許允之，龔乃瑋，葛 垚，郭西進(jìn)

(中國(guó)礦業(yè)大學(xué) 信息與電氣工程學(xué)院，江蘇 徐州 221116)

基于信息融合方法的電機(jī)故障診斷研究

許允之，龔乃瑋，葛 垚，郭西進(jìn)

(中國(guó)礦業(yè)大學(xué) 信息與電氣工程學(xué)院，江蘇 徐州 221116)

研究鼠龍異步電機(jī)轉(zhuǎn)子故障診斷技術(shù)，先運(yùn)用小波包分析技術(shù)對(duì)電機(jī)電流信號(hào)進(jìn)行了特征值的提取，將信號(hào)進(jìn)行3層分解，然后將噪聲信號(hào)分離并對(duì)噪聲信號(hào)進(jìn)行FFT能量分析，根據(jù)噪聲能量含量的大小來(lái)判斷斷條故障的嚴(yán)重程度。然后利用BP神經(jīng)網(wǎng)絡(luò)對(duì)電機(jī)的電流信號(hào)能量特征值分別進(jìn)行訓(xùn)練和檢驗(yàn)，并初步得出診斷結(jié)果。再運(yùn)用D-S證據(jù)理論對(duì)BP神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果進(jìn)行了決策層的信息融合故障診斷，并得出了最終的診斷結(jié)果。實(shí)驗(yàn)表明，在一定程度上采用多證據(jù)的融合能進(jìn)一步提高診斷的準(zhǔn)確度。

小波;信息融合;故障診斷;神經(jīng)網(wǎng)絡(luò);證據(jù)

0 引言

信息融合是指利用計(jì)算機(jī)技術(shù)對(duì)按時(shí)序獲得的若干傳感器的觀測(cè)信息在一定準(zhǔn)則下加以分析、綜合以完成所需的決策和估計(jì)任務(wù)而進(jìn)行的信息處理過(guò)程。從廣義的數(shù)據(jù)融合定義出發(fā)，信息融合中包括通信、模式識(shí)別、決策論、信號(hào)處理、人工智能和神經(jīng)網(wǎng)絡(luò)等，數(shù)據(jù)融合所采用的信息技術(shù)和處理方法均來(lái)自這些領(lǐng)域［1，2］。

利用信息融合技術(shù)對(duì)電機(jī)故障進(jìn)行診斷，是一個(gè)多元信息處理的過(guò)程。由于故障的多樣性和復(fù)雜性，故障征兆的外在表現(xiàn)形式就是通過(guò)傳感器等多種方法和途徑獲得，這種獲得的信息不僅具有多樣性，而且存在一定的不確定性;同類(lèi)型的故障其征兆可能是多樣的，不同類(lèi)型的故障可能表現(xiàn)出來(lái)的征兆也有相似性。因此，就需要人為地將這些信息和數(shù)據(jù)通過(guò)一些規(guī)則進(jìn)行綜合處理，從而得出更為準(zhǔn)確可信的結(jié)論［3，4］。

1 基于小波包分解的電機(jī)信號(hào)特征提取

當(dāng)鼠龍電機(jī)發(fā)生斷條故障時(shí)，會(huì)對(duì)某些頻率產(chǎn)生抑制或增強(qiáng)作用，進(jìn)而其相同頻帶內(nèi)的信號(hào)能量與正常電機(jī)相比會(huì)有較大差別。某些頻帶內(nèi)會(huì)增加，相應(yīng)的某些頻帶內(nèi)會(huì)減少。因此，從能量變化當(dāng)中能反映出相對(duì)應(yīng)的故障信息，“能量-故障”的故障診斷系統(tǒng)識(shí)別方法也就此提出［5］。

利用能量作為診斷的特征向量，就需用到小波包分解，直接應(yīng)用小波包的全分解形式，把信號(hào)分解在相互獨(dú)立的頻帶內(nèi)，各頻帶內(nèi)的能量值形成了一個(gè)向量，該向量對(duì)不同的故障對(duì)應(yīng)不同的值，因此可以作為神經(jīng)網(wǎng)絡(luò)的輸入特征向量［6］。

應(yīng)用小波工具箱中的小波包分析使用DB3小波將信號(hào)進(jìn)行3層分解，然后使用消噪命令將噪聲信號(hào)分離出來(lái)，并對(duì)噪聲信號(hào)進(jìn)行FFT能量分析，根據(jù)噪聲能量含量的大小來(lái)判斷斷條故障的嚴(yán)重程度。比較過(guò)程如圖1～3所示。

