基于BP神經(jīng)網(wǎng)絡(luò)的全貫流電機泵故障診斷

徐逍帆 葛強

摘要：BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，可用于數(shù)據(jù)的運算分類及預(yù)測，在故障診斷分析方面應(yīng)用廣泛。全貫流電機泵特點是電機的轉(zhuǎn)子代替了水泵的葉輪外殼，電機泵的電機故障特點比普通電機多且復(fù)雜。目前，全貫流泵故障診斷的研究較少，但BP神經(jīng)網(wǎng)絡(luò)算法對電機故障診斷分析的研究應(yīng)用成熟。運用BP神經(jīng)網(wǎng)絡(luò)算法嘗試對全貫流泵可能存在的故障進行模擬診斷分析與研究，得到了較好的效果。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò);全貫流泵;故障診斷

中圖分類號：TP183? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-957X（2021）02-0139-02

0? 引言

在機電一體化程度越來越高和人工智能迅速發(fā)展的今天，全貫流泵作為新型電機泵在故障檢測這方面目前還是空白，本文主要是通過BP神經(jīng)網(wǎng)絡(luò)算法來進行全貫流電機泵的故障分析檢測及預(yù)測。因為缺少大量的全貫流泵的故障試驗數(shù)據(jù)和仿真模擬數(shù)據(jù)，本文通過參考貫流泵和潛水泵的故障，對全貫流泵的故障進行預(yù)測分析，得出故障頻率特性，再通過運用BP神經(jīng)網(wǎng)絡(luò)對模擬數(shù)據(jù)進行處理，得出故障分析檢測及預(yù)測。

1? 概述

1.1 BP神經(jīng)網(wǎng)絡(luò)簡介

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)[1-3]應(yīng)用比較廣泛。BP網(wǎng)絡(luò)的結(jié)構(gòu)圖：BP神經(jīng)網(wǎng)絡(luò)由輸入層、中間層（或隱層）和輸出層組成。

BP神經(jīng)網(wǎng)絡(luò)的學習流程比較特殊。以下為神經(jīng)網(wǎng)絡(luò)算法的流程：首先初始化神經(jīng)網(wǎng)絡(luò)的輸入值，然后根據(jù)輸入層和中間層的計算輸出信號，用輸出的信號與期望值相比較，如果誤差滿足設(shè)定的范圍內(nèi)，則學習結(jié)束;否則學習修正權(quán)值，再次進入迭代學習過程，直到誤差在設(shè)定的范圍內(nèi)或者迭代次數(shù)結(jié)束，學習結(jié)束。

1.2 全貫流泵簡介

全貫流泵（Entirely Tubular Pump）全稱全貫流潛水電泵，又叫濕定子潛水貫流泵，是現(xiàn)代一種新型電機一體化產(chǎn)品[4]，是潛水電機與貫流泵兩種技術(shù)的融合，其原理是電機的轉(zhuǎn)子代替了水泵的葉輪外殼，水泵葉片安裝在電機轉(zhuǎn)子內(nèi)腔，使電機與泵站融為一體，沒有葉頂間隙，水泵的無效部分進而轉(zhuǎn)變成為有效部分，既延續(xù)了潛水電泵組裝便捷、組建經(jīng)費少、噪音小散熱優(yōu)良等優(yōu)點[5]，又增添了全貫流泵通道流暢、裝置效率高的特點[6]。

1.3 故障診斷

故障診斷是一種了解和掌握機器在運行過程中的狀態(tài)，確定其整體或局部正?；虍惓?，早期發(fā)現(xiàn)故障及其原因，并能預(yù)報故障發(fā)展趨勢的技術(shù)[7-8]。要對系統(tǒng)進行故障診斷，首先必須對其進行檢測，在發(fā)生系統(tǒng)故障時，對故障類型、故障部位及原因進行診斷，最終給出解決方案，實現(xiàn)故障恢復(fù)。

