一種基于fbf神經(jīng)網(wǎng)絡(luò)的電機氣隙偏心故障診斷方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種電機氣隙偏心故障診斷方法，特別的涉及一種基于FBF神經(jīng)網(wǎng)絡(luò) 的電機氣隙偏心故障診斷方法。
【背景技術(shù)】
[0002] 交流感應(yīng)電機廣泛的應(yīng)用于工業(yè)和國防軍事領(lǐng)域，其安全運行至關(guān)重要。電機 故障在線診斷是通過在線監(jiān)測電機相關(guān)參數(shù)（如電壓、電流、磁通、轉(zhuǎn)速、溫度、噪聲、振動 等），并采取適當(dāng)?shù)氖侄螌﹄姍C當(dāng)前的狀態(tài)進(jìn)行評估，進(jìn)一步的可以確定電機的故障類型和 嚴(yán)重程度，并給予推薦行動。
[0003] 交流感應(yīng)電機的故障類型大體可以分為機械故障與電氣故障，更具體的可以細(xì)分 為定子故障、轉(zhuǎn)子故障、氣隙偏心與軸承故障等。氣隙偏心作為一種常見的感應(yīng)電機故障， 大多與機械故障有關(guān)，其中，靜態(tài)偏心的故障原因包括柔性基礎(chǔ)、軟腳以及軸承松動等，動 態(tài)偏心的故障原因包括轉(zhuǎn)軸彎曲撓度、軸承磨損以及機械共振等。因此，當(dāng)感應(yīng)電機出現(xiàn)氣 息偏心時，必然伴隨著一種或多種機械故障的發(fā)生，此時，如果能夠根據(jù)有關(guān)的故障特征， 推理出導(dǎo)致氣隙偏心的機械故障原因，將對感應(yīng)電機的診斷和維修起到重要的指導(dǎo)意義。
[0004] 基于知識和基于神經(jīng)網(wǎng)絡(luò)的診斷方法在電機故障診斷應(yīng)用上已經(jīng)取得了較大的 成功，但是，還未見有關(guān)的研宄和報導(dǎo)將基于知識和基于神經(jīng)網(wǎng)絡(luò)的診斷方法應(yīng)用于電機 氣息偏心故障的診斷，往往只能診斷出氣隙偏心的存在，而不能給出導(dǎo)致氣隙偏心的機械 故障原因。由于導(dǎo)致氣隙偏心的機械故障及有關(guān)的故障特征極其復(fù)雜，且缺乏先驗診斷知 識，傳統(tǒng)的基于知識和基于神經(jīng)網(wǎng)絡(luò)的診斷方法，過度依賴于先驗知識，后期自學(xué)習(xí)和自適 應(yīng)能力差，很難適用于氣隙偏心故障的診斷。

【發(fā)明內(nèi)容】

[0005] 因此，本發(fā)明提出基于FBF神經(jīng)網(wǎng)絡(luò)的電機氣隙偏心故障診斷，以基于行為的診 斷方法作為指導(dǎo)思想，以模糊基函數(shù)（FBF)網(wǎng)絡(luò)作為故障診斷模塊的實現(xiàn)方式，其突出優(yōu) 勢是在缺乏先驗診斷知識的情況下，通過與設(shè)備行為的交互作用，逐步改善已有故障診斷 模塊的診斷效果和增加新的故障診斷模塊，最終發(fā)展成為一個完善而有效的氣隙偏心故障 診斷系統(tǒng)。
[0006] 本發(fā)明提出了基于FBF神經(jīng)網(wǎng)絡(luò)的電機氣隙偏心故障診斷方法，主要包含以下步 驟：
[0007] 第一步，確定電機故障初級診斷系統(tǒng)的結(jié)構(gòu)，包括確定初級診斷系統(tǒng)的輸入端，輸 出端及診斷子模塊的數(shù)量；
[0008] 第二步，確定電機故障初級診斷系統(tǒng)中診斷子模塊的模糊基函數(shù)（FBF)網(wǎng)絡(luò)；
[0009] 第三步，根據(jù)電機的歷史數(shù)據(jù)形成樣本，訓(xùn)練各診斷子模塊的模糊基函數(shù)網(wǎng)絡(luò)，確 定各個模糊基函數(shù)網(wǎng)絡(luò)的參數(shù)，從而確定初級診斷系統(tǒng)；