圖1 非故障電機(jī)的能量殘余譜圖Fig.1 Residual energy spectrum of normal motor

對(duì)比非故障電機(jī)電機(jī)的三相噪聲能量頻譜可以發(fā)現(xiàn)因?yàn)闆](méi)有發(fā)生斷條故障好電機(jī)中噪聲能量比較充足，三相噪聲能量也比較均衡，均在6×105左右。

圖2 1根斷條的能量殘余譜圖Fig.2 Residual energy spectrum of one broken bars

對(duì)比1根斷條的三相噪聲能量頻譜可以發(fā)現(xiàn)，由于發(fā)生了斷條故障，轉(zhuǎn)子電阻變大，能量相對(duì)減小。但是因?yàn)閿鄺l故障并不嚴(yán)重，所以三相噪聲能量仍然是比較均衡的。三相噪聲能量均在6×105左右。

圖3 3根斷條的能量殘余譜圖Fig.3 Residual energy spectrum of three broken bars

對(duì)比3根斷條的三相噪聲能量分析可以發(fā)現(xiàn)，當(dāng)異步電機(jī)發(fā)生3根斷條故障時(shí)三相噪聲能量不再均衡，有一相的能量要大于另外兩相。而能量減小的幅度也變大。3根斷條時(shí)能量的大小已經(jīng)減少了一個(gè)數(shù)量級(jí)，在2×104～3×104范圍內(nèi)。

3組圖像綜合對(duì)比可以發(fā)現(xiàn)，電機(jī)發(fā)生斷條故障時(shí)，隨著斷條數(shù)目的增加，噪聲能量的幅值減小，斷條故障越嚴(yán)重能量減小的幅度越大。根據(jù)三相異步電機(jī)三相電流中噪聲能量的變化可以判斷出異步電機(jī)斷條故障，并能根據(jù)噪聲能量的大小和均衡程度判斷出斷條故障的嚴(yán)重程度［7，8］。

有上述可得如下結(jié)論:小波包分解能夠有效地提取故障特征量，從提取的各頻段的能量中可以比較容易的判斷出故障類(lèi)型。

以異步電機(jī)在正常運(yùn)行一段時(shí)間后發(fā)生開(kāi)路故障為例，故障繞組A相電流通過(guò)MATLAB小波包分解得到結(jié)點(diǎn)的重構(gòu)信號(hào)如圖4所示，t＜0.05 s時(shí)的各節(jié)點(diǎn)重構(gòu)信號(hào)幅度和正常情況下相同，具體比較能量特征向量，發(fā)現(xiàn)與正常情況是一致的，說(shuō)明在此區(qū)間內(nèi)電流正常。但是，t＞0.05 s時(shí)，各節(jié)點(diǎn)的信號(hào)突然消失，說(shuō)明在這一時(shí)刻發(fā)生了開(kāi)路故障，導(dǎo)致信號(hào)突變?yōu)?，從而檢測(cè)出故障時(shí)間為 t=0.05 s。這也體現(xiàn)了小波變換相比于傅里葉變換，具有時(shí)-頻局部化的優(yōu)點(diǎn)。

從表1給出的部分特征向量樣本可以看到，故障情況下，每個(gè)頻段的能量都會(huì)發(fā)生相應(yīng)的變化，并在一些結(jié)點(diǎn)差異明顯，因此用小波包分解得到的特征向量用于故障識(shí)別是可行的，能夠?qū)崿F(xiàn)較正確的故障診斷。

表1 非故障和故障狀態(tài)下的能量特征信號(hào)Table 1 Energy characteristic signal under Normal and Fault mode

圖4 非故障運(yùn)行到發(fā)生開(kāi)路故障的重構(gòu)電流信號(hào)Fig.4 Reconstruction current signal over Normal operating to Open circuit fault

2 基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷

隱含層節(jié)點(diǎn)數(shù)與具體解決的問(wèn)題、輸入輸出層的節(jié)點(diǎn)數(shù)都有關(guān)系。隱含層節(jié)點(diǎn)數(shù)并不是越多越好，太多將使網(wǎng)絡(luò)存在過(guò)多冗余，增加了網(wǎng)絡(luò)的訓(xùn)練負(fù)擔(dān)，導(dǎo)致訓(xùn)練時(shí)間長(zhǎng)，誤差不一定最佳。而隱含層節(jié)點(diǎn)數(shù)太少，網(wǎng)絡(luò)將不能建立復(fù)雜的映射關(guān)系，使網(wǎng)絡(luò)訓(xùn)練不出來(lái)，或是推廣，泛化能力差，不能識(shí)別以前沒(méi)見(jiàn)過(guò)的樣本。因此BP網(wǎng)絡(luò)需要

