丁媛媛 金寅德 吴晓苏 李金辉 俞芃

摘 要 由于电机的发热散热具有时变性和非线性，电机温升无法准确计算，本文以S5工作制电机为载体，提出构建基于GA-BP的电机温升预测模型：借助GA算法的全局性优化BP网络的权值与阈值，增加网络学习能力;搭建温升试验平台，采集样本进行模型的训练与测试，结果表明，所构建的模型可迅速准确地进行电机热平衡状态到达时间和电机最高温升的预测，可大幅减少试验人员测量频次，提高电机温升试验效率和精度。

关键词 GA;BP;遗传算法;神经网络;电机温升

引言

随着科技的不断进步，电机作为基础件在机械加工、冶金、电力等领域均有广泛应用，其用电量占全国发电量的40%。由于电机内部的绕组、铁心等损耗均会转化成热能使电机温度升高，而过高温度会缩短电机寿命，甚至烧毁电机，因此国际上定义电机温度比环境温度高出的值为“温升”，要求电机制造厂家必须对最高温升进行预测与控制。国标称电机在额定工况下绕组温度1h内变化小于2K的状态为热平衡，此时达最高温升。

因电机是由许多不同物理性质、不同导热能力的部件组成，其发热和散热过程十分复杂，无法进行温升的准确计算，目前国内外也常用简化公式、等效热路[1-2]和温度场[3-4]等方法预测电机温升，但一般用于连续工作制电机，于断续周期工作制电机而言，过多的假设和简化会显著降低预测准确性，无实际应用价值。为此本文以断续周期工作制中的S5工作制电机为例，提出将遗传算法与神经网络结合的GA-BP算法，建立基于GA-BP的断续周期工作制电机温升预测模型，通过预估电机热平衡状态到达时间，将断电测量次数由原来的9～10次降低至1～2次，减少断电散热对试验结果的影响，有效缩短试验时间，将原先1台/日*人的试验效率提高到n台/日*人，实现试验效率与试验精度的同步提高。

1GA-BP算法原理

BP （Back Propagation）神经网络是一种多层前馈人工神经网络[5]，无须事前数学建模就可实现任意线性或非线性函数映射，满足电机温升预测模型建立的需要。然而BP网络也存在缺陷，初始权值和阈值的随机产生可能会导致网络不收敛或陷入局部极值点，为此本文引入遗传算法（Genetic algorithm，GA）形成GA-BP算法。借助GA的种群全局寻优，采用逐次迭代法优化BP网络各连接层参数，确定BP网络的最优权、阈值，可提高网络的学习能力和收敛速度，其原理如图1所示。

2基于GA-BP的断续周期工作制电机温升预测模型构建

断续周期工作制电机因反复的起动、制动及断能停转，相比连续工作制电机，其发热散热过程更复杂，到达热平衡状态所需时间更久。某一额定功率为11.7kW的S5-40%工作制电机，单次温升试验约需9h，试验人员需要频繁地给电机断电、接线进行绕组电阻的测量，换算得到温升值，直至电机到达热平衡状态。由于每次测量都会让电机短暂散热，因此试验结果存在误差;而频繁的接线与换算极易出错，试验结果受人为因素影响大，为此本文构建如图2所示的基于GA-BP算法的断续周期工作制电机温升预测模型，根据电机控制技术确定三层BP网络的输入层节点为9，输出节点为2，实现热平衡时间和最高温升的预测。

采集20组不同型号S5工作制电机的温升试验数据，其中16组用于温升预测模型训练，4组用于模型测试。考虑样本数据取值范围差异大，应对数据进行归一化处理，加快网络训练速度。借助Matlab利用GA优化三层BP网络，进行S5工作制电机温升预测，其中遗传算法的初始种群规模为60，最大进化代数为100，单点交叉概率为0.90，变异概率为0.02。通过反复训练，最终确定BP网络的隐含层节点数为12，训练算法为trainlm，最大训练次数为1000，误差精度为0.001。

3电机温升预测模型的验证

用4组测试样本对所构建的电机温升预测模型进行验证，结果如表1所示：试验实测值和模型预测值误差较小，可用于实际工程中。通过本模型，可在电机温升试验前快速、准确地预测电机热平衡状态到达时间和最高温升，试验人员可同时对多台电机开展试验，仅需在预测时刻进行1次测量即可（亦可于1h后进行第2次复测），相比之前的9～10次断电测量和1台/日*人的测试效率，显著提高了试验效率、人员利用率和试验结果可靠性。

4结束语

本文以断续周期工作制电机为研究对象，采用遗传算法优化BP神经网络，建立了电机温升预测模型。通过预测可大大简化温升试验过程，减少试验人员的工作量，保证试验精度，提高试验效率，降低试验成本，具有实际工程意义，可在电机设计领域广泛应用。

参考文献

[1] 胡浩，钟璐.电动机温升估算有关问题[J].电工电气，2009（6）：14-15.

[2] Ferreira A P，Costa A F. Thermal analysis of an Axial Flux Permanent Magnet machine[C]. International Conference on Electrical Machines. IEEE，2012：1482-1487.

[3] 鮑晓华.汽车发电机转子三维温度场有限元计算[J].电机与控制应用，2011，38（1）：5-10.

[4] 江善林.高速永磁同步电机的损耗分析与温度场计算[D]哈尔滨：哈尔滨工业大学，2010.

[5] 傅荟璇，赵红. MATLAB 神经网络应用设计[M]. 北京：机械工业出版社，2010：83-91.