电子论文-电机故障模式识别与诊断.pdf

清华大学学报 自然科学版 990 32 0 清华大学学报 自然 科学版 JO U RNA L O F T SI NG H U A U NI VERSI T Y Sc i e n c e a n d T e c h n o l o g y 1999年 第3期 No 3 1999 电机故障模式识别与诊断 邱阿瑞 孙 健 文 摘 为了实现对电机故障模式的自动识别与诊断 通过对人工神经网络分类功能 及传统电机故障诊断技术的分析 提出了一种利用人工神经网络进行模式识别的方 法 针对电机故障特征在实际中可能是非线性可分的情况 利用 函数可以将非线性 可分的模式转化到线性空间并实现分类 基于这种思想提出了利用径向基函数 RBF 网 络实现对这种复杂故障模式的分类 以感应电机转子故障分类的实验结果表明 这种 神经网络模式识别方法是有效的 并且可以通过自动调节径向基函数中心提高网络分 类的正确率 关键词 模式识别 人工神经网络 故障诊断 电机 分类号 T M 343 3 Pa t t e r n r e c o g n i t i o n a n d d i a g n o s i s o f f a u l t s i n e l e c t r i c a l m a c h i n e s Q I U A r u i SU N Ji a n D e p a r t m e n t o f El e c t r i c a l En g i n e e r i n g T s i n g h u a U n i v e r s i t y Be i j i n g 10 0 0 8 4 Ch i n a A b s t r a c t In o r d e r t o a u t o m a t i c a l l y r e c o g n i z e a n d d i a g n o s e t h e f a u l t p a t t e r n s o f e l e c t r i c a l m a c h i n e s a p a t t e r n r e c o g i t i o n m e t h o d b y u s i n g a n a r t i f i c i a l n e u r a l n e t w o r k i s d e v e l o p e d b a s e d o n t h e a n a l y s i s o f b o t h t h e c l a s s i f i c a t i o n c h a r a c t e r i s t i c s o f a r t i f i c i a l n e u r a l n e t w o r k s a n d t h e t r a d i t i o n a l t e c h n o l o g y o f f a u l t d i a g n o s i s o f e l e c t r i c a l m a c h i n e s Fo r c a s e s t h a t t h e f a u l t p a t t e r n s a r e n o n l i n e a r s e p a r a b l e a r a d i a l b a s i s f u n c t i o n RBF n e t w o r k i s a d o p t e d a s b y u s i n g a f u n c t i o n a n o n l i n e a r s e p a r a b l e p a t t e r n c a n b e t r a n s f o r m e d i n t o a l i n e a r o n e a n d a c h i e v e c l a s s i f i c a t i o n T e s t r e s u l t s o n t h e r o t o r f a u l t s o f i n d u c t i o n m o t o r s h o w t h a t t h i s f a u l t p a t t e r n r e c o g n i t i o n m e t h o d b y u s i n g t h e RBF n e t w o r k c a n n o t o n l y b e e f f e c