粗糙集神經網絡在電機故障診斷中的應用

康云霞,尹作友

（渤海大學,121000）

0 引言

在電力系統中，診斷故障的首要任務就是實現快速精確的識別出引起故障原因。隨著電力工程的擴大，其相關設備的結構也是日趨復雜，而隨之發生的就是故障類別越來越多。電機故障有很多的原因，包括信息傳輸的錯誤、保護裝置的接觸不良等等。這些信息都是人為的難以確定的，因此電機故障的診斷過程變得復雜起來。

粗糙集理論有著優異的數據處理能力，神經網絡的超強自學習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。而它們的優點是在機電故障診斷的過程中有很大的意義，因此取長補短，將二者進行有機結合，運用在電機故障診斷中一定能夠產生令人滿意的結果。本文將簡要介紹相關理論知識以及它們在電機故障診斷中的實際運用。

1 粗糙集理論和神經網絡的相關知識

1.1 粗糙集理論

粗糙理論的主要任務是對獲取到的數據進行分析。主要針對不夠完整或者不能確定的信息，在數據處理的時候，通過判斷將這些不完備信息進行有效分析。在粗糙集理論中，得到的數據多是殘缺的、模糊的，通過相應的數學知識，將所得數據進行分析，最后將之分類，這是該理論處理數據的基礎。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 神經網絡

神經網絡主要是實現對信息的相關處理和完成儲存任務，通過網絡中各個鏈接權值的改變。神經網絡的內部有諸多的節點，這些節點是相互鏈接的，憑借其自身的復雜構造，通過對這些節點之間的關系進行有序的調整，最后達到對信息完成處理的目的。

2 電機故障診斷

2.1 診斷技術理論研究

設備的診斷流程首先是拾取信號，其次是對所得信號進行處理分析，最后就是完成對故障的診斷。類似粗糙集理論的模糊理論常常在這個過程中作為前處理，因為它們能夠處理不確定信息。有著強大的并行計算能力和聯想能力的神經網絡技術今年受到廣泛關注，其具備的自學習能力也是各個專家研究注重的一點，這些特點能夠有效的對故障進行模式的識別并實現科學的分類。粗糙集理論具有強大的數據處理能力。因此，粗糙集神經網絡在電機故障診斷中有著極好的發展前景。

2.2 電機故障診斷技術

在設備工作的時候，電機實際是在實現能量的交換，在此過程中往往伴隨著電能、機械能以及介質等的損耗。電機內部的各個系統是獨立的個體，又相互關聯。如果電機在運行過程中出現故障，這些工作系統都不可避免的受到牽連。這就決定電機故障診斷的多元性，不能確定是哪一個工作系統出現問題。所以電機故障診斷與其他設備相比，難度相對較大。粗糙集神經網絡為之提供了有效可靠的診斷方案。

粗糙集、神經網絡和專家系統相結合的診斷技術，主要以數據采集和預處理為基礎，利用混合聚類法對原始的故障診斷樣本進行離散處理。使用粗糙集理論對樣本據側標進行屬性簡約的的相關學習樣本集。運用RBF神經網絡對故障診斷知識進行模式識別，結合專家系統，利用專家系統的半段能力，對輸出結果進行修正，最后完成診斷。此外，也有小波包分解法與粗糙及系統的結合運用，這些方法通過故障診斷實例。

3 將粗糙集神經網絡在電機故障診斷中的應用

3.1 粗集和神經網絡集成方法概述

電機故障是相對復雜凌亂的，而粗糙集理論能夠有效的將之簡化。但很多病態數據的處理，粗糙集理論很多時候就顯得格外薄弱。就神經網絡而言，它具備的自學習能力能夠有效的解決信息獲取的問題，而對于繁雜的樣本信息，神經網絡常常顯得無能為力。

兩種方法強烈的優勢互補性引起了研究者們的關注，也為解決電機故障診斷問題提供了一個契機。如何將兩者進行有效的結合是當前眾多學者研究的熱點。當前，已有多種結合方式，粗糙集理論為基礎得出規則，利用神經網絡精簡；以神經網絡為基礎，粗糙集理論優化等等。

在現實應用中，常會遇到理論分析所忽略的問題。因此，粗糙集的數據處理能力還有繼續研究的價值。在對大量數據進行處理的時候，可以嘗試首先快速選取對神經網絡的輸入空間，并以此為基礎，使用神經網絡對數據進行挖掘，進一步的實現在實際應用中對大型數據的處理效率。

3.2 粗糙集神經網絡診斷的思路與特點

故障診斷問題有如下特點

①在故障診斷過程中,由于故障產生的機理不清楚,故障的表現形式不惟一,在提取故障特征時也時常帶有盲目性,從而導致了實際描述的設備狀態之間是不分明的,而這種狀態正是粗糙集理論研究的對象

②在診斷過程中,描述機器狀態的特征往往很多,獨立的特征能提供互補信息,應加以保留;相關性特征產生冗余信息,同時會增加計算工作量,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,降低計算工作量和減少不確定性因素的影響

④檢測項目的制定直接取決于狀態特征集

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據中存在很多的重復的或是遺失的。初始樣本數據表中應該將這些錯誤數據剔除。

(2)采用舉例法或是等頻率法等算法將數據連續屬性離散化。本文在對連續屬性進行離散化的時候采用的是SOM神經網絡，它的自組織競爭在這方面有較強的功能。

(3)條件屬性和決策屬性在量化過后將形成二維數據表，這就是決策表的形成。行描述的是對象，列是對應的屬性。

(4)采用差別矩陣對決策表進行約簡。

(6)依照神經網絡模型進行輸入，從連續屬性決策表中選擇對應的訓練數據和屬性對網絡的訓練，根據相應的測試樣本進行測試。

3.4 粗糙集神經網絡電機故障診斷模型

本系統模型的具體流程是：

在分析過樣本數據的基礎上，根據已有的知識領域結合所得數據建立初始的信息表。

用并行約簡法對已有數據進行水平簡約，將簡約后的結果作為輸入層的神經元；用同樣的方法進行垂直簡約，相互對立的以及多余的內容都是需要消除的對象。

最后就是利用神經網絡的相關算法，對經過粗集處理的數據進行訓練，得出診斷結果。

3.5 仿真應用

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

利用模型提取故障信號并得到決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，將約簡后的數據結果交由神經網絡進行下一步的處理，診斷結果約簡后如下：

圖2 約簡決策矩陣

圖3 診斷結果

觀察診斷結果可知，運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無用信息的干擾，大大的減少神經網絡的工作量，能夠得到較為滿意的結果。

4 結論

電機的故障診斷可以說是安全的樞紐，因此，在這個過程中力求更好是必然的。經過多年的研究，我國在電機故障診斷方面發展迅速，取得了重大的突破。在電機故障診斷中合理利用粗糙集神經網絡技術，使凌亂的初始數據之間的關系線條明了，再利用神經網絡對處理過的數據進行進一步的處理，使之大程度的簡化，提高電機的工作效率對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網絡模型的變電站故障診斷方法，電網技術；2005

[2]鄧舞 等，粗糙集、神經網絡和專家系統模型用于電力系統故障診斷，高電壓技術；2009/7/31

[3]國玉紅，陳玉武；粗糙集理論在異步電動故障診斷中的應用，科學技術與工程；2008/7

[4]魏偉，王琳；電機故障診斷技術研究現狀與發展趨勢，微電機；第42卷第10期