淺談采用深度學習的異步電機故障診斷方法

摘? 要：異步電機作為整個傳動系統的靈魂，如果沒有異步電機的正常工作就無法完成其他各項工作?；诖?，本文采用深度學習的方法來對異步電機故障進行診斷，通過深入研究精準找到異步電機發生故障的部位以及快速找尋到異步電機故障的診斷方法，從而進一步提高異步電機的使用壽命。

關鍵詞：深度學習;DBN;異步電機;故障診斷

中圖分類號：TM343 ?文獻標識碼：A ?文章編號：2096-6903（2020）06-0000-00

0 引言

隨著科學技術的不斷發展，機械行業等制造業面臨新的發展契機，其中異步電機是重中之重。異步電機作為整個傳動系統的靈魂，如果沒有異步電機進行工作就無法完成其余各項工作，其就像是發起的大腦指揮系統一樣，讓整個系統朝著一個正確的方向發展。但是異步電機雖然結構簡單，但是在實際應用過程中總會出現這樣那樣的問題，其中小的方面產生的問題就是傳動系統不工作，大的方面就是影響整個系統的有效進行。并且有時候還會對使用設備的工作人員帶來潛在危險。因此通過上述對異步電機故障危險的深入剖析，為了防患于未然就需要找到切實可行的辦法，從而可以讓異步電機在出現故障的過程中能夠加快推進診斷方法的落實。基于此，本文通過深度學習方法，也就是將原始數據與最終優化的數據進行深入剖析，并通過逐層的信息篩選以及提煉找到某一范圍，將其應用在異步電機診斷就是通過深入的研究精準的找到異步電機發生故障的部位以及快速的找尋到異步電機故障的診斷方法，從而提高異步電機的使用壽命，讓整個系統始終可以處于盤活狀態。

1 深度學習的概念以及結構模型

1.1 深度學習的含義

深度學習最初是由Geoffrey Hinton提出，最先應用在科學學習之中，他認為深度學習就是一個最深層次的神經網絡，網絡之間參差不齊，由于細節的不斷變化導致神經網絡更加的復雜。通過深度學習從最原始的數據出發，層層不斷的向前篩選，由于之前的深度學習存在當計算數據較多時，處理時間成本大等問題。因此很多還未處理的過程中就已經花費大量的時間，這導致很多項目想及時有效的得到信息就需要花費大量的時間，從而解決效率十分低下。

1.2 深度學習的層次結構

深度學習的主要構成受到玻爾茲曼機（RBM）的影響，其整個層次結構主要是堆疊產生的，一般的RBM主要有兩個層，一個是隱藏層一個是可視層，這兩個層主要由權值來進行連接，具體結構如圖1 所示。

從圖1中我們可以清楚的看到一共由三個RBM，分別以序號1/2/2來命名。比如本文所研究的基于深度學習的異步電機診斷方法，將故障問題的原始數據輸入進去，然后通過權值不斷的變化并且通過微調等方法措施讓深度學習可以發揮更大作用。

為了可以更好的理解整個的層次結構變化過程，可通過一種比較形象的方式來表示，如圖2所示。將隱藏層單獨列出來一層，可視層也列出來一層，這樣就會出現數據的較叉，有利于讓故障點的發現，為后續診斷方法的提出提供巨大幫助。

2 深度學習關鍵參數的設置

2.1 關鍵參數的設置

采用深度學習的方法首先是關鍵參數的設置問題，如果各個關鍵參數沒有設置準確，那么在找尋異步電機故障點的過程中就會出現偏差，從而找到問題點的難度加大，整個的設計過程也會產生較多的問題。因此需要設置一些深度學習的關鍵參數，比如學習率，其主要是在處理異步電機故障方法過程中減少數據之間的波動問題。由于數據的波動給最終的故障排除以及診斷方法帶來處理的數據點較多，因此在這個過程中就會產生一定誤差，誤差由于整體和部分的相差可能很大，這就會產生數據的大范圍的波動從而不利于深度學習的有效推廣。

具體的公式如上面三個所示，其中p是動量項的學習率。

2.2 隱藏節點的設置

從DBN結構可以看出，輸入層的神經元數目等于輸入數據樣本的維數，輸出層的神經元數目等于數據樣本的類別數。但是，中間隱藏層中的節點數很難確定。一般來說，在選拔中存在人為的主觀因素，缺乏系統科學的理論指導。本文不研究隱層節點數，將隱層元素數設為100。

2.3 網絡深度的設置

網絡深度的確定缺乏權威的研究理論。此外，隨著網絡深度的增加，網絡培訓所需的時間也隨之增加。此外，可能存在累積誤差，這會降低網絡的識別精度。本文討論了不同網絡深度對網絡識別精度和訓練測試時間的影響。最后確定了最佳網絡深度，并將其應用于故障診斷領域。

