基于信息融合技术的电机故障诊断

0 引 言 电机，特别是大型电机发生故障，会给生产带来极大损失。因此，及时诊断出故障隐患，对于实现电机可靠运行，提高生产效率具有重要意义。电机故障诊断一般都以传感器检测技术为基础，进行数据采集，经过数据处理，提取特征参数，然后，参照某种规范，快速准确地判定系统是否出现故障及故障模式，并分析出状态（故障）、现象（征兆）和原因之间的关系，因此，要求传感器系统反应快速而准确，具有一定的信息处理能力、抗干扰能力和容错性。 目前，电机故障诊断有传统方法与现代方法。其中，定子电流分析诊断方法应用最广，它可以在线应用，既保证了电机的连续运转，又不会破坏电机本身。但基于稳态电流诊断方法存在频域混叠的缺点，使检测准确性降低。频谱分析方法的准确性易受电动机负载及供电品质的影响，在具体实施过程中会遇到很多困难[1]。磁谱分析法容易受到其他电磁干扰，使用起来也不方便。文献[2]利用样条小波抵消工频信号分量的方法，通过频谱分析进行诊断，但小波的频率分辨力应用技术尚不成熟。基于信号处理方法[3]回避了抽取研究对象数学模型的难点，在故障诊断亡法的应用日趋广泛。 本文将D-S证据理论融合技术引入到电机故障诊断中，将证据推理技术和人工神经网络相结合，提出一种可靠的电机故障诊断模型，通过诊断试验测试证明：该诊断系统有利于故障特征的准确提取，有利于提高电机故障诊断的准确度，并能满足诊断的实时性要求。 1 基于神经网络的D-S证据推理过程 D-S证据理论是一种数据融合方法，能依据不确定性的信息进行推理，广泛用于信息融合和不确定推理等领域[4]。它应用于故障诊断，可增加电机故障诊断的信任度。 在证据融合过程中，先进行多传感器融合，对故障摸式做初步识别，并通过数据处理与分析方法提取故障特征，然后，用人工神经网络（artificial neural network，ANN）对各个故障特征向量进行分类与局部诊断，结果作为各个证据体的基本可信度分配，形成彼此独立的证据，最后，运用证据融合决策规则，实现对故障的准确判别。故障诊断如图1所示。 1.1 数据级融合与故障特征的提取 对多传感器采集的携带故障特征的参数信息进行分类、预处理后，分别对同类传感器和异类传感器进行融合处理，以初步识别故障模式，然后，经过数学变换处理，提取不同的故障特征信息，作为特征融合级神经网络的输入。这样有利于保证不同的特征输入的不相关性，以便从不同侧面对设备故障进行诊断。 神经网络需要把输入的数据归一化到学习算法限制的范围内，因此，将故障特征数据变换为0或1之间的正数，以避免过大的权重调节淹没部分特征信息，消除各特征参数物理单位的干扰。 1.2 应用神经网络进行特征级融合与局部诊断 ANN具有高度的并行处理、联想记忆、自学习、非线性映射、容错能力及极强的鲁棒性[5]。为了克服单个神经网络计算时间长、迭代次数多等缺点，将整个故障特征参数空间分解为多个子空间，针对每一参数子空间和整个故障空间之间设计一个子神经网络，形成并行神经网络。然后，将故障特征量分类输入各子网络，多个子网络从不同侧面诊断设备故障，以减少迭代次数，最大限度地提高确诊率。 1.3 D-S证据理论决策级融合方法 D-S证据理论决策级融合步骤是：首先，选择整个故障空间做识别框架，然后，选择每一个子神经网络的输出作为D-S融合决策级的证据体。假设各证据体互不相关，则可 按下面的方法计算各证据的基本可信度分配。 （1）对神经网络的输出进行归一化 式中n为神经网络的个数；err为网络误差；s为理想状态下神经网络各节点的总输出。经归一化处理后，得到各证据的基本可信度分配。 （2）对多个神经网络的证据进行融合处理，得到最终的基本可信度分配 （3）计算信任函数及似然函数，得到证据融合决策诊断结果，即被诊断设备的故障模式 2 诊断实例与分析 用光电式振动传感器采集振动加速度信号，经过预处理后输入到FFT微机分析仪进行数据处理，获得时域中的相位特征与轴心轨迹，再进行频谱分析，以获得7种频域特征；然后，将磁阻式速度传感器、压电式温度传感器采集的速度与温度信号进行预处理，输入到FFT微机分析仪，通过相关函数分析与计算，获得的相关函数值作为关系型特征。试验要求神经网络误差为0.00005时，判定某类故障发生的可信度值阈值为0.9000。 针对以上3类故障特征，采用3个并列的三层Back-propagation（BP）神经网络，构成特征融合级神经网络。因为识别框架中有5种故障，所以，3个BP神经网络输出层节点数均为5，隐含层节点数q由式（4）确定 式中 P为各BP神经网络输入层节点数，由每类故障特征的个数决定。d取5～8之间的正整数，这里，取5。q，P单位均为个。因此，3个BP神经网络的输入层、隐含层、输出层的节点数分另U为7，9，5；5，8，5；3，7，5。 在同一诊断时段内，通过3个BP神经网络，将来自各个传感器的信息进行分类，获得对应于各传感器的数据融合级证据体，同时，计算各个证据体对于识别框架中5种故障的基本可信度分配。表1给出了由光电式振动传感器1与2采集的振动信号输入到FFT微机分析仪后获得的2个频域证据体对于5种故障的基本可信度分配，见表1第一、第二行数据；再把这2个传感器证据体融合，可得到新的诊断结果，见表1第三行数据。 表2 组合诊断结论 可见，利用单一故障特征对电机故障进行识别诊断，可信度比较低，有时无法准确识别故障类型，而利用3类故障特征的融合信息再进行融合后，基本可信度分配具有更好的峰值性和可分性，可以有效地提高故障的正确识别率。 3 结 论 本文将神经网络与证据理论相结合，组成数据融合故障诊断系统，通过正确选择与提取故障特征向量，分类输入并行神经网络，从多方面反映电机系统的状况，从而提高了诊断系统的容错能力与诊断准确度，并能满足工程实际中设备故障的实时诊断性要求。