[0010] 第四步，對于新增樣本，利用初級診斷系統(tǒng)，輸入相關(guān)變量信息，即可判斷得到電 機的故障診斷模式，并利用所述新增樣本修訂模糊基函數(shù)FBF網(wǎng)絡(luò)中故障的分類邊界； [0011] 第五步，當(dāng)設(shè)備出現(xiàn)新的故障時，若初級診斷系統(tǒng)沒有輸出故障態(tài)時，則在診斷系 統(tǒng)中增加新的故障診斷子模塊。
【附圖說明】
[0012] 下面結(jié)合附圖對本發(fā)明作進(jìn)一步詳細(xì)的說明。
[0013] 圖1為本發(fā)明中基于FBF神經(jīng)網(wǎng)絡(luò)的電機氣隙偏心故障診斷的流程圖；
[0014] 圖2為本發(fā)明中電機氣隙偏心故障診斷單故障任務(wù)分解的示意圖；
[0015] 圖3為本發(fā)明中FBF網(wǎng)絡(luò)的結(jié)構(gòu)圖。
【具體實施方式】
[0016] 下面參照附圖對本發(fā)明的【具體實施方式】進(jìn)行詳細(xì)的說明。
[0017] 參照附圖1，本發(fā)明的基于FBF神經(jīng)網(wǎng)絡(luò)的電機氣隙偏心故障診斷方法主要包含 以下步驟：
[0018] 第一步，確定電機氣隙偏心故障初級診斷系統(tǒng)的結(jié)構(gòu)。
[0019] 首先確定診斷系統(tǒng)的輸入端。輸入端信號可以是與氣隙偏心有關(guān)和與導(dǎo)致氣隙偏 心的機械故障有關(guān)的電、磁、振動、聲等信號，對于ESA(電信號分析）方法，更為詳細(xì)的說是 與偏心有關(guān)的電流頻率分量以及與導(dǎo)致偏心的機械故障有關(guān)的頻率分量，包括反映偏心的 頻率特征、靜態(tài)偏心的頻率特征、動態(tài)偏心的頻率特征、柔性基礎(chǔ)的頻率特征、軸承磨損的 頻率特征以及更多相關(guān)的機械故障頻率特征。假設(shè)初始系統(tǒng)的輸入端個數(shù)為η個，構(gòu)成輸 入向量X = (X1, X2, ...，Xn)，其中，Xi為初始診斷系統(tǒng)的第i個輸入信號。
[0020] 然后確定診斷系統(tǒng)的子模塊。依據(jù)導(dǎo)致氣隙偏心的常見機械故障或者目前所掌握 的具有一定先驗知識的相關(guān)機械故障，結(jié)合所采用的任務(wù)分解策略，確定初級診斷系統(tǒng)的 子模塊個數(shù)。將診斷任務(wù)分解成多個，每個子模塊可以處理一個或多個故障診斷任務(wù)，降低 初始階段開發(fā)診斷系統(tǒng)的復(fù)雜性和困難性。
[0021] 在本實施例中，采用單故障任務(wù)分解策略，其示意圖如圖2所示，粗線條表示多參 數(shù)輸入，細(xì)線條表示單一參數(shù)輸出，經(jīng)過任務(wù)分解后，由多輸入多輸出的單個診斷模塊變 換為多輸入單輸出的多個診斷子模塊，其中每個子模塊的輸入都是X = (Xl，X2, ...，Xn)。這 樣便于在缺乏先驗知識（極端情況下只知道電機正常行為）情況下，建立電機氣隙偏心故 障的初級診斷系統(tǒng)。
[0022] 最后確定診斷系統(tǒng)的輸出端。初級診斷系統(tǒng)的輸出端對應(yīng)于導(dǎo)致氣隙偏心的機械 故障，包括柔性基礎(chǔ)、軟腳、軸承松動、轉(zhuǎn)軸彎曲撓度、軸承磨損以及機械共振等相關(guān)的機械 故障。假設(shè)輸出端個數(shù)為m個，構(gòu)成輸出向量y = G1, y2, . . .，ym)，其中，Yi為初始系統(tǒng)的 第i個輸出信號，其取值在[0, 1]之間，最大值Hiaxyi所對應(yīng)的故障模式作為診斷結(jié)果。
[0023] 第二步，確定電機氣隙偏心故障初級診斷系統(tǒng)中診斷子模塊的模糊基函數(shù)（FBF) 網(wǎng)絡(luò)。
