一種基于神經(jīng)網(wǎng)絡(luò)電機(jī)故障檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種故障診斷方法，尤其涉及一種基于神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷方 法。
【背景技術(shù)】
[0002] 電動(dòng)機(jī)是一種廣泛運(yùn)用在工業(yè)生產(chǎn)中的設(shè)備，電機(jī)的運(yùn)行狀況對(duì)企業(yè)生產(chǎn)有著重 要意義，電動(dòng)機(jī)故障檢測(cè)越來(lái)越引起人們的注意。
[0003] 傳統(tǒng)的電機(jī)測(cè)試方法大多只針對(duì)單一種類電機(jī)，設(shè)計(jì)復(fù)雜通用性差，而且測(cè)試過(guò) 程繁瑣，不利于測(cè)試系統(tǒng)的集成化的缺點(diǎn)。而電機(jī)電流信號(hào)分析法僅對(duì)特定的一個(gè)或兩個(gè) 故障頻率進(jìn)行分析，判斷電機(jī)是否有某個(gè)故障，檢測(cè)單一，有較大的局限性。且電機(jī)電流信 號(hào)分析法需要采集頻率，步驟繁瑣，其檢測(cè)系統(tǒng)在系統(tǒng)受到干擾時(shí)，極易受到外界變化的影 響，在擾動(dòng)過(guò)大時(shí)，干擾信號(hào)會(huì)覆蓋故障信號(hào)，導(dǎo)致錯(cuò)報(bào)和漏報(bào)可能性很高，診斷可靠性不 能得到保證，檢測(cè)性能較差。

【發(fā)明內(nèi)容】

[0004] 發(fā)明目的：本發(fā)明提出一種基于神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷方法，能夠?qū)崿F(xiàn)對(duì)電機(jī) 實(shí)時(shí)有效檢測(cè)，在故障初期就能做出預(yù)警。
[0005] 技術(shù)方案：一種基于神經(jīng)網(wǎng)絡(luò)的電機(jī)故障檢測(cè)方法，包括如下步驟：
[0006] A)收集電機(jī)運(yùn)行參數(shù)的歷史數(shù)據(jù)，包括電機(jī)正常運(yùn)行數(shù)據(jù)與電機(jī)故障數(shù)據(jù)；
[0007] B)整理所述步驟A)電機(jī)運(yùn)行參數(shù)歷史數(shù)據(jù)并形成樣本，樣本的格式為：每一條數(shù) 據(jù)按輸入-輸出對(duì)模式組織，輸入為電機(jī)運(yùn)行參數(shù)，輸出為電機(jī)定子電流，樣本分為訓(xùn)練樣 本和檢測(cè)樣本兩部分；
[0008] C)根據(jù)所述步驟B)的樣本設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)；
[0009] D)使用所述步驟C)神經(jīng)網(wǎng)絡(luò)對(duì)實(shí)時(shí)檢測(cè)數(shù)據(jù)濾波消除檢測(cè)噪聲，復(fù)制神經(jīng)網(wǎng)絡(luò)， 生成神經(jīng)網(wǎng)絡(luò)1和神經(jīng)網(wǎng)絡(luò)2,由神經(jīng)網(wǎng)絡(luò)2先學(xué)習(xí)檢測(cè)樣本，將神經(jīng)網(wǎng)絡(luò)2的輸出作為神 經(jīng)網(wǎng)絡(luò)1的輸出期望值，根據(jù)神經(jīng)網(wǎng)絡(luò)2對(duì)樣本的學(xué)習(xí)結(jié)果更新神經(jīng)網(wǎng)絡(luò)權(quán)值，繼續(xù)學(xué)習(xí)檢 測(cè)樣本，同時(shí)提取神經(jīng)網(wǎng)絡(luò)1輸入層的輸出權(quán)值向量，作為故障檢測(cè)樣本；
