基于BP神經(jīng)網(wǎng)絡的大功率直流電機故障診斷研究

成振華，樊利民

(華南理工大學 電力學院，廣東 廣州 510641)

基于BP神經(jīng)網(wǎng)絡的大功率直流電機故障診斷研究

成振華，樊利民

(華南理工大學 電力學院，廣東 廣州 510641)

提出了一種用人工神經(jīng)網(wǎng)絡實現(xiàn)直流電機故障診的方法。推導了故障診斷所需的特征參量。在特征參量的基礎上改變了傳統(tǒng)的電機故障分類方法，將電機故障分為電樞故障、勵磁故障、換向器故障和機械故障4類。以MATLAB仿真數(shù)據(jù)為基礎，訓練了一個可行的神經(jīng)網(wǎng)絡。測試結果表明，對電機故障診斷的正確率較高，可行性較強，建立的故障診斷模型有效地實現(xiàn)了特征參量提取和故障映射的功能。

直流電機； 故障診斷； BP神經(jīng)網(wǎng)絡； 故障分類； 訓練樣本

Abstract: This paper presents a method of fault diagnosis which uses artificial neural network (ANN) to realize fault diagnosis for DC motors. Characteristic parameters needed for fault diagnosis are derived. On that basis, the traditional motor fault classification method is changed, namely, motor faults are divided into 4 types: armature fault, excitation fault, commutator fault and mechanical fault. Based on MATLAB simulation data, a feasible neural network is trained. The test result shows that this approach has high accuracy and feasibility for motor fault diagnosis. The fault diagnosis model established can effectively realize extraction of characteristic parameters and fault mapping.

Keywords: DC motor; fault diagnosis; BP neural network;fault classification; training sample

0 引 言

直流電機由于其良好的調速性能、過載能力和抗沖擊能力被廣泛用于軋鋼廠等調速性能要求很高的工業(yè)場合，這類直流電機往往額定功率很大，電機本身體積也很龐大，出現(xiàn)損壞時。修理起來費時費錢。另外電機一旦突然損壞停機，工廠的生產(chǎn)線也會停止，造成加工產(chǎn)品的巨大損壞，很可能整條生產(chǎn)線都會報廢。為了減少和避免這些損失，用戶迫切需要一種行之有效的方法來提前預知電機故障，以便更加有效合理地安排電機檢修計劃，防止電機突發(fā)故障，減少損失。

目前國內外已有不少文獻提出了各種各樣的電機故障診斷方法，從數(shù)學算法和模型上有模糊推理[1]、人工神經(jīng)網(wǎng)絡[2]、Bayes推理[3]、Dempster-Shafer證據(jù)理論[4]、支持向量機[5]、小波分析[6]、遺傳算法等。從故障診斷所依據(jù)的電機信息來看，主要是電樞電壓、電樞電流、轉速、電機溫度等。這些方法各有利弊，實現(xiàn)的故障診斷效果也不盡相同。在此基礎上，本文意在尋找一種操作更簡單，所需電機信息更少，故障診斷正確率更高的實用方法。本文以BP神經(jīng)網(wǎng)絡為工具，通過發(fā)掘直流電機電樞電流的各項信息實現(xiàn)正確率較高的故障診斷，實時監(jiān)測直流電機的故障狀態(tài)。

1 直流電機故障分析

直流電機帶負載時，其電樞電流和轉矩動態(tài)方程為[7]：

(1)

(2)

任何類型的電機故障都會引起直流電機內部某些參數(shù)的變化，為此我們通過解式(1)和式(2)組成的微分方程組得到一組特征參量。對這些特征參量的要求是：(1)必須是能夠方便測量到的電參量；(2)這一組直流電機特征參量的表達式須包含所有電機內部參數(shù)。

2 特征參量分析

解直流電機負載時動態(tài)數(shù)學模型并簡化得到以下5個參數(shù)[8]：

電機啟動過程中電樞電流峰值：

(3)

電機啟動過程中電樞電流峰值點附近的電流下降速率：

(4)

電機運行時穩(wěn)態(tài)電樞電流：

(5)

由于換向，電機的電磁轉矩會產(chǎn)生周期性脈動，同時電磁轉矩與電樞電流成正比,所以電樞電流也會產(chǎn)生周期性脈動，其中含有大量的諧波成分。其中幅值最大的諧波對應頻率為：

