劉朝云，翟春燕，李書臣，蘇成立

（遼寧石油化工大學(xué) 信息與控制工程學(xué)院，遼寧 撫順 113001）

異步電機(jī)作為現(xiàn)代工業(yè)的主要能源動(dòng)力設(shè)備，在各行各業(yè)應(yīng)用非常廣泛。 電機(jī)一旦發(fā)生故障，將帶來較大的經(jīng)濟(jì)損失?；谝陨显?，電機(jī)故障診斷受到了越來越多學(xué)者的關(guān)注和重視[1-2]。同時(shí)，通過各界學(xué)者們的共同努力，使得故障診斷領(lǐng)域取得了飛快的發(fā)展。

傳統(tǒng)診斷方法（如冗余法或普通模式識(shí)別方法）在系統(tǒng)或設(shè)備的故障診斷中發(fā)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(dāng)系統(tǒng)模型未知時(shí)該方法不易實(shí)現(xiàn)?；谏窠?jīng)網(wǎng)絡(luò)的故障診斷在電機(jī)故障診斷領(lǐng)域發(fā)揮了重要的作用[5-6]，但仍存在著忽視領(lǐng)域?qū)＜业脑\斷知識(shí)，權(quán)重形式的知識(shí)表達(dá)方式難以理解等弊端。本文在建立異步電動(dòng)機(jī)故障模型和進(jìn)行特征信號(hào)提取的基礎(chǔ)上，將小波神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)相結(jié)合應(yīng)用到電機(jī)故障診斷中，提出一種基于神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的算法對(duì)異步電動(dòng)機(jī)進(jìn)行故障診斷：把神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)有機(jī)地整合在一起，解決深層次專家系統(tǒng)（基于符號(hào)邏輯）與淺層次神經(jīng)網(wǎng)絡(luò)（基于實(shí)例學(xué)習(xí)）在知識(shí)獲取、知識(shí)表示、知識(shí)學(xué)習(xí)、知識(shí)解釋上的瓶頸，從而能更準(zhǔn)確和更快速地診斷出異步電動(dòng)機(jī)的常見故障。

1 異步電機(jī)典型故障分析

1.1 基于振動(dòng)的故障分析

所有設(shè)備在運(yùn)行時(shí)都會(huì)存在振動(dòng)現(xiàn)象，振動(dòng)現(xiàn)象同樣存在于電機(jī)工作過程中。對(duì)于各類型電機(jī)來說，振動(dòng)的允許限值和典型特性在電機(jī)穩(wěn)定運(yùn)行時(shí)都具有其特定的現(xiàn)象。當(dāng)電機(jī)發(fā)生故障時(shí)，相應(yīng)的變化會(huì)在其振動(dòng)的頻譜成分和振幅中體現(xiàn)出來。因此電動(dòng)機(jī)的運(yùn)行狀態(tài)會(huì)通過振動(dòng)形式表現(xiàn)出來，要想對(duì)電機(jī)的運(yùn)行狀態(tài)和潛在故障進(jìn)行監(jiān)測(cè)，就可對(duì)電機(jī)的振動(dòng)信號(hào)進(jìn)行監(jiān)測(cè)。電機(jī)常見的異常振動(dòng)主要有以下的類型：

1）定子異常產(chǎn)生的電磁振動(dòng) 電機(jī)運(yùn)行時(shí)，轉(zhuǎn)子在定子內(nèi)腔旋轉(zhuǎn)，因此定、轉(zhuǎn)子磁場(chǎng)會(huì)發(fā)生交互，旋轉(zhuǎn)力波將會(huì)影響到定子機(jī)座，從而發(fā)生周期性的形變并產(chǎn)生電磁振動(dòng)。

2）轉(zhuǎn)子異常引起的電磁振動(dòng) 當(dāng)異步電動(dòng)機(jī)轉(zhuǎn)子回路電氣不平衡時(shí)，將會(huì)導(dǎo)致不平橫的電磁力產(chǎn)生，這種不平橫電磁力會(huì)隨轉(zhuǎn)子一起旋轉(zhuǎn)。因此當(dāng)轉(zhuǎn)子發(fā)生故障時(shí) ，就會(huì)產(chǎn)生相應(yīng)的電磁振動(dòng)。

