電氣工程及其自動化畢業(yè)設(shè)計-電機故障診斷方法綜述(含外文翻譯)

1、<p><b>　　本科畢業(yè)論文</b></p><p><b>　?。?0 屆）</b></p><p>　　電機故障診斷方法綜述</p><p>　　所在學(xué)院 </p><p>　　專業(yè)班級 電氣工程及其自動化

2、 </p><p>　　學(xué)生姓名 學(xué)號 </p><p>　　指導(dǎo)教師 職稱 </p><p>　　完成日期 年 月 </p><p>　　電機故障診斷方法綜述</p><p><

3、;b>　　摘要</b></p><p>　　電機是工業(yè)生產(chǎn)的心臟，電機若是出現(xiàn)故障，直接影響企業(yè)生產(chǎn),從而會產(chǎn)生極大的經(jīng)濟損失和社會負面效應(yīng)。所以，在實際的工業(yè)生產(chǎn)中，要求電機能盡可能不發(fā)生故障。但是，隨著電機使用年限的增加和質(zhì)量有缺陷等眾多原因，電機會不可避免地產(chǎn)生故障。這時，怎樣快速、準確地找到電機的故障產(chǎn)生的原因，從而，快速地修復(fù)電機故障，減少企業(yè)損失，降低影響成為關(guān)鍵。</p>

4、;<p>　　近幾年來，隨著眾多高新技術(shù)的快速發(fā)展與應(yīng)用，越來越多新的方法與技術(shù)應(yīng)用到電機故障領(lǐng)域，極大地促進了電機故障診斷技術(shù)的發(fā)展。</p><p>　　本文比較系統(tǒng)地總結(jié)了電機常用的故障診斷方法，以及一些電機故障診斷的實例。在眾多的電機故障診斷方法中，本文精選了模糊診斷法，小波分析法，以及神經(jīng)網(wǎng)絡(luò)法作為重點進行介紹，并介紹了目前流行的并且是未來趨勢的復(fù)合診斷法。隨著科學(xué)技術(shù)的快速發(fā)展，相信在不

5、久的將來會有更多的新的技術(shù)以及新的方法應(yīng)用于電機故障診斷領(lǐng)域，而人們對于模糊法、小波分析法、神經(jīng)網(wǎng)絡(luò)法的應(yīng)用也會有更加深刻的的認識，從而能夠更加快速方便地診斷出電機故障。</p><p>　　關(guān)鍵詞　電機故障診斷；模糊法；小波分析法；神經(jīng)網(wǎng)絡(luò)法</p><p>　　The fault diagnosis on motor-A review</p><p><b

6、>　　Abstract</b></p><p>　　The electric motor is the heart of the process of industrialization, if the motor get a fault ,it will directly cause reduction of output of the enterprise,and enormously ec

7、onomic loss and social negative effects. So, we never hope the motor will get a fault in the practical production. But the motor will inevitably break down because of the increase of the application years, the poor quali

8、ty and other reasons. By this time, the key is finding out the reason of the motor fault rapidly and accura</p><p>　　As many high and new technologies are developed and applied rapidly，more and more new meth

9、ods and technologies are applied in the field of the motor’s fault diagnosis to promote its rapid expansion.</p><p>　　Some common means to diagnose the breakdown of motor, and some practical examples are sum

10、med up in this essay by the numbers.Among the numbers methods of motor fault diagnosis，this article choose elaborately fuzzy method ，wavelet analysis method and neural network method as focal point to introduce the metho

11、d of motor fault diagnosis, and we present the compound method as the prevalent method at present and the trend of motor diagnosis in the future. And just as the rapidly development science a</p><p>　　Keywor

12、ds　 The fault diagnosis on motor；Fuzzy method；Wavelet analysis method；Neural network method</p><p>　　不要刪除行尾的分節(jié)符，此行不會被打印</p><p><b>　　目錄</b></p><p><b>　　摘要I</b&g

13、t;</p><p>　　AbstractII</p><p><b>　　第1章 緒論1</b></p><p>　　1.1 大型發(fā)電機與高壓電動機故障監(jiān)測與診斷技術(shù)的意義1</p><p>　　1.1.1 電機故障的產(chǎn)生1</p><p>　　1.1.2 大型發(fā)電機和高壓電動機的重要性

14、1</p><p>　　1.2 電機故障診斷特點及要求2</p><p>　　1.2.1電機故障的故障模式2</p><p>　　1.2.2電機診斷技術(shù)的特點2</p><p>　　1.3 幾種常用的電機故障診斷方法3</p><p>　　1.3.1電機故障診斷現(xiàn)狀與發(fā)展3</p><p

15、>　　1.3.2電機故障診斷方法4</p><p>　　第2章 模糊診斷法6</p><p><b>　　2.1 引言6</b></p><p>　　2.2 模糊診斷法6</p><p>　　2.2.1 征兆論域與故障論域6</p><p>　　2.2.2 動態(tài)建立模糊矩陣R7&

16、lt;/p><p>　　2.3 模糊診斷法在電機故障診斷中的實際應(yīng)用7</p><p>　　2.3.1 故障機理分析及數(shù)學(xué)描述7</p><p>　　2.3.2 模糊診斷規(guī)則9</p><p>　　2.3.3 試驗結(jié)果與分析11</p><p>　　2.4 本章小結(jié)12</p><p>　

17、　第3章 小波分析法13</p><p><b>　　3.1 引言13</b></p><p>　　3.2基于小波理論的電機故障診斷13</p><p>　　3.3 小波原理14</p><p>　　3.4 小波的多分辨率分析14</p><p>　　3.5電機故障噪音特性分析及故障診斷

18、15</p><p>　　3.5.1 電磁故障15</p><p>　　3.5.2 電機外蓋松動15</p><p>　　3.5.3 軸承損壞15</p><p>　　3.6 本章小結(jié)18</p><p>　　第4章 神經(jīng)網(wǎng)絡(luò)診斷法19</p><p><b>　　4.1引