t i v e b u t a l s o i m p r o v e t h e a v e r a g e p r o b a b i l i t y o f c o r r e c t c l a s s i f i c a t i o n b y a s u p e r v i s e d s e l e c t i o n o f c e n t e r s o f t h e RBF f i l e E q k q h d x x b q h d x 99 q h d x 990 3 990 32 0 h t m 第 1 8 页 2 0 10 3 2 3 5 2 1 47 清华大学学报 自然科学版 990 32 0 n e t w o r k K e y w o r d s p a t t e r n r e c o g n i t i o n a r t i f i c i a l n e u r a l n e t w o r k f a u l t d i a g n o s i s e l e c t r i c a l m a c h i n e s 电机的状态监测与故障诊断技术研究 对提高电机的维护管理水平 保障其运行 可靠性有重要意义 经过多年的研究与努力 人们已开发出一些比较成熟的状态监测 技术和方法 1 2 可对多种电机故障状态进行监测 识别和诊断 由于电机故障机 理的复杂性 难以对实际故障建模 又加上环境噪声难以估计 因而很难形成一个准 确的故障诊断判据 近年来 利用人工神经网络对电机故障进行诊断是一种很有发展 前景的诊断方法 3 4 本文通过对人工神经网络分类功能及传统的电机故障诊断技 术的分析 提出了利用人工神经网络进行模式识别的方法 1 电机故障模式识别系统 模式识别系统主要由4部分组成 5 对识别对象的数据获取 预处理 特征提 取和选择及分类决策 如图1所示 图1 模式识别系统构成 对于从电机运行时采集到的信号 由于信号传输或其他因素所造成的影响 基本 上是一种基于噪声背景中的信号 图中预处理的目的就是去除噪声 加强有用信息 经过预处理后的时域信号 其特征往往难以识别 而更多的是在频域里来分析信 号的特征 利用快速傅里叶变换可以将时域的数字信号变换为它所对应的频域信号 利用电机发生故障时的特征谱与正常谱来加以比较和识别 特征的提取和选择一般还 包括把测量的数据进行压缩这个过程 为了能够对模式进行分类 往往需要学习 学习就是改变学习系统的参数或者结 构使得学习系统的某个性能指标达到最优 分类决策就是在特征空间中把被识别对象归为某一类别 利用学习样本学习完毕 后 学习系统参数或结构就固定下来了 待识别信息经学习系统后的输出可根据某一 个判别原则 对被识别对象进行分类 学习与分类决策的功能可以利用人工神经网络 来实现 2 利用径向基函数神经网络识别电机故障 f i l e E q k q h d x x b q h d x 99 q h d x 990 3 990 32 0 h t m 第 2 8 页 2 0 10 3 2 3 5 2 1 47 清华大学学报 自然科学版 990 32 0 标准径向基函数网络可以通过对一特征空间样本 经非线性映射到分类空间来完 成复杂的模式分类任务 6 设X表示N个样本的一个集合 X x 1 x2 xN 中可以分成两类X1 X2 对于 每一个样本x i X 定义一矢量 式中 i x 为隐函数 若存在一个M 维矢量w 且 则认为X是 函数可分的 且这个超平面为 这样将一个利用超曲面可分的样本集转化为超平面问题 径向基函数神经网络典型结构如图2 所示 该网络有三层结构 在输入层有x 1 x 2 xp 个输入 中间隐含层有M 个径向基函数 可以看出M 个径向基函数实际上是 把输入N阶空间降到M 阶空间处理 f i l e E q k q h d x x b q h d x 99 q h d x 990 3 990 32 0 h t m 第 3 8 页 2 0 10 3 2 3 5 2 1 47 清华大学学报 自然科学版 990 32 0 图2 典型的径向基函数网络结构图 根据径向基函数的思想 若在输入空间中找出M 个中心 则这M 个中心点反映了 输入样本的聚类中心 利用G a u s s 函数定义 式中t i 为所选择的中心 则网络输出为 这样径向基函数中权重的调整可从令代价函数 F 达到最小来实现 定义 上式中d i 即为径向基函数网络的期望输出 这样可以求得网络权重为 式中 G 称为矩阵G 的伪逆 即 上述w 的求解是在径向基函数中心已定的情况下求得的 