3）轉(zhuǎn)子不平衡產(chǎn)生的機(jī)械振動(dòng) 當(dāng)電動(dòng)機(jī)轉(zhuǎn)子質(zhì)量分布不均勻時(shí)就會(huì)產(chǎn)生轉(zhuǎn)子重心偏移，單邊離心力將會(huì)存在于這種由于重心偏移而產(chǎn)生的不平衡旋轉(zhuǎn)中，從而引起了支撐力的變化 ，因而產(chǎn)生了相應(yīng)的機(jī)械振動(dòng)，使電機(jī)產(chǎn)生了不穩(wěn)定的運(yùn)行。

4）軸承異常產(chǎn)生的機(jī)械振動(dòng) 由于電動(dòng)機(jī)軸承的損壞，以及設(shè)計(jì)和制造中存在的誤差，電機(jī)在運(yùn)行中將會(huì)產(chǎn)生機(jī)械振動(dòng)。這種異常的機(jī)械振動(dòng)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(huì)通過氣隙磁場(chǎng)反應(yīng)出繞組的斷條和氣隙偏心等故障，通過定子電流檢測(cè)和頻譜分析就可對(duì)這些故障進(jìn)行診斷，因此診斷和監(jiān)測(cè)交流電機(jī)故障的一種有效方法就是對(duì)定子電流的頻譜進(jìn)行分析，電機(jī)的氣隙偏心，繞組的斷條和機(jī)械不平衡等故障就可通過此方法對(duì)進(jìn)行診斷。

2 神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的結(jié)構(gòu)

系統(tǒng)結(jié)構(gòu)框圖見圖1，診斷過程沿著箭頭的方向流動(dòng)。系統(tǒng)由人機(jī)交互界面、知識(shí)庫(kù) 、推理機(jī)、動(dòng)態(tài)庫(kù)、解釋模塊等部分構(gòu)成。人機(jī)交互界面是系統(tǒng)與專家和用戶進(jìn)行溝通和交互時(shí)的紐帶，由相應(yīng)的硬件與程序組成。知識(shí)庫(kù)用來存放神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、權(quán)值和閾值知識(shí)以及專家系統(tǒng)的診斷知識(shí)。推理機(jī)是本系統(tǒng)進(jìn)行故障推理的核心組成部分，以一組程序來實(shí)現(xiàn)，用來模擬故障診斷方面專家的推理和解決問題的過程。動(dòng)態(tài)數(shù)據(jù)庫(kù)主要用來存放初始事實(shí)數(shù)據(jù)、診斷中的臨時(shí)數(shù)據(jù)和最后的診斷結(jié)果等。解釋模塊對(duì)診斷過程中用戶的提問進(jìn)行回答，對(duì)診斷結(jié)果進(jìn)行解釋。

圖1 系統(tǒng)結(jié)構(gòu)圖Fig.1 System structure

3 神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的實(shí)現(xiàn)

3.1 專家系統(tǒng)推理

本文在電機(jī)故障診斷和處理系統(tǒng)中引入專家系統(tǒng)，這種專家系統(tǒng)是一個(gè)基于知識(shí)的系統(tǒng)，其診斷方式是以故障樹的形式來實(shí)現(xiàn)的。通過將專家豐富的經(jīng)驗(yàn)知識(shí)、電機(jī)的運(yùn)行規(guī)程和有關(guān)電機(jī)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(shí)庫(kù)。本系統(tǒng)是以規(guī)則的形式（表示為IF<前提>，THEN<結(jié)論>）來建立知識(shí)庫(kù)的，對(duì)每一個(gè)規(guī)則進(jìn)行編號(hào)，每一條規(guī)則都用來表示相應(yīng)的故障判斷結(jié)果，相應(yīng)的故障原因和處理意見都存儲(chǔ)在知識(shí)數(shù)據(jù)庫(kù)中。規(guī)則以樹的形式建立，故障現(xiàn)象為樹的根節(jié)點(diǎn)，故障原因?yàn)闃涞娜~節(jié)點(diǎn)，推理過程的中間分類存在于中間節(jié)點(diǎn)，對(duì)異步電機(jī)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(jié)點(diǎn)開始，然后到中間節(jié)點(diǎn)，最后到達(dá)葉節(jié)點(diǎn)，直到找出電機(jī)的故障原因。如對(duì)電動(dòng)機(jī)工作異常這一故障現(xiàn)象進(jìn)行判斷，逐級(jí)詢問，若是振動(dòng)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(zhuǎn)子故障等，最終找到故障原因。

