農(nóng)機(jī)電氣裝備故障快速診斷系統(tǒng)設(shè)計(jì)——基于知識(shí)挖掘和經(jīng)驗(yàn)數(shù)據(jù)庫

田二林，朱永琴，南姣芬

(1.鄭州輕工業(yè)學(xué)院 計(jì)算機(jī)與通信工程學(xué)院，鄭州 450002；2.黃河交通學(xué)院 機(jī)電工程學(xué)院，河南 焦作 454950)

0 引言

隨著經(jīng)濟(jì)的發(fā)展和農(nóng)業(yè)技術(shù)的不斷進(jìn)步，智能化電氣系統(tǒng)被引入到了現(xiàn)代化農(nóng)機(jī)設(shè)備中，計(jì)算機(jī)技術(shù)、電力電子技術(shù)、傳感器技術(shù)和現(xiàn)場(chǎng)總線技術(shù)也使電氣設(shè)備故障的智能化診斷成為可能。農(nóng)機(jī)電氣在工作過程中涉及到電、磁、光、熱、力和作業(yè)環(huán)境的影響，其故障的類型也是多樣性的，而且不少故障的出現(xiàn)是一個(gè)瞬態(tài)過程，這給農(nóng)機(jī)的故障檢測(cè)和診斷帶來了較大的麻煩。傳統(tǒng)的電氣故障是在電氣元件完全失效后診斷出結(jié)果，但耽誤農(nóng)機(jī)的使用，而智能化診斷系統(tǒng)可以對(duì)故障進(jìn)行自診斷，提前預(yù)測(cè)故障，從而保證農(nóng)機(jī)設(shè)備的高效運(yùn)行。

1 農(nóng)機(jī)電氣故障診斷系統(tǒng)

目前，農(nóng)機(jī)電氣故障的診斷方法中大部分采用專家系統(tǒng)，利用專家的經(jīng)驗(yàn)和知識(shí)處理，將電氣系統(tǒng)的診斷知識(shí)和經(jīng)驗(yàn)歸納成規(guī)則，來對(duì)故障類型進(jìn)行判斷。這種方法過于依賴經(jīng)驗(yàn)，使診斷系統(tǒng)的完整性和適應(yīng)性較差。隨著人工智能技術(shù)的發(fā)展，很多先進(jìn)的算法開始與專家系統(tǒng)結(jié)合使用，采用模式識(shí)別的方法，更好更快地對(duì)故障進(jìn)行診斷，如神經(jīng)網(wǎng)絡(luò)算法。神經(jīng)網(wǎng)絡(luò)算法通過不斷訓(xùn)練，使自身具有較強(qiáng)的學(xué)習(xí)能力、記憶能力、數(shù)據(jù)處理能力和容錯(cuò)能力等，可對(duì)農(nóng)機(jī)電氣系統(tǒng)故障的一些未知類型進(jìn)行判斷，并將專家系統(tǒng)的一些經(jīng)驗(yàn)常識(shí)以權(quán)值或者閾值的形式存到神經(jīng)網(wǎng)絡(luò)上，使診斷系統(tǒng)具有更高的靈敏性和準(zhǔn)確性。為此，可以將神經(jīng)網(wǎng)絡(luò)算法和專家系統(tǒng)相結(jié)合，組成更加智能、快速精準(zhǔn)的診斷系統(tǒng)，其框架結(jié)構(gòu)如圖1所示。

圖1 基于知識(shí)挖掘的農(nóng)機(jī)電氣故障診斷系統(tǒng)

將知識(shí)挖掘的神經(jīng)網(wǎng)絡(luò)算法和專家系統(tǒng)相結(jié)合，可以充分發(fā)揮兩者的優(yōu)勢(shì)：一方面，對(duì)于簡單的故障及確定型的故障可以通過專家系統(tǒng)直接定型；另一方面，對(duì)于多故障、不確定型的故障可以采用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行推理判斷，然后再交給專家系統(tǒng)，對(duì)診斷結(jié)果進(jìn)行輸出。為了使處理結(jié)果更加準(zhǔn)確、處理方法更加高效，對(duì)于采集數(shù)據(jù)、專家經(jīng)驗(yàn)數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)統(tǒng)一進(jìn)行小波處理，然后交給處理系統(tǒng)。

