粗糙集神經(jīng)網(wǎng)絡(luò)在電機(jī)故障診斷中的應(yīng)用

康云霞,尹作友

（渤海大學(xué),121000）

0 引言

在電力系統(tǒng)中，診斷故障的首要任務(wù)就是實(shí)現(xiàn)快速精確的識(shí)別出引起故障原因。隨著電力工程的擴(kuò)大，其相關(guān)設(shè)備的結(jié)構(gòu)也是日趨復(fù)雜，而隨之發(fā)生的就是故障類別越來越多。電機(jī)故障有很多的原因，包括信息傳輸?shù)腻e(cuò)誤、保護(hù)裝置的接觸不良等等。這些信息都是人為的難以確定的，因此電機(jī)故障的診斷過程變得復(fù)雜起來。

粗糙集理論有著優(yōu)異的數(shù)據(jù)處理能力，神經(jīng)網(wǎng)絡(luò)的超強(qiáng)自學(xué)習(xí)能力及其分類能力也是很多方法難以企及的，這兩種方法各有所長，也有其不足之處。而它們的優(yōu)點(diǎn)是在機(jī)電故障診斷的過程中有很大的意義，因此取長補(bǔ)短，將二者進(jìn)行有機(jī)結(jié)合，運(yùn)用在電機(jī)故障診斷中一定能夠產(chǎn)生令人滿意的結(jié)果。本文將簡要介紹相關(guān)理論知識(shí)以及它們?cè)陔姍C(jī)故障診斷中的實(shí)際運(yùn)用。

1 粗糙集理論和神經(jīng)網(wǎng)絡(luò)的相關(guān)知識(shí)

1.1 粗糙集理論

粗糙理論的主要任務(wù)是對(duì)獲取到的數(shù)據(jù)進(jìn)行分析。主要針對(duì)不夠完整或者不能確定的信息，在數(shù)據(jù)處理的時(shí)候，通過判斷將這些不完備信息進(jìn)行有效分析。在粗糙集理論中，得到的數(shù)據(jù)多是殘缺的、模糊的，通過相應(yīng)的數(shù)學(xué)知識(shí)，將所得數(shù)據(jù)進(jìn)行分析，最后將之分類，這是該理論處理數(shù)據(jù)的基礎(chǔ)。粗糙集理論常用上、下近似及邊界來描述所得信息的不完整和不確定性。

1.2 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)主要是實(shí)現(xiàn)對(duì)信息的相關(guān)處理和完成儲(chǔ)存任務(wù)，通過網(wǎng)絡(luò)中各個(gè)鏈接權(quán)值的改變。神經(jīng)網(wǎng)絡(luò)的內(nèi)部有諸多的節(jié)點(diǎn)，這些節(jié)點(diǎn)是相互鏈接的，憑借其自身的復(fù)雜構(gòu)造，通過對(duì)這些節(jié)點(diǎn)之間的關(guān)系進(jìn)行有序的調(diào)整，最后達(dá)到對(duì)信息完成處理的目的。

2 電機(jī)故障診斷

2.1 診斷技術(shù)理論研究

設(shè)備的診斷流程首先是拾取信號(hào)，其次是對(duì)所得信號(hào)進(jìn)行處理分析，最后就是完成對(duì)故障的診斷。類似粗糙集理論的模糊理論常常在這個(gè)過程中作為前處理，因?yàn)樗鼈兡軌蛱幚聿淮_定信息。有著強(qiáng)大的并行計(jì)算能力和聯(lián)想能力的神經(jīng)網(wǎng)絡(luò)技術(shù)今年受到廣泛關(guān)注，其具備的自學(xué)習(xí)能力也是各個(gè)專家研究注重的一點(diǎn)，這些特點(diǎn)能夠有效的對(duì)故障進(jìn)行模式的識(shí)別并實(shí)現(xiàn)科學(xué)的分類。粗糙集理論具有強(qiáng)大的數(shù)據(jù)處理能力。因此，粗糙集神經(jīng)網(wǎng)絡(luò)在電機(jī)故障診斷中有著極好的發(fā)展前景。

2.2 電機(jī)故障診斷技術(shù)

