CN114499321B - 一种基于鱼群算法的参数辨识检测电机定子匝间短路方法 - Google Patents

Abstract

本发明公开了一种基于鱼群算法的参数辨识检测电机定子匝间短路方法，涉及电机参数估计与故障诊断技术领域。具体地，先建立感应电动机的数学建模，包括正常态模型和故障态模型；再实时采集电机运行时的电流电压数据；利用鱼群算法对参数进行估计，计算实测定子电流与经正常态模型计算后的估计定子电流值间的误差平方和，将误差平方和与设定阈值进行比较，判断是否进入故障检测状态；是，则进入下一个步骤；利用鱼群算法对参数估计，计算故障态模型下受影响的匝数，将算法得到的参数与正常情况下相应的参数数值进行比较，分析判断定子匝间短路故障的状态。

Description

一种基于鱼群算法的参数辨识检测电机定子匝间短路方法

技术领域

本发明涉及电机参数估计与故障诊断技术领域，具体涉及一种基于鱼群算法的参数辨识检测电机定子匝间短路方法。

背景技术

三相鼠笼式异步电动机被认为是工业和商业应用中应用最广泛的机电转换设备，由于其结构简单、可靠性好和鲁棒性好，受到了广泛的欢迎。但在操作过程中，电机可能会出现故障，进而导致系统全面停机。电机的故障主要区分为外部与内部故障，内部故障属于机器电气和机械部件的缺陷，而电机的定子绕组匝间短路属于内部故障，这种故障可能会引起诸如线路电压和电流的不平衡、转矩脉动、平均转矩减小、过热和效率降低等问题，匝间短路故障如果不能及时检测诊断，其故障电流引起的温升会迅速破坏电机绝缘，引发更为严重的相间短路故障，严重时会烧毁电机。

为实现对电机定子匝间短路的监测，现有电机在出厂前会在机组内部安装用于采集参数的传感器，传感器采集电机在稳定条件下运行的信号，收集信号后进行分析来判断是否存在定子匝间短路故障。随着电机的长期运行或者在极端状态下运行，传感器会出现损坏，信号也会出现失稳，导致判断结果出现错误。因此，亟需开发一种非入侵式的分析策略来对电机定子匝间短路的参数进行估计并对可能出现的匝间短路故障进行诊断。

发明内容

本发明的目的在于提供一种基于鱼群算法的参数辨识检测电机定子匝间短路方法，根据实时采集的电机运行数据，利用鱼群算法对参数进行估计，再利用辨识的参数对电机定子匝间短路故障情况进行判断。

为解决上述的技术问题，本发明采用以下技术方案：一种基于鱼群算法的参数辨识检测电机定子匝间短路方法，其特征在于包括如下步骤：

S1.建立感应电动机的数学建模，包括正常态模型和故障态模型；

S2.实时采集电机运行时的电流电压数据；利用鱼群算法对参数进行估计，计算实测定子电流与经正常态模型计算后的估计定子电流值间的误差平方和，将误差平方和与设定阈值进行比较，判断是否进入故障检测状态；是，则进入步骤S3；

S3.利用鱼群算法对参数估计，计算故障态模型下受影响的匝数，将算法得到的参数与正常情况下相应的参数数值进行比较，分析判断定子匝间短路故障的状态。

更进一步的技术方案是所述步骤S1中的正常态模型如下：

其中：

式中，V_qx、V_ds和V_0s分别为q轴、d轴和0轴上相应的定子电压；V_ag、V_bg和V_cg是三相电源电压；N_as、N_bs和N_cs分别是相位a、b和c中的定子绕组匝数；N_s表示参考圈数；rs为定子电阻，rr为参考转子电阻；λ_(qd)s，i_(qd)s,λ_(qd)r，i_(qd)r分别表示为在q-d轴下的定子磁链和电流，转子磁链和电流；W_r表示转子的转速，

