大型電子設備故障智能診斷技術研究

殷 劍

（江西農業大學 南昌商學院，江西 九江 332020）

0 引 言

隨著網絡信息技術的發展，結合物聯網的設備故障三維檢測方式逐漸興起。該方法存在三維建模過程復雜、診斷過程復雜、易受外界因素影響以及對觀察人員專業性要求高的問題[1]。因此，提出結合神經網絡原理對電子設備故障智能診斷方法進行研究。

1 大型電子設備故障智能診斷技術

利用設備運行特征集合提取方法診斷設備故障特征參數，根據檢測結果劃分、修正故障種類，快速完成設備故障檢測[2]。

1.1 故障特征參數計算

電子設備故障診斷需要采用LMD從原始信號中提取故障類別特征，若ζ的最終取值屬于(xmin,ymax)范圍，表示該區域設備存在故障隱患，應檢測設備故障位置和等級。找到實體設備故障等級中最小子集后，設初始化結果集合為空集，輸入初始二元組，接收故障參數預警信息。設提取的電子設備振動噪音信號頻率為A，設備時域運行參數方差為i，設備故障檢測參數峰值為j，電子設備時域特征向量為v，則參數診斷算法如下：

若P為電子設備故障采樣數據，R為電子設備正常運行的標準值，n為故障噪聲參數值，則最小子集頻率診斷算法為：

結合上述算法計算設備震動頻率極值，提取或抵消噪聲特征分量信號，解決大型電子設備故障診斷過程中常見的模式混淆、不連續等問題，有利于故障參數分析。

1.2 基于神經網絡的故障定位

故障診斷需要采集電子設備運行時的信號特征參數分布情況。根據前文算法，對比設備運行參數范圍劃分設備故障等級，以特征提取算法采集大型電子設備故障參數，利用神經網絡原理法計算設備運行時的最優等級分類參數[3]，提高局部故障隱患搜索能力。

1.3 電子設備故障診斷技術應用

根據設備異常信息診斷結構，對比設備中運行期望數值狀態與實際數值狀態。為保證設備可達到期望狀態，診斷設備故障時應計算故障參數修復值。設△E為誤差系統部件X、Y、Z的公差，I為可接受最大誤差，則故障診斷算法如下：

為保障故障診斷準確性，輸入上述計算所得實際設備參數，跟蹤監測電子設備實際狀態并實時檢測。采用分層診斷原理逐層診斷大型電子設備故障，準確定位故障部件及等級，排查故障位置和原因，最大程度地減少設備故障帶來的損失。

2 實驗結果分析

為檢驗本文方法對大型電子設備故障診斷的正確性和有效性，進行對比實驗，使設備網絡數據節點分布在2 000 m×2 000 m的均勻陣列區域范圍內。設置實驗參數，如表1所示。

表1 實驗參數設置

參數設置后，選擇沒有主成分分析的支持向量機（SVM）、主成分分析+BP神經網絡（PCA-BPNN）診斷方法進行對比實驗。實驗檢測時，給電子設備設置微小故障參數，根據設備運行實際故障現象，檢測傳統模糊方法、專家診斷方法和實驗方法的診斷效率，故障診斷結果對比數據如表2所示。

由表2可知，本文系統能夠準確診斷設備故障，且效率更高。繪制傳統方法和實驗方法分別對早期電子系統短路故障狀態波動情況的檢測情況，以便分析后續故障診斷效果。故障診斷過程中，干擾參數對診斷結構造成直接影響。設備干擾參數波動越大，診斷效果越差。通過對比傳統方法和本文方法的診斷干擾參數，分析故障診斷效果，結果如圖1所示。

表2 故障診斷結果對比

圖1 對比實驗檢測結果

由圖1可知，相對于傳統方法，本文提出的結合特征提取和神經網絡的大型電子設備故障檢測方法干擾度明顯較低，說明本文方法檢測效果更穩定。

3 結 論

隨著現代化工業的發展，電子設備運行受環境、運作磨損等因素影響，經常出現復雜的設備故障問題。因此，提出對大型電子設備故障智能檢測方法的研究。經過仔細研究與設計，經實驗證實了本文方法對大型電子設備故障有高效準確的檢測，實用性較高，滿足研究要求。