2 電氣故障快速診斷

為了實(shí)現(xiàn)農(nóng)機(jī)裝備電氣故障的快速診斷，首先需要根據(jù)故障經(jīng)驗(yàn)及實(shí)驗(yàn)數(shù)據(jù)建立經(jīng)驗(yàn)數(shù)據(jù)庫，然后采用數(shù)據(jù)挖掘的方法對(duì)采集的電氣信號(hào)進(jìn)行診斷，從而可以高效地識(shí)別電氣故障類型。其基本流程如圖2所示。

圖2 基于知識(shí)挖掘和經(jīng)驗(yàn)數(shù)據(jù)庫的電氣故障診斷

在進(jìn)行電氣故障診斷時(shí)，首先進(jìn)行農(nóng)機(jī)電氣故障的信息采集，然后利用相關(guān)的知識(shí)挖掘算法對(duì)經(jīng)驗(yàn)數(shù)據(jù)庫進(jìn)行訓(xùn)練，訓(xùn)練完成后導(dǎo)入采集的數(shù)據(jù)對(duì)故障進(jìn)行識(shí)別。其中，經(jīng)驗(yàn)數(shù)據(jù)庫的訓(xùn)練采用神經(jīng)網(wǎng)絡(luò)算法。神經(jīng)網(wǎng)絡(luò)算法是當(dāng)前流行的一種高效的數(shù)據(jù)挖掘方法，如果將其使用在電氣故障診斷上，配合一定的信號(hào)數(shù)據(jù)處理算法，將有效地提高故障識(shí)別的精度和智能化程度。人工神經(jīng)網(wǎng)絡(luò)是通過對(duì)生物神經(jīng)元細(xì)胞的模型抽象而建立起來的，可以通過編程來實(shí)現(xiàn)。神經(jīng)元的基本模型如圖3所示。

與生物神經(jīng)元細(xì)胞工作原理類似，圖3中的模型可以對(duì)數(shù)據(jù)進(jìn)行挖掘，通過對(duì)數(shù)據(jù)的處理，得到最終的識(shí)別結(jié)果。模型的基本公式為

(1)

其中，農(nóng)機(jī)故障診斷信號(hào)序列輸入的個(gè)數(shù)用m表示；經(jīng)驗(yàn)數(shù)據(jù)庫信息的輸入部分為x1,x1,…,xR；ωx1,ωx2,…,ωxR表示連接權(quán)值；θ為偏置信值。權(quán)值和置信值可以分別表示為

(2)

目前，基于知識(shí)挖掘的電氣故障診斷主要是利用數(shù)據(jù)經(jīng)驗(yàn)庫(即故障字典)，將相關(guān)算法(如神經(jīng)網(wǎng)絡(luò)算法)訓(xùn)練成為一個(gè)廣泛的經(jīng)驗(yàn)數(shù)據(jù)庫，通過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和聯(lián)想能力，達(dá)到對(duì)故障數(shù)據(jù)類型進(jìn)行分類并識(shí)別的目的。按照輸入電氣信號(hào)的不同，經(jīng)驗(yàn)數(shù)據(jù)庫主要分為直流電數(shù)據(jù)庫和交流電數(shù)據(jù)庫?；谥R(shí)挖掘的交流故障字典主要對(duì)交流電信號(hào)加方波激勵(lì)，通過小波變換的方法提取數(shù)據(jù)特征； 基于知識(shí)挖掘的直流電經(jīng)驗(yàn)數(shù)據(jù)庫主要是測(cè)量被測(cè)電路的電壓，然后利用歸一化后輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，通過這兩個(gè)方面來判斷最終的電氣故障類型，如圖4所示。

圖4 基于知識(shí)挖掘的故障診斷經(jīng)驗(yàn)數(shù)據(jù)庫模型

如果采用并行處理方式，當(dāng)被測(cè)電路節(jié)點(diǎn)較多時(shí)，則形成的神經(jīng)網(wǎng)絡(luò)規(guī)模將較為龐大，而直流測(cè)多個(gè)節(jié)點(diǎn)實(shí)現(xiàn)起來較為困難。因此，可以采用一種分層知識(shí)挖掘的方法，如圖5所示。

