神經網絡專家系統在電機故障診斷中的應用

劉朝云，翟春燕，李書臣，蘇成立

（遼寧石油化工大學 信息與控制工程學院，遼寧 撫順 113001）

異步電機作為現代工業的主要能源動力設備，在各行各業應用非常廣泛。 電機一旦發生故障，將帶來較大的經濟損失。基于以上原因，電機故障診斷受到了越來越多學者的關注和重視[1-2]。同時，通過各界學者們的共同努力，使得故障診斷領域取得了飛快的發展。

傳統診斷方法（如冗余法或普通模式識別方法）在系統或設備的故障診斷中發揮了很好的作用[3-4]，但存在著一些不足之處，比如過分依賴模型，當系統模型未知時該方法不易實現。基于神經網絡的故障診斷在電機故障診斷領域發揮了重要的作用[5-6]，但仍存在著忽視領域專家的診斷知識，權重形式的知識表達方式難以理解等弊端。本文在建立異步電動機故障模型和進行特征信號提取的基礎上，將小波神經網絡和專家系統相結合應用到電機故障診斷中，提出一種基于神經網絡專家系統的算法對異步電動機進行故障診斷：把神經網絡與專家系統有機地整合在一起，解決深層次專家系統（基于符號邏輯）與淺層次神經網絡（基于實例學習）在知識獲取、知識表示、知識學習、知識解釋上的瓶頸，從而能更準確和更快速地診斷出異步電動機的常見故障。

1 異步電機典型故障分析

1.1 基于振動的故障分析

所有設備在運行時都會存在振動現象，振動現象同樣存在于電機工作過程中。對于各類型電機來說，振動的允許限值和典型特性在電機穩定運行時都具有其特定的現象。當電機發生故障時，相應的變化會在其振動的頻譜成分和振幅中體現出來。因此電動機的運行狀態會通過振動形式表現出來，要想對電機的運行狀態和潛在故障進行監測，就可對電機的振動信號進行監測。電機常見的異常振動主要有以下的類型：

1）定子異常產生的電磁振動 電機運行時，轉子在定子內腔旋轉，因此定、轉子磁場會發生交互，旋轉力波將會影響到定子機座，從而發生周期性的形變并產生電磁振動。

2）轉子異常引起的電磁振動 當異步電動機轉子回路電氣不平衡時，將會導致不平橫的電磁力產生，這種不平橫電磁力會隨轉子一起旋轉。因此當轉子發生故障時 ，就會產生相應的電磁振動。

3）轉子不平衡產生的機械振動 當電動機轉子質量分布不均勻時就會產生轉子重心偏移，單邊離心力將會存在于這種由于重心偏移而產生的不平衡旋轉中，從而引起了支撐力的變化 ，因而產生了相應的機械振動，使電機產生了不穩定的運行。

4）軸承異常產生的機械振動 由于電動機軸承的損壞，以及設計和制造中存在的誤差，電機在運行中將會產生機械振動。這種異常的機械振動主要是由以下原因引起的:加工和裝配不良，軸承破壞，以及軸承的非線性特性。

1.2 基于電流的故障分析

定子電流會通過氣隙磁場反應出繞組的斷條和氣隙偏心等故障，通過定子電流檢測和頻譜分析就可對這些故障進行診斷，因此診斷和監測交流電機故障的一種有效方法就是對定子電流的頻譜進行分析，電機的氣隙偏心，繞組的斷條和機械不平衡等故障就可通過此方法對進行診斷。

2 神經網絡專家系統的結構

系統結構框圖見圖1，診斷過程沿著箭頭的方向流動。系統由人機交互界面、知識庫 、推理機、動態庫、解釋模塊等部分構成。人機交互界面是系統與專家和用戶進行溝通和交互時的紐帶，由相應的硬件與程序組成。知識庫用來存放神經網絡的結構、權值和閾值知識以及專家系統的診斷知識。推理機是本系統進行故障推理的核心組成部分，以一組程序來實現，用來模擬故障診斷方面專家的推理和解決問題的過程。動態數據庫主要用來存放初始事實數據、診斷中的臨時數據和最后的診斷結果等。解釋模塊對診斷過程中用戶的提問進行回答，對診斷結果進行解釋。