19、言19</b></p><p>　　4.2 基于神經(jīng)網(wǎng)絡(luò)法的電機故障診斷19</p><p>　　4.2.1　故障診斷原理19</p><p>　　4.2.2神經(jīng)元和BP網(wǎng)絡(luò)模型20</p><p>　　4.2.3 BP 算法( 誤差反向傳播算法)22</p><p>　　4.2.4基于BP神經(jīng)網(wǎng)

20、絡(luò)的異步電機故障診斷23</p><p>　　4.3 本章小結(jié)25</p><p>　　第5章 多種方法結(jié)合的電機故障復(fù)合診斷26</p><p>　　5.1 方法原理26</p><p>　　5.2 基于小波分析和神經(jīng)網(wǎng)絡(luò)的故障診斷26</p><p>　　5.2.1 小波包能量特征提取方法27<

21、;/p><p>　　5.2.2 BP神經(jīng)網(wǎng)絡(luò)29</p><p>　　5.3 本章小結(jié)32</p><p><b>　　結(jié)論33</b></p><p><b>　　致謝34</b></p><p><b>　　參考文獻35</b></p&g

22、t;<p><b>　　附錄38</b></p><p>　　千萬不要刪除行尾的分節(jié)符，此行不會被打印。在目錄上點右鍵“更新域”，然后“更新整個目錄”。打印前，不要忘記把上面“Abstract”這一行后加一空行</p><p><b>　　第1章 緒論</b></p><p>　　大型發(fā)電機與高壓電動機故障

23、監(jiān)測與診斷技術(shù)的意義</p><p><b>　　電機故障的產(chǎn)生</b></p><p>　　由于設(shè)計、制造、工藝、原材料、安裝及運行維護等方面可能存在的不足，電機在運行中會產(chǎn)生局部過熱、局部放電等問題，并可能發(fā)展成為匝間短路、相間短路、接地故障等。這些故障的發(fā)生和繼續(xù)存在將不僅導(dǎo)致電機主繞組故障和絕緣結(jié)構(gòu)破壞，而且可能損壞生產(chǎn)線中的其它設(shè)備，造成長時間工廠停產(chǎn)及昂貴

24、的維修費用。</p><p>　　電機絕緣結(jié)構(gòu)性能的優(yōu)劣直接影響到電機的安全性、可靠性和使用壽命。對于任何一臺電機來說，定轉(zhuǎn)子繞組以及鐵心疊片之間的電氣絕緣性對電機的使用安全、可靠性及壽命有很大的影響，絕緣故障會直接或間接地引起電機故障、降低其可靠性，導(dǎo)致強迫停機從而增加其維修工作量和修理費用。</p><p>　　大型發(fā)電機和高壓電動機的重要性</p><p>　

25、　大型發(fā)電機是電力系統(tǒng)中的關(guān)鍵設(shè)備，近年來隨著其額定電壓和容量的不斷提高，大型發(fā)電機在運行過程中受到很多的電，熱，機械應(yīng)力及環(huán)境因素的不利影響，這些因素就會直接或間接地使高壓定子絕緣的一些薄弱環(huán)節(jié)產(chǎn)生局部放電，導(dǎo)致電機出現(xiàn)故障。電機中的局部放電主要有繞組絕緣內(nèi)部放電，端部放電及槽放電等三種。另外，電機中還有一種危害性放電，是由于定子線圈股線斷裂引起的電弧放電，這種放電的機理與局部放電有所不同。我們將電機這四種典型的危害性放電統(tǒng)稱為電機的

26、故障放電。電機中的故障放電是促進絕緣的老化和導(dǎo)致電機發(fā)生事故的重要原因，對大型發(fā)電機故障放電的監(jiān)測不但能夠了解電機絕緣的狀況，還能及時發(fā)現(xiàn)許多有關(guān)制造與安裝方面的問題，確定絕緣故障的原因及嚴重程度，從而有計劃地制定維修計劃，達到防患于未然的目的。</p><p>　　高壓電動機的應(yīng)用也十分廣泛，目前在軋鋼企業(yè)仍是常見的設(shè)備。高壓電動機在運行過程中，由于溫度、電氣、環(huán)境和機械應(yīng)力的單一或綜合作用的緣故，會發(fā)生機械方

27、面及電氣方面的故障。機械方面的故障通常用振動檢測手段加以解決。而對于電氣方面的故障，則由于絕緣種類多，故障原因復(fù)雜，所以較難掌握。運用診斷技術(shù)對大型高壓電動機進行監(jiān)測，是一項比較全新的技術(shù)。</p><p>　　面對越來越復(fù)雜的生產(chǎn)過程，提高電機的技術(shù)維護和管理水平，預(yù)測故障于初始狀態(tài)并能及時加以排除，已成為保障生產(chǎn)可靠性的重要手段。然而，傳統(tǒng)采用的常規(guī)定期預(yù)防性試驗雖然能發(fā)現(xiàn)一些事故隱患，但對一些早期潛伏性故障

28、并不能及時發(fā)現(xiàn)和排除。另外，預(yù)防性試驗大都通過實驗手段進行，電機必須退出運行，不僅測試設(shè)備龐大，還大幅度增加了現(xiàn)場備用電機的容量，既使用麻煩又造成了很大浪費。為此，有必要研究新的及時而有效的電機故障診斷方法及診斷技術(shù)。這對于實際生產(chǎn)有重要意義。</p><p>　　1.2 電機故障診斷特點及要求</p><p>　　1.2.1電機故障的故障模式</p><p>　　

29、產(chǎn)品喪失規(guī)定的功能成為“故障”，對不可或不予修復(fù)的故障而言，也稱為失效。電機的故障形態(tài)通常是：早期故障期→偶然故障期→損耗故障期。電機的大部分故障發(fā)生在偶然故障期。偶然故障期的故障率（t）與電機的維修使用情況有關(guān)。電機經(jīng)過小修或大修后，可靠性必定會有所降低。</p><p>　　電機故障的表現(xiàn)形式稱為“故障模式”，例如電機故障的表現(xiàn)形式有繞組故障（斷路、短路）、軸承故障、換向器故障、機械故障等等。在某一運行時間間