式中:ni為輸入層節(jié)點(diǎn)數(shù);no為輸出層節(jié)點(diǎn)數(shù);a為1至10之間的數(shù)。

根據(jù)前述內(nèi)容，創(chuàng)建 BP網(wǎng)絡(luò)，輸入層節(jié)點(diǎn)為8，輸出層節(jié)點(diǎn)為 3，分別對(duì)應(yīng)電機(jī)的 3種狀態(tài)模式:正常運(yùn)行，斷條和其它未識(shí)別故障。增加其它未識(shí)別故障是為了保證實(shí)驗(yàn)的科學(xué)性，并且增加一個(gè)最佳的隱含層節(jié)點(diǎn)數(shù)。

對(duì)于模式識(shí)別的 BP網(wǎng)絡(luò)，根據(jù)前人經(jīng)驗(yàn)，可以參考公式(1)進(jìn)行設(shè)計(jì):這一項(xiàng)也能提高網(wǎng)絡(luò)的泛化能力，便于電機(jī)故障信息融合診斷。網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)為12，隱含層神經(jīng)元的傳遞函數(shù)為S型正切函數(shù)，輸出層神經(jīng)元的傳遞函數(shù)為S型對(duì)數(shù)函數(shù)。即，構(gòu)造了一個(gè)8-12-3的 BP神經(jīng)網(wǎng)絡(luò)［9，10］。

表2 輸出單元的意義Table 2 Meaning of Output unit

確定識(shí)別模式之后，BP神經(jīng)網(wǎng)絡(luò)基于Matlab的學(xué)習(xí)訓(xùn)練如下:

(1)定義輸入向量和目標(biāo)向量

令P為網(wǎng)絡(luò)的輸入樣本向量，T為網(wǎng)絡(luò)的目標(biāo)向量。輸入學(xué)習(xí)樣本P為表3、表4和表5的數(shù)據(jù)，期望輸出如表6中所示。

將故障程度分為3級(jí)。即l級(jí)轉(zhuǎn)子斷條故障、2級(jí)無(wú)故障(正常工況)、3級(jí)未知故障。根據(jù)網(wǎng)絡(luò)的輸出向量，結(jié)果處理如下:

轉(zhuǎn)子斷條故障:(1，0，0)

正常運(yùn)行:(0，1，0)

其它未識(shí)別故障(0，0，1)

由此判定電機(jī)是否存在故障。

(2)訓(xùn)練神經(jīng)網(wǎng)絡(luò)程序如下:

程序中:P和T分別對(duì)應(yīng)輸入向量和目標(biāo)向量。

訓(xùn)練結(jié)果如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練曲線Fig.5 BP Neural Network training curve

通過(guò)實(shí)驗(yàn)，將定子電流信號(hào)按照上述的方法進(jìn)行小波包分解后，提取各個(gè)頻率段上的能量值，構(gòu)成待診學(xué)習(xí)樣本的特征向量，如表3，4，5是基于定子電流信號(hào)的電機(jī)狀態(tài)待診斷樣本表［11］。

表3 第1組故障電機(jī)Table 3 Fault motor of Group 1

表4 第2組故障電機(jī)Table 4 Fault motor of Group 2

表5 第3組非故障電機(jī)Table 5 Normal motor of Group 3

將3組待診斷樣本的特征向量，分別輸入到已經(jīng)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)中，得到故障診斷結(jié)果如表6:

表6 BP神經(jīng)網(wǎng)絡(luò)的輸出及診斷結(jié)果Table 6 Output and Diagnosis results of BP Neural Network

從BP神經(jīng)網(wǎng)絡(luò)的輸出及診斷結(jié)果可以看出，診斷結(jié)果與實(shí)際結(jié)果相一致，這表明本文利用BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合診斷方法能夠綜合利用故障征兆空間的各種征兆信息，并對(duì)這些信息進(jìn)行融合識(shí)別。雖然有些可靠性還不是很高，但基本上能滿足電機(jī)故障診斷的要求，能夠?qū)D(zhuǎn)子斷條故障進(jìn)行有效識(shí)別［12］。

3 基于BP神經(jīng)網(wǎng)絡(luò)的D-S證據(jù)推理過(guò)程

實(shí)踐表明，當(dāng)大量高維的采樣信號(hào)同時(shí)輸入一個(gè)BP神經(jīng)網(wǎng)絡(luò)時(shí)，會(huì)導(dǎo)致訓(xùn)練時(shí)間過(guò)長(zhǎng)，診斷效果變差，更嚴(yán)重的會(huì)出現(xiàn)網(wǎng)絡(luò)不收斂。因此難免會(huì)出現(xiàn)一些誤診、錯(cuò)診。為減少這種情況的出現(xiàn)，就此引入 D-S證據(jù)理論，在決策層進(jìn)行數(shù)據(jù)融合，充分利用多個(gè)信息源，再次融合判斷［13，14］。