圖1 系統結構圖Fig.1 System structure

3 神經網絡專家系統的實現

3.1 專家系統推理

本文在電機故障診斷和處理系統中引入專家系統，這種專家系統是一個基于知識的系統，其診斷方式是以故障樹的形式來實現的。通過將專家豐富的經驗知識、電機的運行規程和有關電機方面的教材及書籍加以編輯和整理以故障樹的形式建立專家知識庫。本系統是以規則的形式（表示為IF<前提>，THEN<結論>）來建立知識庫的，對每一個規則進行編號，每一條規則都用來表示相應的故障判斷結果，相應的故障原因和處理意見都存儲在知識數據庫中。規則以樹的形式建立，故障現象為樹的根節點，故障原因為樹的葉節點，推理過程的中間分類存在于中間節點，對異步電機工作異常建立故障樹的情況，如圖2所示。

推理模式是先從根節點開始，然后到中間節點，最后到達葉節點，直到找出電機的故障原因。如對電動機工作異常這一故障現象進行判斷，逐級詢問，若是振動故障，則再向下逐一搜索，是否是定子故障，如果回答否，則詢問是否是轉子故障等，最終找到故障原因。

3.2 神經網絡推理

圖2 異步電機運行異常故障樹Fig.2 Asynchronous motor abnormalities fault tree

由于專家系統的數值推理能力比較弱，所以對基于異步電機故障參數的數值推理分析，其診斷效果并不理想，因此系統采用神經網絡作為診斷推理的另一個重要補充。目前已知的各種人工神經網絡模型中，小波神經網絡是用小波函數來代替隱含結點的函數，用小波的尺度伸縮因子和時間平移因子來代替相應的輸入層到隱含層的權值及隱含層的閾值，這樣既使網絡收斂速度加快，避免陷入局部最優，又有時頻局部分析的特點。所以本設計采用小波神經網絡，其目標函數為：

式中：yk為期望輸出；qk為實際輸出，調整權值的原則是使誤差不斷的減小，利用非線性規劃中的快速下降法使權值沿誤差函數的負梯度方向改變，則根據梯度下降法可知，小波神經網絡的 wji，vji，aj，bj等參數的調整優化可以通過如下算法來實現：

按照小波神經網絡的構建方法，根據故障機理分析以及專家經驗，可以得到異步電機電流異常的特征參數，故障原因以及它們之間的關系。特征參數即輸入層節點有7個，分別為f，（1+2sf）f，（1-2sf）f，[1+（1-s）/p]，[1-（1-s）/p]，3f，5f；故障原因即輸出層節點有3個，分別為定子繞組斷條，氣隙偏心，機械失衡，根據神經網絡的使用經驗確定隱層節點為6個。

4 系統測試

本文選取電機的電流信號對電機故障進行診斷，當電機發生轉子繞組故障和偏心故障時其氣隙中的諧波磁通就會變化 ，這種變化將在定子線圈中產生感應電流。當轉子繞組發生故障時其電流特征頻率表達式為:fs=[v（1-s）+-s]f（v=1，3，5，…），不對稱的異步電動機轉子將會出現上述電流頻率分量，轉子故障程度決定了它的大小，基波兩側出現2sf邊頻帶是其最明顯的頻率特征；當電機氣隙偏心時，就會改變電機定子和轉子之間正常的氣隙磁通波形，隨著空間和時間發生變化，氣隙磁通波形將會發生改變。由于這些諧波磁通和定子是相對移動的 ，這種相對移動將會在靜止的定子繞組中產生相應的電流諧波，即新的諧波分量將會出現在定子電流中。當電機發生靜偏心時，其主諧波分量會增大；當發生動偏心時，和旋轉頻率大小相同的邊頻帶將會出現在基波和主諧波的兩側；當電動機發生機械不平衡故障時，繞組內部就會不對稱 ，此時較強的空間諧波和時間諧波將分別出現在氣隙磁場中和定子電流中。其表現是出現明顯增大的3次諧波和5次諧波。根據以上敘述可建立訓練樣本集，如表1所示。

