電機故障診斷的智能方法論述

李佩燁

（華北電力大學電氣與電子工程學院，河北 保定 071000）

隨著電動汽車產(chǎn)業(yè)、軌道交通行業(yè)以及國防工業(yè)的迅速崛起，電機已經(jīng)成為工業(yè)生產(chǎn)的重要設備，為了滿足不同領域的需求，電機結(jié)構(gòu)設計得越來越復雜，電機發(fā)生故障的概率也有所增大。電機出現(xiàn)故障會降低工作效率甚至可能引發(fā)事故，因此，研究不同狀態(tài)下電機故障診斷的方法是保證系統(tǒng)安全運行的重要措施。傳統(tǒng)的故障診斷方法通過提取電機故障狀態(tài)的特征向量進行識別。電機故障的突變性、非線性以及并發(fā)性等，使得傳統(tǒng)的電機故障診斷困難重重。隨著智能化的發(fā)展完善，融合了智能化的電機故障診斷方法有效彌補了傳統(tǒng)方法的不足。本文綜述了國內(nèi)外電機故障診斷的智能方法，并對所述的診斷方法進行分析，提出了電機故障診斷智能方法的發(fā)展趨勢。

1 電機故障類型、特點及診斷

電機故障種類龐雜，從故障位置的角度可以分為定子故障、轉(zhuǎn)子故障以及軸故障三類。當電機發(fā)生故障時，通常表現(xiàn)為電機不能啟動、電機溫度過高、電機轉(zhuǎn)速異?；蜣D(zhuǎn)動時噪聲過大、電機內(nèi)部電路的電流異常以及電機外殼帶電這五種形式。

而電機故障智能診斷方法技術(shù)涉及電路磁路系統(tǒng)、機械系統(tǒng)、散熱系統(tǒng)等多個領域。由于電機設備故障信號與故障類型之間復雜的非線性映射關系，使得故障識別及后續(xù)的診斷較為復雜，因此進一步采用多學科領域的智能診斷技術(shù)是目前發(fā)展的一大趨勢，這將會提高故障診斷的容錯性、抗噪性以及精確性。

2 電機故障診斷的智能方法研究現(xiàn)狀

2.1 基于信號變換的故障診斷方法

電機的故障信息表現(xiàn)為特征參量的變化，存在于被測信號中。但是，表征早期故障的信號較弱，噪聲較強，如果借助特殊的處理方法對信號進行提取，就能獲得故障特征信息，從而確定電機的故障類型。最初信號處理方法是Fourier變換，后來由此發(fā)展出小波變換。小波變換是時間和頻域的局部變換，通過伸縮平移變換對信號進行多尺度細化分析，從而突出被測信號的故障特征。通過對電機轉(zhuǎn)子振動信號進行小波分解，通過奇異性分析，準確獲得了信號畸變的時間以及瞬態(tài)特征，實現(xiàn)了有效的電機故障智能診斷。利用小波包變換有效克服了小波變換在高頻段頻率分辨率較差，在低頻段時間分辨率較差的困難，對開關磁阻電機功率變換器故障做出準確快速診斷。信號變換適合探測正常信號中夾帶的瞬態(tài)異常信號并展示其特征，廣泛應用于電機設備的故障診斷中，但此類診斷方法不能進行學習。

2.2 基于人工神經(jīng)網(wǎng)絡的故障診斷方法

人工神經(jīng)網(wǎng)絡(Artificial Neural Network，ANN)是模仿人的神經(jīng)網(wǎng)絡處理復雜信息的一種運算模型。ANN由大量簡單的人工神經(jīng)元廣泛連接,具有非線性關系、一定的整體性以及自學習能力等，能夠建立從征兆現(xiàn)象到故障類型的映射，因此，ANN非常適合用在電機故障智能診斷。ANN在電機故障智能診斷中不依賴其內(nèi)部運行情況，也不苛求定量的數(shù)學模型。采用有監(jiān)督式學習（Back Propagation, BP）神經(jīng)網(wǎng)絡對全貫流電機泵進行故障診斷。先用頻譜分析確定表征全貫流電機泵每種故障的頻率特性，利用特征頻譜中的譜峰能量值作為神經(jīng)網(wǎng)絡的輸入樣本，以對應的故障類型作為神經(jīng)網(wǎng)絡的輸出樣本，對該神經(jīng)網(wǎng)絡采用BP算法進行機器學習，得到故障特征到故障類型的映射關系。利用神經(jīng)網(wǎng)絡的分布式系統(tǒng)對全貫通電機泵故障進行診斷。BP網(wǎng)絡通過對樣本的訓練、學習和推廣，能得到自適應能力很強、容錯性很好的一般性規(guī)律。它能進行故障類型識別,還能進行故障程度的評估，因此廣泛應用在電機故障智能診斷中。但由于BP算法采用全局逼近的神經(jīng)網(wǎng)絡，存在收斂速度慢、振蕩以及易陷入局部極小值等問題，以及由于其不具備增量學習能力導致對異常故障的診斷能力低，降低了診斷的可靠性。

