金友華 張玉成

（合肥榮事達三洋電器股份有限責(zé)任公司 安徽合肥 230088）

1 引言

電機在國民經(jīng)濟中起著十分重要的作用。隨著現(xiàn)代科學(xué)技術(shù)的進步和生產(chǎn)的發(fā)展,電機的容量不斷增大,所組成的系統(tǒng)的規(guī)模越來越大,構(gòu)成也越來越復(fù)雜。但由于工作環(huán)境復(fù)雜,或者電機頻繁起動等原因,電機每年因燒毀損失金額巨大。而迄今為止尚未有一種數(shù)學(xué)模型能夠精確的描述電機運行過程中的發(fā)熱和散熱過程，本文提出了一種建立了徑向基函數(shù)（Radial Basis Function，縮寫為RBF）神經(jīng)網(wǎng)絡(luò)來進行電機溫升預(yù)測方案。

徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)是一種性能良好的前向網(wǎng)絡(luò)，它具有全監(jiān)督式和全局逼近的性質(zhì)，在網(wǎng)絡(luò)結(jié)構(gòu)上具有輸出權(quán)值線性關(guān)系，同時訓(xùn)練方法快速、易行，不存在局部最優(yōu)問題等優(yōu)點，為預(yù)測和計算異步電動機的繞組溫度提供了快捷、方便準(zhǔn)確的可能，文章主要通過神經(jīng)網(wǎng)絡(luò)對電動機溫升進行預(yù)測分析，從而為電動機的智能熱過載保護的研究奠定基礎(chǔ)。

2 RBF神經(jīng)網(wǎng)絡(luò)

2.1 RBF神經(jīng)網(wǎng)絡(luò)模型

基本的RBF結(jié)構(gòu)如圖1所示,不失一般性,假設(shè)輸出層只有一個節(jié)點,但是這種結(jié)構(gòu)很容易擴展到多輸出節(jié)點的情形。RBFNN包括一個輸入層、一個隱含層和一個輸出層.隱含層是由一組徑向基函數(shù)構(gòu)成,與每個隱含層節(jié)點相關(guān)的參數(shù)向量為Ci(即中心)和σi(即寬度)。一般隱含層各節(jié)點都采用相同的徑向基函數(shù),徑向基函數(shù)有多種形式,一般取高斯函數(shù)。網(wǎng)絡(luò)輸入與輸出之間可認(rèn)為是一種映射關(guān)系f(x):RnR ( n為輸入節(jié)點數(shù)):

2.2 RBF神經(jīng)網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)法的設(shè)計

RBF神經(jīng)網(wǎng)絡(luò)輸出節(jié)點計算由隱節(jié)點給出的基函數(shù)的線性組合。其中,隱層中的基函數(shù)對輸入激勵產(chǎn)生一個局部化的響應(yīng),即每一個隱節(jié)點有一個參數(shù)矢量稱之為中心,該中心用來與網(wǎng)絡(luò)輸入矢量相比較以產(chǎn)生徑向?qū)ΨQ響應(yīng),僅當(dāng)輸入落在一個很小的指定區(qū)域中時,隱節(jié)點才作出有意義的非零響應(yīng),響應(yīng)值在0到1之間,輸入與基函數(shù)中心的距離越近,隱節(jié)點響應(yīng)越大。而輸出單元一般是線性的,即輸出單元對隱節(jié)點輸出進行線性加權(quán)組合。由此可見,整個網(wǎng)絡(luò)執(zhí)行的是通過非線性基函數(shù)的線性組合,從Rn到Rm的非線性變換。RBF網(wǎng)絡(luò)中所利用的非線性函數(shù)的形式對網(wǎng)絡(luò)性能的影響并不重要,關(guān)鍵是基函數(shù)中心矢量的選取。為了預(yù)測時間序列中的yi值,設(shè)RBF網(wǎng)絡(luò)輸入矢量為：

它是一個m維矢向量,包括m個過去的信號樣本,其中m稱作嵌入矢量長度。

我們選用高斯函數(shù)作為基函數(shù),則第j個隱節(jié)點對輸入矢量xi的響應(yīng)為

其中,σj是Cj隱層第j個節(jié)點的中心矢量,也可以看成是該單元的權(quán)矢量,是第j個隱節(jié)點的歸一化參數(shù)。

網(wǎng)絡(luò)輸出為：

這里hj是輸出層連接權(quán)。R是隱節(jié)點的數(shù)目。

2.3 電機溫升預(yù)測RBF神經(jīng)網(wǎng)絡(luò)模型建立

通過對電機發(fā)熱和散熱過程的研究和探討，考慮影響電機繞組發(fā)熱、散熱的主要因素，可以得知，影響電機繞組溫度的因素有電流、電壓、電源頻率、功率因數(shù)、環(huán)境溫度、轉(zhuǎn)速、起動頻度等等。該神經(jīng)網(wǎng)絡(luò)共有7個輸入變量,其中電流、電壓、電源頻率、功率因數(shù)和起動頻度(主要針對頻繁起動)是引發(fā)異步電動機繞組過熱的主要原因，而環(huán)境溫度、轉(zhuǎn)速和當(dāng)前溫度關(guān)系到電動機的散熱。神經(jīng)網(wǎng)絡(luò)的輸出量為電動機繞組預(yù)測溫升值。實驗對象為2.1kW，Ue=380V，Ie=4.9A，ne=1420r/min，f=50Hz的三相異步電動機，絕緣等級為B級。

3 模擬預(yù)測結(jié)果

從額定電流到堵轉(zhuǎn)電流(25A)共采集了18組不同的數(shù)據(jù)。其中14組用于訓(xùn)練網(wǎng)絡(luò)，另4組用于測試訓(xùn)練后網(wǎng)絡(luò)的正確性與適用性。

采用RBF神經(jīng)網(wǎng)絡(luò)對實測數(shù)據(jù)的進行處理，盡可能使網(wǎng)絡(luò)的輸入數(shù)據(jù)易于神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)和訓(xùn)練。擬合后實驗曲線見圖2。用訓(xùn)練樣本和測試數(shù)據(jù)的條件作為訓(xùn)練后網(wǎng)絡(luò)的輸入條件來預(yù)測溫升曲線，然后將它們與實測數(shù)據(jù)進行比較,訓(xùn)練后網(wǎng)絡(luò)的預(yù)測誤差在±1K，即誤差在1.2%之內(nèi)。圖3是給它一個電預(yù)測出一組溫升曲線?；緷M足電機熱保護的需要，從而驗證了該溫升預(yù)測模型的準(zhǔn)確性。

4 結(jié)語

采用高精度的電機溫升預(yù)測方法，將給電機安全運行帶來顯著性的影響，本研究也是基于這一思想，探索將先進的智能方法用于電機溫升預(yù)測，從而為電動機的智能熱過載保護的研究奠定基礎(chǔ)。

[1]胡永志,蔣明麟.淺談電機的升溫及處理.水泥技術(shù),1995(3):31-34.

[2]楊宗輝.繞組溫升測量方法研究.電子質(zhì)量,2003(1):46-48.

[3]姚一鳴.提高測量繞組溫升準(zhǔn)確度的方法.家用電器科技,2002(5):70-71.

[4]WU Qing,SHEN Xueqin,YANG Qingxin,et al.Using wavelet neural networks for the optimal design of electromagnetic devices.IEEE Trans.on Magnetics,1997,33(2):1928-1930.