其中，P为极数，J为转动惯量，T_mech为机械扭矩，T_damp为阻尼扭矩；T_em为电磁扭矩；

故障态模型如下：

其中：

式中，V_qs、V_ds和V_0s分别为q轴、d轴和0轴上相应的定子电压；V_ag、V_bg和V_cg是三相电源电压；N_as、N_bs和N_cs分别是相位a、b和c中的定子绕组匝数；N_s表示参考圈数；rs为定子电阻，rr为参考转子电阻；λ_(qd)s，i_(qd)s,λ_(qd)r，i_(qd)r分别表示为在q-d轴下的定子磁链和电流，转子磁链和电流；i_qsh、V_qsh为故障电机的电流、电压值；

W_r表示转子的转速，

其中，P为极数，J为转动惯量，T_mech为机械扭矩，T_damp为阻尼扭矩；T_em为电磁扭矩；N_as＝

N_us+N_sh，

N_us、N_sh分别表示故障状态下对应相的未受故障影响的匝数、受故障影响的匝数。

更进一步的技术方案是所述步骤S2的具体过程为实时采集电机运行时的定子电压、定子电流、三相电源电压、转子转速、机械扭矩，将采集的定子电流与正常态模型中估计的定子电流来计算误差平方和；当误差平方和小于等于设定阈值时，判定电机处于正常状态，当误差平方和大于设定阈值时，判定电机处于故障状态。

更进一步的技术方案是所述步骤S2和S3中利用鱼群算法进行参数估计的具体过程如下：

①初始化设置：包括种群规模N，每条人工鱼的初始位置，人工鱼的可视域Visual，步长step，拥挤度因子δ，重复次数Try-number；

②计算初始鱼群各个体适应值，取最优人工鱼状态及其值赋予公告牌；适应度值是指某个群体内某种基因型机体存活并将其基因传递至下一代的相对能力(与其他基因型比较)。适合度越大，存活和生殖机会越高，在本模型中，适应度值的依据是待求参数对正常态模型或故障态模型的拟合程度。

③对每个个体进行评价，对其要执行的行为进行选择，包括觅食、聚群、追尾和随机行为；

④执行人工鱼的行为，更新自己，形成新鲜鱼；

⑤评价所有个体，若谋个体优于公告牌，则将公告牌更新为该个体；

⑥当公告牌最优解达到满意误差界内时，算法结束；否则转步骤③。

与现有技术相比，本发明的有益效果是：形成了一套较为完整的故障电机的发现流程，针对特定的定子匝间故障，采取参数测定法，相比于通过波形数据变换的检测方法，能够有效降低因检测环境带来的误判；同时改进了参数测定的数学模型，能够在原有的基础上得出匝间短路的故障程度。

附图说明

图1为本发明的流程图。

图2为本发明中鱼群算法的流程图。

图3为电机在健康状态下三相电流的周期性变化曲线。

图4为电机在故障状态下三相电流的周期性变化曲线。

图5为利用鱼群算法对电流的估算值与测量值的对比图。

图6为利用鱼群算法对功率因数的估算值与测量值的对比图。

图7为利用鱼群算法对输出功率的估算值与测量值的对比图。

图8为鱼群算法的迭代效果收敛图。

图9为遗传算法的迭代效果收敛图。

图10为粒子群算法的迭代效果收敛图。

图11为定转子电感在“a”相定子不同程度匝间故障下的参数测定。

图12为定转子互感在“a”相定子不同程度匝间故障下的参数测定。

图13为定子电阻在“a”相定子不同程度匝间故障下的参数测定。

图14为转子电阻在“a”相定子不同程度匝间故障下的参数测定。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1

图1示出了一种基于鱼群算法的参数辨识检测电机定子匝间短路方法，包括如下步骤：

S1.建立感应电动机的数学建模，包括正常态模型和故障态模型。具体如下：

感应电动机在运行时，基本的物理量包括电压，电流，磁链，转子的转速与旋转角度，通过分析等效电路，用这些物理量与相关参数建立数学模型，可将电机的状态实时表示：

正常态的感应电机模型如下所示：

其中V_(abc)，i_(abc)s，i_(abc)r分别表示三相定子电压、三相定子电流和三相转子电流。(1)与(2)中与电流相乘的矩阵分别表示定子电阻矩阵和转子电阻矩阵，而最后单独加上的微分算子矩阵则分别表示定子磁链矩阵和转子磁链矩阵。将派克变换应用于式(1)和式(2)，可将方程组从ABC参考系转换为QD0参考系，转换方法见式(3)，转换后等式见式(4)和