分別用F1，F(xiàn)2，F(xiàn)3來(lái)表示電機(jī)的3種狀態(tài):轉(zhuǎn)子斷條、正常運(yùn)行和其它未識(shí)別故障，構(gòu)成故障診斷識(shí)別框架U={F1，F(xiàn)2，F(xiàn)3}。BP網(wǎng)絡(luò)輸出的判據(jù)結(jié)果分別用m1，m2，m3表示，匯總?cè)绫?。

首先m1，m2，進(jìn)行證據(jù)組合，計(jì)算組合時(shí)的不一致因子:

K1=m1(F1)m2(F2)+m1(F2)m2(F1)

組合后形成的新證據(jù)用m12表示，可獲得新證據(jù)對(duì)電機(jī)狀態(tài)F1，F(xiàn)2的基本概率賦值如下:可以看出，m12(F1)＞m1(F1)，m12(F1)＞m2(F1)，因此電機(jī)發(fā)生的是斷條故障的概率增大;m12(F2)＜m1(F2)，m12(F2)＜m2(F2)，因此電機(jī)正常運(yùn)行的概率減小;m12(F3)＜m1(F3)，m12(F3)＜m2(F3)，因此電機(jī)有其它故障的不確定概率也減小。所以經(jīng)過(guò)綜上所述，經(jīng)過(guò)證據(jù)m1，m2融合后電機(jī)發(fā)生轉(zhuǎn)子斷條故障的概率比原來(lái)的概率都高。

表7 概率賦值Table 7 Probability assignment

按照D-S證據(jù)理論的合成原則，將m1，m2融合后的結(jié)果m12再與m3進(jìn)行融合，計(jì)算出組合時(shí)不一致因子K2和組合后形成的新證據(jù)m123，見(jiàn)表8。

表8 融合結(jié)果Table 8 Fusion result

可以看出，每經(jīng)過(guò)一次證據(jù)理論的融合，診斷結(jié)果的準(zhǔn)確度都得到了一定程度的提高，而不確定度大大降低。所以在一定程度上采用多證據(jù)的融合能進(jìn)一步提高診斷的準(zhǔn)確度。

4 結(jié)論

研究表明，異步電機(jī)發(fā)生故障時(shí)，其振動(dòng)信號(hào)中往往含有大量時(shí)變、突發(fā)性質(zhì)和短時(shí)沖擊的成分，這種情況下采用基于傅立葉變換的頻譜分析法很難得到準(zhǔn)確的診斷結(jié)果。小波包分析是小波分析的改進(jìn)，它兼顧了短時(shí)傅里葉變換和小波變換的優(yōu)點(diǎn)，利用小波包分解的頻率的表示方法建立在傅立葉分析基礎(chǔ)之上，對(duì)信號(hào)進(jìn)行頻譜分析，數(shù)據(jù)樣本需要足夠的長(zhǎng)度，一般應(yīng)取FFT程序中所用數(shù)據(jù)點(diǎn)與原含有信號(hào)的數(shù)據(jù)點(diǎn)相同，這樣的頻譜質(zhì)量高，可減少因補(bǔ)零或截?cái)喽a(chǎn)生的影響。

而振動(dòng)是異步電機(jī)運(yùn)行過(guò)程中普遍存在的現(xiàn)象，穩(wěn)定運(yùn)行時(shí)，振動(dòng)都有一種典型特性和一個(gè)允許限值。當(dāng)電機(jī)內(nèi)部出現(xiàn)故障時(shí)，其振動(dòng)的振幅值、振動(dòng)型式及頻譜成分均會(huì)發(fā)生變化，不同的缺陷和故障，其引起振動(dòng)方式也不同。轉(zhuǎn)子偏心下的振動(dòng)信號(hào)db3小波5層分解結(jié)果如圖6所示。

圖6 轉(zhuǎn)子偏心時(shí)振動(dòng)db3小波5層分解結(jié)果Fig.6 Rotor eccentric vibration db3 Wavelet Decomposition of 5 lever results