基于傳統(tǒng)的故障診斷理論對于現(xiàn)代大型的機械化設(shè)備表現(xiàn)出了很大的局限性[8]，人工神經(jīng)網(wǎng)絡(luò)理論就適時的出現(xiàn)了，近年來在故障診斷技術(shù)中的應(yīng)用進行了系統(tǒng)而深入地研究，類似水泵電機這樣的機械設(shè)備主要的故障診斷思路是先測量機械設(shè)備在運行工作時或相對靜態(tài)條件下的狀態(tài)信息，然后對所測得的信號信息進行處理與分析，并結(jié)合診斷對象的歷史故障情況，來定量識別設(shè)備及其零部件當前運行狀態(tài)，并事先判斷出相關(guān)異常情況、預(yù)測其未來技術(shù)狀態(tài)，從而確定必要對策。因此，神經(jīng)網(wǎng)絡(luò)理論在故障診斷領(lǐng)域顯示出了相當大的應(yīng)用潛力，是近來的熱點方向，本文即采用BP神經(jīng)網(wǎng)絡(luò)算法對電機故障進行分析及預(yù)測。

2? 全貫流泵故障分析

2.1 故障診斷機理

水泵電機故障診斷的最主要是找出發(fā)生不同故障時的各個故障所表現(xiàn)的不同特征，但要找出這些特征，就要分析水泵電機故障的產(chǎn)生機理。

本文主要采用頻譜分析法，即每種故障有其對應(yīng)的特征頻率。據(jù)此確定機器的故障性質(zhì)和嚴重程度。但從目前的試驗數(shù)據(jù)和文獻來看，全貫流泵作為一種新型的電機泵，因為缺少大量的實際與模擬故障試驗數(shù)據(jù)，所以通過參考貫流泵和潛水泵兩種電機泵的故障特點，結(jié)合兩者裝置結(jié)構(gòu)、運行工況上的特點，對全貫流泵的故障進行預(yù)測分析，得出故障頻率特性。

2.2 故障診斷分析

通過大量文獻[9-16]得出，全貫流潛水泵的電機本體屬于三相異步電機，可參照異步電機的可能出現(xiàn)的故障進行預(yù)測分析，轉(zhuǎn)子斷條即葉片損壞故障、轉(zhuǎn)子偏心故障、定子繞組匝間短路故障、軸承震動故障及其他綜合故障。但全貫流泵又不同于三相異步電機，其整體為泵裝置，要考慮前后導(dǎo)葉受損情況，所以前后導(dǎo)葉也是其中一個故障點，因此加了導(dǎo)葉損壞故障。

故擬定設(shè)置六種故障原因，其中葉片損壞和前后導(dǎo)葉損壞嚴重程度也會影響電機故障頻率，又可以分為輕微和嚴重，還有泵裝置本體正常的工作狀態(tài)，故有九種頻率特征：葉片受損（輕微）—f1;葉片受損（嚴重）—f2;前后導(dǎo)葉受損（輕微）—f3;前后導(dǎo)葉受損（嚴重）—f4;匝間短路故障—f5;氣隙偏心故障—f6;軸承震動故障—f7;其他綜合故障—f8;正?！猣9。

3? BP神經(jīng)網(wǎng)絡(luò)學習

3.1 BP神經(jīng)網(wǎng)絡(luò)算法

這里選取2700組數(shù)據(jù)進行模擬實驗，2400組作訓(xùn)練集，300組作測試集。訓(xùn)練方法為梯度下降法，訓(xùn)練函數(shù)為traingd，最大訓(xùn)練次數(shù)為100次，訓(xùn)練要求精度為0，學習率為0.1，最大失敗次數(shù)為5，最小梯度要求為1e-10，Mu初始值為0.001，Mu最大值為1e10。因為本次訓(xùn)練選取一個故障頻率檢測點和其定位點（f，N），所以選擇的輸入層節(jié)點數(shù)是2，輸出有九種結(jié)果，所以選擇的輸出層節(jié)點是9，根據(jù)經(jīng)驗公式：

其中：h為隱含層節(jié)點數(shù)目，m為輸入層節(jié)點數(shù)目，n為輸出層節(jié)點數(shù)目，a為1～10之間的調(diào)節(jié)常數(shù)。

這里，m取值為2，n取值為9，a在6～7之間選擇，所以這里隱含層數(shù)選擇的是10層。目標樣本輸出為一個9×9的單位矩陣。

3.2 算法結(jié)果

將數(shù)據(jù)帶入MATLAB中進行模擬仿真，得出圖1結(jié)果。

由圖1可以看出，這次的訓(xùn)練次數(shù)為58次，只用時1秒，在第52次訓(xùn)練時達到最好的誤差精度4.4501e-4，BP神經(jīng)網(wǎng)絡(luò)就完成了對2700組目標數(shù)據(jù)的訓(xùn)練，得到的實際測試樣本與預(yù)測樣本接近，預(yù)測精度較高，得到了較好的結(jié)果。但由于選取數(shù)據(jù)的數(shù)量級較小，所以選取的典型性較弱，區(qū)分度較低。