[0010] E)提取神經(jīng)網(wǎng)絡(luò)1的輸入層權(quán)值向量W1 .，并針對(duì)其建立PCA模型，對(duì)PCA模型計(jì) 算出相應(yīng)的檢測(cè)指標(biāo)T2統(tǒng)計(jì)量和SPE，根據(jù)SPE的值是否超出控制限判斷電機(jī)運(yùn)行狀態(tài)；
[0011] F)整理正常狀態(tài)下和故障狀態(tài)下樣本輸入時(shí)神經(jīng)網(wǎng)絡(luò)1的輸入層權(quán)值向量W1 .形 成的故障檢測(cè)樣本；
[0012] G)用F)中的檢測(cè)樣本對(duì)E)所得故障診斷模型進(jìn)行反復(fù)檢驗(yàn)，如果檢驗(yàn)效果良好， 則診斷模型有效，可以用于故障診斷，否則，則重新根據(jù)D)、E)和F)進(jìn)行訓(xùn)練建模；
[0013] H)實(shí)時(shí)讀取電機(jī)的最新運(yùn)行參數(shù)，將這些參數(shù)輸入到所述神經(jīng)網(wǎng)絡(luò)中，將神經(jīng)網(wǎng) 絡(luò)1的輸出權(quán)值向量輸入故障診斷模型，計(jì)算所得PCA檢測(cè)指標(biāo)SPE和T 2是否滿足置性指 標(biāo)。
[0014] 進(jìn)一步的，所述步驟C)采用神經(jīng)網(wǎng)絡(luò)，首先設(shè)計(jì)所述神經(jīng)網(wǎng)絡(luò)的輸入值、輸出值、 層數(shù)、各層節(jié)點(diǎn)數(shù)和各層的激活函數(shù)；所述樣本每次輸入時(shí)訓(xùn)練神經(jīng)網(wǎng)絡(luò)的一個(gè)權(quán)值，一個(gè) 樣本要連續(xù)輸入直到網(wǎng)絡(luò)權(quán)值全部更新；神經(jīng)網(wǎng)絡(luò)依次接收所述訓(xùn)練樣本進(jìn)行訓(xùn)練，直到 神經(jīng)網(wǎng)絡(luò)權(quán)值穩(wěn)定。
[0015] 有益效果：相對(duì)于現(xiàn)有的電機(jī)電流信號(hào)分析法對(duì)不同電機(jī)進(jìn)行故障檢測(cè)時(shí)，需要 采集頻率造成相應(yīng)檢測(cè)模型調(diào)整大，本發(fā)明不僅可以對(duì)電機(jī)故障進(jìn)行在線檢測(cè)，且自適應(yīng) 能力強(qiáng)，可以對(duì)多種電機(jī)故障進(jìn)行檢測(cè)。
【附圖說(shuō)明】
[0016] 圖1是本發(fā)明流程圖；
[0017] 圖2是本發(fā)明中神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0018] 下面將結(jié)合附圖，對(duì)本發(fā)明的實(shí)施案例進(jìn)行詳細(xì)的描述；
[0019] 如圖1所示，樣本制造收集電機(jī)運(yùn)行的歷史數(shù)據(jù)，格式為：每一條數(shù)據(jù)按照輸入一 輸出對(duì)的模式組織。輸入為定子電壓、轉(zhuǎn)子電壓、負(fù)載、電機(jī)軸溫、電機(jī)定子溫度、轉(zhuǎn)子轉(zhuǎn)速， 輸出為定子電流；將全部樣本的75%作為訓(xùn)練樣本，余下的25%作為檢測(cè)樣本；
[0020] 如圖2所示，設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的輸入值、輸出值、層數(shù)、各層節(jié)點(diǎn)數(shù)和各層的激活函 數(shù)，神經(jīng)網(wǎng)絡(luò)采用四層神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)為6-9-8-1。在上述神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)下，為提高網(wǎng) 絡(luò)的訓(xùn)練速度和減少權(quán)值初始值選取不合理對(duì)訓(xùn)練的影響，這里每次樣本輸入時(shí)只訓(xùn)練一 個(gè)權(quán)值，一個(gè)樣本要連續(xù)輸入直到網(wǎng)絡(luò)中所有權(quán)值全部更新一遍，新型神經(jīng)網(wǎng)絡(luò)接收下一 個(gè)訓(xùn)練樣本，網(wǎng)絡(luò)權(quán)值繼續(xù)更新，直到神經(jīng)網(wǎng)絡(luò)穩(wěn)定。