式(5)：

其中θ是任意参考坐标系和ABC坐标系之间的角度。

其中

式中，V_qs、V_ds和V_0s分别为q轴、d轴和0轴上相应的定子电压。V_ag、V_bg和V_cg是三相电源电压。V_as、V_bs和N_cs分别是相位“a”、“b”和“c”中的定子绕组匝数。N_s表示参考圈数。rs为定子电阻，rr为参考转子电阻。

定子和转子磁链在q-d轴下表示为

其中Lq为待求参数，λ_(qd)s，i_(qd)s，λ_(qd)r，i_(qd)r分别表示为在q-d轴下的定子磁链和电流，转子磁链和电流。

转子的转速由如下公式表示：

式中，P为极数，J为转动惯量，T_mech为机械扭矩，T_damp为阻尼扭矩，T_em为电磁扭矩，并可通过以下等式获得：

故障态模型的感应电机模型如下所示：

考虑“a”相匝间故障的故障模型，即相绕组可由匝的两个独立部分表示，正常匝数(未受影响的匝数)用符号表示，故障匝数(受故障影响的匝数)用符号/>表示。因此，相位“a”(N_as)的绕组匝数总数等于/>定子电阻和电感受故障影响，基于此推导出了与故障相位(相位“a”)对应的方程式。匝间故障的影响从ABC坐标系反映到q轴。因此，故障模型的定子和转子磁链表示如下：

其中：

λ_qs＝∫(V_qs-V_qsh-r11^si_qs-r12^si_ds)dt (14)

λ_ds＝∫(V_ds-r21^si_qs-r22^si_ds)dt (15)

λ_qr＝∫(W_rdr-rri_qr)dt (16)

λ_dr＝-∫(W_rqr+rri_dr)dt (17)

S2.实时采集电机运行时的电流电压数据；利用鱼群算法对参数进行估计，计算实测定子电流与经正常态模型计算后的估计定子电流值间的误差平方和，将误差平方和与设定阈值进行比较，判断是否进入故障检测状态；是，则进入步骤S3。

实时采集电机运行时的电流电压数据，为了保证实验进行，需要包括正常电机的电流与已经发生故障的电机电流。当感应电动机发生匝间故障时，电动机的基本参数(定子、转子电阻、自感和互感)和定子绕组匝数偏离其参考值。因此可以通过监测这些参数的变化来检测和定位匝间故障。在该方法中，如果感应电机的实际三相定子电流与健康电机模型的相应估计电流之间的误差平方和(R)小于预设阈值(n)，则认为感应电机是健康的。理想情况下，在健康状态下，R的大小等于零。然而，由于建模和测量误差(考虑实验验证时)，残值(R)将大于零。因此，应计量n。当R大于n时，电机出现异常情况，即电机参数发生变化。通过跟踪参数的变化，可以确定具有匝间故障的故障状态。对于故障发生时的参数识别任务，采用鱼群算法进行识别。

S3.利用鱼群算法对参数估计，计算故障态模型下受影响的匝数，将算法得到的参数与正常情况下相应的参数数值进行比较，分析判断定子匝间短路故障的状态。

上述步骤中使用的鱼群算法是根据鱼类的活动特点,提出的一种基于动物行为的自治体寻优模式。(自治体指生物体在不同时刻和不同环境中，能够自主地选择某种行为，而无需外接的控制与指导。)鱼群算法的基本思想是：在一片水域中，鱼往往能够自行或尾随其他鱼找到营养物质多的地方，因此鱼生存数目最多的地方一般就是本水域中营养物质最多的地方。人工鱼群算法就是根据鱼群的行为系统、感知系统、以及运动系统，通过构造人工鱼来模仿鱼群的觅食、聚群及追尾行为，从而实现全局寻优。

1.1行为系统：主要包括觅食行为、群聚行为、追尾行为和随机行为。鱼类通过对行为的评价，选择一种当前最优的行为进行执行，以到达食物浓度更高的的位置。

1.2运动系统：即参数系统，主要包括变量和目标函数以及各种功能函数的设定两部分。

1.3感知系统：主要靠视觉来实现。设其当前状态为X，视野范围为Visual，状态Xv为其某时刻视点所在的位置，若该位置的状态优于当前状态，则考虑向该位置方向前进一步，到达状态Vnext。若状态Xv不比当前状态更优，则继续巡视视野内的其他位置。巡视的次数越多，对视野的状态了解越全面，有助于做出相应的判断和决策。