3 采用深度學習的異步電機故障診斷方法探究

3.1 異步電機常見的故障分析

異步電動機作為一種應用廣泛的旋轉機械，其具有復雜的機械和電磁特性。并且旋轉結構斷裂類型復雜，斷裂特征多樣。它們不僅具有機械故障的一般特征，還具有電氣元件和磁場的失效特征。通過對以往大量異步電機故障結果的統計，在所有異步電機故障中，軸承故障約占異步電機總故障的40%，定子故障約占異步電機總故障的38%，轉子故障約占異步電機總故障的約10%，其它類型的故障約占異步電動機故障總數的12%。

具體地說，它可以分為內外環故障、保持架故障和滾珠缺陷等，這些故障和缺陷是引起機器振動的主要因素。在實際工業應用中，大多數軸承工作在非理想狀態下，經常受到各種不良因素的影響，如環境機械振動、過載、腐蝕、潤滑不當等。這些系數會對軸承造成輕微缺陷。隨著缺陷的增加，軸承的外圈、內圈、滾珠等部件會發生故障，進而產生機械振動，產生聽覺噪聲。

3.2 異步電機故障模擬實驗裝置

故障模擬實驗裝置采用的是美國Spectra Quest Inc公司生產的機械故障綜合模擬實驗臺。如下圖3所示。

實驗臺的主要部件包括多功能可編程控制面板，馬力變頻交流驅動，馬力三相交流異步電動機，帶液晶顯示器器 ，顯示內置轉速表、聯軸器套件、可拆卸軸承箱、兩個帶擠壓鎖的滾動軸承、直徑為3/4英寸的TGP鋼直軸、不同重量的平衡轉子、多級皮帶傳動直齒輪箱，可調磁力制動器等部分。

3.4 實驗結果分析

將采集到的電機原始時域信號直接取其功率譜密度并進行歸一化處理，對預處理后的數據進行樣本分段，數據樣本的長度以 2N 為單位，樣本長置為 64、256、512 以及 1024 五類，每一類工況取為訓練樣本，300 組數據作為測試樣本，5類數據樣本總計 18000 組訓練樣本和 9000 組測試樣本，選取電動機轉速、空載、樣本長度為 256 的數據樣本為例，電機 5類狀態的功率。如圖4所示。

通過對發生故障的異步電機定子與轉子以及軸承經常發生故障的部位做了具體的實驗，其結果可通過頻率分布圖來直觀的呈現出來，對于第一幅圖來說定子最經常發生的故障就是瞬時電流產生的斷裂現象，從圖中可以看出有很多峰值以及低谷，這就是由于電流的時高時低導致電流壓差較大產生的斷裂現象。對于第二幅圖來說一開始頻率基本沒有，到后期出現了短暫的峰值，這是由于轉子出現打滑現象，后期出現了磨損現象，對于第三幅和第二幅其變化基本差不多，主要是精度原因導致出現了暫時性的故障，如果保養得當可以及時有效的消除這一問題。

4 結語

綜上所述，本文主要通過基于深度學習的方法也就是DBN這一研究模式來對異步電機發生故障的原因以及部位進行深入剖析，然后通過一定的方法來具體解決這一問題，通過頻譜分析與具體的實驗研究來開展深入研究。從而可以為更多的異步電機故障處理方法提供借鑒，也為未來異步電機總體效率的提高提供參考。

參考文獻

[1]李艷蘭.異步電動機電氣故障的識別與診斷[D].太原：太原理工大學，2015.

[2]朱麗娟.基于小波神經網絡的異步電動機振動故障診斷研究[D].太原：太原理工大學，2018.

[3]韓敏，崔丕鎖.一種用于模式識別的動態RBF神經網絡算法[J].大連理工大學學報，2006（5）：746-751.

[4]陳耀武，汪樂宇.轉子機械故障診斷儀器系統[J].中國電機工程學報，2000（12）：48-52.

收稿日期：2020-03-13

作者簡介：軒艷文（1994—），男，河南許昌人，電氣碩士，研究方向：電力系統及其自動化。

Fault Diagnosis Method of Asynchronous Motor Based on Deep Learning

XUAN Yanwen

（Shanghai Institute of electrical engineering， Shanghai? 201306）

Abstract：As the soul of the whole transmission system， asynchronous motor can not complete other work without the normal work of asynchronous motor. Based on this， this paper uses the method of deep learning to diagnose the fault of asynchronous motor， through in-depth study， accurately find the fault location of asynchronous motor and quickly find the fault diagnosis method of asynchronous motor， so as to further improve the service life of asynchronous motor.

Key words：deep learning;DBN;asynchronous motor;fault diagnosis