[0021] 使用神經(jīng)網(wǎng)絡(luò)對(duì)樣本濾波消除檢測(cè)噪聲，復(fù)制神經(jīng)網(wǎng)絡(luò)，生成神經(jīng)網(wǎng)絡(luò)1和神經(jīng) 網(wǎng)絡(luò)2,由神經(jīng)網(wǎng)絡(luò)2先學(xué)習(xí)檢測(cè)樣本，將神經(jīng)網(wǎng)絡(luò)2的輸出作為神經(jīng)網(wǎng)絡(luò)1的輸出期望值， 根據(jù)神經(jīng)網(wǎng)絡(luò)2對(duì)樣本的學(xué)習(xí)結(jié)果更新神經(jīng)網(wǎng)絡(luò)權(quán)值，網(wǎng)絡(luò)繼續(xù)學(xué)習(xí)檢測(cè)樣本，同時(shí)提取 神經(jīng)網(wǎng)絡(luò)1輸入層的輸出權(quán)值向量；
[0022] 提取上述正常狀態(tài)下和故障狀態(tài)下樣本輸入時(shí)神經(jīng)網(wǎng)絡(luò)1輸入層權(quán)值向量W1.;
[0023] 建立輸入層權(quán)值向量W1 .的PCA模型（主元分析模型），并針對(duì)PCA模型計(jì)算出其 相應(yīng)的檢測(cè)指標(biāo)Hotelling's T2統(tǒng)計(jì)量（以下簡(jiǎn)稱T 2統(tǒng)計(jì)量）和SPE (平方預(yù)測(cè)誤差，也 稱Q統(tǒng)計(jì)量）；
[0024] 假設(shè)X e匕表示具有m個(gè)維度的權(quán)值向量（即m為權(quán)值向量X的維數(shù)），數(shù)據(jù)矩 陣X e Rnxni* n個(gè)不同時(shí)刻的權(quán)值向量組成。將數(shù)據(jù)矩陣X各列經(jīng)過(guò)標(biāo)準(zhǔn)化處理成零均值 和單位方差的變量，可以得到進(jìn)行標(biāo)準(zhǔn)化后的權(quán)值向量X的協(xié)方差矩陣S，并對(duì)該協(xié)方差矩 陣特征值分解并按大小降序排列。協(xié)方差矩陣S為：
[0025]
[0026] 其中，將數(shù)據(jù)矩陣X各列經(jīng)過(guò)標(biāo)準(zhǔn)化處理成零均值和單位方差的變量的方法是將 數(shù)據(jù)矩陣X的每一列減去相應(yīng)的變量均值并且除以相應(yīng)的變量標(biāo)準(zhǔn)差。
[0027] 根據(jù)PCA模型將測(cè)量變量空間分成主元子空間和殘差子空間兩個(gè)正交且互補(bǔ)的 子空間，任意一個(gè)樣本向量均可分解成為在主元子空間和殘差子空間上的投影，即PCA模 型將權(quán)值矩陣X e Rnxni*解成建模部分I和殘差部分E兩個(gè)部分
[0028]
[0029] 將數(shù)據(jù)矩陣1\各列經(jīng)過(guò)標(biāo)準(zhǔn)化處理成零均值和單位方差的變量得到協(xié)方差矩陣 S1，并對(duì)該協(xié)方差矩陣對(duì)角線元素按大小降序排列，對(duì)應(yīng)矩陣T1也按此排序，并構(gòu)造矩陣 Pi。協(xié)方差矩陣S1S :
[0030]
[0031] 根據(jù)！\和P i的排序確定主元和殘差。
[0032] 其中，表示被建模部分；E表示殘差部分；P e Rbixa為負(fù)載矩陣，是由S的前A個(gè)特 征向量組成的，A表示主元的個(gè)數(shù)；T e RnXA為得分矩陣，T = XP ;
