一種電機故障的智能診斷方法研究

喬維德

（常州市廣播電視大學，江蘇常州213001）

1 引言

隨著現代工業和科學技術的迅速發展，電機拖動系統已廣泛應用到各個領域，電機是拖動系統的重要部件；但由于電機在工作過程中，發生設備故障或失效的潛在可能性會隨著運行時間而不斷增大，最終可能導致整個拖動系統不能正常安全運轉，甚至癱瘓。所以如何及時準確地確定電機故障原因、類別及其故障嚴重程度，是提高電機及其拖動系統安全運行的重要措施和可靠保證。

傳統的電機故障診斷專家系統雖然取得了一定成果，但存在著明顯的局限性，而在人工智能方法，如神經網絡、遺傳算法等，能夠處理傳統故障診斷方法無法解決的問題。基于此，本文提出了一種基于改進遺傳算法（IGA）和誤差（BP）算法相結合的混合算法，并應用于電機故障診斷，有效地減少了誤判、漏判的情況，保證了電機故障診斷的準確性與快速性。

2 BP神經網絡及算法

BP神經網絡是誤差反向傳播前饋型神經網絡，其結構由輸入層、輸出層和若干隱含層組成，網絡的學習訓練過程是按誤差由輸出層節點經隱含層節點反向傳播的，網絡學習目的是使網絡盡量逼近所需要的映射，這種映射是通過學習樣本的輸入和輸出對反映出來的。但標準BP算法中網絡的權值和閾值采用梯度下降進行調節,通常具有收斂速度慢、容易陷入局部極小等缺點，因此必須對BP算法進行改進。這里采用對每個連接權植和閾值增加一個矢量項，即慣性系數，增加有效的學習效率，且有效抑制振蕩現象。可以應用式（1）實現：

式中：W為網絡中的連接權和閾值；α為慣性系數。

3 改進遺傳算法（IGA）

遺傳算法（GA）是一種基于自然選擇和自然遺傳的全局優化算法，它模擬了自然選擇和遺傳過程中的繁殖、交雜和突變的現象。目前遺傳算法已成功解決了許多復雜的優化問題，它最大的優點是：即使對多態的和非連續性的函數，也能獲得全局最優解。但仍存在著早熟和收斂速度慢等不足，因此本文對傳統的遺傳算法進行了改進，然后采用改進遺傳算法（IGA）優化神經網絡結構和權重等，來提高優化效率。

3.1 遺傳算法的編碼方式改進

神經網絡的權重、閾值學習是一個復雜的連續參數優化問題，每個遺傳碼串代表一種神經網絡結構中的權重和閾值。如果采用二進制編碼形式，每一個權重和閾值究竟用幾個二進制表示就是一個比較難決定的問題，位數太少，則訓練時間可能很長或可能找不到解；如果位數太多，則染色體長度又很長，訓練時間就很長或者不能實現，而且二進制編碼占用空間較大，在求解適應度值時還會遇到一個解碼問題，這也在某種程度上增加算法計算時間，所以本文采用浮點數編碼方式。

3.2 交叉算子和變異算子的改進

交叉概率Pc和變異概率Pm直接影響算法的收斂性。從種群的個體來看，如果交叉概率Pc過大，新個體產生的速度越快；如果交叉概率Pc過小，新個體產生的速度就越慢，GA搜索過程較慢。對于變異概率Pm，如果變異概率Pm過大，GA搜索過程就變成了隨機過程，若變異概率Pm過小，則其產生新個體的抵制早熟現象的能力便會削弱。因此設計自適應變化的交叉概率Pc和變異概率Pm很有必要。本文采用一種交叉概率和變異概率的自適應調整規則，使得每個個體根據在遺傳過程中按其適應度選擇不同的交叉概率和變異概率，并加以自動調節。自適應交叉概率Pc和變異概率Pm計算公式表述為：

式中，fmax表示種群最大適應度值；favg為種群平均適應度；f′表示在要交叉的兩個個體中較大的適應度值；f表示要變異的個體適應度；這里，k1、k2、k3、k4是 0-1 之間的常數，k3和 k4較大。