在設(shè)備工作的時(shí)候，電機(jī)實(shí)際是在實(shí)現(xiàn)能量的交換，在此過程中往往伴隨著電能、機(jī)械能以及介質(zhì)等的損耗。電機(jī)內(nèi)部的各個(gè)系統(tǒng)是獨(dú)立的個(gè)體，又相互關(guān)聯(lián)。如果電機(jī)在運(yùn)行過程中出現(xiàn)故障，這些工作系統(tǒng)都不可避免的受到牽連。這就決定電機(jī)故障診斷的多元性，不能確定是哪一個(gè)工作系統(tǒng)出現(xiàn)問題。所以電機(jī)故障診斷與其他設(shè)備相比，難度相對(duì)較大。粗糙集神經(jīng)網(wǎng)絡(luò)為之提供了有效可靠的診斷方案。

粗糙集、神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)相結(jié)合的診斷技術(shù)，主要以數(shù)據(jù)采集和預(yù)處理為基礎(chǔ)，利用混合聚類法對(duì)原始的故障診斷樣本進(jìn)行離散處理。使用粗糙集理論對(duì)樣本據(jù)側(cè)標(biāo)進(jìn)行屬性簡約的的相關(guān)學(xué)習(xí)樣本集。運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)對(duì)故障診斷知識(shí)進(jìn)行模式識(shí)別，結(jié)合專家系統(tǒng)，利用專家系統(tǒng)的半段能力，對(duì)輸出結(jié)果進(jìn)行修正，最后完成診斷。此外，也有小波包分解法與粗糙及系統(tǒng)的結(jié)合運(yùn)用，這些方法通過故障診斷實(shí)例。

3 將粗糙集神經(jīng)網(wǎng)絡(luò)在電機(jī)故障診斷中的應(yīng)用

3.1 粗集和神經(jīng)網(wǎng)絡(luò)集成方法概述

電機(jī)故障是相對(duì)復(fù)雜凌亂的，而粗糙集理論能夠有效的將之簡化。但很多病態(tài)數(shù)據(jù)的處理，粗糙集理論很多時(shí)候就顯得格外薄弱。就神經(jīng)網(wǎng)絡(luò)而言，它具備的自學(xué)習(xí)能力能夠有效的解決信息獲取的問題，而對(duì)于繁雜的樣本信息，神經(jīng)網(wǎng)絡(luò)常常顯得無能為力。

兩種方法強(qiáng)烈的優(yōu)勢(shì)互補(bǔ)性引起了研究者們的關(guān)注，也為解決電機(jī)故障診斷問題提供了一個(gè)契機(jī)。如何將兩者進(jìn)行有效的結(jié)合是當(dāng)前眾多學(xué)者研究的熱點(diǎn)。當(dāng)前，已有多種結(jié)合方式，粗糙集理論為基礎(chǔ)得出規(guī)則，利用神經(jīng)網(wǎng)絡(luò)精簡；以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，粗糙集理論優(yōu)化等等。

在現(xiàn)實(shí)應(yīng)用中，常會(huì)遇到理論分析所忽略的問題。因此，粗糙集的數(shù)據(jù)處理能力還有繼續(xù)研究的價(jià)值。在對(duì)大量數(shù)據(jù)進(jìn)行處理的時(shí)候，可以嘗試首先快速選取對(duì)神經(jīng)網(wǎng)絡(luò)的輸入空間，并以此為基礎(chǔ)，使用神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行挖掘，進(jìn)一步的實(shí)現(xiàn)在實(shí)際應(yīng)用中對(duì)大型數(shù)據(jù)的處理效率。

3.2 粗糙集神經(jīng)網(wǎng)絡(luò)診斷的思路與特點(diǎn)

故障診斷問題有如下特點(diǎn)

①在故障診斷過程中,由于故障產(chǎn)生的機(jī)理不清楚,故障的表現(xiàn)形式不惟一,在提取故障特征時(shí)也時(shí)常帶有盲目性,從而導(dǎo)致了實(shí)際描述的設(shè)備狀態(tài)之間是不分明的,而這種狀態(tài)正是粗糙集理論研究的對(duì)象

②在診斷過程中,描述機(jī)器狀態(tài)的特征往往很多,獨(dú)立的特征能提供互補(bǔ)信息,應(yīng)加以保留;相關(guān)性特征產(chǎn)生冗余信息,同時(shí)會(huì)增加計(jì)算工作量,需要加以消除,基于粗糙集的屬性約簡正好為去除這種冗余性特征提供了方便

③故障診斷中需要解決的問題之一如何在保證診斷精度大致不變的情況下減少特征維數(shù),降低計(jì)算工作量和減少不確定性因素的影響

④檢測項(xiàng)目的制定直接取決于狀態(tài)特征集

3.3 算法描述

(1)首先是初始樣本的生成，在最初采集到的樣本數(shù)據(jù)中存在很多的重復(fù)的或是遺失的。初始樣本數(shù)據(jù)表中應(yīng)該將這些錯(cuò)誤數(shù)據(jù)剔除。