(6)

式中k為換向片數(shù)；p為極對數(shù)；n為電機轉速；LCM表示k和2p的最小公倍數(shù)。由直流電機機械特性表達式可知轉速n的變化是與直流電機參數(shù)息息相關的。

最后,定義穩(wěn)態(tài)電流的標準差，電流的標準差體現(xiàn)了穩(wěn)態(tài)電流的脈動幅度，亦可很好的反映電機的運行狀態(tài)及參數(shù)變化，其表達式為:

(7)

式中N為一個電流脈動周期內所取計算點數(shù)，i(k)為第k個計算點對應電流。

式(3)至式(7)全面闡釋了所有電機參數(shù)與5個可監(jiān)測電量im,K,Ia,f,istd的內在關系，滿足前述故障診斷特征參量的要求。所以確定直流電機故障所需的5個特征參量為：im,K,Ia,f,istd。電機參數(shù)跟特征參量的對應關系如表1所示。

表1 電機參數(shù)和特征參量對應關系

根據(jù)上述特征參量將直流電機故障分為四類，包括：電樞故障、勵磁故障、電刷或換向片故障、機械故障。任何直流電機參數(shù)的變化必然對應著電機的某一類型或某幾種類型的故障，故障類型和電機參數(shù)的對應關系如表2所示。

表2 故障類型和電機參數(shù)對應關系

由表1和表2可知，5個特征參量的變化能夠反映直流電機的故障狀態(tài)。電機發(fā)生不同的故障時，特征參量的變化方向(變大或變小)和變化幅度都有所不同，根據(jù)特征參量變化類型、方向和幅度可以綜合判斷直流電機是否發(fā)生故障及發(fā)生故障的類型。

3 直流電機故障診斷方法

本文選擇BP神經(jīng)網(wǎng)絡作為故障診斷工具。近年來，人工神經(jīng)網(wǎng)絡以其高速尋找優(yōu)化解、聯(lián)想存儲和自學習等特點，在模式識別、智能機器人、自動控制、預測估計、經(jīng)濟等領域已成功解決了許多現(xiàn)代計算機難以解決的實際問題，表現(xiàn)出了良好的智能特性。根據(jù)故障診斷的特征參量和故障類型個數(shù)確定神經(jīng)網(wǎng)絡的輸入輸出和拓撲結構。神經(jīng)網(wǎng)絡的輸入節(jié)點5個，即直流電機的5個特征參量，輸出節(jié)點4個，由4類故障的故障狀態(tài)構成，分別對應4種故障類型，具體故障類型和對應輸出形式如表3所示。表中，“0”表示無故障，“1”表示有故障。

表3 故障類型和輸出形式對應關系

4 實例分析

通過MATLAB/Simulink仿真得到大量直流電機不同狀態(tài)下的電樞電流數(shù)據(jù)，根據(jù)式(3)至式(7)計算得到102組直流電機正常和故障情況下的特征參量數(shù)據(jù)，分別舉例如表4和表5所示，一部分作為神經(jīng)網(wǎng)絡訓練樣本，一部分作為神經(jīng)網(wǎng)絡驗證樣本。根據(jù)直流電機故障診斷的特征參量和故障類型確定BP神經(jīng)網(wǎng)絡的輸入節(jié)點為5個，輸出節(jié)點為4個，每個輸出節(jié)點對應一種故障類型。在MATLAB訓練過程中經(jīng)過反復試湊確定神經(jīng)網(wǎng)絡的隱層節(jié)點為8個。由于神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)包含了5類不同類型不同數(shù)量級的特征數(shù)據(jù)，其物理意義也不盡相同，在神經(jīng)網(wǎng)絡訓練之前還須分別用不同的規(guī)則對各類數(shù)據(jù)(包括訓練樣本和測試樣本)進行歸一化。