30、隔中，故障模式出現(xiàn)的百分率（頻率數(shù)）可視為常數(shù)，但這隨著電機類型和使用場所而異。據(jù)有關(guān)資料統(tǒng)計的故障率：（1）發(fā)電機 磨損：44%：污損17%：16%：軸承故障13%：電氣故障10%。（2）電動機 電刷故障32%：潤滑故障31%：開路故障14%：換向器故障12%：轉(zhuǎn)子開路、短路11%。 (3)軸承 磨損故障73%：咬死、卡死20%：劃傷7%。</p><p>　　1.2.2電機診斷技術(shù)的特點</p&g

31、t;<p>　　電機診斷技術(shù)具有如下特點：（1）電機診斷是電氣設(shè)備診斷的一部分，但是由于電機的工作原理和結(jié)構(gòu)上的種種特點，其診斷方法和檢測技術(shù)與其它設(shè)備的診斷會有所不同。（2）電機的內(nèi)部存在著幾個相互關(guān)聯(lián)而又不可截然分割的工作系統(tǒng)——主要有電路系統(tǒng)、磁路系統(tǒng)、絕緣系統(tǒng)、機械系統(tǒng)和通風(fēng)散熱系統(tǒng)，因此，電機的診斷涉及的技術(shù)領(lǐng)域也較多——主要有電機學(xué)、熱力學(xué)和傳熱學(xué)、高壓技術(shù)、材料工程、機械診斷學(xué)、電子測量學(xué)、信息工程技術(shù)、

32、計算機技術(shù)等等。另外，電機故障診斷的復(fù)雜性還表現(xiàn)在故障特征量的隱含性、故障起因與故障征兆之間的多元性。一種故障可能表現(xiàn)出多種故障征兆,有時不同故障起因也可能會反映出同一個故障征兆,這種情況下很難立即確定其真正的故障起因。另外,電機的運行還與其負載情況、環(huán)境因素等有關(guān),電機在不同的狀態(tài)下運行,表現(xiàn)出的故障狀態(tài)也各不相同,這進一步增加了電機故障診斷難度,所以要求對電機進行故障診斷首先必須掌握電機本身的結(jié)構(gòu)原理、電磁關(guān)系和進行運行狀況分析的基

33、本方法,即掌握電機各種故障征兆與故障起因間的關(guān)系的規(guī)律。</p><p>　　由以上可知，電機故障診斷需要掌握多門學(xué)科的復(fù)合型人才，對診斷人員的專業(yè)素質(zhì)要求較高，大型電機造價較高而且停機后的損失以及影響較大，所以要在最短時間內(nèi)診斷出故障原因，確保電機長期運轉(zhuǎn)正常。</p><p>　　1.3 幾種常用的電機故障診斷方法</p><p>　　1.3.1電機故障診斷現(xiàn)狀

34、與發(fā)展</p><p>　　目前，傳統(tǒng)的電機故障診斷方法和近年來興起的一些新的方法都取得了長足的發(fā)展。做為一種傳統(tǒng)的診斷方法,故障樹診斷法在電機故障診斷中的應(yīng)用取得了一些顯著地成果。洪治等將模糊技術(shù)和故障樹分析法結(jié)合起來,提出一種模糊故障樹的電機故障診斷方法,并將其應(yīng)用于發(fā)電機組系統(tǒng)的溫度故障診斷,實驗研究表明這一方法可行、有效。張國云等在傳統(tǒng)支持向量機的基礎(chǔ)上,通過集成模糊聚類技術(shù)和支持向量機算法,構(gòu)造了一種適

35、合于電機故障診斷的多級二叉樹分類器。鄧正鵬等對電機故障診斷專家系統(tǒng)知識庫的建立從理論上和方法上進行了研究,建立了基于 C 的產(chǎn)生式知識庫系,取得了良好的效果。劉曉波等針對水輪發(fā)電機組故障原因與癥兆之間的復(fù)雜關(guān)系,建立了水輪發(fā)電機組故障診斷模糊專家系統(tǒng),實例結(jié)果表明該系統(tǒng)推理效率高,可信度好。楊曉萍等人建立了基于信息融合技術(shù)的神經(jīng)網(wǎng)絡(luò)證據(jù)融合故障診斷系統(tǒng),診斷實例表明,經(jīng)過多故障特征信息融合,診斷結(jié)論的可信度明顯提高,可以有效提高電機故障

36、的確診率。彭文季等提出應(yīng)用頻譜法和小波神經(jīng)網(wǎng)絡(luò)對水電機組的振動故障進行診斷,結(jié)果表明,頻譜分析與這種小波神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法進行電機故障診斷的方法簡單有效,并具有診斷速度快</p><p>　　總之，隨著計算機技術(shù)，電氣技術(shù)的不斷發(fā)展，有越來越多的電機診斷方法出現(xiàn)，而一些傳統(tǒng)的診斷技術(shù)也煥發(fā)出了新的活力。目前，多種診斷方法有效地融合，對電機進行診斷，而不是單一方法的應(yīng)用正越來越普遍。</p><

37、;p>　　1.3.2電機故障診斷方法</p><p>　　1.3.2.1 傳統(tǒng)電機故障診斷方法   </p><p>　　在傳統(tǒng)的基于數(shù)學(xué)模型的診斷方法中,經(jīng)典的基于狀態(tài)估計或過程參數(shù)估計的方法被應(yīng)用于電機的故障檢測。這種方法的優(yōu)點是能深入電機系統(tǒng)本質(zhì)的動態(tài)特性,可實現(xiàn)實時診斷,而缺點是需建立精確的電機數(shù)學(xué)模型,選擇適當決策方法,因此,當電機系統(tǒng)模型不確

