论文部分内容阅读
【摘要】本文以异步电动机为研究对象，提出了一种基于模糊神经网络的故障诊断方法，并进行了验证。将模糊逻辑引进神经网络，先对输入数据进行模糊预处理，然后将模糊化后的数据导入神经网络中，最后得出的结果满足实际需求，从而证明了模糊神经网络在异步电动机的故障诊断中可行性。
【关键词】模糊神经网络；异步电动机；故障诊断
1.引言
异步电动机作为人们日常生活和工业生产的主要驱动装置和动力装置，具有广泛的应用范围已成为人们生活生产中不可或缺的重要装置。据资料显示，90%的工业生产原动力是大型异步电动机。各种小型的电动机也广泛的应用于人们的日常生活中比如一些风扇、冰箱等家电。显而易见，电动机的正常工作对保证工业生产和日常生活的低耗、优质、高效和安全运行意义重大。由此看出，电机一旦发生故障甚至停机，必将带给个人生活和企业的生产带来不便和损失。因此，对于电机故障的准确和及时地诊断并加以排除具有较大的意义。
2.异步电动机常见故障及诊断方法
异步电动机常见故障按照发生位置不同主要分为定子绕组故障、转子绕组故障、轴承故障等几类。根据多年经验研究以及对电动机故障的分析，其故障发生概率分别为30%、10%、15%。根据异步电动机的结构特点可知，其系统主要分为机械系统和电气系统，机械系统故障包括偏心故障及轴承故障，而电气系统故障包括定子绕组和转子绕组故障。根据异步电动机的常见故障发生概率以及针对性，故本文主要是对定子匝间短路、转子断条、转子偏心故障、轴承内圈故障进行诊断分析研究。
目前，用于电机故障诊断的常用技术包括：定子电流检测法、振动检测法、温度检测法等传统的故障诊断方法一般是在实际测量的参数基础上，用数学的（FFT）、信号处理（小波分析）等方法对测量参数进行故障特征参数的提取，对故障特征参数进行分析来确定其故障。测量的参数主要包括定子电流、电机温度、振动、噪声等信号。以上方法各有自己的优点和特点，一般根据实际情况和研究对象来选择合适的方法。在本文主要采用定子电流频谱分析法和振动信号时域均方根分析法。当异步电动机发生故障时，就是改变正常的气隙磁通波形，进而改变定子电流频率波形，对采集到的定子电流信号进行频谱分析可以判断出电机故障类型。而振动信号的故障分析同上，只是采用的是时域的均方根特征，因为它是振动信号一个广泛的特征参数。
3.模糊神经网络构建
神经网络与模糊逻辑的建立有多种方式，将模糊逻辑引入神经网络中，对模糊网络的输入数据进行模糊化预处理。本文将采用上面的模糊神经网络建立方法。
3.1 神经网络结构、输入和输出神经元个数的确定
对于BP神经网络，有一个非常重要的定理，是对任何在闭区间内的一个连续函数都可以用单隐层的网络来逼近。因而一个三层BP网络就可以完成任意的n维到m维的映射，增加隐含层固然可以提高神经网络的处理能力，但同时也使网络的规模增大，结构变得复杂。加大了计算工作量及模式样本数量。这样一来，使网络的训练时间变长，所以增加一个隐层是可以的，但BP神经网络隐层数一般不超过两层。本文采用只包含一个隐层的BP神经网络对电机发生的故障进行诊断。
根据本文研究的故障诊断对象，是通过5个不同位置的振动信号和对应的2个定子电流特征频率的检测来分析和诊断，故确定网络输入是一个7维向量，即输入神经元个数为7个。由于本文研究的电机故障包括4种模式（定子匝间短路，转子断条，转子偏心，轴承内圈），其对应的定子电流特征频率为（147.8Hz，245.6Hz，47.7Hz，52.3Hz，707.8Hz，807.9Hz，710.6Hz，950.9Hz）。接下来确定网络输出模式。神经网络输入数据是提取相应特征频率的幅值，输出是对故障进行相应的编码。从而建立故障模式与故障原因之间的映射关系，谁发生故障谁的期望输出位是1，否则为0。因此网络的神经元输出为4个，可采用如下输出：
1）匝间短路（1，0，0，0）
2）转子断条（0，1，0，0）
3）转子偏心（0，0，1，0）