2.3 基于支持向量機的故障診斷方法

支持向量機（Support Vector Machine, SVM）是一種對數(shù)據(jù)進行二元分類的按監(jiān)督學習方法。通過核方法進行非線性分類時，使用高維空間轉(zhuǎn)換，將非線性可分問題映射到高維空間上的線性分類問題，從而得到SVM一般結(jié)構(gòu)，接著，尋找最優(yōu)分類面將樣本分離，因此SVM具有通用性。它廣泛應用在模式識別和故障診斷等領域。電機故障診斷問題本質(zhì)上是一種分類問題，SVM也是可以在小樣本條件下獲得最優(yōu)解的方法，這正解決了電機故障中樣本較少的問題。在感應電機軸承故障的診斷中，采用加權(quán)交疊平均法結(jié)合SVM對電機的定子信號進行處理，通過優(yōu)化的核函數(shù)實現(xiàn)軸承外溝通故障的在線診斷分析。這種方式需要的樣本量少、成本低廉，但對于多分類情況效果較差。

2.4 基于模糊理論的診斷方法

模糊理論是通過建立連續(xù)隸屬函數(shù)，用模糊控制對待考察的不確定信息進行決策。在電機故障診斷中，模糊屬性經(jīng)常出現(xiàn)，例如，對征兆的描述：轉(zhuǎn)速“較慢”，波形“不穩(wěn)”等都具有模糊屬性；在信息的采集的過程中也經(jīng)常有噪聲的影響，模糊理論的有效運用能一定程度上抵抗噪聲的干擾，優(yōu)化診斷結(jié)果；而且故障類型與征兆之間也是模糊關系，模糊理論是解決這類問題最有效的工具。模糊理論診斷故障通常有兩種方式，其一是先構(gòu)建特征量與故障狀態(tài)的因果關系矩陣，再建立故障類型與征兆的模糊關系方程，這是基于合成算法及模糊關系的智能診斷方法。其二是先建立征兆與故障類型之間的模糊規(guī)則庫，再運用模糊邏輯推理進行診斷，這是基于知識處理的智能診斷方法。模糊語言比較接近自然語言，可讀性較強，推理邏輯嚴謹，非常適用于處理電機故障這類不確定性問題。然而，模糊診斷在獲取模糊規(guī)則及隸屬函數(shù)時比較困難且具有一定的主觀性，而且不同的電路對應的模糊規(guī)則不同，給電機故障診斷帶來相當大的計算量。但是，將模糊理論引入電機故障智能診斷已是必然趨勢。

3 結(jié)語

在電機故障診斷領域，使用智能方法進行數(shù)據(jù)提取并對數(shù)據(jù)做出分析處理是當今的主流趨勢，并且一些研究成果已經(jīng)得到實際應用。本文首先概述了電機故障的特點及類別，并對應用廣泛的電機故障智能診斷方法進行概括總結(jié)，接著，闡述了智能方法的研究現(xiàn)狀、優(yōu)勢以及不足之處。隨著電機應用領域的日漸廣泛，電路拓撲結(jié)構(gòu)的改變對故障診斷的進行會有影響，而現(xiàn)今的電機故障診斷多數(shù)從特定拓撲結(jié)構(gòu)出發(fā)做進一步研究，具有普適性的智能診斷方法相對較少。隨著人工智能的飛速發(fā)展，將新的智能技術(shù)引入電機故障診斷領域中，取長補短，形成診斷過程更方便、診斷效果更好的理論和技術(shù)，這是該領域發(fā)展的趨勢。同時，隨著電機所在系統(tǒng)越來越復雜，基于多種數(shù)據(jù)源信息相互融合的技術(shù)將得到重視。使用多傳感器的融合方式將不同數(shù)據(jù)源的信息進行融合，更能綜合反映故障的特征信息，可以提高故障診斷的全面性和準確性。