38、定或非線性時,此類方法就難以對電機故障進行診斷了。</p><p>　　1.3.2.2 模糊診斷法   </p><p>　　模糊診斷方法是利用集合論中的隸屬度函數(shù)和模糊關(guān)系矩陣的概念來解決故障與征兆之間的不確定關(guān)系。在模糊故障診斷中,構(gòu)造隸屬函數(shù)是實現(xiàn)電機故障模糊診斷的前提。模糊故障診斷方法主要有基于模糊模式識別的診斷方法、基于模糊推理的診斷方法、基于模糊模

39、型的診斷方法等。模糊邏輯的引入主要是為了克服由于診斷過程本身的不確定性、不精確性以及噪聲等所帶來的診斷困難，因而在處理復(fù)雜系統(tǒng)的時滯、時變及非線性方面有其優(yōu)越性。模糊故障診斷方法的不足之處在于，復(fù)雜的診斷系統(tǒng)要建立正確的模糊規(guī)則和隸屬函數(shù)很困難，而且需要花費很長的時間。</p><p>　　1.3.2.3 小波分析診斷法</p><p>　　小波分析和小波變換是當前數(shù)學(xué)中一個迅速發(fā)展的新領(lǐng)

40、域，能夠解決很多傅立葉變換難以解決的實際問題。它在時域和頻域都有良好的局域化能力，能聚焦到信號的任意細節(jié)，對信號的突變有很強的識別能力，能有效地去噪和提取有用信號。小波分析故障診斷方法先對信號進行多級的小波分解，從而得到各子帶的數(shù)據(jù)。通過對小波變換系數(shù)模極大值的檢測實現(xiàn)對信號奇異性的檢測，從而確定故障發(fā)生的時間。小波分析非常適合于非平穩(wěn)信號，但對于平穩(wěn)信號而言，也同樣有效。對于分析信號的奇異性位置和奇異性的大小都是比較有效的。因此小波分

41、析為電機故障診斷提供了新的分析方法。</p><p>　　1.3.2.4 神經(jīng)網(wǎng)絡(luò)診斷法</p><p>　　利用神經(jīng)網(wǎng)絡(luò)進行故障診斷的基本思想是以電機故障特征信號作為神經(jīng)網(wǎng)絡(luò)的輸入，診斷結(jié)果作為神經(jīng)網(wǎng)絡(luò)的輸出。首先利用已有的電機故障征兆和診斷結(jié)果對神經(jīng)網(wǎng)絡(luò)進行離線訓(xùn)練，使神經(jīng)網(wǎng)絡(luò)通過權(quán)值記憶故障征兆與診斷結(jié)果之間存在的對應(yīng)關(guān)系;然后將得到的故障征兆加到神經(jīng)網(wǎng)絡(luò)的輸入端，就可以利用訓(xùn)練后的

42、神經(jīng)網(wǎng)絡(luò)進行電機故障診斷，并得到相應(yīng)的診斷結(jié)果。目前，神經(jīng)網(wǎng)絡(luò)診斷法已越來越廣泛地應(yīng)用到電機振動故障診斷系統(tǒng)中。梁業(yè)國等將神經(jīng)網(wǎng)絡(luò)方法引入到發(fā)電機組的故障診斷中,通過對發(fā)電機設(shè)備故障診斷的具體應(yīng)用,證明此方法是有效而且可行的。陳林剛等針對現(xiàn)有發(fā)電機組狀態(tài)監(jiān)測系統(tǒng)功能不完善、不夠智能化的缺點，開發(fā)了基于神經(jīng)網(wǎng)絡(luò)的發(fā)電機組智能故障診斷系統(tǒng)。實驗結(jié)果表明此系統(tǒng)的診斷結(jié)果準確可靠，具有很好的實用價值。</p><p>　

43、　鑒于上述方法的優(yōu)缺點，目前，一些學(xué)者正致力于研究將其它的技術(shù)手段引入電機障診斷中, 形成一種基于這些方法的綜合智能故障診斷方法。這里就不做具體介紹了。</p><p>　　總之，電機故障診斷是一個多階段、多層次的復(fù)雜過程，不同階段用到的知識內(nèi)容、表達形式及解決問題的思維方式和方法都不盡相同。完成一個完整的電機故障診斷過程常常需要多知識表達形式和多推理模式及合理的控制機構(gòu)來解決診斷問題。然而單一的故障診斷技術(shù)各有

44、優(yōu)缺點，難以滿足復(fù)雜系統(tǒng)診斷的全部要求。因此,將多種故障診斷技術(shù)合理地結(jié)合在一起,揚長避短，形成綜合故障診斷技術(shù)，將是電機故障診斷技術(shù)的發(fā)展方向。近幾年來，基于人工智能的方法不斷涌現(xiàn)，對于電機故障診斷的重要作用日益明顯。</p><p>　　由于個人水平有限，時間有限等原因，在此，重點介紹模糊法、小波分析法以及神經(jīng)網(wǎng)絡(luò)法等一些在工程實際常用且很有發(fā)展前途的方法，并簡要介紹了復(fù)合診斷法。</p>&l

45、t;p><b>　　模糊診斷法</b></p><p><b>　　引言</b></p><p>　　模糊診斷的計算方法和模糊矩陣及修正系數(shù)可以較準確地診斷出電機的常見故障，與解體檢修的實際情況基本一致，能較好地為電機的日常維護和管理提供事實依據(jù)，滿足設(shè)備管理的需要。電動機運行過程中存在著諸多不確定因素，因此對其進行故障診斷也必然存在一定的

46、模糊性，主要表現(xiàn)在：（1）診斷參數(shù)具有模糊性。用于故障診斷的振動參數(shù)的頻率范圍帶有一定的模糊性，不同參數(shù)、部位及方向上的振動值超標，所反映的故障狀態(tài)存在模糊性；（2）診斷方法具有模糊性。造成電動機故障的原因常常不是單一的，例如軸承損壞、基礎(chǔ)松動等故障常由電磁振動、不對中或動不平衡等引起，因此使用哪種或哪幾種方法來綜合診斷故障，具有模糊性；（3）診斷標準具有模糊性。診斷標準是故障診斷的依據(jù)，使用哪種標準進行診斷較為準確，現(xiàn)場溫度、負荷等運