4）轴承内圈（0，0，0，1）
3.2 训练样本数据的处理
在神经网络进行故障诊断过程中，一般要对数据进行预处理，数据预处理是指通过变换将网络的输入、输出数据限制在（0，1）或（-1，1）区间内。由于数据的取值比较分散，采集的各数据单位有时不一致，因此须对数据进行归一化处理，消除量纲的影响。所谓归一化就是要把需要处理的数据经过处理后限制在一定范围内，归一化是为了后面数据处理的方便，保证程序运行时收敛加快。
BP网络的神经元均采用sigmoid转移函数，变化后可防止因净输入的绝对值过大而使神经元输出饱和，继而使权值调整进入误差曲面的平坦区。Sigmid转移函数的输出在（0，1）或（-1，1）之间，作为教师信号的输出数据如不进行处理，就会使数值大的输出分量绝对误差大，数值小的输出分量绝对误差小，网络训练时只针对输出的总误差调整权值，其结果是在总误差中份额小的输出分量相对误差较大。对输出量进行归一化变换后这个问题可迎刃而解，如果直接用原始数据处理，则可能导致数据误差增大，收敛性下降，甚至不收敛。故对特征值和幅值进行归一化处理，其归一化公式如下：
利用高斯型隶属度函数（式4、5、6）对输入数据进行模糊化处理，对上述每组7个输入模糊化将得到4组，每组21个的模糊量。
3.3 隐含层神经元个数选取
对于BP神经网络来说，隐含层神经元个数的确定是非常重要的，一般认为隐含层神经元个数过多或过少都会导致神经网络的性能不佳。因此根据前人的经验可以参照以下公式进行隐含层神经元数的设定。隐含层数：（其中为隐含层节点数，m为输出层节点数，n为输入层节点数，a为[1，10]之间的常数），确定。为6-15。 对于隐含层神经元个数确定的问题，本文采用试凑法，在其它参数不变的情况下，选用同一样本集进行网络训练，设定相同的目标误差，比较训练步数，从中确定网络误差最小所对应的隐层神经元个数。故障珍断的神经网络模型为3层，分别是输入层，隐含层和输出层。输入层神经元个数为21，输出层神经元个数为4。
运用MATLAB2010神经网络工具箱，针对同一组训练样本，选取不同的隐含层神经元个数，采用trainglm自适应修改学习率算法，训练目标为10-5，分别对网络训练1000次。
隐含层取不同的神经元节点经训练后得出结果如表2。
从以上训练结果表中可以得到，当隐含层神经元个数为13个时，网络训练的误差最低为1.2387e-007。此时经过9次迭代达到训练设定的精度。所以隐含层神经元个数最后确定为13个。因此本文故障诊断采用的BP神经网络是21-13-4的三层结构。模糊神经网络误差收敛图如图1。
3.4 模糊神经网络分析结果
输出结果：
[1 1.2768e-011 1.5529e-011 1.3627e-011；
3.5896e-005 1 3.9006e-005 3.87979e-05；
3.1034e-005 0.00034563 0.99997 0.00032671；
4.23123e-05 2.3578e-11 1.2323e-05 0.99989 ]
根据上述的输出结果，误差≦5%，满足诊断要求，故证明使用模糊神经网络对异步电动机进行故障诊断是可行的，满足实际需求。
4.结论
针对异步电动机的各种故障特点，提出将神经网络和模糊逻辑结合的模糊神经网络的诊断方法，利用模糊逻辑对输入数据进行模糊化处理，然后将模糊化后的输入导入神经网络中进行诊断分析，最后得到的结果基本满足误差需求，达到故障诊断的要求，证明了模糊神经网络在异步电动机故障诊断应用中的可行性。
参考文献
[1]王江萍.神经网络信息融合技术在故障诊断中的应用[J].石油机械，2009，8：27-30.
[2]孙向作，潘宏侠.基于多传感器数据融合的电机故障诊断[J].微计算机信息，2008，24（9）：218-219.
[3]王笑宇.基于BP神经网络的感应电动机故障诊断技术研究[D].桂林理工大学硕士论文，2009.
