行采样处理，滤除冗杂数据，进一步减少参数数量。池化的方法有很多，其中最常用的方法为最大池化。

p＝max{x_ij}

式中：p为池化结果；x_ij为池化窗口内的数据。

2.DBN原理

深度置信网络(Deep Belief Nets，DBN)是一种概率生成模型，广泛应用于非线性问题的处理。DBN由多层受限玻尔兹曼机(Restricted Boltzmann Machines，RBM)堆叠，在顶层封装反向传播层(Back Propagation，BP)构成，如图2所示。

RBM中用于接收数据的网络层(可见层)中的神经元称为显性神经元，用于数据特征提取的网络层(隐含层)中的神经元称为隐形神经元，层间神经元之间全连接，而层内神经元之间无连接，如图3所示。

RBM的无监督学习中，为了实现对未知分布数据的最优拟合而引入了能量函数，定义RBM的能量函数为：

式中：v为可见层神经元；h为隐含层神经元；θ＝{b_i，c_j，w_ij}为未知参数；w_ij为可见层第i个神经元与隐含层第j个神经元之间的连接权重；b_i为可见层第i个神经元的偏置；c_j为隐含层第j个神经元的偏置。该函数描述了RBM层间单元各节点的能量总和，当网络总能量达到最小值时，网络处于该状态下的概率最大，即网络最稳定。基于能量函数，定义可见层节点和隐含层节点的联合概率分布如下：

一个特定变量的边缘分布可由给定其他变量的条件概率分布求取，利用最大似然法由联合概率分布可得：

式中：σ即为神经元的sigmoid激活函数。同一层神经元之间具有独立性，所以概率密度亦然满足独立性：

RBM网络共有h、v、b、c、w五种参数，其训练过程如下：

(1)将测量数据x传递至可见层神经元v⁽¹⁾，计算出隐含层神经元激活概率

(2)利用Gibbs抽样从步骤(1)计算出的概率中抽取一个样本h⁽¹⁾

(3)用该样本反向推算可见层神经元被激活的概率

(4)利用Gibbs抽样从步骤(3)计算出的概率中抽取一个样本v⁽²⁾

(5)以v⁽²⁾的值重新计算隐含层神经元激活概率

(6)根据两次隐含层神经元计算概率的差值更新权重

式中：η为学习率。RBM层训练完成后由BP层进行微调，完成对整个DBN网络的训练。

3.励磁绕组匝间短路轻度故障诊断方法

(1)采集数据，进行归一化处理。

通过传感器和采集装置测量汽轮发电机输出定子三相电压，定子三相电流，转子励磁电压，转子励磁电流，定子径向振动，定子切向振动，定子轴向振动，转子振动12个物理量。对测得的物理量进行归一化处理。

式中：x为测得物理量；

为x归一化后的指标数值；x_max、x_min分别为测得物理量中输入量部分的上、下极限值。

(2)构建CNN和DBN网络。

本发明构建了三层卷积层和两层最大池化层依次交叠，后叠加全局池化层，卷积层卷积核数分别为32、64、32，最大池化层滤波器长度为2的CNN模型及网络隐含层数为3，每层神经元数为500，网络输出神经元数为2的DBN模型。CNN模型训练过程中网络学习率为0.001，dropout参数为0.5，训练次数为50。DBN模型训练过程中网络学习率为0.001，dropout参数为0.5，预训练次数为20，微调训练次数为50。模型评价方法采用分类准确率R。

式中：N为总样本个数；N_R为正确分类样本个数。

(3)训练网络模型。

把汽轮发电机定子三相电压，定子三相电流，转子励磁电压，转子励磁电流，定子径向振动，定子切向振动，定子轴向振动，转子振动归一化后的数据作为CNN网络的输入，输出数据特征。用CNN提取的数据特征为DBN输入，以故障和正常作为DBN的输出。用汽轮发电机正常运行和故障情况下的若干组数据训练CNN和DBN网络并进行测试，其中80％的数据作为训练集、另外20％的数据作为测试集，网络训练结果如图5所示。

(4)判断励磁绕组是否正常。

采集汽轮发电机运行过程中的故障数据，利用第三步训练好的模型把汽轮发电机定子三相电压，定子三相电流，转子励磁电压，转子励磁电流，定子径向振动，定子切向振动，定子轴向振动，转子振动归一化后的数据作为输入，诊断结果如图6所示。当连续20个样本数据均被划分为故障状态则判定为故障，根据网络分类结果，可判定发电机发生励磁绕组匝间短路轻度故障。

申请人结合说明书附图对本发明的实施例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (5)

1.一种同步电机励磁绕组匝间短路轻度故障诊断方法，其特征在于，包括以下步骤：

S1：收集同步电机历史正常运行数据和励磁绕组匝间短路轻度故障数据，归一化处理，其特征在于，通过传感器和采集装置测量获得同步电机历史正常运行时的数据和轻度励磁绕组匝间短路故障运行时的数据，包括：同步电机输出定子三相电压，定子三相电流，转子励磁电压，转子励磁电流，定子径向振动，定子切向振动，定子轴向振动，转子振动12个物理量；

S2：建立CNN和DBN模型，利用所述收集数据训练CNN和DBN模型，其特征在于，以同步电机正常运行时的上述12个物理量数据和故障运行时的上述12个物理量数据输入CNN-DBN网络，以电机正常运行状态和励磁绕组匝间短路轻度故障状态作为CNN-DBN的输出，训练CNN-DBN网络，得到CNN-DBN故障诊断模型；

S3：现场采集数据，归一化处理后输入模型，判断励磁绕组是否正常，其特征在于，将现场采集的S1所述12个物理量归一化后的运行数据输入S2所述建立的故障诊断模型，当连续20个样本数据均被划分为故障状态则判定为故障，根据网络分类结果，可判定发电机是否发生励磁绕组匝间短路轻度故障。

2.如权利要求1所述的方法，其特征在于，步骤S1中对收集的物理量数据进行归一化处理方法为：

式中：x为测得物理量；

为x归一化后的指标数值；x_max、x_min分别为测得物理量中输入量部分的上、下极限值。

3.如权利要求2所述的方法，其特征在于，步骤S2中所述CNN模型具体为：三层卷积层和两层最大池化层依次交叠，后叠加全局池化层，卷积层卷积核数分别为32、64、32，最大池化层滤波器长度为2的CNN模型；DBN模型具体为：网络隐含层数为3，每层神经元数为500，网络输出神经元数为2的DBN模型。

4.如权利要求3所述的方法，其特征在于，步骤S2中所述CNN模型训练方法为：网络学习率为0.001，dropout参数为0.5，训练次数为50；DBN模型训练方法为：网络学习率为0.001，dropout参数为0.5，预训练次数为20，微调训练次数为50。

5.如权利要求4所述的方法，其特征在于，步骤S2中所述CNN和DBN模型评价方法采用分类准确率R：

式中：N为总样本个数；N_R为正确分类样本个数。

Images