47、行工況變化時，診斷標準如何進行修正，都會影響診斷的準確性，且存在較大的模糊性。因此，采用多參數(shù)綜合分析的模糊振動診斷法符合電動機故障診斷的實際情況，可以得到良好的效果。</p><p><b>　　模糊診斷法</b></p><p><b>　　征兆論域與故障論域</b></p><p>　　模糊診斷法是以模糊數(shù)學(xué)為理論基

48、礎(chǔ),根據(jù)故障的因果關(guān)系，由征兆診斷故障。設(shè)故障論域為。征兆論域。</p><p>　　其中（=1，2，3…，m；=1，2，3…,n）表征相應(yīng)于故障的隸屬度。因此模糊矩陣表示某一故障將引起若干強弱不同的征兆，而某一征兆也表征著若干故障的存在。利用模糊關(guān)系矩陣 和模糊向量 作模糊變換, 得到模糊向量。</p><p><b>　?。?-1）</b></p>

49、<p>　　其中 (= 1, 2,…, m) 表示故障原因出現(xiàn)的可能性大小。</p><p>　　從上述分析過程中可見, 模糊關(guān)系矩陣的建立是故障診斷過程的關(guān)鍵環(huán)節(jié), 它直接影響到診斷結(jié)果的可靠性及準確度。</p><p><b>　　動態(tài)建立模糊矩陣R</b></p><p>　　模糊關(guān)系矩陣即征兆論域與故障論域之間的模糊關(guān)系矩陣

50、,雖然其物理意義很明確,但構(gòu)造起來很困難，這是各個專業(yè)在應(yīng)用模糊數(shù)學(xué)時面臨的一個難題。傳統(tǒng)方法是首先根據(jù)經(jīng)驗、 資料統(tǒng)計,其次是機理分析、專家評定,最后還要綜合考慮如下一些因素: </p><p>　　( 1)較容易排除的故障,其隸屬度值取大一些。</p><p>　　( 2)故障頻率高的,其隸屬度取值大一些。</p><p>　　( 3)經(jīng)常使用且易接觸到的取大一

51、些。</p><p>　　( 4)比較簡單而又容易被人忽視的故障的隸屬度取大一些。</p><p>　　( 5)在維修條件和范圍內(nèi)的故障的隸屬度取大一些。 </p><p>　　由上述模糊關(guān)系矩陣的建立過程可看出它的建立基本上是根據(jù)經(jīng)驗或統(tǒng)計而定,而且也沒有一個客觀的評定標準。模糊關(guān)系建立的是否準確,或說是否符合實際,會直接影響到診斷結(jié)果的可靠性與準確度。 <

52、/p><p>　　現(xiàn)在,人工智能已在很多領(lǐng)域廣為應(yīng)用并取得了較好效果。如果在建立電機的模糊關(guān)系矩陣時,能夠引用人工智能的方法,并利用專家知識將專家打分值作為矩陣學(xué)習(xí)的初始值,通過機器的學(xué)習(xí),再經(jīng)過反復(fù)實踐調(diào)整,直到比較實際客觀的符合故障原因與故障征兆的判斷，是一種切實，可行的方法。下面我們通過對具體的診斷實例的診斷過程具體分析模糊法的應(yīng)用。</p><p>　　模糊診斷法在電機故障診斷中的實際

53、應(yīng)用</p><p>　　下面以模糊診斷法在易發(fā)生故障的定子故障診斷上的應(yīng)用為例，來具體說明模糊診斷法在電機故障診斷中的應(yīng)用。</p><p>　　故障機理分析及數(shù)學(xué)描述</p><p>　　電機發(fā)生故障的類型取決于電機的種類及其工作環(huán)境，但不論那類故障，都有其一定的發(fā)展機制，即從最初的缺陷發(fā)展成為故障，也就是說每一種故障都有其早期征兆。一般來說，引起定子故障的主要

54、因素是匝間絕緣破壞、匝間短路等。定子絕緣的常見故障是由于相對地或相對定子殼體的初始故障所引起，超過一定限度，這種故障就發(fā)展成為相對地短路故障。同樣，由于繞組端部灰塵積累、潮濕、相間絕緣損壞或老化會引起相間高電阻而逐漸導(dǎo)致相間短路故障。特別地，當繞組絕緣老化、損壞發(fā)展至一定程度時，必然會同時出現(xiàn)高電阻接地故障和相間高電阻短路故障。</p><p><b>　　圖2-1</b></p>

55、;<p>　　圖2-1示出了電機定子故障機理。對圖2-1定子故障機理的研究表明，雖然定子故障大多呈現(xiàn)振動加劇和溫升加劇的趨勢，但這類現(xiàn)象所暗示的初始故障大都是局部絕緣老化、破壞等，在電測參數(shù)中表現(xiàn)為產(chǎn)生不平衡電流和局部放電現(xiàn)象，我們把系統(tǒng)在故障期間所表現(xiàn)出來的全部的電量和非電量參數(shù)變化現(xiàn)象稱作故障征兆，一組故障征兆的集合稱為故障征兆集:</p><p>　　產(chǎn)生這些故障征兆的原因叫做故障模式，所有故

56、障原因的集合叫做故障模式集:</p><p>　　為便于實現(xiàn)在線監(jiān)測，我們通過考察電機中線電流、定子不對稱電流及其變化率等電測參數(shù)，來研究定子故障診斷。取故障征兆集為:</p><p>　　這是一個三維狀態(tài)模糊集，其中，，進行模糊處理后又存在正大(PB)、正中(PM)、正小(PS)三種模糊狀態(tài)，在理論上組成27種故障征兆，構(gòu)成S集合群，=1，2…27。</p><p&g

57、t;　　初步地，定子故障模式集設(shè)為:={}，=1，2，3，4，5</p><p><b>　　其中:</b></p><p><b>　　—單相斷路故障;</b></p><p>　　—定子繞組不對稱故障;</p><p>　　—高電阻相間短路故障;</p><p>　　—單