鱼群这些行为在不同时刻会相互转换,而这种转换通常是鱼通过对环境的感知来自主实现的,这些行为与鱼的觅食和生存都有着密切的关系,并且与我们优化问题的解决也有着密切的关系。鱼群算法在对以上四种行为进行评价后,自动选择合适的行为,从而形成了一种高效快速的寻优策略。

具体的，人工鱼群算法的参数选取：

2.1视野(Visual)：由于视野对算法中各行为都有较大的影响，因此其变化对收敛性能的影响也是比较复杂的。当视野范围较小时，人工鱼群的觅食行为和随机游动比较突出；视野范围较大时人工鱼的追尾行为和聚群行为将变得较突出。总体来看，视野越大，越容易使人工鱼发现全局极值并收敛。因此对人工鱼的视野进行适当的改进，是提高人工鱼群算法优化性能的一种方向。

2.2步长(step)：随着步长的增加，收敛速度加快，但超过一定范围后收敛速度减慢，甚至出现振荡。因此，采用随机步长可在一定程度上防止振荡，可利用合适的固定步长和变步长来提高收敛速度和精度。

2.3人工鱼的数目(N)：

人工鱼数目越多，鱼群的群体智能越突出，收敛速度越快，精度越高，跳出局部极值的能力也越强，但迭代计算量增大。因此，实际应用中，在满足稳定收敛的前提下，应尽量减少人工鱼的数目。

2.4尝试次数(Try-number)：

尝试次数越多，人工鱼执行觅食行为的能力越强，收敛效率越高，但在局部极值突出的情况下，易错过全局极值点，即人工鱼摆脱局部极值的能力越弱。因此，在一般优化中，可适当增加尝试次数，以加快收敛速度；在局部极值突出的情况下，应减少尝试次数，增加人工鱼随机游动的概率。

2.5拥挤度因子(δ)：拥挤度因子的引入是为了避免过度拥挤而陷入局部极值。拥挤度因子的定义：

对于极大值问题：

对于极小值问题：δ＝αn_max,α∈(0,1]

式中，α,n_max分别为极值接近水平和期望在该邻域内聚集的最大人工鱼数目。

其中，拥挤度因子对算法的影响(以极大值为例)：

①拥挤度因子越大，表明允许拥挤的程度越小，摆脱局部极值的能力越强，但收敛速度减缓。

②对于某些局部极值不严重的问题，往往可以忽略拥挤的因素，既简化算法，又加快算法收敛速度，提高结果的精确程度。

3.鱼群行为的数学表达：

3.1觅食行为：这是人工鱼的一种趋向食物活动。一般通过视觉或味觉来感知水中的食物量或浓度来选择趋向。设人工鱼i的当前状态为X_i，在其感知范围内随机选择一个状态X_j，则X_j＝X_i+Visual·Rand()

若Y_j＝f(X_j)>Y_i＝f(X_i)，则

否则，重新随机选择X_j，判断是否满足前进条件，尝试Try-number次后，若还不满足，则随机前进一步

3.2聚集行为:这是鱼群生存和躲避危害的一种生活习性。在鱼群算法中，一般规定两条，一是尽量向邻近伙伴的中心移动，二是避免过分拥挤。设人工鱼当前状态为X_i，探索当前邻域内的伙伴数目n_f及中心位置X_c。若X_c/n_f>δY_i，表明伙伴中心有较多食物且不太拥挤，则朝伙伴的中心位置方向前进一步，即

否则，执行觅食行为。

3.3追尾行为:鱼群在游动过程中，当其中一条鱼或几条鱼发现食物时，其邻近的伙伴会尾随其快速到达食物点。即追尾行为是一种向邻近的有最高适应度的人工鱼追逐的行为，在寻优算法中可理解为向附近最优伙伴靠近的过程。设人工鱼i的当前状态为X_i，探索当前邻域内所有伙伴中X_j的Y最大，则朝X_j的方向前进一步，即