[4]赵振宇.模糊理论和神经网络的基础与应用[M].清华大学出版社，1996.
作者简介：芦斌（1988—），男，河北石家庄人，中北大学在读硕士研究生，研究方向：模式识别，传感器信息融合。
【关键词】模糊神经网络；异步电动机；故障诊断
1.引言
异步电动机作为人们日常生活和工业生产的主要驱动装置和动力装置，具有广泛的应用范围已成为人们生活生产中不可或缺的重要装置。据资料显示，90%的工业生产原动力是大型异步电动机。各种小型的电动机也广泛的应用于人们的日常生活中比如一些风扇、冰箱等家电。显而易见，电动机的正常工作对保证工业生产和日常生活的低耗、优质、高效和安全运行意义重大。由此看出，电机一旦发生故障甚至停机，必将带给个人生活和企业的生产带来不便和损失。因此，对于电机故障的准确和及时地诊断并加以排除具有较大的意义。
2.异步电动机常见故障及诊断方法
异步电动机常见故障按照发生位置不同主要分为定子绕组故障、转子绕组故障、轴承故障等几类。根据多年经验研究以及对电动机故障的分析，其故障发生概率分别为30%、10%、15%。根据异步电动机的结构特点可知，其系统主要分为机械系统和电气系统，机械系统故障包括偏心故障及轴承故障，而电气系统故障包括定子绕组和转子绕组故障。根据异步电动机的常见故障发生概率以及针对性，故本文主要是对定子匝间短路、转子断条、转子偏心故障、轴承内圈故障进行诊断分析研究。
目前，用于电机故障诊断的常用技术包括：定子电流检测法、振动检测法、温度检测法等传统的故障诊断方法一般是在实际测量的参数基础上，用数学的（FFT）、信号处理（小波分析）等方法对测量参数进行故障特征参数的提取，对故障特征参数进行分析来确定其故障。测量的参数主要包括定子电流、电机温度、振动、噪声等信号。以上方法各有自己的优点和特点，一般根据实际情况和研究对象来选择合适的方法。在本文主要采用定子电流频谱分析法和振动信号时域均方根分析法。当异步电动机发生故障时，就是改变正常的气隙磁通波形，进而改变定子电流频率波形，对采集到的定子电流信号进行频谱分析可以判断出电机故障类型。而振动信号的故障分析同上，只是采用的是时域的均方根特征，因为它是振动信号一个广泛的特征参数。
3.模糊神经网络构建
神经网络与模糊逻辑的建立有多种方式，将模糊逻辑引入神经网络中，对模糊网络的输入数据进行模糊化预处理。本文将采用上面的模糊神经网络建立方法。
3.1 神经网络结构、输入和输出神经元个数的确定
对于BP神经网络，有一个非常重要的定理，是对任何在闭区间内的一个连续函数都可以用单隐层的网络来逼近。因而一个三层BP网络就可以完成任意的n维到m维的映射，增加隐含层固然可以提高神经网络的处理能力，但同时也使网络的规模增大，结构变得复杂。加大了计算工作量及模式样本数量。这样一来，使网络的训练时间变长，所以增加一个隐层是可以的，但BP神经网络隐层数一般不超过两层。本文采用只包含一个隐层的BP神经网络对电机发生的故障进行诊断。
根据本文研究的故障诊断对象，是通过5个不同位置的振动信号和对应的2个定子电流特征频率的检测来分析和诊断，故确定网络输入是一个7维向量，即输入神经元个数为7个。由于本文研究的电机故障包括4种模式（定子匝间短路，转子断条，转子偏心，轴承内圈），其对应的定子电流特征频率为（147.8Hz，245.6Hz，47.7Hz，52.3Hz，707.8Hz，807.9Hz，710.6Hz，950.9Hz）。接下来确定网络输出模式。神经网络输入数据是提取相应特征频率的幅值，输出是对故障进行相应的编码。从而建立故障模式与故障原因之间的映射关系，谁发生故障谁的期望输出位是1，否则为0。因此网络的神经元输出为4个，可采用如下输出：
1）匝间短路（1，0，0，0）
2）转子断条（0，1，0，0）
3）转子偏心（0，0，1，0）
4）轴承内圈（0，0，0，1）
3.2 训练样本数据的处理