58、相高電阻接地故障;</p><p>　　—三相電源不對稱故障。其中，定子繞組不對稱故障可用來說明匝間短路故障。</p><p>　　每一故障模式對應(yīng)一組故障征兆，它們之間常常是一種非線性模糊對應(yīng)關(guān)系。根據(jù)模糊關(guān)系原理建立與之間的關(guān)系矩陣如下表2-2所示。</p><p><b>　　表2-1</b></p><p>&l

59、t;b>　　模糊診斷規(guī)則</b></p><p>　　假定，定子的任一故障模式，與故障征兆集合群的關(guān)系為:</p><p>　　，其中，=1，2，…,5</p><p><b>　　=1，2，…，27</b></p><p>　　那么電機定子故障診斷問題就化為確定中的某個元素在多大程度上隸屬于的問題。若

60、以表示某故障征兆集對某故障模式的隸屬度，則模糊診斷規(guī)則為：</p><p>　　(l)求出故障征兆集對全部故障模式的隸屬度μ;</p><p>　　(2)根據(jù)最大隸屬度原則確定產(chǎn)生故障征兆集的最大可能的故障模式。</p><p>　　此處的隸屬度計算采用加權(quán)平均算法。</p><p>　　首先，給定典型的故障模式，確定相應(yīng)的標準征兆集，顯然:

61、</p><p>　　μ=MAXμ，=1，2，…，5。（2-2）</p><p>　　若特征集中具有，，…，個特征，可根據(jù)經(jīng)驗和統(tǒng)計規(guī)律給每個特征賦予相應(yīng)的權(quán)值，1，2，…，m。</p><p>　　然后，根據(jù)檢測結(jié)果確定任一特征集，=1，2，…，n。其中，各特征所具有的權(quán)值分別為，1，2，…，m。在時，取的值，否則取零值，相關(guān)系數(shù)均取為。因此，任一特征集對給定故障

62、模式的隸屬度為:</p><p>　　其算法流程圖如圖2-3所示。</p><p>　　顯然，μ的取值區(qū)間為[0，l]。一般情況下，根據(jù)上式計算出特征集對各種故障模式的隸屬度，然后根據(jù)最大隸屬度原則確定所發(fā)生的故障模式。</p><p>　　圖2-3.隸屬度計算流程圖</p><p><b>　　試驗結(jié)果與分析</b>&

63、lt;/p><p>　　借助于異步實驗電動機，根據(jù)運行經(jīng)驗和統(tǒng)計試驗結(jié)果，建立模糊關(guān)系矩陣如表2-l所示。</p><p>　　表2-1 模糊關(guān)系矩陣</p><p>　　情況1:模擬斷相運行，檢測定子不平衡電流和中線電流，并進行模糊化處理后結(jié)果為:,，。</p><p>　　根據(jù)模糊關(guān)系矩陣和模糊推理算法，該故障征兆集對各種故障模式的隸屬度為

64、:</p><p><b>　　μ=0.665</b></p><p><b>　　μ=0.167</b></p><p><b>　　μ=0.167</b></p><p><b>　　μ=0.481</b></p><p>&l

65、t;b>　　μ=0.138</b></p><p>　　根據(jù)最大隸屬度原則，該故障屬于模式，即為單相斷路故障;可見診斷結(jié)果與實際情況一致。</p><p>　　情況2:同時設(shè)置故障、并存的情況，這種情況在絕緣老化、損壞，繞組受潮或積塵時最有可能發(fā)生。此時，檢測不平衡電流，得模糊化處理結(jié)果為:=PB，=PS，PB;相應(yīng)的，該征兆對各種故障模式的隸屬度分別求出為:</p

66、><p><b>　　μ=0.586</b></p><p><b>　　μ=0.130</b></p><p><b>　　μ=0.125</b></p><p><b>　　μ=0.704</b></p><p><b>

67、　　μ=0.138</b></p><p>　　根據(jù)上述原則，該故障屬于模式，即相對地高電阻短路故障，顯然，這時出現(xiàn)了漏診情況，即對不平衡電流影響較小的相間高電阻短路故障被漏診。</p><p>　　由此可見，當發(fā)生單個故障時，本方法可有效的給出正確的結(jié)果。當兩個或多個故障并存時，應(yīng)用上述法則首先只能找出影響最為嚴重的故障，這是由于不平衡電流檢測器的輸出信號由兩種或多種故障時的

68、不平衡電流信號疊加而成，淹沒了影響較小的故障電流信號。此時，處理問題的方法有兩種:</p><p>　?。?）對被檢出的故障進行必要的維修處理后，再利用所述方法依次診斷出對電機影響次之、較小的故障模式。一般來說，定子初始故障經(jīng)過維護性修理后，由同類故障機理造成的不同的故障狀態(tài)將隨著主要故障模式的消除而消失。</p><p>　　（2）應(yīng)結(jié)合其它的故障征兆，如局部放電檢測等，以構(gòu)成三維模糊關(guān)

69、系矩陣來判斷所發(fā)生的故障模式。這種方法需要進一步研究，以求選取適合的且便于在線檢測的故障征兆。于在線監(jiān)測，且使故障特征容易分辨。</p><p>　　本方法用于實時診斷時的準確性依賴于模糊關(guān)系矩陣的可信度，而模糊關(guān)系矩陣的建立較強的依賴于專家經(jīng)驗。因此，在構(gòu)成實際診斷系統(tǒng)時，模糊關(guān)系矩陣應(yīng)具有自學(xué)習(xí)功能，并能根據(jù)不同的電機情況進行在線自動整定，可以嘗試運用神經(jīng)網(wǎng)絡(luò)理論來解決這一問題。模糊法法的缺點是不能同時診斷出