表4 電機正常的特征參量數(shù)據(jù)舉例

直流電機故障診斷的正確率由兩方面的結果確定，即：電機故障時能夠診斷出具體故障類型和電機正常時能夠診斷為“無故障”的比率。錯誤率亦包括了電機故障時診斷為“無故障”和電機無故障時診斷為某種故障的比率。將測試樣本數(shù)據(jù)帶入訓練好的神經(jīng)網(wǎng)絡即可得到故障診斷的結果。實際的神經(jīng)網(wǎng)絡輸出必然與理想輸出有所偏差，我們規(guī)定判定故障的上下門限分別為0.7和0.3，對于給定的某一節(jié)點，當輸出大于0.7時判定為某種故障，當輸出小于0.3時判定為“無故障”，當輸出介于0.3和0.7之間時判定為故障診斷失敗。神經(jīng)網(wǎng)絡的實際輸出測試結果如下：12個無故障樣本中，11個判定為“無故障”，1個判定為故障診斷失??；24個故障樣本中，21個正確判定為某種具體故障類型，2個判定為“無故障”，1個判定為故障診斷失敗。綜合上述判定結果，總計36個測試樣本中，32個被正確判定為某種具體故障或“無故障”，2個被錯誤判定，2個被判定為故障診斷失敗。所以直流電機故障診斷的正確率為88.89%，錯誤率和失敗率均為5.56%。部分故障診斷結果及對應的神經(jīng)網(wǎng)絡輸出舉例如表6所示。

表5 電機故障的特征參數(shù)數(shù)據(jù)舉例

表6 故障診斷結果部分舉例

5 結束語

本文從直流電機的動態(tài)方程出發(fā)推導出跟直流電機相關的5個電氣參量，并以此作為電機故診斷所需的5個特征參量。以神經(jīng)網(wǎng)絡作為故障的基本診斷方法，通過對MATLAB仿真得到的數(shù)據(jù)進行訓練和測試發(fā)現(xiàn)，直流電機故障診斷的正確率可以達到88.89%，具有較高的正確識別率，錯誤率和失敗率都較低?？傮w看來，本文提出的基于BP神經(jīng)網(wǎng)絡的直流電機故障診斷效果較好，具有一定的實用性。當然，本文結果在實際應用之前尚有大量研究工作需要完成。第一，MATLAB仿真的數(shù)據(jù)畢竟不夠真實，下一步還須跟用戶協(xié)商獲取實際數(shù)據(jù)進行故障診斷研究。第二，還可以發(fā)掘某些非電量作為特征參量。第三，故障類型還可以進一步細分，另外，理想的特征參量與故障類型的對應關系是一一對應。第四，故障診斷所用BP神經(jīng)網(wǎng)絡算法可以進一步結合其他數(shù)學算法改進。

[1] HAJIAGHAJANI, M., H.A. TOLIYAT, I.M.S. PANAHI. Advanced fault diagnosis of a DC Motor[J]. IEEE Transactions on Energy Conversion, 2004, 19(1): 60-65.

[2] 劉勝利, 曾鳴, 蘇寶庫. 基于模糊神經(jīng)網(wǎng)絡的故障診斷及其在無刷直流電機系統(tǒng)中的應用[J]. 中國慣性技術學報, 1999,7(2): 50-54.

[3] GLOWACZ, A. DC motor fault analysis with the use of acoustic signals, coiflet wavelet transform, and k-nearest neighbor classifier [J]. Archives of Acoustics, 2015, 40(3):321-327

[4] 嵇斗,王向軍. 基于D-S證據(jù)理論的直流電機故障診斷研究[J]. 電機與控制應用, 2008,35(2): 49-64.

[5] 劉曼蘭, 崔淑梅, 郭斌. 基于類加權支持向量機的永磁直流電機故障模式識別方法[J]. 微電機, 2011, 44(05): 79-82.

[6] 賀昌權. 基于小波變換的無刷直流電機智能故障診斷的研究[D].蘭州:蘭州理工大學, 2009.

[7] 唐任遠. 現(xiàn)代永磁電機理論與設計[M]. 北京: 機械工業(yè)出版社, 1999.

[8] 劉曼蘭, 永磁直流電機故障在線監(jiān)測與智能診斷的研究[D].沈陽：哈爾濱工業(yè)大學,2007.

Research on Fault Diagnosis of High Power DC Motors Based on BP Neural Network

Cheng Zhenhua, Fan Limin

(College of Electric Power, South China University of Technology, Guangzhou Guangdong 510641, China)

10.3969/j.issn.1000-3886.2017.03.002

TM331

A

1000-3886(2017)03-0004-02

定稿日期: 2016-11-03

成振華(1991-)，男，湖南永州人，碩士生，專業(yè)：電工理論與新技術，研究方向：電力設備故障診斷，電能質量。