CN104700148A - 一种基于行为的电机故障诊断方法 - Google Patents

Abstract

本发明提出一种基于行为的电机故障诊断方法，该方法依据已经经过实践检验的正确知识和经验，建立一个初级智能诊断系统，在使用过程中，通过与实际被诊断对象进行交互，调整诊断系统的单个知识元和整体结构，逐步学习进化为一个高级智能的诊断系统。其优势在于，在缺乏先验诊断知识的情况下，通过其自身良好的自适应和自学习能力，较为快速的发展成为一个完善而有效的智能故障诊断系统。

Description

一种基于行为的电机故障诊断方法

技术领域

本发明涉及一种电机故障诊断方法，特别的涉及一种基于行为的交流感应电机故障诊断方法。

背景技术

交流感应电机广泛的应用于工业和国防军事领域，其安全运行至关重要。电机故障在线诊断是通过在线监测电机相关参数(如电压、电流、磁通、转速、温度、噪声、振动等)，并采取适当的手段对电机当前的状态进行评估，进一步的可以确定电机的故障类型和严重程度，并给予推荐行动。

交流感应电机是集机、电、磁一体的复杂设备，其故障特征极其复杂，同时与电机的型式、电压、额定功率、绝缘类型及运行环境等有着复杂的关系。针对电机故障诊断复杂性高的问题，大量的研究工作将基于知识和基于神经网络的诊断方法应用于交流感应电机的故障诊断，形成基于知识的诊断专家系统和基于神经网络的诊断专家系统，已经取得较大程度的成功，但同时也都面临着难以解决的问题，如基于知识的诊断方法，知识获取存在“瓶颈”，自学习能力缺乏，无法自适应的跟踪设备行为的变化；基于神经网络的诊断方法，难以保障训练样本的完整性，对训练样本集之外的故障样本无法做出正确的响应。

基于知识的诊断系统，知识获取存在“瓶颈”，自学习能力缺乏，无法自适应的跟踪设备行为的变化；基于神经网络的诊断系统，难以保障训练样本的完整性，对训练样本集之外的故障样本无法做出正确的响应。

发明内容

基于行为的诊断方法是一种动态化、模块化的诊断方法，依据已经经过实践检验的正确知识和经验，建立一个初级的智能诊断系统，在使用过程中，通过与实际被诊断对象进行交互，调整诊断系统的单个知识元和整体结构，逐步学习进化为一个高级智能的诊断系统。其优势在于，在缺乏先验诊断知识的情况下，通过其自身良好的自适应和自学习能力，较为快速的发展成为一个完善而有效的智能故障诊断系统。

基于行为的诊断方法，由于其自身的优势，可以很好地解决基于知识和基于神经网络的诊断方法在应用于交流感应电机故障诊断时存在的问题。因此，本发明提出基于行为的交流感应电机故障诊断方法，其实质是将基于行为的诊断方法运用于交流感应电机故障诊断。

本发明提出了基于行为的交流感应电机故障诊断方法，主要包含以下步骤：

第一步，确定电机故障初级诊断系统的结构，包括确定初级诊断系统的输入端，输出端及子模块；

第二步，确定初级诊断系统中各子模块所采用的神经网络；

第三步，根据电机的历史数据形成样本，训练神经网络，确定神经网络的参数，从而确定初级诊断系统，并利用该初级诊断系统，输入相关变量信息，即可得到电机的故障诊断模式；

第四步，根据电机的实际运行行为，通过自学习，不断修正初级诊断系统已有诊断子模块的故障分类边界，以提高诊断的精确度；

第五步，对于初级诊断系统不能识别的电机故障，通过一定的判别标准判断该样本是否属于新出现的故障，如果确定为新的故障，则产生一个新的诊断子模块进行该类故障的识别。

附图说明

下面结合附图对本发明作进一步详细的说明。

图1为本发明中基于行为的交流感应电机故障诊断方法的流程图；

图2为本发明中电机故障诊断单故障任务分解的示意图。

具体实施方式

为了更好的理解本发明的技术方案，下面结合附图详细描述本发明提供的实施例。

参照附图1，本发明的基于行为的交流感应电机故障诊断方法主要包含以下步骤：

第一步：确定故障初级诊断系统的结构。

首先确定诊断系统的输入端。输入端也即是故障特征，为可获取的信号参数。假设初始系统的输入端个数为m个，构成输入向量x＝(x₁,x₂,...,x_m)，其中，x_i为初始系统的第i个输入信号。这里的输入信号可以是电压、电流、磁通、转速、温度、噪声、振动等常用于交流感应电机故障诊断的参数，特别的对于基于电信号分析(ESA)的电机故障诊断，输入信号可以是电流电压不平衡度、绕组视在阻抗、负序视在阻抗、转速峰、1/2转速峰、PPF(极通过频率)峰、定转子故障特征频率信号以及其它故障特征频率信号等参数。

然后确定诊断系统的子模块。依据交流感应电机的常见故障或者目前所掌握的具有一定先验知识的故障，结合所采用的任务分解策略，确定初级诊断系统的模块个数。将诊断任务分解到多个模块，每个模块可以处理一个或多个故障诊断任务，降低初始阶段开发诊断系统的复杂性和困难性。

