基于人工神经网络的发电机转子绕组匝间短路故障诊断.pdfVIP

布 ，它反向作用在有短路磁极主磁场 的磁势上 ，为正常条 为了获取训练样本 ，假定发电机额定运行状态下发生 件下的磁势减去 由短路引起 的磁势突变 ，采用叠加原理 ， 匝间短路故障时，短路前后有功、无功和 电压保持不变 ， 可求 出合成磁势的大小 ，磁势的损失使得更倾 向于线性变 通过分析可知磁势维持不变 ，设短路匝数 占转子绕组总匝 化 ，故可忽略主磁通 回路的饱和 。简单 的矢量表示为 ：F= 数 的 ％，则得到故 障后励磁 电流 ，F，1√(1一 ％)，， 为励 F。一△Fn。式 中，FI，表示正常条件下转子绕组磁势，△F。 磁 电流 的额定值 。通过改变 O／可得到不同状况下的故障样 表示短路线匝产生 的磁势，F表示匝间短路合成磁势 有 本 。 效磁场 的减弱 ，会使对应 的 内电势较正常时有 明显 的下 取某型发 电机正常运行和故障运行的参数为样本 ，见 降，在发电机端电压保持恒定的情况下 ．无功损耗会相应 表 1和表 2，网络训练后诊 断故障如表 3。人 1二神经元 网 下降。因此 ．转子绕组 匝间短路引起励磁 电流增大而无功 络采用三层 BP神经 网络 。MATLAB仿真结果见表 3。 r 却相对减少。所以．发 电机转子绕组 匝间短路时 ，因励磁 以得 出结论 ：用 BP神经 网络诊 断结果与实 际情况基本相 绕组有效匝数减少 。为 了满足气隙合成磁通条件 ，励磁 电 符 ，匝数 比例误差在 2％以内。 流必然增大，而无功相对减少 ．这可 以作为识别转子绕组 表 1 发电机参数 匝问短路故障的一个特征 。因此 ，可求 出发电机不 同负载 所对应 的励磁 电流 ，从而实现发 电机匝间短路故障诊断。 4人工神经元网络诊断方法及仿真 采用三层 BP神经网络 ，首先根据网络 当前 的 内部表 表 2 故 障样本 达 ，对输入样本进行前 向计算 ，然后 比较 网络的输 出与期 望输 出之 问的误差，若误差小于规定值 ．则训练结束 ：否 则，将误差信号按原有的通路反向传播，逐层调整权值和 阂值，如此前向计算和反向传播反复循环 ，直至达到误差 精度的要求 。其实现过程流程如图 1所示 。 表 3 人工神经元网络诊断结果的比较 5小结 由以上 的讨论可知 ，由于神经 网络具有很强 的非线性 映射能力 、良好 的学习能力 、独特的联想记忆能力等特点， 图 1 BP神经 网络训练流程 图 因此十分适用于复杂电机系统 的故 障诊断 。现今 ，基于神 经网络 的电机故障诊断方法 已经成为较通用的解决方案。 根据人 [神经元 网络的特点 ．在进行诊 断时不需要精 参考文献 ： 确 的数学模 型及发电机的诸 多参数 ．在不干扰发 电机运行 [1]盛兆顺 ，尹琦岭．设备状态监测与故障诊断技术发展及应用 的情况下 ，只需要准确地测量发 电机 的机端参数 ，然后依 [M]，北京：化学工业 出版社 ，2003 靠大量 的训练样本及充分的网络训练就可 以诊断不 同方式 [2]沈标正．电机故障诊断技术 [M]．北京：机械工业 出版社， 下的故障