在实际分类时可采用自 f i l e E q k q h d x x b q h d x 99 q h d x 990 3 990 32 0 h t m 第 4 8 页 2 0 10 3 2 3 5 2 1 47 清华大学学报 自然科学版 990 32 0 动调整径向基函数中心的方法来调节权重 其算法如下 定义 则 径向基函数中心调节为 其中 这样 当收集到电机故障时的N个样本特征信号后就可以利用径向基函数网络实 现对样本的分类学习 3 应用举例 对异步电机转子鼠笼断条故障检测常用的方法是通过电流传感器采集定子电流信 号 这些信号经数字滤波后 利用数字信号处理技术经FFT 变换后作为特征信号 实 f i l e E q k q h d x x b q h d x 99 q h d x 990 3 990 32 0 h t m 第 5 8 页 2 0 10 3 2 3 5 2 1 47 清华大学学报 自然科学版 990 32 0 验电机为7 5k W 三相四极异步电动机 图3表示了电机转子为正常时定子电流信号的频 谱图 中心频率为50 H z 图中只画出10 个样本 图3 电机转子正常时的电流频谱图 图4表示了电机转子为断条故障时定子电流信号的频谱图 中心频率为50 H z 图中 为10 个样本 图4 电机转子发生断条故障时的电流频谱图 利用学习样本总数为46 个 以这些样本对神经网络进行训练 为了便于计算 在 神经网络学习时须将样本归一化到0 1之间 在处理频谱特征信号时 由于维数较 大 进一步把主要谱特征点压缩到6 4点 网络经训练后已将特征信息记录在网络的权 重之中 诊断时直接将电机定子电流频谱特征信号送入神经网络以进行分类 然后判 断是否存在故障 利用径向基函数网络分类结果如表1所示 M 为径向基中心数目 表1 电机转子断条故障测试正确率 方 法 M 246810 f i l e E q k q h d x x b q h d x 99 q h d x 990 3 990 32 0 h t m 第 6 8 页 2 0 10 3 2 3 5 2 1 47 清华大学学报 自然科学版 990 32 0 随机选取8 4 38 8 796 098 099 0 自动调整91 792 597 599 010 0 从表1中可以看出 采取自动调整径向基函数中心的分类正确率较随机选取径向基 函数中心的正确率高 4 结 论 1 从模式识别基本原理出发 通过对人工神经网络分类功能及传统电机故障诊断 技术的分析 提出了一种利用人工神经网络进行模式识别的方法 2 针对电机故障特征在实际中可能是非线性可分的情况 提出利用 函数可以将 非线性可分的模式转化到线性空间并实现分类 基于这种思想提出了利用径向基函数 网络实现对这种复杂故障模式的分类 3 通过自动调节径向基函数中心可以提高网络分类的正确率 4 实验表明 本文提出的这种神经网络模式识别方法是可行和有效的 第一作者 男 1946 年生 副教授 基金项目 国家攀登计划B 8 5 35 作者单位 清华大学 电机工程与应用电子技术系 北京 10 0 0 8 4 参考文献 1 Ch o K R La n g J H U m a n s S D D e t e c t i o n o f b r o k e n r o t o r b a r s i n i n d u c t i o n m o t o r s u s i n g s t a t e a n d p a r a m e t e r s e s t i m a t i o n I EEE T r a n s 1992 I A 2 8 3 7 0 2 7 0 9 2 St r e c i f e l R J M a r k s R J E1 Sh a r k a w i M A D e t e c t i o n o f s h o r t e d t u r n s i n t h e f i e l d w i n d i n g o f t h e t u r b i n e g e n e r a t o r r o t o r s u s i n g n o v e l t y d e t e c t o r s d e v e l o p m e n t a n d f i e l d t e s t I EEE T r a n s 1996 EC 11 2 312 317 3 Ch o w M Y M a n g u m P M Ye e S O A n e u r a l