优先采用单故障任务分解策略，其示意图如图2所示，粗线条表示多参数输入，细线条表示单一参数输出。经过任务分解后，由多输入多输出的单个诊断模块变换为多输入单输出的多个诊断模块。这样便于在缺乏先验知识(极端情况下只知道电机正常行为)情况下，建立电机故障的初级诊断系统。

最后确定诊断系统的输出端个数。初级系统所要诊断的故障构成初级系统的输出端，假设输出端个数为n个，构成输出向量y＝(y₁,y₂,...,y_n)，其中，y_i为初始系统的第i个输出信号。这里的输出端可以使交流感应电机的常见故障，如定子绕组匝间短路、转子断条、气隙偏心以及轴承故障等，对应各自的诊断模块，便于模型训练和更新。

第二步：确定各诊断模块所采用的神经网络。

诊断模块采用神经网络构建，但由于各诊断模块训练时只有同类故障的样本，为此需要采用具有距离特性的神经网络，如径向基函数(RBF)网络、模糊基函数(FBF)网络、椭球单元网络等，以保证诊断模块对不属于本类别的故障样本能够正确的做出拒绝判断。可以根据故障类型和实际需要选择合适的神经网络，并且各诊断模块可以选用不同的神经网络，同时可以结合模糊算法和遗传算法进行处理和优化。

第三步：根据历史数据形成样本，训练故障诊断模块，形成初级诊断系统。

根据已有的同类电机运行数据，包括电机正常和故障数据，形成训练样本和检测样本，对各个诊断模块进行训练，形成初级的诊断系统，利用上述诊断系统，输入与电机气隙偏心相关的输入变量信息，即可得到电机的故障诊断模式。这样的一个初级诊断系统对于解决同类故障问题具备相当的准确度。

第四步：根据实际设备的运行行为，通过自学习，不断修正初级诊断系统的已有的故障分类边界，以提高诊断的精确度。

我们根据同类电机的一般性知识构建初级诊断系统，其故障分类边界必然会与被诊断电机的故障边界有差异，同时，电机在使用的过程中，其状态会发生缓慢的变化，此时需要对故障分类边界进行一定的调整，通过在线跟踪自学习的方法，对分类边界进行调整，使得诊断系统在电机的整个生命周期里都做出有效的判断。

第五步：对初级诊断系统不能识别的故障样本，通过一定的判别标准，判断该样本是否属于新出现的故障。例如根据当前诊断系统已有诊断模块的输出可以判断该故障样本不属于现有故障类型，可以将此类故障样本归为一类新的故障模式进行分析，如果需要确定此故障模式所对应的故障类型，需要辅以适量的人工经验判断。如果确定为新的故障，则在诊断系统中产生一个新的诊断模块进行该类故障的识别，这样，今后再次遇到这类故障时，能够自动进行诊断，提高系统诊断水平，逐步形成一个高级智能诊断系统。

交流感应电机故障复杂，各类故障的一般性知识获取难度大，所以初级诊断系统并不是一开始就能诊断所有的故障，而是通过与被诊断电机交互，逐步增加故障识别模块，对于增加的诊断模块，只需要用对应的故障样本对其进行训练和检测。特别的，在电机牵引系统中，当需要诊断被驱动负载机械故障时，可以很方便的增加相应的诊断模块，实现对皮带、齿轮以及风机叶片等的诊断。

本发明的基于行为的交流感应电机故障诊断方法依据基于行为的故障诊断方法用于电机故障诊断，采用任务分解的策略，使得各个故障诊断模块相互独立，可以依据故障特征和实际需要选择合适的神经网络，降低诊断模块的训练难度；基于少量的先验知识，形成一个初级诊断系统，对于解决同类故障问题具备相当的准确度，降低诊断系统的开发难度；投入运行后，与电机交互作用，完善其故障诊断功能，逐步学习进化为具有高级智能的诊断系统；根据实际所带的负载，可以增加相应的诊断模块，实现对所带负载机械故障的诊断，进一步扩展诊断系统。

以上实施例是本发明较优选具体实施方式的一种，本领域技术人员在本技术方案范围内进行的通常变化和替换应包含在本发明的保护范围内。

Claims (4)

1.一种基于行为的交流感应电机故障诊断方法，主要包括：

第一步，确定电机故障初级诊断系统的结构，包括确定初级诊断系统的输入端，输出端及诊断模块；

第二步，确定初级诊断系统中各诊断模块所采用的神经网络；

第三步，根据电机的历史数据形成样本，训练各诊断模块的神经网络，确定各个神经网络的参数，从而确定初级诊断系统，并利用该初级诊断系统，输入相关变量信息，即可判断得到电机的故障诊断模式；

第四步，根据电机的实际运行行为，通过自学习，不断修正初级诊断系统已有诊断模块的故障分类边界，以提高诊断的精确度；

第五步，对于初级诊断系统不能识别的电机故障，通过一定的判别标准判断该样本是否属于新出现的故障，如果确定为新的故障，则产生一个新的诊断模块进行该类故障的识别。

2.如权利要求1所述的电机故障诊断方法，其中在第一步中，初级诊断系统的输入端也即是故障特征，为可获取的电、磁、振动、声信号参数。

3.如权利要求1所述的电机故障诊断方法，其中在第二步中，初级诊断系统的模块采用具有距离特性的神经网络。

4.如权利要求3所述的电机故障诊断方法，其中所述具有距离特性的神经网络包括径向基函数(RBF)网络、模糊基函数(FBF)网络、椭球单元网络。