基于DCNN-BiLSTM-Attention的电机绕组绝缘剩余寿命预测

关键词：电机绕组绝缘；剩余寿命预测；扩张卷积神经网络；双向长短时记忆神经网络；注意力机制

中图分类号：TP391 文献标识码：A

文章编号：1009-3044（2024）28-0121-03

0 引言

电机系统在现代工业和日常生活中扮演着不可或缺的角色，它们驱动着各种机械设备，从工厂生产线到交通运输工具。然而，电机系统的可靠性和安全性一直是广泛关注的问题，尤其是涉及电机绝缘的老化和寿命问题。在交流电机故障中，常见故障类型包括定子故障、轴故障和转子故障。根据调查结果，30%～40%的交流电机故障与定子有关[1]。在所有统计的发电机事故的故障因素中，绝缘损坏造成的事故所占比例过半[2]。发电机定子绕组通过电磁感应原理进行能量交换，工作中需承受不断变化的机械力、电场、热力作用，定子绕组绝缘性能、寿命也在缓慢发生变化[3]。为了确保电机系统的可靠运行和维护，对绕组绝缘的寿命预测（Remaining Useful Life， RUL） 变得至关重要。

电机定子绝缘老化寿命预测根据本质可分为两大类：基于回归分析的预测、基于智能算法的预测[2]。国内在基于回归分析的预测的研究较为深入，曾鹏团队通过局放、介损、交直流耐压等试验对水轮发电机定子绕组绝缘进行局部放电参数法、D图像法与老化公式进行对比，发现D图像法的可行度较高[4]。张建以聚酰亚胺薄膜的剩余击穿电压为状态变量，基于Wiener过程以及加速退化数据建立了卡尔曼滤波模型的状态方程与观测模型，从而实现了电机绝缘纸剩余寿命预测[5]。胡晓盼通过采集低压电机热应力与机械应力参数建立两参数威布尔分布模型，绘制可靠度函数与寿命曲线，从而实现了电机绝缘剩余寿命预测[6]。

除了基于回归分析的预测方法，另外一种预测方法便是基于智能算法的预测。鲍晓华分析了影响高压潜水电机绝缘寿命的重要因素，建立了反向传播Propagation， BP） 神经网络进行绝缘寿命预测，并（通Ba过ck加速寿命实验实现了高压潜水电机绝缘寿命预测[7]。曾裕针对双馈异步发电机绝缘寿命预测的效率和精度有待提高的问题，提出一种基于果蝇算法优化BP神经网络的预测方法，从而实现了电机绝缘剩余寿命的预测[8]。杨增杰通过研究水轮发电机定子绕组采集故障局部放电脉冲数据，并对其进行处理转化为灰度图数据输入到卷积神经网络中进行故障识别[3]。

近年来，深度学习技术因其强大的数据处理和模式识别能力，在许多领域显示出了巨大的应用潜力。特别是在电机绝缘剩余寿命的预测研究中，通过深度学习模型处理和分析电机运行数据，可以有效地揭示电机绝缘老化的复杂机理和趋势，从而实现对电机绝缘剩余寿命的准确预测。本文提出了一种空洞卷积神经网络、双向长短时记忆网络和注意力机制的混合深度学习模型（DCNN-BiLSTM-Attention） ，旨在提高电机绝缘剩余寿命预测的准确性。首先，研究电机绝缘热老化的机理，通过加速寿命试验获得电机绝缘老化的数据。然后，利用CNN进行特征提取，使用Bi- LSTM进行预测，最后使用注意力机制提高模型的性能与泛化能力。通过这种方式，模型可以更好地捕捉电机绝缘老化过程中的复杂特征和非线性关系，从而实现对电机绝缘剩余寿命的有效预测。

1 DCNN-BiLSTM-Attention模型

1.1 空洞卷积神经网络

空洞卷积神经网络是一种卷积神经网络的变体，它在传统的卷积操作中引入了“空洞”或“膨胀”操作。在处理序列数据时，尤其是在时间序列数据中，空洞卷积能够更好地捕捉长期依赖关系，从而提高模型的性能。

