直流電動機故障診斷系統(tǒng)研究

朱歆州，石靈丹

?

直流電動機故障診斷系統(tǒng)研究

朱歆州，石靈丹

（武漢船用電力推進裝置研究所，武漢 430064）

本文主要介紹在LabVIEW軟件平臺下開發(fā)了基于徑向基（RBF）神經(jīng)網(wǎng)絡的直流電動機故障診斷系統(tǒng)。經(jīng)過驗證，系統(tǒng)具有良好的診斷精度，滿足直流電動機故障診斷系統(tǒng)的設計要求。

徑向基神經(jīng)網(wǎng)絡 直流電動機 故障診斷

1 故障診斷基本過程

直流電動機故障診斷的過程分為：

1) 信號采集

通過傳感器采集檢測電動機設備狀態(tài)的特征信號,如溫度、頻率、振動烈度等。

2) 征兆提取

從檢測的特征信號中提取征兆信號。

3) 狀態(tài)評估

它是診斷過程的核心步驟，是將提取的征兆輸入融合判斷中心進行識別評估電動機狀態(tài)，將電動機正常運行及典型故障狀態(tài)工況的參數(shù)與當前的待檢工況參數(shù)進行比較，從而判斷電動機狀態(tài)。

2 故障診斷原理

機械設備故障診斷是識別設備運行狀態(tài)的一門新興學科。它研究的是設備運行狀態(tài)的變化在診斷信息中的反映，其研究內(nèi)容包括對機器運行現(xiàn)狀的識別診斷、對其運行過程的監(jiān)測以及對其運行發(fā)展趨勢的預測等三個方面。長期以來。機械設備故障(特別是突發(fā)性故障)給生產(chǎn)和生命造成了巨大損失。并且一直是生產(chǎn)過程中的潛在威脅。傳統(tǒng)的機械設備故障診斷專家系統(tǒng)雖然取得了一定成功，然而它還存在許多問題。如知識獲得能力弱。問題求解有一定局限性。

直流電動機故障類型多種多樣，既有電氣故障又有機械故障，既有線性系統(tǒng)故障又有非線性系統(tǒng)故障，既有突變故障又有緩變故障，其關系錯綜復雜，僅借助單一信息源提供的信息，采用常規(guī)或傳統(tǒng)的故障診斷理論和方法，根據(jù)幾個主要的故障特征量做出判斷，難以實現(xiàn)診斷目標。隨著研究的不斷深入，目前新的理論和方法應用于電動機故障診斷的研究越來越多，其中運用神經(jīng)網(wǎng)絡技術進行故障診斷已經(jīng)越來越廣泛。設計中準備采用學習速度快，精度高的徑向基神經(jīng)網(wǎng)絡進行學習訓練，根據(jù)所采集電動機的電壓、電流、繞組溫度等特征信息，結合已知的參數(shù)、結構特點和環(huán)境溫度對可能要發(fā)生的或已發(fā)生的故障進行預報和分析、判斷、確定故障的性質(zhì)和類型。圖1為故障診斷原理框圖。

3 相關文獻中直流電機故障診斷特征值及故障類型的確定

通過對直流電機的故障診斷相關研究論文的分析，可以獲悉直流電動機的常見故障診斷常用特征值及診斷出的故障類型如下：

1）《直流電機故障診斷專家系統(tǒng)》[1]一文提出的電機故障診斷

特征值：電壓，電樞電流及其時域波形，電機轉速及其時域波形，繞組溫度，扭振典型波形，換向器表面形態(tài)，換向火花及其時域波形，軸承振動及其時域波形，絕緣電阻。

對應的故障：換向故障，振動故障，扭振故障，絕緣故障。

2）《基于參數(shù)估計和Fuzzy ARTMAP 的直流電動機故障診斷》[2]一文提出的電機故障診斷

特征值：端電阻，轉動慣量，電感，反電勢系數(shù)，摩擦系數(shù)。

對應的故障：正常，電樞電阻增加，電刷磨損或電刷彈簧壓力不足，線圈斷路，換向片間或繞組短路，繞組與換向片開焊。

3）《BP神經(jīng)網(wǎng)絡在直流電動機故障診斷應用方面的設計和實現(xiàn)》[3]一文提出的電機故障診斷

特征值：電樞電壓，電樞電流，電機轉速。

對應的故障：正常，過壓，欠壓，過流，過載，堵轉，空載。

4）《永磁直流電動機故障監(jiān)測和智能診斷裝置》[4]一文提出的電機故障診斷

特征值：穩(wěn)態(tài)電樞電流均值，穩(wěn)態(tài)電樞電流的標準差，穩(wěn)態(tài)電樞電流的譜峰對應的頻率，啟動過程電流峰值點附近的斜率。