3.4随机行为：鱼在水中自由游动，表面看是随机的，实际是在为更大范围觅食做准备，即在视野内随机选择一个状态，然后向该方向移动。

综上，人工鱼群算法流程：

①初始化设置：包括种群规模N，每条人工鱼的初始位置，人工鱼的可视域Visual，步长step，拥挤度因子δ，重复次数Try-number。

②计算初始鱼群各个体适应值，取最优人工鱼状态及其值赋予公告牌。

③对每个个体进行评价，对其要执行的行为进行选择，包括觅食、聚群、追尾和随机行为。

④执行人工鱼的行为，更新自己，形成新鲜鱼。

⑤评价所有个体，若谋个体优于公告牌，则将公告牌更新为该个体。

⑥当公告牌最优解达到满意误差界内时，算法结束。否则转步骤③。

实施例2

下面用实例对上述基于鱼群算法的参数辨识检测电机定子匝间短路方法进行说明。

1.实验环境搭建：

本实施例的实验环境为一个异步电动机拖动直流电机负载，实验室配有高精度传感器，可精确测量定子线电压、相电流、转速和负载转矩。异步电机的型号为YX3，额定功率1.1kW，额定电压为380V，Y接，额定电流为2.67A，额定转速为1425r/min，供电频率为50Hz，电机级数为4。直流发电机的型号为Z2，额定功率为4kW，额定电流为20A。

通过改变发电机的励磁电压来改变电机负载，并测量出定子线电压、相电流、转速和负载转矩，对于转动惯量等常数与三相电机的定子绕组匝数可根据查表或相关资料进行确定。表1给出了不同励磁电压下采集到的数据，需要注意的是，该表数据为健康电机所得。

表1电机参数的测量值

电机在健康状态下三相电流的周期性变化如图3所示，而图4则是人为破坏电机定子的部分绕组后的三相电流周期性变化。通过上图可以看出定子匝间短路的故障可以通过电流的周期变化进行表征，以此作为故障诊断的依据。进一步利用鱼群算法进行参数辨识，便可对故障成因或程度进行更加细致的分析。

2.算法实验搭建：

利用鱼群算法进行故障辨识需要对该算法进行搭建，既对算法中的超参数进行确定，包括种群规模N，每条人工鱼的初始位置，人工鱼的可视域Visual，步长step以及拥挤度因子δ和尝试次数Try—number等。不同的初始值设定会影响到最终的实验效果，经过反复试验后最终确定本实验中算法的超参数如表2所示。

表2人工鱼群算法超参数设定

3.实验结果对比：

在本实验中，首先利用人工鱼群算法获取故障电机中的主要辨识参数，包括定子电阻、转子电阻，定子和转子漏感，定子和转子互感，实验结果如表三所示，同时表三对比了传统方法中的遗传算法(GA)和粒子群算法(PSO)，通过与实际值的误差对比，进行三种算法的比较。

图5-图7表示利用鱼群算法得到的辨识参数，对电流、功率因数、输出功率进行了估算值与测量值的对比。由此可以表现出人工鱼群算法的准确性。

图8-图10则表示三种算法(人工鱼群算法，遗传算法，粒子群算法)计算结果的迭代次数，以此来对比人工鱼群算法在运行效率上的优势。

表3实验结果对比

图11-14则表示了定子匝间故障下定转子电感、定转子互感、定子电阻、转子电阻的估计变化，其中坐标横轴表示“a”相匝间的故障匝数(受故障影响的匝数)占比，由图内变化可知，随着定子匝间短路程度的增加，基于鱼群算法计算的参数也会相应呈现出变化，定子的电阻随短路程度增大，符合预期判断。

由上述对比可知：

(1)聚群行为能够很好的跳出局部极值,并尽可能的搜索到其他的极值,最终搜索到全局极值。

(2)追尾行为有助于快速的向某个极值方向前进,加快寻优的速度,并防止AF在局部振荡而停滞不前。

(3)鱼群算法在对以上两种行为进行评价后,自动选择合适的行为,从而形成了一种高效快速的寻优策略。

(4)觅食行为中try_numhe的次数较少时，为人工鱼提供了随机游动的机会，从而能跳出局部极值的邻域。

(5)随机步长step的采用，使得在前往局部极值的途中，有可能转而游向全局极值,当然,其相反的一面也会发生的,就是在去往全局极值的途中，可能转而游向局部极值，这对一个个体当然不好判定他的祸福，但对于一个群体来说，好的一面往往会具有更大的机率。

