信息融合技术的电机故障诊断.docxVIP

信息融合技术的电机故障诊断 。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 检测技术为根底，开展数据采集，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，要求传感器系统反响快速而准确， 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。磁谱分析法容易受到其他电磁干 扰，使用起来也不方便。文献利用样条小波抵消工频信号分 量的方法，通过频谱分析开展诊断，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 信息开展推理，广泛用于信息融合和不确定推理等领域。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，先开展多传感器融合，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 障特征向量开展分类与局部诊断，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 决策规那么，实现对故障的准确判别。故障诊断如图1所示。 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开展分类、 预处理后，分别对同类传感器和异类传感器开展融合处理, 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 备故障开展诊断。 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, 以防止过大的权重调节淹没局部特征信息，消除各特征参数 物理单位的干扰。 应用神经网络开展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。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。 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，那么可 按下面的方法计算各证据的基本可信度分配。 (1)对神经网络的输出开展归一化 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开展融合处理，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微机分析仪开展数据处理，获得时域中的相位 特征与轴心轨迹，再开展频谱分析，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 与温度信号开展预处理，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. 9000o 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