70、兩種或多種模式并存的故障。因此，新的用于輔助診斷的故障特征信號的選取、檢測和分類方法值得進一步研究。</p><p>　　總之，上述方法在實時狀態(tài)監(jiān)測中，可以確定定子用傳統(tǒng)方法所不能發(fā)現(xiàn)的所有故障于初始狀態(tài)，它對于在線評價定子工作性能、確定維修準則、保障電機可靠性有著重要意義并為此給出實際可能。</p><p><b>　　本章小結(jié)</b></p>&l

71、t;p>　　電機屬于旋轉(zhuǎn)機械，但是其工作環(huán)境往往與其他機械有很大區(qū)別，其振動與其他旋轉(zhuǎn)機械的振動也有明顯的不同。根據(jù)其振動的特點比較適合于采用模糊診斷法，即在診斷中用隸屬度來描述振動故障癥狀，建立由征兆集到故障集的模糊關(guān)系矩陣，通過模糊變換從而判斷故障發(fā)生的可能性。</p><p>　　從以上內(nèi)容可以看出，模糊法應(yīng)用的關(guān)鍵是確定模糊關(guān)系矩陣，而模糊關(guān)系矩陣的建立沒有一個統(tǒng)一的標準，所以建立起來比較困難。在建

72、立模糊矩陣的過程中經(jīng)驗與數(shù)據(jù)至關(guān)重要，所以，要求我們要長期注意觀察，積攢經(jīng)驗與數(shù)據(jù)。而人工智能等領(lǐng)域的發(fā)展對于模糊法的隸屬度等計算起到了很大的促進作用。近幾年來，模糊法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合，使模糊法又有了長足的發(fā)展。</p><p><b>　　小波分析法</b></p><p><b>　　引言</b></p><p>　

73、　小波理論的思想形成于20世紀初，由Haar在1910年提出第一個小波規(guī)正交基，經(jīng)過近百年的發(fā)展，現(xiàn)在，已經(jīng)成功的發(fā)展成為一個系統(tǒng)理論，而且在工程實際中有了很大的作為，比于傅立葉變換其優(yōu)勢明顯。</p><p>　　近些年來，小波理論發(fā)展迅速，在電子信息技術(shù)方面的圖像處理領(lǐng)域，有很大的應(yīng)用空間。在軍事、計算機等領(lǐng)域有了長足的發(fā)展。</p><p>　　3.2基于小波理論的電機故障診斷<

74、;/p><p>　　從電機啟停運行過程中的電流、溫度和振動等信號可以提取故障特征信息。其中屬于非平穩(wěn)隨機信號的振動信號最能全面反映電機的運行狀態(tài)。然而實踐證明基于傅里葉變換的頻域分析方法不能有效提取電機振動信號中蘊含的故障信息, 無法滿足故障信號特征提取的要求。小波分析采用多分辨率分析的方法, 時間窗和頻率窗可以根據(jù)信號的具體形態(tài)動態(tài)地調(diào)整, 低頻部分采用低的時間分辨率,提高頻率分辨率,而在高頻部分可以采用較低的頻率

75、分辨率來換取精確的時間定位。因此,小波分析廣泛應(yīng)用于時頻分析領(lǐng)域。</p><p>　　電機故障診斷流程一般分為狀態(tài)監(jiān)測和故障診斷兩個階段,這兩個階段可以分以下4個步驟進行,如圖3-1所示。</p><p><b>　　圖3-1</b></p><p><b>　　3.3 小波原理</b></p><p

76、>　　滿足條件的函數(shù)叫做小波，又稱為母小波。由通過平移與放縮產(chǎn)生函數(shù)簇：</p><p>　　其中 （3-1）</p><p>　　信號的積分小波變換為:</p><p><b>　?。?-2）</b></p><p>　　引入內(nèi)積 （3-3）</p><

77、;p>　　記 （3-4）</p><p>　　如果 （3-5）</p><p><b>　　則稱為正交小波。</b></p><p>　　3.4 小波的多分辨率分析</p><p>　　如上所述小波變換是研究電機復(fù)雜噪音信號的有力

78、工具,小波變換具有良好的時頻局部化特性,能夠有效地檢測出突變信號的發(fā)生,而且尺度越小,對發(fā)生時刻的定位越精確。然而,基于單一尺度的小波變換難以區(qū)分復(fù)雜多變的電機噪音信號，必須通過小波變換的伸縮、平移等運算對信號進行分析,即多分辨率分析。Mallat 在構(gòu)造正交小波基的時候提出了多分辨率分析的概念,給出了正交小波的構(gòu)造方法以及正交小波變換的快速算法,即Mallat 算法。Mallat算法在小波分析中的地位相當于快速傅里葉變換算法在經(jīng)典傅里

79、葉分析中的地位。關(guān)于對多分辨率分析的理解, 這里以一個三層的分解進行說明, 其小波分解樹如圖3-2所示。</p><p>　　圖3-2 小波分解樹4</p><p>　　從圖3-2可以看出,多分辨率分析只對低頻部分進行進一步分解。因為對大多數(shù)信號來說,低頻部分更重要,它包含信號特征和變化趨勢。</p><p>　　3.5電機故障噪音特性分析及故障診斷</p&

80、gt;<p>　　電機工作過程中,其動態(tài)信號尤其是振動信號中包含豐富而且重要的反映電機運行狀態(tài)的信息,通過分析研究這些信息,可進一步了解和掌握電機的運行狀態(tài),為電機的故障診斷提供可靠的依據(jù)。當電機產(chǎn)生電磁故障、軸承不對中及軸承損壞等故障時,會產(chǎn)生不同的振動,不同的振動產(chǎn)生不同的噪音,通過對聲音的小波分析,識別故障。研究表明將小波變換應(yīng)用到實際工程中,有一個重要問題需要解決,即小波分解的層數(shù)。分解的層數(shù)少了,診斷的效果不明顯