(6)拥挤度因子的引入限制了聚群的规模，只有较优的地方才能聚集更多的人工鱼，

使得人工鱼能够更广泛的寻优。

尽管这里参照本发明的多个解释性实施例对本发明进行了描述，但是，应该理解，本领域技术人员可以设计出很多其他的修改和实施方式，这些修改和实施方式将落在本申请公开的范围和之内。

Claims (3)

1.一种基于鱼群算法的参数辨识检测电机定子匝间短路方法，其特征在于包括如下步骤：

S1.建立感应电动机的数学建模，包括正常态模型和故障态模型；

S2.实时采集电机运行时的电流电压数据；利用鱼群算法结合正常态模型对参数进行估计，计算实测定子电流与经正常态模型计算后的估计定子电流值间的误差平方和，将误差平方和与设定阈值进行比较，判断是否进入故障检测状态；是，则进入步骤S3；

S3.利用鱼群算法对参数估计，计算故障态模型下受影响的匝数，将算法得到的参数与正常情况下相应的参数数值进行比较，分析判断定子匝间短路故障的状态；

所述步骤S1中的正常态模型如下：

其中：

式中，V_qs、V_ds和V_0s分别为q轴、d轴和0轴上相应的定子电压；V_ag、V_bg和V_cg是三相电源电压；N_as、N_bs和N_cs分别是相位a、b和c中的定子绕组匝数；N_s表示参考圈数；rs为定子电阻，rr为参考转子电阻；λ_(qd)s，i_(qd)s,λ_(qd)r，i_(qd)r分别表示为在q-d轴下的定子磁链和电流，转子磁链和电流；W_r表示转子的转速，

其中，P为极数，J为转动惯量，T_mech为机械扭矩，T_damp为阻尼扭矩；T_em为电磁扭矩；故障态模型如下：

其中：

式中，V_qs、V_ds和V_0s分别为q轴、d轴和0轴上相应的定子电压；V_ag、V_bg和V_cg是三相电源电压；N_as、N_bs和N_cs分别是相位a、b和c中的定子绕组匝数；N_s表示参考圈数；rs为定子电阻，rr为参考转子电阻；λ_(qd)s，i_(qd)s,λ_(qd)r，i_(qd)r分别表示为在q-d轴下的定子磁链和电流，转子磁链和电流；i_qsh、V_qsh为故障电机的电流、电压值；

W_r表示转子的转速，

其中，P为极数，J为转动惯量，T_mech为机械扭矩，T_damp为阻尼扭矩；T_em为电磁扭矩；

N_as＝N_us+N_sh，

N_us、N_sh分别表示故障状态下对应相的未受故障影响的匝数、受故障影响的匝数。

2.根据权利要求1所述的一种基于鱼群算法的参数辨识检测电机定子匝间短路方法，其特征在于：所述步骤S2的具体过程为实时采集电机运行时的定子电压、定子电流、三相电源电压、转子转速、机械扭矩，将采集的定子电流与正常态模型中估计的定子电流来计算误差平方和；当误差平方和小于等于设定阈值时，判定电机处于正常状态，当误差平方和大于设定阈值时，判定电机处于故障状态。

3.根据权利要求1所述的一种基于鱼群算法的参数辨识检测电机定子匝间短路方法，其特征在于：所述步骤S2和S3中利用鱼群算法进行参数估计的具体过程如下：

①初始化设置：包括种群规模N，每条人工鱼的初始位置，人工鱼的可视域Visual，步长step，拥挤度因子δ，重复次数Try-number；

②计算初始鱼群各个体适应值，取最优人工鱼状态及其值赋予公告牌；

③对每个个体进行评价，对其要执行的行为进行选择，包括觅食、聚群、追尾和随机行为；

④执行人工鱼的行为，更新自己，形成新鲜鱼；

⑤评价所有个体，若谋个体优于公告牌，则将公告牌更新为该个体；

⑥当公告牌最优解达到满意误差界内时，算法结束；否则转步骤③。