在設(shè)備高度集成化的今天，僅僅靠一種理論、一種方法是無(wú)法實(shí)現(xiàn)在復(fù)雜環(huán)境下準(zhǔn)確、及時(shí)地進(jìn)行電機(jī)設(shè)備的故障診斷。合理利用信息融合技術(shù)，多種診斷方法和信息綜合應(yīng)用，將會(huì)對(duì)被檢測(cè)對(duì)象有更完整、更準(zhǔn)確、更可靠的解釋和判斷。

D-S證據(jù)理論是一種數(shù)據(jù)融合方法，具有堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)，直觀性強(qiáng)，易于描述，廣泛用于信息融合和不確定推理等領(lǐng)域_，它能依據(jù)不確定性的信息進(jìn)行推理，因此能更加準(zhǔn)確、全面地認(rèn)識(shí)和描述診斷對(duì)象，增加電機(jī)故障診斷的信任度。

［1］姜建國(guó)．故障診斷學(xué)及其在電工中的應(yīng)用［M］．北京:科學(xué)出版社，1995．

［2］劉振興，張哲，尹項(xiàng)根．異步電動(dòng)機(jī)的狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)綜述［J］．武漢科技大學(xué)學(xué)報(bào)，2001，24(3):285－289．

［3］曹一家，劉毅，高振興等．一種大規(guī)模電網(wǎng)故障診斷的多智能體信息融合模型與方法［J］．電力自動(dòng)化設(shè)備，2010，30(7):14－18．

［4］謝濤，李煥慶，何怡剛，等．神經(jīng)網(wǎng)絡(luò)結(jié)合信息融合的模擬電路故障診斷［J］．電力系統(tǒng)及其自動(dòng)化學(xué)報(bào)，2010，22(4):60－63．

［5］騰忠沛，勾軼．基于最優(yōu)小波基的電機(jī)故障信號(hào)特征提取研究［J］．現(xiàn)代機(jī)械，2009，(3):33－35．

［6］邱赤東，薛征宇，邵萍波，等．基于小波包變換的電機(jī)定子故障特征提取方法［J］．電力系統(tǒng)保護(hù)與控制，2010，38(22):52－56．

［7］姜建國(guó)，蘇鵬聲．電機(jī)故障特征提取方法二則［J］．中國(guó)電機(jī)工程學(xué)報(bào)，1992，12(5):68－72．

［8］馬宏忠，方瑞明，黃允凱，等．大型異步電機(jī)轉(zhuǎn)子繞組故障特征量的新研究［J］．大電機(jī)技術(shù)，2004，(4):1－4，9．

［9］丁文飛，黃子俊，曾劍新．基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)和DS證據(jù)理論的裝備故障診斷［J］．船艦電子對(duì)抗，2010，38(4):106－111．

［10］聶建亮，高為廣，張雙成．利用BP神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)精密單點(diǎn)定位故障診斷方法［J］．武漢大學(xué)學(xué)報(bào)，2010，35(3):283－285．

［11］唐志航，楊保安．一種改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用研究［J］．機(jī)床與液壓，2007，35(11):177－179．

［12］鞏文科，李心廣，趙潔．基于BP神經(jīng)網(wǎng)絡(luò)與專(zhuān)家系統(tǒng)的故障診斷系統(tǒng)［J］．計(jì)算機(jī)工程，2007，33(8):199－200，204．

［13］付家才，萬(wàn)遂．基于D-S證據(jù)理論和BP神經(jīng)網(wǎng)絡(luò)的多傳感器信息融合［J］．自動(dòng)化與儀器儀表，2011，15(3):22－24．

［14］李霜，王朗珠，張為，等．基于DGA的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的變壓器故障診斷方法［J］．變壓器，2010，47(12):61－65．

Study on the fault diagnosis of motor based on information fusion method

XU Yun-zhi，GONG Nai-wei，GE Yao，GUO Xi-jin
(School of Information＆Electrical Engineering，China University of Mining＆Technology，Xuzhou 221116，China)

For the rotor fault diagnosis of squirrel induction motor，characteristic values in current signal is abstracted by wavelet package analysis technique，then signal is decomposed in three level，the noise signal is separated and analyzed by FFT energy analyses，which is used to judge the severity of broken bars．Preliminary diagnosis results can be obtained by using of the BP neural network for the training and inspection of the current signal energy characteristic values．Final result is obtained by utilizing the D-S evidence theory into the decision-making information fusion for the preliminary result．Experiment indicates that using multiply evidences fusion can improve the degree of accuracy to some extent．

wavelet;information fusion;fault diagnosis;neural networks;evidence

TM307

A

1007－2691(2012)03－0053－06

2011－11－05．

許允之(1961－)男，高級(jí)工程師，研究方向?yàn)楦唠妷杭夹g(shù)與電氣設(shè)備故障診斷等。