[0033] 在PCA模型中，針對(duì)PCA模型需要計(jì)算出其相應(yīng)的檢測(cè)指標(biāo)T2統(tǒng)計(jì)量和SPE，即T 2 和SPE，用SPE指標(biāo)衡量樣本向量在殘差空間投影的變化，用T2統(tǒng)計(jì)量衡量測(cè)量變量在主元 空間中的變化：
[0034] 其中，SPE指標(biāo)表達(dá)式為：
[0035]
[0036] 式中，I為單位矩陣；表示置信水平為α?xí)rSPE的控制限。當(dāng)SPE在控制限內(nèi)時(shí)， 認(rèn)為當(dāng)前運(yùn)轉(zhuǎn)過(guò)程處于正常狀態(tài)。當(dāng)SPE值超出了統(tǒng)計(jì)控制限時(shí)，代表當(dāng)前運(yùn)轉(zhuǎn)過(guò)程發(fā)生 了故障，SPE值的變化代表著數(shù)據(jù)間相關(guān)性的變化。該控制限以的計(jì)算公式為：
[0037]
[0038] λ j為樣本矩陣X的協(xié)方差矩陣Σ 的特征值，Ca為標(biāo)準(zhǔn)正態(tài)分布在置信水平α下的閾值，m是樣本X的維數(shù)。
[0039] T2統(tǒng)計(jì)量表達(dá)式為：
[0040]
[0041] 其中，Λ =CliagU1, λ2，…，λΑ}，表示置信度為a的T2統(tǒng)計(jì)限。當(dāng)T2位于控制 限內(nèi)時(shí)，認(rèn)為當(dāng)前運(yùn)轉(zhuǎn)過(guò)程處于正常工作狀態(tài)。
[0042] 檢測(cè)時(shí)，將檢測(cè)樣本輸入到神經(jīng)網(wǎng)絡(luò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，每次訓(xùn)練完成后將提取神經(jīng) 網(wǎng)絡(luò)1的輸入層輸出權(quán)值向量，帶入PCA模型中，計(jì)算得到SPE和T 2在控制限內(nèi)，則當(dāng)前運(yùn) 轉(zhuǎn)過(guò)程處于正常狀態(tài)，否則判斷運(yùn)轉(zhuǎn)過(guò)程發(fā)生了故障；
[0043] 采用隨時(shí)間加權(quán)算法對(duì)多PCA模型中的各個(gè)T2統(tǒng)計(jì)量和SPE兩檢測(cè)指標(biāo)進(jìn)行優(yōu) 化，并根據(jù)優(yōu)化后的檢測(cè)指標(biāo)T 2統(tǒng)計(jì)量和SPE對(duì)機(jī)械設(shè)備進(jìn)行故障檢測(cè)，檢測(cè)得到過(guò)渡過(guò) 程機(jī)械設(shè)備的故障數(shù)據(jù)，通過(guò)優(yōu)化后的檢測(cè)指標(biāo)進(jìn)行故障檢測(cè)可以有效避免在工況過(guò)渡過(guò) 程中出現(xiàn)故障誤報(bào)。
【主權(quán)項(xiàng)】
1. 一種基于神經(jīng)網(wǎng)絡(luò)的電機(jī)故障檢測(cè)方法，其特征在于，包括如下步驟： A) 收集電機(jī)運(yùn)行參數(shù)的歷史數(shù)據(jù)，包括電機(jī)正常運(yùn)行數(shù)據(jù)與電機(jī)故障數(shù)據(jù)； B) 整理所述步驟A)電機(jī)運(yùn)行參數(shù)歷史數(shù)據(jù)并形成樣本，樣本的格式為：每一條數(shù)據(jù)按 輸入-輸出對(duì)模式組織，輸入為電機(jī)運(yùn)行參數(shù)，輸出為電機(jī)定子電流，樣本分為訓(xùn)練樣本和 檢測(cè)樣本兩部分； C) 根據(jù)所述步驟B)的樣本設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)； D) 使用所述步驟C)神經(jīng)網(wǎng)絡(luò)對(duì)實(shí)時(shí)檢測(cè)數(shù)據(jù)濾波消除檢測(cè)噪聲，復(fù)制神經(jīng)網(wǎng)絡(luò)，生成 