對應的故障：正常，電刷故障，元件開路，繞組脫焊，匝間短路。

4 故障診斷特征值及故障類型的確定

現(xiàn)已知監(jiān)測到的直流電動機模擬信號如下所示：

前電樞電壓，前電樞電流，前勵磁電流，后電樞電壓，后電樞電流，后勵磁電流，電機轉速，艏端軸承溫度，艏端進風口溫度，艏端鐵芯出口溫度，艉端軸承溫度，艉端進風口溫度，艉端鐵芯出口溫度，換向器出風口溫度。

通過對模擬信號的監(jiān)測、分析以及對上述文獻資料研究結果的整理，可以初步確定直流電動機故障診斷系統(tǒng)的特征值如下：

1）時域信號特征值

艏端軸承溫度，艏端進風口溫度，艏端鐵芯出口溫度，艉端軸承溫度，艉端進風口溫度，艉端鐵芯出口溫度，換向器出風口溫度,換向火花監(jiān)測值，振動烈度，旋轉頻率，低頻信號An的時域參數(shù)—峰值、峰值指標。

2）時頻信號特征值：將振動信號小波分解后各頻帶小波能量值:

直流電動機的故障類型初步確定有如下幾種：

正常；電樞匝間短路；換向器故障；轉子不平衡；轉子不對中；軸承座松動；電樞繞組損壞，接地故障或SCR觸發(fā)不可靠故障；電刷故障；觸發(fā)脈沖板故障，或者主回路保險絲燒斷；可控硅、控制插件板故障以及接線松動或保險絲燒斷；比較電路插件版（速度調(diào)節(jié)器）故障；電流經(jīng)過了直流電機軸承通道后而接地。

5 神經(jīng)網(wǎng)絡結構及算法的選取

已知輸入層為21神經(jīng)元，輸出層為10個神經(jīng)元，根據(jù)經(jīng)驗公式：

根據(jù)上述一式，采用三層的神經(jīng)網(wǎng)絡結構。則隱層神經(jīng)元個數(shù)為：n=28 。即所取神經(jīng)網(wǎng)絡結構為21-28-10結構。神經(jīng)網(wǎng)絡選取徑向基（RBF）網(wǎng)絡，算法采用LMS算法，即最小均方差或者梯度算法。下圖2為利用神經(jīng)網(wǎng)絡進行故障診斷的原理示意圖。

6 故障模式識別方法的選取

故障診斷問題，實質(zhì)上是一個模式識別問題。

表1 神經(jīng)網(wǎng)絡學習樣本

表2 神經(jīng)網(wǎng)絡對待檢故障特征診斷的結果

神經(jīng)網(wǎng)絡的學習就是對多個特征參數(shù)的冗余故障信息進行學習并辨識，輸出一組向量，這組向量就是一組待檢的故障模式。因此要想診斷出電機故障，必須將待檢向量與已知模式A, A, A ..A進行比較，即要求出待檢模式與哪個已知的模式最為接近。

當已知模式與待檢模式都用向量來表示時，模式識別就簡化為兩個向量的比較和擇近問題，也就是比較待檢故障模式與各已知的故障模式向量A之間的貼進度。

設每個模式都是論域={u,u,u}中的一個向量：

則稱待檢模式應歸入已知模式A中，從而完成模式的識別。其中∈(,A)為兩個向量的貼近度，目前計算的公式很多，常用的有以下兩種：

1）最小最大貼近度1

2）歐式距離貼近度2

式中A=(a1,a2,….an)，B=(b1,b2,….bn)。

另一方面文獻《基于BP神經(jīng)網(wǎng)絡模型電機故障診斷專家系統(tǒng)》[5]一文中指出：在診斷故障時，輸出節(jié)點判斷閾值(0<<1)是一個比較重要的參數(shù)，如果輸出層某神經(jīng)元的輸出值大于，則認為有該類故障存在；否則，認為無故障。在確定值時應非常慎重，如果選取較小，對故障現(xiàn)象輸入比較敏感，抗干擾能力差，可能導致誤判；如果選取較大，則會造成故障漏檢。因此，值選取應仔細考慮。一般對于要求不太高的系統(tǒng)，