3.3 適應度的調節

種群適應度的平均值favg和方差δ的計算公式為：

為了避免特優個體被過多復制而產生“過早收斂”和搜索后期的“停滯現象”，加快收斂速度，本文對適應度按如下公式進行調整，即

其中，fi為個體i的適應度值；N為群體規模；fi*為調整后個體i的適應度；r為1-5之間的整數。

4 基于IGA-BP混合算法的神經網絡

在IGA-BP混合算法的神經網絡中，網絡的訓練分兩步；首先應用改進遺傳算法（IGA）優化訓練神經網絡，使其定位在權空間全局最優解附近，然后利用BP算法局部搜索，最終使其快速收斂到最終的優化值。IGA-BP混合算法的具體實現過程為：

①根據給定的輸入、輸出訓練樣本集，確定神經網絡的輸入層、輸出層及隱含層節點數，構建神網絡的拓撲結構。

②設置遺傳算法的群體規模N、交叉概率Pc、變異概率Pm，將神經網絡的權向量和閾值編碼成浮點數表示的字符串，在［-1，1］之間隨機產生N條染色體作為初始種群。

③對種群中每代群體中的每一條染色體進行譯碼，按下列公式計算第i條染色體的誤差平方和Ei和適應度fi的值。

其中：qk為神經網絡的期望（目標）輸出值；yk為每條染色體的實際輸出值。

④計算種群中每代群體中的最大適應度值fmax和平均適應度值favg，如果fmax滿足精度要求轉去執行⑦，否則按順序執行⑤。

⑤對交叉概率Pc和變異概率Pm進行自適應調整，采用改進的交叉和變異算子執行遺傳操作，產生下一代群體。

⑥對網絡權值通過反向傳播計算求出各層神經元的誤差信號，應用BP算法的改進公式對權值反復調整，并從父代和下一代群體中挑選出N個較好的染色體來形成下一代新群體，然后轉去步驟③執行。

⑦通過對適應度為fmax的染色體譯碼，得到神經網絡的權值和閾值，結束算法過程。

5 基于IGA-BP混合算法的電機智能故障診斷

5.1 神經網絡訓練

以電機轉子故障為研究對象，在電機轉子實驗臺上分別通過渦流傳感器采集水平和垂直方向上的振動信號，然后通過放大、濾波和A/D轉換后，由DSP對振動信號進行頻譜分析。轉子振動頻譜分量包含轉子常見的不平衡、不對中、徑向摩擦、油膜振蕩、喘振和軸承座松動6種故障信息，本文將以上6種故障作為神經網絡的輸出，分別提取振動信號頻譜中的8個頻段上的不同頻譜峰值作為特征量，因此確定用于電機轉子故障診斷的神經網絡結構分為3層，輸入層節點數為8，分別對應8個不同的特征頻段；隱含層節點數為6；輸出層節點數為6，分別對應轉子常見的6種故障。從故障診斷實踐中形成訓練樣本，每一種故障分別選3組頻譜，構成相應的6種故障的18組學習樣本（含輸入樣本和期望輸出），如表1和表2所示。表 2 中“1”表示故障，“0”表示正常（無故障）。

當網絡結構和學習樣本選定后，就可以利用IGA-BP混合算法優化、訓練神經網絡，實際訓練次數為95次時，便達到了設定的誤差精度E≤0.001的要求。

表1 神經網絡訓練輸入樣本

表2 神經網絡的期望輸出

5.2 網絡檢驗及結果分析

為了驗證以上用IGA-BP混合算法優化訓練好的神經網絡對電機故障的診斷效果，利用表1中的第 1、4、7、10、13、16 組樣本故障數據作為檢驗樣本代入網絡進行檢驗，得到網絡的實際輸出結果如表3所示。

表3 檢驗樣本的實際輸出

從表3與表2結果對比中可以明顯看出，輸出的數據符合期望要求，該方法識別電機故障信息的準確率達到100%，得到比較滿意的效果。

6 結束語

遺傳算法、神經網絡、電機故障診斷三者的有機結合是一個十分活躍的研究領域，為電機故障診斷提供了一條新的技術路線。本文利用改進的遺傳算法和BP算法相結合的IGA-BP混合算法對電機轉子常見的幾種故障進行診斷，取得很好的效果。結果表明此方法是切實有效、可行的。

［1］黃 丹，黃采倫.基于BP神經網絡模型的電機故障診斷專家系統［J］.自動化儀表，2003（3）：15-16.

［2］王少芳,蔡金錠,劉慶珍.基于改進GA-BP混合算法的電力變壓器故障診斷［J］.電網技術，2004（4）：30-32.

［3］李占鋒，韓芳芳，鄭德忠.基于BP神經網絡的電機轉子故障診斷的研究［J］.河北科技大學學報，2001（3）：23-26.