(2)采用舉例法或是等頻率法等算法將數(shù)據(jù)連續(xù)屬性離散化。本文在對(duì)連續(xù)屬性進(jìn)行離散化的時(shí)候采用的是SOM神經(jīng)網(wǎng)絡(luò)，它的自組織競爭在這方面有較強(qiáng)的功能。

(3)條件屬性和決策屬性在量化過后將形成二維數(shù)據(jù)表，這就是決策表的形成。行描述的是對(duì)象，列是對(duì)應(yīng)的屬性。

(4)采用差別矩陣對(duì)決策表進(jìn)行約簡。

(6)依照神經(jīng)網(wǎng)絡(luò)模型進(jìn)行輸入，從連續(xù)屬性決策表中選擇對(duì)應(yīng)的訓(xùn)練數(shù)據(jù)和屬性對(duì)網(wǎng)絡(luò)的訓(xùn)練，根據(jù)相應(yīng)的測試樣本進(jìn)行測試。

3.4 粗糙集神經(jīng)網(wǎng)絡(luò)電機(jī)故障診斷模型

本系統(tǒng)模型的具體流程是：

在分析過樣本數(shù)據(jù)的基礎(chǔ)上，根據(jù)已有的知識(shí)領(lǐng)域結(jié)合所得數(shù)據(jù)建立初始的信息表。

用并行約簡法對(duì)已有數(shù)據(jù)進(jìn)行水平簡約，將簡約后的結(jié)果作為輸入層的神經(jīng)元；用同樣的方法進(jìn)行垂直簡約，相互對(duì)立的以及多余的內(nèi)容都是需要消除的對(duì)象。

最后就是利用神經(jīng)網(wǎng)絡(luò)的相關(guān)算法，對(duì)經(jīng)過粗集處理的數(shù)據(jù)進(jìn)行訓(xùn)練，得出診斷結(jié)果。

3.5 仿真應(yīng)用

首先構(gòu)建電機(jī)故障模型，電機(jī)基本參數(shù)如下：P額=4KW，U額=220V/380V ，I額=14.2A/8.2A ，f額=50Hz，額定轉(zhuǎn)速是1440r/min。注意：決策屬性為D={D0、D1 、D2 、D1-2}分別表示正常、轉(zhuǎn)子斷條故障、軸承類故障、雙重故障。

利用模型提取故障信號(hào)并得到?jīng)Q策矩陣過后使用粗集理論處理所得故障信息，得到約簡的決策矩陣，將約簡后的數(shù)據(jù)結(jié)果交由神經(jīng)網(wǎng)絡(luò)進(jìn)行下一步的處理，診斷結(jié)果約簡后如下：

圖2 約簡決策矩陣

圖3 診斷結(jié)果

觀察診斷結(jié)果可知，運(yùn)用粗糙集理論可以較好地提取故障特征量，可以有效地減少了對(duì)無用信息的干擾，大大的減少神經(jīng)網(wǎng)絡(luò)的工作量，能夠得到較為滿意的結(jié)果。

4 結(jié)論

電機(jī)的故障診斷可以說是安全的樞紐，因此，在這個(gè)過程中力求更好是必然的。經(jīng)過多年的研究，我國在電機(jī)故障診斷方面發(fā)展迅速，取得了重大的突破。在電機(jī)故障診斷中合理利用粗糙集神經(jīng)網(wǎng)絡(luò)技術(shù)，使凌亂的初始數(shù)據(jù)之間的關(guān)系線條明了，再利用神經(jīng)網(wǎng)絡(luò)對(duì)處理過的數(shù)據(jù)進(jìn)行進(jìn)一步的處理，使之大程度的簡化，提高電機(jī)的工作效率對(duì)我們的生活有著重大的積極意義。

[1]蘇宏升，李群湛；寄語粗糙集理論和神經(jīng)網(wǎng)絡(luò)模型的變電站故障診斷方法，電網(wǎng)技術(shù)；2005

[2]鄧舞 等，粗糙集、神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)模型用于電力系統(tǒng)故障診斷，高電壓技術(shù)；2009/7/31

[3]國玉紅，陳玉武；粗糙集理論在異步電動(dòng)故障診斷中的應(yīng)用，科學(xué)技術(shù)與工程；2008/7

[4]魏偉，王琳；電機(jī)故障診斷技術(shù)研究現(xiàn)狀與發(fā)展趨勢(shì)，微電機(jī)；第42卷第10期