n e t w o r k a p p r o a c h t o r e a l t i m e c o n d i t i o n m o n i t o r i n g o f i n d u c t i o n m o t o r s I EEE T r a n s 1991 I E 38 6 448 453 4 H o S L La u K M D e t e c t i o n o f f a u l t i n i n d u c t i o n m o t o r s u s i n g a r t i f i c i a l n e u r a l n e t w o r k s I EE e l e c t r i c a l m a c h i n e s a n d d r i v e s c o n f e r e n c e p u b l i c a t i o n 1995 412 17 6 18 1 5 边肇祺 模式识别 北京 清华大学出版社 198 8 6 Si m o n H a y k i n Ne u r a l Ne t w o r k s a Co m p r e h e n s i v e Fo u n d a t i o n Ne w Yo r k M a c m i l l a n c o l l e g e p u b l i s h i n g c o m p a n y 1994 f i l e E q k q h d x x b q h d x 99 q h d x 990 3 990 32 0 h t m 第 7 8 页 2 0 10 3 2 3 5 2 1 47 清华大学学报 自然科学版 990 32 0 收稿日期 1998 0 7 0 6 f i l e E q k q h d x x b q h d x 99 q h d x 990 3 990 32 0 h t m 第 8 8 页 2 0 10 3 2 3 5 2 1 47 电机故障模式识别与诊断电机故障模式识别与诊断 作者 邱阿瑞 孙健 QIU Arui SUN Jian 作者单位 清华大学 电机工程与应用电子技术系 北京 100084 刊名 清华大学学报 自然科学版 英文刊名 JOURNAL OF TSINGHUA UNIVERSITY SCIENCE AND TECHNOLOGY 年 卷 期 1999 3 被引用次数 17次 参考文献 6条 参考文献 6条 1 Cho K R Lang J H Umans S D Detection of broken rotor bars in induction motors using state and parameters estimation 1992 03 2 Strecifel R J Marks R J E1 Sharkawi M A Detection of shorted turns in the field winding of the turbine generator rotors using novelty detectors development and field test 1996 02 3 Chow M Y Mangum P M Yee S O A neural network approach to real time condition monitoring of induction motors 1991 06 4 Ho S L Lau K M Detection of fault in induction motors using artificial neural networks 1995 5 边肇祺 模式识别 1988 6 Simon Haykin Neural Networks a Comprehensive Foundation 1994 相似文献 10条 相似文献 10条 1 学位论文 薛志伟 人工神经网络在多元校正及中药模式识别方面的应用研究 2007 全文共分五部分 首先阐述了人工神经网络在多元校正和中药模式识别的发展情况和应用现状 接着运用人工神经网络多元校正方法解决样品分析中由于混合物光谱严重重叠所引起 的组分分离和分析极为困难的问题 对重叠峰进行定量分析 与此同时 用人工人神经网络对不同产地的中药成功的进行了模式识别 第一章阐述了人工神经网络在多元校正和中药模式识别的发展情况和应用现状 第二章详细阐述了本论文所涉及的一些化学计量学方法基本原理 在第三章中 