对于后向LSTM，其计算过程与前向LSTM相似，但方向是从序列的末尾到开头。最终，将每个时间步t 的前向LSTM和后向LSTM的输出结合起来。这样，BiLSTM 能够同时考虑给定时间点之前和之后的信息，从而提供更丰富的上下文信息。这在序列预测任务中尤为重要，BiLSTM 可以因此做出更准确的预测[9]。

1.3 注意力机制

注意力机制是一种用于增强模型性能的技术，尤其适用于序列数据处理任务[10]。在序列中，某些部分对于任务的完成可能更加重要，而其他部分则相对不那么重要。注意力机制通过为每个时间步学习权重，使得模型能够更加集中地关注重要的部分。这种机制能够帮助模型更好地理解序列中的关键信息，从而提高模型的性能和泛化能力。

2 电机绕组热老化加速寿命实验

2.1 加速热老化试验设计

在本研究中，采用恒应力加速寿命试验方法，对三相异步电机进行热老化测试。试验中使用恒温控制箱，最高温度可达500°C。该电机采用F级绝缘系统，根据GB/T 11026.1-2016标准，温度设定为220°C，并按此温度进行10个周期的老化试验。温度调节通过温控仪完成，以确保温差在可接受范围内。每完成一个老化周期后，样品被放置至室温（25°C） 冷却，然后对其进行三相间以及与地之间的绝缘电阻、吸收比和极化指数等关键参数的测试。重复上述操作直至样品寿命终止。

2.2 测量参数

在电机绝缘性能测试中，即使绝缘材料具有相同性能，其绝缘电阻也会因为体积的不同而表现出显著差异；体积较大的材料会展现较低的电阻值，而体积较小的则相反。因此，可以通过绝缘电阻随加压时间的变化来判断绝缘结构是否正常，常用吸收比来判断。实际使用中，规定10 min值R10min 除以1 min阻值R_1min来表示极化指数（PI） ，如式（8） 所示：

3 DCNN-BiLSTM-Attention模型验证

3.1 预处理

经过老化试验后采集到的数据如表1所示。首先，需要对采集到的数据进行数据清洗。然后，将数据按照 8∶1∶1 的比例分成三部分，分别用于训练集、验证集和测试集。模型采用滑动窗口的迭代预测模式，窗口长度为 L。每个窗口的特征包括前 L个时间点的数据，而标签则为后 1 个时间点的数据。

通过将特征数据输入模型进行预测，得到预测标签，并与实际值进行对比。然后将窗口向前滑动一个时间点，重复此过程直至结束，完成训练。

3.2 模型结构

本文采用的DCNN-BiLSTM-Attention 电机绕组绝缘剩余寿命预测模型，利用了空洞卷积增大感受野的特性，来获取前 L 条时间上的数据特征。双向长短时记忆网络（BiLSTM） 对数据进行正向和反向处理，以融合数据特征。注意力机制则集中地关注重要的部分，从而增强模型获取数据中依赖关系的能力，最后通过全连接层输出最终预测结果。其模型结构如图2 所示。

如图3所示，本文模型对电机绕组绝缘剩余寿命的趋势预判基本正确。这表明使用此模型时，DCNN 能够有效提取显著性特征，BiLSTM能够更准确地捕获时间序列规律，而注意力机制则帮助模型聚焦于序列中的显著特征，避免重要特征的丢失，从而使得预测更为准确。

以上实验结果验证了本文模型通过注意力机制、DCNN和BiLSTM的联合应用，能够较好地探寻电机绕组绝缘剩余寿命的变化规律。

4 结束语

通过本文提出的神经网络训练的电机定子绝缘剩余寿命预测模型，其均方误差（MSE） 达到0.1004，平均绝对误差（MAE） 达到0.0706。这表明模型能够通过采集到的数据快速预测电机定子绝缘剩余寿命，解决了由于技术人员经验差异造成的人工诊断结果的不一致性。通过实验所得数据训练得到的神经网络模型具备较高的科学性和可靠性，能够以模型预测替代人工分析，提高效率，并实现机械状态判断的数字化和智能化。

然而，模型仍存在不足之处需改进。由于模型的训练基于实验数据，当前的数据库中对应的电机种类和数量较少，而现实中电机种类和数量繁多且复杂。为了提高模型的准确性和适用性，后续工作应持续补充和扩充数据库，以训练更加精准的模型。