3.2 神經(jīng)網(wǎng)絡(luò)推理

圖2 異步電機(jī)運(yùn)行異常故障樹Fig.2 Asynchronous motor abnormalities fault tree

由于專家系統(tǒng)的數(shù)值推理能力比較弱，所以對(duì)基于異步電機(jī)故障參數(shù)的數(shù)值推理分析，其診斷效果并不理想，因此系統(tǒng)采用神經(jīng)網(wǎng)絡(luò)作為診斷推理的另一個(gè)重要補(bǔ)充。目前已知的各種人工神經(jīng)網(wǎng)絡(luò)模型中，小波神經(jīng)網(wǎng)絡(luò)是用小波函數(shù)來代替隱含結(jié)點(diǎn)的函數(shù)，用小波的尺度伸縮因子和時(shí)間平移因子來代替相應(yīng)的輸入層到隱含層的權(quán)值及隱含層的閾值，這樣既使網(wǎng)絡(luò)收斂速度加快，避免陷入局部最優(yōu)，又有時(shí)頻局部分析的特點(diǎn)。所以本設(shè)計(jì)采用小波神經(jīng)網(wǎng)絡(luò)，其目標(biāo)函數(shù)為：

式中：yk為期望輸出；qk為實(shí)際輸出，調(diào)整權(quán)值的原則是使誤差不斷的減小，利用非線性規(guī)劃中的快速下降法使權(quán)值沿誤差函數(shù)的負(fù)梯度方向改變，則根據(jù)梯度下降法可知，小波神經(jīng)網(wǎng)絡(luò)的 wji，vji，aj，bj等參數(shù)的調(diào)整優(yōu)化可以通過如下算法來實(shí)現(xiàn)：

按照小波神經(jīng)網(wǎng)絡(luò)的構(gòu)建方法，根據(jù)故障機(jī)理分析以及專家經(jīng)驗(yàn)，可以得到異步電機(jī)電流異常的特征參數(shù)，故障原因以及它們之間的關(guān)系。特征參數(shù)即輸入層節(jié)點(diǎn)有7個(gè)，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(jié)點(diǎn)有3個(gè)，分別為定子繞組斷條，氣隙偏心，機(jī)械失衡，根據(jù)神經(jīng)網(wǎng)絡(luò)的使用經(jīng)驗(yàn)確定隱層節(jié)點(diǎn)為6個(gè)。