运用基于线性主成分分析的径向基函数人工神经网络和广义回归人工神经网络结合流动注射化学发光法同时测定槲皮素和芦丁 通过比较两种网络在没有进行输入变量 选择时和进行了线性主成分分析变量选择后的预测结果 发现进行线性主成分分析变量选择后径向基函数网络和广义回归神经网络的预测性能都有了很大的提高 同时发现基于线性主成 分分析的径向基函数人工神经网络有比较好的预测结果 可以认为 在本文的实验条件下 基于线性主成分分析的径向基函数人工神经网络可以比较好的解决流动注射化学发光中的多种 物质难以同时测定的问题 在第四章中 非线性主成分分析被应用于神经网络输入变量选择 通过比较非线性主成分分析前后的神经网络预测结果 可以看到 原始变量经过非线性主成分分析后 径向基函数 神经网络的预测性能得到了很大的改善 本实验成功的用基于非线性主成分分析的径向基函数人工神经网络结合化学发光同时测定了氢氯噻嗪和卡托普利 在第五章中 基于非线性主成分分析的径向基函数人工神经网络用于荧光分析中色氨酸 酪氨酸和苯丙氨酸的同时测定 测定结果令人满意 这位该类物质混合物的分析提供了一种 快速 可靠的方法 在第六章中 自组织特征映射神经网络成功的用于不同产地葛根的模式识别 此方法避免了主成分分析法和非线性映射法在引入新的样本后必须重新计算样本的空间距离与分布的问 题 具有简便 准确的特点 2 期刊论文 刘磊 江桦 贾永强 Liu Lei Jiang Hua Jja Yongqiang 基于人工神经网络的DVB S2数字信号调制模式识别 微计算机信息 2005 35 人工神经网络 ANN 是模仿生物神经网络的结构提出的模型 它所具有的并行分布处理等优点使其在模式识别领域有很大的应用潜力 本文针对新发布的DVB S2标准 对应用人工神经网 络进行数字信号调制模式自动识别进行了研究 设计并实现了对QPSK 8PSK 16APSK 32APSK四种调制模式的自动识别系统 3 学位论文 沈堃 模式识别 人工神经网络方法研究及其在材料领域的应用 2005 本论文是对一种材料优化设计新方法 模式识别 人工神经网络方法进行研究 并用于解决新材料开发过程中常遇到试验周期长 影响因素复杂 反应机理不明等难题 这种新方法 运用模式识别方法对样本数据进行定性分析和样本筛选 运用特殊的人工神经网络模型进行定量分析和精确预报 并在二维映照图上直观地显示出目标值的分布规律 其基本原理是 根 据拓扑结构在映射过程中不变的原理 将多维向量首先映射到二维平面上 再通过非线形函数向高维空间扩展 迭加并输出 这样可以避免在传递过程中变量间关系被屏蔽或覆盖 由映 射平面图像来展现数据所隐含的规律 从平面图象来直观地确定最优点或区域 为材料优化设计和试验设计提供了一种行之有效的决策支持方法 本文所作的主要研究工作如下 构建了人工神经网络实现模式识别的非线性映射模型 并引入 列队竞争算法 与 梯度法 结合产生的一种混合算法解决人工神经网络学习训练中容易陷入局部极小的问题 很好 的兼顾了全局搜索和局部搜索的要求 其中 列队竞争算法的主要作用是实现全局搜索 而梯度法的作用是实现局部寻优 这两种方法的结合 可以使全局搜索与局部搜索达到均衡和统 一 实际的计算结果表明 混合算法比单一的算法效果明显 映射的误差小且学习训练的速率快 建立的映射模型能真实地反映客观规律 研究用计算机模式识别 人工神经网络方法辅助材料设计和试验优化 用PR ANN实现了筛选样本数据 筛选变量 模式识别定性分析 人工神经网络精确预报等功能 并开发了PR ANN系统优化软件 检验了PR ANN系统对单目标 多目标的优化问题 得到了较满意的效果 用人的视觉直观的判断二维映射平面中的等值线分布规律从而使复杂的多目标优化问题变得简单 将PR ANN系统用于材料配方设计 性能优化的实例研究 分别对单目标 双目标和三目标实例问题进行了研究 并进行预报 取得了比其它优化方法更好的结果 4 学位论文 刘剑 应用统计模式识别和人工神经网络研究转炉炼钢中的脱磷 2003 模式识别和人工神经网络方法的是处理数据的有用技术 特别适用于影响因素多 错综复杂的数据集 以提取有用信息 将模式识别和人工神经网络技术应用到转炉炼钢过程控制中 可 在一定程度上克服常规模型的不足 提高终点命中率 为生产优化提供指导 论文通过模式识别中的PLS 偏最小二乘法 分析 建立了转炉冶炼终点磷含量统计模型 由主成分映照图中找出提 高磷分配比的参数优化方向 为了预测终点磷含量 建立了基于改进BP 前向反馈 网络算法的磷含量人工神经网络模型 调整网络参数 结合现场数据训练和预报 