值可取得大些；對于出現(xiàn)故障后損失重大或嚴重影響性能的故障，寧可錯檢也要使值小些。

在本設計中將選用歐氏距離貼近度進行故障識別，與此同時選用一個合適的輸出節(jié)點判斷閾值(0<<1)，兩種模式識別方法結合使用，能大大提高系統(tǒng)的準確性和可靠性。本系統(tǒng)是用于重要場合電機的故障診斷，這些故障出現(xiàn)后會影響到電機的壽命、動力性及經(jīng)濟性，因而選取值應偏小一些。

7 RBF神經(jīng)網(wǎng)絡在直流電動機故障診斷中的應用實例

在設計好電機故障診斷系統(tǒng)后，必須要對系統(tǒng)進行驗證，以檢驗其功能是否能滿足設計要求。

在電機試驗臺上人為設置了如下8種故障狀態(tài)，8種故障對應的字母編號為：．正常；. 電樞匝間短路；. 轉子不平衡；. 轉子不對中；.軸承座松動；. 電樞繞組損壞.電刷故障；. 電流經(jīng)過了直流電機軸承通道后而接地。經(jīng)過測試獲取每種故障狀態(tài)下的振動信號及對應的時域特征值10組，然后提取出特征值，那么就可以得到10組特征向量，經(jīng)過數(shù)據(jù)融合得到每種故障狀態(tài)對應融合后的特征向量，為10組電樞匝間短路故障狀態(tài)下提取出的電機故障特征值和分批估計融合數(shù)據(jù)對比表（在實驗中，人為設定的故障狀態(tài)有8種，限于篇幅，只能給出其中一種故障狀態(tài)的10組實驗數(shù)據(jù)）。從應用效果上來看，數(shù)據(jù)融合的處理方法要比簡單的平均值方法更加合理，更接近真實值。然后在對融合后的特征值進行數(shù)據(jù)歸一處理，便得到了故障診斷知識庫。

經(jīng)過歸一化處理后得到故障診斷知識庫即神經(jīng)網(wǎng)絡的學習樣本見表1所示。得到表1中的神經(jīng)網(wǎng)絡學習樣本后，即可開始對神經(jīng)網(wǎng)絡進行訓練，。

從表2可以看出神經(jīng)網(wǎng)絡進行故障診斷的結果和各組特征值對應的故障完全一致，而且診斷精度高，容錯性好，正確診斷率幾乎為100%，完全符合了直流電動機智能故障診斷系統(tǒng)設計的要求。

圖2為電機故障診斷流程示意圖，圖3為電機故障診斷原理示意圖。

8 結論

經(jīng)過實例驗證，將神經(jīng)網(wǎng)絡技術應用于直流電動機的故障診斷，具有可行性。開發(fā)這樣的智能故障診斷系統(tǒng)無疑具有良好的工程效益。對交流電機乃至其它機械設備的故障診斷都具有良好的借鑒意義。

圖3 電機故障診斷原理示意圖

[1] 沈標正等.直流電機故障診斷專家系統(tǒng)[J]. 人工智能技術應用, 2003, （1）:16-19.

[2] 楊靜等.基于參數(shù)估計和Fuzzy ARTMAP 的直流電動機故障診斷[J]. 北京航空航天大學學報, 2001，27（3）:284-288.

[3] 崔立志. BP神經(jīng)網(wǎng)絡在直流電動機故障診斷應用方面的設計和實現(xiàn)[J]. 電氣開關2005,（5）:45-48.

[4] 劉曼蘭等.永磁直流電動機故障監(jiān)測和智能診斷裝置[J]. 微特電機2005,（9）:14-15.

[5] 黃丹等. 基于BP神經(jīng)網(wǎng)絡模型電機故障診斷專家系統(tǒng)[J]. 自動化儀表2003，24（3）：15-17.

Research on DC Motor Fault Diagnosis System

Zhu Xinzhou, Shi Lingdan

(Wuhan Institute of Marine Electric Propulsion, Wuhan 430064, China)

TM33

A

1003-4862（2013）01-0035-04

2012-04-16

朱歆州（1972-），男，高級工程師。研究方向：船舶動力系統(tǒng)監(jiān)控。