表1 標準訓練樣本集Tab.1 Standard training set

其中，故障識別特征類型中的 1至6分別代表：f，（1+2sf）f，（1-2sf）f，[1+（1-s）/p]s，[1-（1-s）/p]s，3f，5f；f是電流分析中的電源頻率。

故障序號中的1至3分別代表繞組斷條，氣隙偏心，機械失衡。

標準樣本集的教師信號，即期望輸出，如表2所示。

表2 標準樣本集的教師信號Tab.2 Teacher signal standard sample set

小波神經網絡的故障診斷輸出，如表3所示。

表3 小波神經網絡故障診斷輸出Tab.3 Wavelet neural network fault diagnosis output

神經網絡專家系統的故障診斷輸出，如表4所示。

表4 神經網絡專家系統故障診斷輸出Tab.4 Neural network fault diagnosis expert system output

兩種方法的結果誤差對比，如表5所示。

其中，1代表神經網絡專家系統故障診斷輸出誤差，2代表小波神經網絡故障診斷輸出誤差。

由表5可知，基于神經網絡的專家系統對測試樣本都可以做出正確的判斷，并且神經網絡專家系統在診斷誤差精度上和小波神經網絡相比具有很大的提高，因此文中提出的基于神經網絡專家系統的故障診斷方法是十分有效的，顯示出更優的故障診斷能力。

表5 結果誤差對比表Tab.5 Comparison table error results

5 結 論

本文詳細介紹了基于神經網絡專家系統的異步電機故障診斷方法，該方法可以有效的診斷出電機所存在的故障。將二者結合，一方面通過神經網絡的引入可以提高專家系統解決問題的能力，使系統具有采用單一方法所不具備的能力；另一方面專家系統可以幫助神經網絡解決知識表決、符號推理等問題。實驗結果證明了該方法的正確性和有效性，可以擴展到電機綜合故障診斷系統的研究與應用之中。

[1]王紅君，劉冬生，岳有軍.基于小波分析和神經網絡的電機故障診斷方法研究[J]．電氣傳動，2010，40（3）：69-73．WANG Hong-jun，LIU Dong-sheng，YUE You-jun.Based on wavelet analysis and neural network method of motor fault diagnosis research[J].Electric Drive，2010，40（3）：69-73．

[2]余為清．基于小波神經網絡的牽引電機齒輪故障診斷研究[J]．煤礦機械，2013，34（4）:290-292 ．YU Wei-qing.Gear fault diagnosis of traction motor based on wavelet neural network[J].Coal Mining Machinery，2013，34（4）：290-292．

[3]Kugarajah T，Zhang Q H.Multidimensional wavelet frames[J].IEEE Transaction on NN，1995，6（6）:1552-1556.

[4]李巍華，史鐵林，楊叔子．基于核函數估計的轉子故障診斷方法[J]．機械工程學，2006，42（ 9）：76-81．LI Wei-hua，SHI Tie-lin，YANG Shu-zi.Rotor fault diagnosis method based on kernel function estimation[J].Mechanical Engineering.2006，42（9）：76-81．

[5]Ring E A，Bilbro G L.Focus locol learning with wavelet networks[J].IEEE Trans on Neural Networks，2002，13（2）:304-319.

[6]劉曉琴，王大志，張翠玲.基于遺傳小波神經網絡的電網故障診斷方法研究[J].石油化工高等學校學報，2013，26（6）：78-81.LIU Xiao-qin，WANG Da-zhi，ZHANG Cui-ling.Based on the genetic wavelet neural network fault diagnosis method of power grid research[J].Journal of petrochemical universities，2013，26（6）：78-81.