终点磷含量在偏差 0 002 的预测命中率达到74 同时 利用模式识别和神经网络结构的PLS BP降维网络设计了4个冶炼工艺参数点 预测的结果与理论和实际都比较符合 5 期刊论文 屈凌波 相秉仁 安登魁 人工神经网络在中药模式识别中的应用 计算机与应用化学2002 19 4 介绍了人工神经网络在中药模式识别中的应用 对阿胶 牛黄 地不容 柴胡等进行了模式识别 识别结果令人满意 讨论了本法的稳定性 容错性及可靠性 并对人工神经网络的应用 前景进行了展望 6 学位论文 仇贵宾 基于BP人工神经网络的局部放电模式识别 1998 电力设备的安全性历来受到人们的高度重视 其运动安全的主发威胁来自其绝缘体系 而放电是影响绝缘性能的主要因素 该文从工程实际应用角度出发 提出以下放电特片提取方法 a 基于放电脉冲统计特性的三维n a N图和三维n t N图 从单位时间放电次数n 每个放电脉冲面积a 彼此相邻的两个放电脉冲的时间间隔t中提取出反映放电强度的局部放电脉冲面积特 性 三维n a N图 和反映放电发生分布规律的局部放电脉冲间隔特性性图 三维n t N图 其中N表示总共进行了N次单位时间的数据采样 d 基于波形分析的二维T V图 对采集到的不同放电 类型的放电脉冲波形进行最小二乘曲线拟合 可得到反映单个放电脉冲形状的二维T V图 其中T代表连续时间轴 V代表连续幅值轴 实验证明了基于统计分析的n a N n t N图和基于波形分 析的T V图在放电模式识别中的有效性 利用T L图谱进行放电模式识别比利用n a N图谱和n t N图谱具有更多的优点 主要表现在 1 数据处理量小 2 拟合精度高 更能反映不同放电类型之 间的差别 3 神经网络规模小 训练及识别成功率高 4 更适宜向下位机移植 因此 对放电脉冲波形有而区别的局部放电 最好首先考虑用T V图谱进行识别 然后考虑用n a N图谱和n t N图 谱进行识别 7 期刊论文 徐荣军 陈念贻 刘洪霖 张永鑫 马智明 XU Rongjun CHEN NianYi Liu Honglin ZHANG Yongxin MA Zhiming 基于模式识别和人 工神经网络建立的板坯连铸二冷水模型 钢铁2001 36 2 介绍了一种铸坯表面测温的方法 并依据铸坯表面温度 应用模式识别与人工神经网络相结合的方法 建立了板坯连铸的二冷水模型 该模型既可根据模式识别的分类图预报优化的 二冷工艺参数 亦可根据钢种 中间包钢水温度 拉速及希望的二冷区不同部位的铸坯表面温度由PLS改善了的输入神经元网络 预报连铸不同回路的水量 该模型运用于生产实际后 铸 坯表面裂纹大为减少 取得了较好的效果 8 学位论文 尹志德 用人工神经网络对电机绝缘模型放电的模式识别研究 1998 局部放电是电力设备的线监测的重要对象 根据放电牲上断设备状态 能及时预报故障 对于保证设备的运行可靠性有重要意义 现有的放电监测系统根据放电量和放电谱图目测分析进 行故障诊断 具有一定的局限性 该论文的目标是用模式识别方法来识别放电类型和严重程度 提高诊断的科学性和可靠性 根据对于大电机定子绕组局部放电现象的深入分析 提出定子线棒 工业仿真模型的设计方案 模型中设置人为的缺陷 模拟电机中的典型放电 绝缘气隙放电 绕组端部表面放电和槽部放电 以三维谱图指纹方式对放电信息进行有效压缩 以谱图表列数据为 特征量构成放电样本 建立了任务分解的前馈网络模块 类型识别主块和若干程度识别子块 并组成人工神经网络组 训练好的网络组对放电类型的识别率超过80 对于放电程序也有较满意 的识别结果 论文工作中 还对放电数据长度 放电特征提取方法 训练样本选取原则 模式识别步骤等影响识别效果的因素 以及类型混合放电模式的识别 进行了研究 9 学位论文 师学明 模式识别及人工神经网络方法在鲁西金刚石预测中的应用 1996 该文还研究了近年来兴起的人工神经网络的模式识别方法 误差反向传播BP法 自适应谐振聚类ART算法 文中还从理论和应用上详细讨论了传统模式识别方法与人工神经网络方法的判 别边界 误判问题 特征提取以及诸种方法的组合应用等问题 拓宽了模式识别方法在地学中的应用 该文还建立了在IBM PC 586微机DOS Windows环境下FORTRAN C语言的模式识别系统 该系统功能齐全 使用方便 山东鲁西地区是中国金刚石原生矿区之一 但自60年代末发现王家村 西峪 坡里岩矿带以来在金刚石找矿方面尚无实质性的重大突破 鲁西地区积累了大量的 重砂 物化探资料 经过详细的分析和研究 从地质环境 金刚石与指示矿物 物化探异常等多个角度精心选择与提取