圖5 基于分層知識(shí)挖掘的故障診斷模型

首先利用電路的外圍及節(jié)點(diǎn)進(jìn)行子網(wǎng)的撕裂，將一個(gè)較大的網(wǎng)絡(luò)分解為很多小網(wǎng)絡(luò)，保持每個(gè)知識(shí)挖掘網(wǎng)絡(luò)的完整性和獨(dú)立性；然后，對(duì)每個(gè)子網(wǎng)加采集信號(hào)激勵(lì)，利用經(jīng)驗(yàn)數(shù)據(jù)庫對(duì)故障類型進(jìn)行判斷，最終匯總直流和交流的數(shù)據(jù)信息，判斷最終的故障類型。這樣不僅低了知識(shí)挖掘網(wǎng)絡(luò)的復(fù)雜程度，而且提高了故障診斷的效率和準(zhǔn)確性。

3 農(nóng)機(jī)電氣故障測(cè)試

為了驗(yàn)證知識(shí)挖掘和經(jīng)驗(yàn)數(shù)據(jù)庫對(duì)于農(nóng)機(jī)電氣故障診斷的可行性，以拖拉機(jī)的電氣數(shù)據(jù)信號(hào)為基礎(chǔ)，對(duì)其故障進(jìn)行診斷，知識(shí)挖掘采用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。使用的拖拉機(jī)模型如圖6所示。

圖6 電氣故障診斷拖拉機(jī)模型

在使用神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘算法對(duì)故障類型進(jìn)行分類識(shí)別時(shí)，首先需要設(shè)置學(xué)習(xí)樣本。假設(shè)F表示學(xué)習(xí)樣本，F(xiàn)=(X,T)，X=(x1,x2,...,x11)，T=(t1,t2,...,t11)。其中，X表示故障的輸入，T表示診斷結(jié)果的輸出。在進(jìn)行測(cè)試時(shí)，輸出結(jié)果主要有是否有故障及故障類型兩項(xiàng)。采用神經(jīng)網(wǎng)絡(luò)算法，通過迭代計(jì)算，得到了如圖7所示的收斂曲線。

圖7 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘收斂曲線

由圖7可知：采用神經(jīng)網(wǎng)絡(luò)算法可以快速地對(duì)采集的故障信號(hào)進(jìn)行處理，其計(jì)算收斂速度快，在幾個(gè)計(jì)算步數(shù)之內(nèi)便可以達(dá)到穩(wěn)定的收斂。

通過計(jì)算得到了測(cè)試數(shù)據(jù)和目標(biāo)輸出數(shù)據(jù)的誤差統(tǒng)計(jì)，如圖1所示。統(tǒng)計(jì)結(jié)果表明，采用知識(shí)挖掘算法得到的結(jié)果和目標(biāo)輸出的結(jié)果基本一致。由此驗(yàn)證了計(jì)算的準(zhǔn)確性。

表1 診斷結(jié)果和目標(biāo)結(jié)果絕對(duì)誤差

為了驗(yàn)證神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘和經(jīng)驗(yàn)數(shù)據(jù)庫對(duì)電氣故障診斷結(jié)果的準(zhǔn)確性，將其測(cè)試結(jié)果和實(shí)際儀器的測(cè)試結(jié)果進(jìn)行了對(duì)比，得到了絕對(duì)誤差，如表2所示。誤差結(jié)果表明，采用該算法對(duì)故障診斷的準(zhǔn)確性較高。

表2 神經(jīng)網(wǎng)絡(luò)測(cè)試結(jié)果與實(shí)際結(jié)果的絕對(duì)誤差

續(xù)表2

4 結(jié)論

為了提高農(nóng)機(jī)電氣故障診斷系統(tǒng)的智能化程度，使診斷結(jié)果更加準(zhǔn)確，將知識(shí)挖掘和經(jīng)驗(yàn)數(shù)據(jù)庫用于農(nóng)機(jī)故障智能化診斷系統(tǒng)中。采用神經(jīng)網(wǎng)絡(luò)算法作為知識(shí)挖掘算法，通過對(duì)故障診斷樣本數(shù)據(jù)進(jìn)行訓(xùn)練，可以成功地識(shí)別電氣故障的類型。為了驗(yàn)證算法的可行性和可靠性，以拖拉機(jī)電氣系統(tǒng)為模型，對(duì)采集的故障數(shù)據(jù)進(jìn)行了診斷。結(jié)果表明：采用神經(jīng)網(wǎng)絡(luò)算法診斷結(jié)果和目標(biāo)結(jié)果絕對(duì)誤差較小，神經(jīng)網(wǎng)絡(luò)算法與實(shí)際檢測(cè)結(jié)果的誤差也較小。由此驗(yàn)證了算法的準(zhǔn)確性。