[0024] 根據(jù)第一步中所確定的輸入輸出和診斷子模塊的個數(shù)，可以確定FBF網(wǎng)絡(luò)的輸入 輸出和網(wǎng)絡(luò)個數(shù)，其中每個診斷子模塊對應(yīng)一個FBF網(wǎng)絡(luò)；依據(jù)實測數(shù)據(jù)和系統(tǒng)設(shè)計者經(jīng) 驗以及專家知識確定每個FBF網(wǎng)絡(luò)的模糊基函數(shù)的個數(shù)，根據(jù)需要，不同網(wǎng)絡(luò)可以包含不 同個數(shù)的模糊基函數(shù)。為簡化說明，可以取每個FBF網(wǎng)絡(luò)的模糊基函數(shù)的初始個數(shù)為H，可 以依據(jù)訓(xùn)練結(jié)果和知識的增加進(jìn)行調(diào)整。FBF網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。
[0025] 設(shè)定每個模糊基函數(shù)的模糊規(guī)則為：
【主權(quán)項】
1. 一種基于FBF神經(jīng)網(wǎng)絡(luò)的電機氣隙偏心故障診斷方法，主要包括： 第一步，確定電機故障初級診斷系統(tǒng)的結(jié)構(gòu)，包括確定初級診斷系統(tǒng)的輸入端，輸出端 及診斷子模塊的數(shù)量； 第二步，確定電機故障初級診斷系統(tǒng)中診斷子模塊的模糊基函數(shù)（FBF)網(wǎng)絡(luò)； 第三步，根據(jù)電機的歷史數(shù)據(jù)形成樣本，訓(xùn)練各診斷子模塊的模糊基函數(shù)網(wǎng)絡(luò)，確定各 個模糊基函數(shù)網(wǎng)絡(luò)的參數(shù)，從而確定初級診斷系統(tǒng)； 第四步，對于新增樣本，利用初級診斷系統(tǒng)，輸入相關(guān)變量信息，即可判斷得到電機的 故障診斷模式，并利用所述新增樣本修訂模糊基函數(shù)FBF網(wǎng)絡(luò)中故障的分類邊界； 第五步，當(dāng)設(shè)備出現(xiàn)新的故障時，若初級診斷系統(tǒng)沒有輸出故障態(tài)時，則在診斷系統(tǒng)中 增加新的故障診斷子模塊。
2. 如權(quán)利要求1所述的故障診斷方法，在第一步中，初級診斷系統(tǒng)的輸入端信號是與 氣隙偏心有關(guān)和與導(dǎo)致氣隙偏心的機械故障有關(guān)的電、磁、振動、聲信號，假設(shè)初始診斷系 統(tǒng)的輸入端個數(shù)為n個，構(gòu)成輸入向量x=(Xpx2,. . .，xn)，其中，Xi為初始診斷系統(tǒng)的第i 個輸入信號，每個診斷子模塊的輸入都是x= (Xl，x2,. . .，xn);初級診斷系統(tǒng)的輸出端對應(yīng) 于導(dǎo)致氣隙偏心的機械故障，假設(shè)輸出端個數(shù)為m個，構(gòu)成輸出向量y= (yi，y2, . . .，ym)，其 中，yi為初始診斷系統(tǒng)的第i個輸出信號，其取值在[〇, 1]之間，最大值yjPmaxyi所對應(yīng) 的故障模式作為診斷結(jié)果。
3. 如權(quán)利要求2所述的故障診斷方法，其中輸入端信號包括反映偏心的頻率特征、靜 態(tài)偏心的頻率特征、動態(tài)偏心的頻率特征、柔性基礎(chǔ)的頻率特征和軸承磨損的頻率特征。
4. 如權(quán)利要求2所述的故障診斷方法，輸出端信號包括柔性基礎(chǔ)、軟腳、軸承松動、轉(zhuǎn) 軸彎曲撓度和軸承磨損。
5. 如權(quán)利要求1所述的故障診斷方法，其中在第二步中，根據(jù)第一步中所確定的輸入 端、輸出端和診斷子模塊的個數(shù)，確定FBF網(wǎng)絡(luò)的輸入輸出和網(wǎng)絡(luò)個數(shù)，其中每個診斷子模 塊對應(yīng)一個FBF網(wǎng)絡(luò)，每個FBF網(wǎng)絡(luò)的輸出為