神經(jīng)網(wǎng)絡(luò)1和神經(jīng)網(wǎng)絡(luò)2,由神經(jīng)網(wǎng)絡(luò)2先學(xué)習(xí)檢測(cè)樣本，將神經(jīng)網(wǎng)絡(luò)2的輸出作為神經(jīng)網(wǎng) 絡(luò)1的輸出期望值，根據(jù)神經(jīng)網(wǎng)絡(luò)2對(duì)樣本的學(xué)習(xí)結(jié)果更新神經(jīng)網(wǎng)絡(luò)權(quán)值，繼續(xù)學(xué)習(xí)檢測(cè)樣 本，同時(shí)提取神經(jīng)網(wǎng)絡(luò)1輸入層的輸出權(quán)值向量，作為故障檢測(cè)樣本； E) 提取神經(jīng)網(wǎng)絡(luò)1的輸入層權(quán)值向量W1.,并針對(duì)其建立PCA模型，對(duì)PCA模型計(jì)算出 相應(yīng)的檢測(cè)指標(biāo)T 2統(tǒng)計(jì)量和SPE，根據(jù)SPE的值是否超出控制限判斷電機(jī)運(yùn)行狀態(tài)； F) 整理正常狀態(tài)下和故障狀態(tài)下樣本輸入時(shí)神經(jīng)網(wǎng)絡(luò)1的輸入層權(quán)值向量W1.形成的 故障檢測(cè)樣本； G) 用F)中的檢測(cè)樣本對(duì)E)所得故障診斷模型進(jìn)行反復(fù)檢驗(yàn)，如果檢驗(yàn)效果良好，則診 斷模型有效，可以用于故障診斷，否則，則重新根據(jù)D)、E)和F)進(jìn)行訓(xùn)練建模； H) 實(shí)時(shí)讀取電機(jī)的最新運(yùn)行參數(shù)，將這些參數(shù)輸入到所述神經(jīng)網(wǎng)絡(luò)中，將神經(jīng)網(wǎng)絡(luò)1 的輸出權(quán)值向量輸入故障診斷模型，計(jì)算所得PCA檢測(cè)指標(biāo)SPE和T 2是否滿足置性指標(biāo)。2. 根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)的電機(jī)故障檢測(cè)方法，其特征在于，所述步驟 C)采用神經(jīng)網(wǎng)絡(luò)，首先設(shè)計(jì)所述神經(jīng)網(wǎng)絡(luò)的輸入值、輸出值、層數(shù)、各層節(jié)點(diǎn)數(shù)和各層的激 活函數(shù)；所述樣本每次輸入時(shí)訓(xùn)練神經(jīng)網(wǎng)絡(luò)的一個(gè)權(quán)值，一個(gè)樣本要連續(xù)輸入直到網(wǎng)絡(luò)權(quán) 值全部更新；神經(jīng)網(wǎng)絡(luò)依次接收所述訓(xùn)練樣本進(jìn)行訓(xùn)練，直到神經(jīng)網(wǎng)絡(luò)權(quán)值穩(wěn)定。
【專利摘要】本發(fā)明公開(kāi)了一種基于神經(jīng)網(wǎng)絡(luò)的電機(jī)故障檢測(cè)方法，包括收集電機(jī)運(yùn)行參數(shù)的歷史數(shù)據(jù)，整理電機(jī)運(yùn)行參數(shù)歷史數(shù)據(jù)并形成樣本，根據(jù)樣本設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，訓(xùn)練和檢測(cè)神經(jīng)網(wǎng)絡(luò)樣本，并通過(guò)神經(jīng)網(wǎng)絡(luò)檢測(cè)電機(jī)狀態(tài)。本發(fā)明能夠?qū)崿F(xiàn)對(duì)電機(jī)實(shí)時(shí)有效檢測(cè)，在故障初期就能做出預(yù)警。
【IPC分類】G01R31/34
【公開(kāi)號(hào)】CN105137354
【申請(qǐng)?zhí)枴緾N201510537415
【發(fā)明人】伍雪冬, 蘇循亮, 朱志宇, 倪朋朋, 常艷超, 杜昭平
【申請(qǐng)人】江蘇科技大學(xué)
【公開(kāi)日】2015年12月9日
【申請(qǐng)日】2015年8月27日