4? 結(jié)論

通過BP神經(jīng)網(wǎng)絡(luò)得出全貫流泵的故障診斷分析的方法，快速便捷，可以適應(yīng)大量故障數(shù)據(jù)的篩選和處理，為以后研究全貫流泵故障診斷分析提供了思路。

但也可以看出本文在BP神經(jīng)網(wǎng)絡(luò)算法的程序編寫和數(shù)據(jù)典型性的選取上還存在缺陷，還需要進一步修改調(diào)試程序，獲取大量有效數(shù)據(jù)。因為BP神經(jīng)網(wǎng)絡(luò)算法自身也具有學習效率低、收斂速度慢、易陷入局部極小值的狀態(tài)，所以可以選擇精度更高，訓(xùn)練效果更好的神經(jīng)網(wǎng)絡(luò)算法。

本次試驗，如果有實際電機泵實驗和ANSYS有限元仿真作為支撐，所獲得的數(shù)據(jù)更多，數(shù)據(jù)更具有典型性，其神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果將越好，基于BP神經(jīng)網(wǎng)絡(luò)的電機泵故障診斷在工業(yè)生產(chǎn)指導(dǎo)實踐中的更具有研究意義。

參考文獻：

[1]葛強，徐倆倆，段小匯.人工神經(jīng)網(wǎng)絡(luò)在水泵性能預(yù)測中的應(yīng)用研究[J].河海大學學報：自然科學版，2007，35（1）：22-25.

[2]黃麗.BP神經(jīng)網(wǎng)絡(luò)算法改進及應(yīng)用研究[D].重慶師范大學，2008.

[3]吳昌友.神經(jīng)網(wǎng)絡(luò)的研究及應(yīng)用[D].東北農(nóng)業(yè)大學，2007.

[4]張重陽，劉超，馮旭松，初長虹，謝璐，雷鎮(zhèn).全貫流泵流動特性數(shù)值模擬和性能預(yù)測[J].南水北調(diào)與水利科技，2019，17（4）：185-192.

[5]袁龍剛，呂建新.大中型潛水泵站設(shè)計選型與應(yīng)用[J].陜西水利，2016（02）：136-138.

[6]古智生.全貫流潛水電泵的開發(fā)與應(yīng)用[J].水利水電技術(shù)，2010，41（12）：54-57.

[7]王文峰，阮俊虎，CV-MATH，劉衍琦，郭裕蘭著.MATLAB計算機視覺與機器認知[M].北京航空航天大學出版社，2017.

[8]馬紅忠.電機狀態(tài)監(jiān)測與故障診斷[M].北京：機械工業(yè)出版社，2008.

[9]侯新國，吳正國，夏立，卜樂平.基于相關(guān)分析的感應(yīng)電機定子故障診斷方法研究[J].中國電機工程學報，2005（04）：85-88.

[10]王瑞欣.全信息融合算法在混流泵故障診斷系統(tǒng)中的應(yīng)用研究[D].鄭州大學，2014.

[11]王瑞海，孫鵬，呂振江，湯家升，劉鵬.概率神經(jīng)網(wǎng)絡(luò)在水泵故障診斷中的應(yīng)用研究[J].煤礦機械，2014，35（10）：285-287.

[12]謝永濤，劉俊俊，賈嶸，董開松.燈泡貫流式機組的狀態(tài)監(jiān)測與故障診斷系統(tǒng)設(shè)計[J].電網(wǎng)與清潔能源，2015，31（11）：89-92，100.

[13]鮑曉華，程志恒.基于電流振動雙信號的大型潛水電機偏心故障診斷（英文）[J].電氣工程學報，2016，11（07）：23-31.

[14]張媛媛.基于案例推理的水泵故障診斷技術(shù)研究[D].西安建筑科技大學，2017.

[15]王麗華，謝陽陽，張永宏，趙曉平，周子賢.采用深度學習的異步電機故障診斷方法[J].西安交通大學學報，2017，51（10）：128-134.

[16]游磊，梁穎，韓祺祎，潘茂林，鄧近旦.基于改進混合蛙跳算法的SVM潛水軸流泵故障診斷[J].自動化與儀器儀表，2020（05）：1-3.