4 系統(tǒng)測(cè)試

本文選取電機(jī)的電流信號(hào)對(duì)電機(jī)故障進(jìn)行診斷，當(dāng)電機(jī)發(fā)生轉(zhuǎn)子繞組故障和偏心故障時(shí)其氣隙中的諧波磁通就會(huì)變化 ，這種變化將在定子線圈中產(chǎn)生感應(yīng)電流。當(dāng)轉(zhuǎn)子繞組發(fā)生故障時(shí)其電流特征頻率表達(dá)式為:fs=[v（1-s）+-s]f（v=1，3，5，…），不對(duì)稱的異步電動(dòng)機(jī)轉(zhuǎn)子將會(huì)出現(xiàn)上述電流頻率分量，轉(zhuǎn)子故障程度決定了它的大小，基波兩側(cè)出現(xiàn)2sf邊頻帶是其最明顯的頻率特征；當(dāng)電機(jī)氣隙偏心時(shí)，就會(huì)改變電機(jī)定子和轉(zhuǎn)子之間正常的氣隙磁通波形，隨著空間和時(shí)間發(fā)生變化，氣隙磁通波形將會(huì)發(fā)生改變。由于這些諧波磁通和定子是相對(duì)移動(dòng)的 ，這種相對(duì)移動(dòng)將會(huì)在靜止的定子繞組中產(chǎn)生相應(yīng)的電流諧波，即新的諧波分量將會(huì)出現(xiàn)在定子電流中。當(dāng)電機(jī)發(fā)生靜偏心時(shí)，其主諧波分量會(huì)增大；當(dāng)發(fā)生動(dòng)偏心時(shí)，和旋轉(zhuǎn)頻率大小相同的邊頻帶將會(huì)出現(xiàn)在基波和主諧波的兩側(cè)；當(dāng)電動(dòng)機(jī)發(fā)生機(jī)械不平衡故障時(shí)，繞組內(nèi)部就會(huì)不對(duì)稱 ，此時(shí)較強(qiáng)的空間諧波和時(shí)間諧波將分別出現(xiàn)在氣隙磁場(chǎng)中和定子電流中。其表現(xiàn)是出現(xiàn)明顯增大的3次諧波和5次諧波。根據(jù)以上敘述可建立訓(xùn)練樣本集，如表1所示。

表1 標(biāo)準(zhǔn)訓(xùn)練樣本集Tab.1 Standard training set

其中，故障識(shí)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(hào)中的1至3分別代表繞組斷條，氣隙偏心，機(jī)械失衡。

標(biāo)準(zhǔn)樣本集的教師信號(hào)，即期望輸出，如表2所示。

表2 標(biāo)準(zhǔn)樣本集的教師信號(hào)Tab.2 Teacher signal standard sample set

小波神經(jīng)網(wǎng)絡(luò)的故障診斷輸出，如表3所示。

表3 小波神經(jīng)網(wǎng)絡(luò)故障診斷輸出Tab.3 Wavelet neural network fault diagnosis output

神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的故障診斷輸出，如表4所示。

表4 神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)故障診斷輸出Tab.4 Neural network fault diagnosis expert system output

兩種方法的結(jié)果誤差對(duì)比，如表5所示。

其中，1代表神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)故障診斷輸出誤差，2代表小波神經(jīng)網(wǎng)絡(luò)故障診斷輸出誤差。

由表5可知，基于神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)對(duì)測(cè)試樣本都可以做出正確的判斷，并且神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)在診斷誤差精度上和小波神經(jīng)網(wǎng)絡(luò)相比具有很大的提高，因此文中提出的基于神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的故障診斷方法是十分有效的，顯示出更優(yōu)的故障診斷能力。

表5 結(jié)果誤差對(duì)比表Tab.5 Comparison table error results

5 結(jié) 論

本文詳細(xì)介紹了基于神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的異步電機(jī)故障診斷方法，該方法可以有效的診斷出電機(jī)所存在的故障。將二者結(jié)合，一方面通過神經(jīng)網(wǎng)絡(luò)的引入可以提高專家系統(tǒng)解決問題的能力，使系統(tǒng)具有采用單一方法所不具備的能力；另一方面專家系統(tǒng)可以幫助神經(jīng)網(wǎng)絡(luò)解決知識(shí)表決、符號(hào)推理等問題。實(shí)驗(yàn)結(jié)果證明了該方法的正確性和有效性，可以擴(kuò)展到電機(jī)綜合故障診斷系統(tǒng)的研究與應(yīng)用之中。

[1]王紅君，劉冬生，岳有軍.基于小波分析和神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷方法研究[J]．電氣傳動(dòng)，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(jīng)網(wǎng)絡(luò)的牽引電機(jī)齒輪故障診斷研究[J]．煤礦機(jī)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(shù)估計(jì)的轉(zhuǎn)子故障診斷方法[J]．機(jī)械工程學(xué)，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(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷方法研究[J].石油化工高等學(xué)校學(xué)報(bào)，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.