式中，H為一個FBF網(wǎng)絡(luò)中模糊基函數(shù)的個數(shù)i為輸出層的權(quán)重，pi(x)為模糊基函 數(shù)，其中i= 1，2,. . .，H，所述初級診斷系統(tǒng)由m個FBF網(wǎng)絡(luò)線性組合而成，則m個FBF網(wǎng) 絡(luò)中的輸出最大值所對應(yīng)的故障模式作為診斷結(jié)果。
6. 如權(quán)利要求1所述的故障診斷方法，其中在第三步中，所述FBF網(wǎng)絡(luò)的參數(shù)包括輸出 層權(quán)向量，隱層FBF中心向量￥ ,隱層FBF半徑向量〇 ^
7. 如權(quán)利要求1所述的故障診斷方法，其中在第四步中，包括模糊基函數(shù)FBF中心及半 徑的學(xué)習(xí)和確定新增樣本的期望輸出； (l)FBF函數(shù)中心及半徑的更新： FBF網(wǎng)絡(luò)中第i個模糊基函數(shù)的新中心向量的第j個元素由下式遞推求取：
式中，乙.(/表示Ni個樣本下，F(xiàn)BF網(wǎng)絡(luò)中第i個模糊基函數(shù)第j個元素的中心值，乙 表示隊+1個樣本下，F(xiàn)BF網(wǎng)絡(luò)中第i個模糊基函數(shù)第j個元素的中心值，xNi+1，』表示FBF網(wǎng)絡(luò) 中模糊基函數(shù)第j個元素新增的第Ni+1個樣本；a、0分別為廣義學(xué)習(xí)向量量化算法的獲 勝單元、非獲勝單元的學(xué)習(xí)率，〇〈(1〈1，〇〈0〈1;隊為？8?網(wǎng)絡(luò)中第1個模糊基函數(shù)所擁有的 樣本數(shù)；(；為能使FBF網(wǎng)絡(luò)中第i個模糊基函數(shù)成為獲勝函數(shù)的數(shù)據(jù)集合；i= 1，2,. . .，H， j= 1, 2,. . . ,n； FBF網(wǎng)絡(luò)中第i個模糊基函數(shù)的新半徑取
其中，i= 1，2,…H,j= 1，2, ? ? ?，n, 1 = 1，2, ? ??，H且 1 辛i; (2)確定新增樣本的期望輸出 考慮某一故障類，設(shè)該故障類過去P個樣本的加權(quán)平均中心為1=1
式中，Xia= 1，2, . . .，P)為樣本向量；p為樣本數(shù)；A為遺忘因子，AG(〇. 95, 1); 加權(quán)協(xié)方差矩陣為
對給定的新增樣本Xj，其期望的可靠性輸出由下面的正態(tài)型多元模糊分布求得：
式中，cl」為X」與故障類中心vp間的Mahalanobis距離；k為正常數(shù)，用于調(diào)整樣本的 期望可能性輸出，應(yīng)使得距離類中心vp最遠(yuǎn)的樣本的可能性輸出y0.5。
【專利摘要】本發(fā)明提出一種基于FBF神經(jīng)網(wǎng)絡(luò)的電機氣隙偏心故障診斷方法，該方法以基于行為的診斷方法作為指導(dǎo)思想，采用單任務(wù)分解策略，診斷子模塊相互獨立，分別對應(yīng)導(dǎo)致氣隙偏心的機械故障，在缺乏先驗診斷知識的情況下，建立初級診斷系統(tǒng)，降低診斷系統(tǒng)的開發(fā)難度，通過與設(shè)備行為的交互作用，逐步改善已有故障診斷子模塊的診斷效果和增加新的故障診斷模塊；采用模糊基函數(shù)（FBF）網(wǎng)絡(luò)作為故障診斷模塊的實現(xiàn)方式，具有良好的模糊特性、非線性逼近特性以及在線跟蹤自學(xué)習(xí)能力。這樣的組合方式，可以很好的解決氣隙偏心故障診斷時存在的導(dǎo)致氣隙偏心的機械故障及有關(guān)的故障特征極其復(fù)雜且缺乏先驗診斷知識的問題。
【IPC分類】G06F19-00, G06N3-02
【公開號】CN104699994
【申請?zhí)枴緾N201510155975
【發(fā)明人】張民恕
【申請人】劉巖
【公開日】2015年6月10日
【申請日】2015年4月2日