在神经网络进行故障诊断过程中，一般要对数据进行预处理，数据预处理是指通过变换将网络的输入、输出数据限制在（0，1）或（-1，1）区间内。由于数据的取值比较分散，采集的各数据单位有时不一致，因此须对数据进行归一化处理，消除量纲的影响。所谓归一化就是要把需要处理的数据经过处理后限制在一定范围内，归一化是为了后面数据处理的方便，保证程序运行时收敛加快。
BP网络的神经元均采用sigmoid转移函数，变化后可防止因净输入的绝对值过大而使神经元输出饱和，继而使权值调整进入误差曲面的平坦区。Sigmid转移函数的输出在（0，1）或（-1，1）之间，作为教师信号的输出数据如不进行处理，就会使数值大的输出分量绝对误差大，数值小的输出分量绝对误差小，网络训练时只针对输出的总误差调整权值，其结果是在总误差中份额小的输出分量相对误差较大。对输出量进行归一化变换后这个问题可迎刃而解，如果直接用原始数据处理，则可能导致数据误差增大，收敛性下降，甚至不收敛。故对特征值和幅值进行归一化处理，其归一化公式如下：
利用高斯型隶属度函数（式4、5、6）对输入数据进行模糊化处理，对上述每组7个输入模糊化将得到4组，每组21个的模糊量。
3.3 隐含层神经元个数选取
对于BP神经网络来说，隐含层神经元个数的确定是非常重要的，一般认为隐含层神经元个数过多或过少都会导致神经网络的性能不佳。因此根据前人的经验可以参照以下公式进行隐含层神经元数的设定。隐含层数：（其中为隐含层节点数，m为输出层节点数，n为输入层节点数，a为[1，10]之间的常数），确定。为6-15。 对于隐含层神经元个数确定的问题，本文采用试凑法，在其它参数不变的情况下，选用同一样本集进行网络训练，设定相同的目标误差，比较训练步数，从中确定网络误差最小所对应的隐层神经元个数。故障珍断的神经网络模型为3层，分别是输入层，隐含层和输出层。输入层神经元个数为21，输出层神经元个数为4。
运用MATLAB2010神经网络工具箱，针对同一组训练样本，选取不同的隐含层神经元个数，采用trainglm自适应修改学习率算法，训练目标为10-5，分别对网络训练1000次。
隐含层取不同的神经元节点经训练后得出结果如表2。
从以上训练结果表中可以得到，当隐含层神经元个数为13个时，网络训练的误差最低为1.2387e-007。此时经过9次迭代达到训练设定的精度。所以隐含层神经元个数最后确定为13个。因此本文故障诊断采用的BP神经网络是21-13-4的三层结构。模糊神经网络误差收敛图如图1。
3.4 模糊神经网络分析结果
输出结果：
[1 1.2768e-011 1.5529e-011 1.3627e-011；
3.5896e-005 1 3.9006e-005 3.87979e-05；
3.1034e-005 0.00034563 0.99997 0.00032671；
4.23123e-05 2.3578e-11 1.2323e-05 0.99989 ]
根据上述的输出结果，误差≦5%，满足诊断要求，故证明使用模糊神经网络对异步电动机进行故障诊断是可行的，满足实际需求。
4.结论
针对异步电动机的各种故障特点，提出将神经网络和模糊逻辑结合的模糊神经网络的诊断方法，利用模糊逻辑对输入数据进行模糊化处理，然后将模糊化后的输入导入神经网络中进行诊断分析，最后得到的结果基本满足误差需求，达到故障诊断的要求，证明了模糊神经网络在异步电动机故障诊断应用中的可行性。
参考文献
[1]王江萍.神经网络信息融合技术在故障诊断中的应用[J].石油机械，2009，8：27-30.
[2]孙向作，潘宏侠.基于多传感器数据融合的电机故障诊断[J].微计算机信息，2008，24（9）：218-219.
[3]王笑宇.基于BP神经网络的感应电动机故障诊断技术研究[D].桂林理工大学硕士论文，2009.
[4]赵振宇.模糊理论和神经网络的基础与应用[M].清华大学出版社，1996.
作者简介：芦斌（1988—），男，河北石家庄人，中北大学在读硕士研究生，研究方向：模式识别，传感器信息融合。