金友华 张玉成

（合肥荣事达三洋电器股份有限责任公司 安徽合肥 230088）

1 引言

电机在国民经济中起着十分重要的作用。随着现代科学技术的进步和生产的发展,电机的容量不断增大,所组成的系统的规模越来越大,构成也越来越复杂。但由于工作环境复杂,或者电机频繁起动等原因,电机每年因烧毁损失金额巨大。而迄今为止尚未有一种数学模型能够精确的描述电机运行过程中的发热和散热过程，本文提出了一种建立了径向基函数（Radial Basis Function，缩写为RBF）神经网络来进行电机温升预测方案。

径向基函数（RBF）神经网络是一种性能良好的前向网络，它具有全监督式和全局逼近的性质，在网络结构上具有输出权值线性关系，同时训练方法快速、易行，不存在局部最优问题等优点，为预测和计算异步电动机的绕组温度提供了快捷、方便准确的可能，文章主要通过神经网络对电动机温升进行预测分析，从而为电动机的智能热过载保护的研究奠定基础。

2 RBF神经网络

2.1 RBF神经网络模型

基本的RBF结构如图1所示,不失一般性,假设输出层只有一个节点,但是这种结构很容易扩展到多输出节点的情形。RBFNN包括一个输入层、一个隐含层和一个输出层.隐含层是由一组径向基函数构成,与每个隐含层节点相关的参数向量为Ci(即中心)和σi(即宽度)。一般隐含层各节点都采用相同的径向基函数,径向基函数有多种形式,一般取高斯函数。网络输入与输出之间可认为是一种映射关系f(x):RnR ( n为输入节点数):

2.2 RBF神经网络自适应学习法的设计

RBF神经网络输出节点计算由隐节点给出的基函数的线性组合。其中,隐层中的基函数对输入激励产生一个局部化的响应,即每一个隐节点有一个参数矢量称之为中心,该中心用来与网络输入矢量相比较以产生径向对称响应,仅当输入落在一个很小的指定区域中时,隐节点才作出有意义的非零响应,响应值在0到1之间,输入与基函数中心的距离越近,隐节点响应越大。而输出单元一般是线性的,即输出单元对隐节点输出进行线性加权组合。由此可见,整个网络执行的是通过非线性基函数的线性组合,从Rn到Rm的非线性变换。RBF网络中所利用的非线性函数的形式对网络性能的影响并不重要,关键是基函数中心矢量的选取。为了预测时间序列中的yi值,设RBF网络输入矢量为：

它是一个m维矢向量,包括m个过去的信号样本,其中m称作嵌入矢量长度。

我们选用高斯函数作为基函数,则第j个隐节点对输入矢量xi的响应为

其中,σj是Cj隐层第j个节点的中心矢量,也可以看成是该单元的权矢量,是第j个隐节点的归一化参数。

网络输出为：

这里hj是输出层连接权。R是隐节点的数目。

2.3 电机温升预测RBF神经网络模型建立

通过对电机发热和散热过程的研究和探讨，考虑影响电机绕组发热、散热的主要因素，可以得知，影响电机绕组温度的因素有电流、电压、电源频率、功率因数、环境温度、转速、起动频度等等。该神经网络共有7个输入变量,其中电流、电压、电源频率、功率因数和起动频度(主要针对频繁起动)是引发异步电动机绕组过热的主要原因，而环境温度、转速和当前温度关系到电动机的散热。神经网络的输出量为电动机绕组预测温升值。实验对象为2.1kW，Ue=380V，Ie=4.9A，ne=1420r/min，f=50Hz的三相异步电动机，绝缘等级为B级。

3 模拟预测结果

从额定电流到堵转电流(25A)共采集了18组不同的数据。其中14组用于训练网络，另4组用于测试训练后网络的正确性与适用性。

采用RBF神经网络对实测数据的进行处理，尽可能使网络的输入数据易于神经网络进行学习和训练。拟合后实验曲线见图2。用训练样本和测试数据的条件作为训练后网络的输入条件来预测温升曲线，然后将它们与实测数据进行比较,训练后网络的预测误差在±1K，即误差在1.2%之内。图3是给它一个电预测出一组温升曲线。基本满足电机热保护的需要，从而验证了该温升预测模型的准确性。

4 结语

采用高精度的电机温升预测方法，将给电机安全运行带来显著性的影响，本研究也是基于这一思想，探索将先进的智能方法用于电机温升预测，从而为电动机的智能热过载保护的研究奠定基础。

[1]胡永志,蒋明麟.浅谈电机的升温及处理.水泥技术,1995(3):31-34.

[2]杨宗辉.绕组温升测量方法研究.电子质量,2003(1):46-48.

[3]姚一鸣.提高测量绕组温升准确度的方法.家用电器科技,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.