81、,可能會產(chǎn)生誤診,分解的層數(shù)多了,運算量增加, 不利于實際應(yīng)用。所以在實際應(yīng)用中要求我們選擇適當?shù)姆纸鈱訑?shù)，既要考慮減少誤診率，也要考慮運算量。從而使我們能在盡量減少工作量的同時，能提高效率。</p><p>　　3.5.1 電磁故障</p><p>　　對于電磁故障,如果電動機發(fā)出忽高忽低且沉重的聲音,則原因可能有以下幾種。</p><p>　?。?）定子與轉(zhuǎn)子間

82、氣隙不均勻。此時聲音忽高忽低且高低音間隔時間不變, 這是軸承磨損使定子與轉(zhuǎn)子不同心所致。</p><p>　?。?）三相電流不平衡。這是三相繞組存在誤接地、短路或接觸不良等原因,若聲音很沉悶則說明電動機嚴重過載或缺相運行。</p><p>　?。?）鐵芯松動。電動機在運行中因振動而使鐵芯固定螺栓松動造成鐵芯硅鋼片松動,發(fā)出噪聲。</p><p>　　3.5.2 電機

83、外蓋松動</p><p>　　當電動機的外蓋松動時,會使電機在運行時產(chǎn)生噪聲,甚至產(chǎn)生共振導(dǎo)致蓋脫落。</p><p>　　3.5.3 軸承損壞</p><p>　　電動機前后軸承損壞, 會造成電機轉(zhuǎn)動時徑向跳動, 從而引起集電環(huán)振動, 必須更換新軸承。</p><p>　　下面是某公司的電機故障信號與正常信號的三層小波分解圖，供讀者參考。由

84、于不同的電機故障信號的不同，以及電機型號不同，會有不同的故障信號小波分解圖，這里不能一一舉出，僅以下面的故障電機進行具體說明。</p><p>　　對于某公司產(chǎn)品中的電機部件出現(xiàn)的電磁故障，利用采集到的噪音信號進行小波分析故障診斷如圖3-4所示，為了便于對比同時給出了正常的電機信號及對正常信號的小波分析如圖3-3所示。</p><p>　　第三層低頻系數(shù) 第三層高頻

85、系數(shù)</p><p>　　第二層高頻系數(shù) 第一層高頻系數(shù)</p><p>　　圖3-3正常信號小波分解圖</p><p>　　其中橫坐標為采樣點，縱坐標為信號幅值（V）。</p><p>　　第三層低頻系數(shù) 第三層高頻系數(shù)</p><p>　　第二層高頻系

86、數(shù) 第一層高頻系數(shù)</p><p>　　圖3-4.電磁故障信號小波分解圖</p><p>　　橫坐標為采樣點，縱坐標為信號幅值（V）</p><p>　　第三層低頻系數(shù) 第三層高頻系數(shù)</p><p>　　第二層高頻系數(shù) 第一層高頻系數(shù)</p

87、><p>　　圖3-5.蓋松動信號小波分解圖</p><p>　　對例蓋松動的電機噪音進行小波分析波形如圖3-5所示。其中橫坐標為采樣點，縱坐標為信號幅值（V）。可以看出圖3-5與圖3-3有很大的差別，同時圖3-4和圖3-5的第三層低頻系數(shù)也有差別。</p><p>　　第三層低頻系數(shù) 第三層高頻系數(shù)</p><p&

88、gt;　　第二層高頻系數(shù) 第一層高頻系數(shù)</p><p>　　圖3-6 軸承損壞信號小波分解圖</p><p>　　圖3-6是軸承損壞噪音的小波分析圖。橫坐標為采用點，縱坐標為信號幅值（V）。</p><p>　　有時僅僅根據(jù)小波變換圖像對故障進行診斷還是不夠的, 也不利于以后的在線自動故障診斷,下面從能量分布的角度出發(fā), 根據(jù)信號的能

89、量在各個頻段上的分布比例來診斷電機的故障種類。設(shè)各個頻段的能量為。其中為層數(shù)，是該頻段的采樣點數(shù)。表3-1是各個頻段能量和整個信號能量的比例。</p><p>　　表3-1 能量分布圖</p><p>　　從能量分布表可以看出各種故障信號的能量在各個頻段上的分布比例明顯不同。當對大量的故障信號能量分布比例進行統(tǒng)計后, 建立一個故障特征數(shù)據(jù)庫, 就可以利用故障信號的能量分布比例進行診斷了,

90、這種方法快速可靠，且具有很高的實用價值。</p><p><b>　　3.6 本章小結(jié)</b></p><p>　　小波變換作為一種更先進的信號分析技術(shù)從理論上直接消除了傅氏變換的許多缺陷。首先由于小波分析是按照頻帶而不是頻點的方式處理頻域信息, 取消了其整周期采樣限制,而其頻域緊支性保證供給了帶通濾波性質(zhì),因此當信號頻率微小波動以及包含非整次諧波時,不會出現(xiàn)傅氏分

91、析中的頻譜泄漏和頻譜波動現(xiàn)象。其次小波變換能根據(jù)信號頻率的高低,通過尺度伸縮得到可調(diào)的“柔性”窗,這使其具備很強的奇異、突變信號的識別能力。因而對于電機的故障診斷非常適合，對電機故障診斷技術(shù)的發(fā)展起到了至關(guān)重要的推動作用。</p><p>　　小波理論是傳統(tǒng)傅立葉變換的重大突破,特別適用于短時間里突變和非平穩(wěn)信號與圖像處理，現(xiàn)已成為電機故障診斷的有力工具之一。目前，小波分析理論正向著大規(guī)模并行科學(xué)計算中的快速計算

92、和實時處理方向發(fā)展，其在生產(chǎn)與生活中應(yīng)用也日益深入和廣泛。我們有理由相信在可預(yù)見的未來，小波分析法越來越完善的同時，在電機故障診斷領(lǐng)域的應(yīng)用會更加廣泛。</p><p>　　第4章 神經(jīng)網(wǎng)絡(luò)診斷法</p><p><b>　　4.1引言</b></p><p>　　人工神經(jīng)網(wǎng)絡(luò)是大量的神經(jīng)元廣泛互連而成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，它誕生于1943年。具有與

93、人類類似的記憶、學(xué)習(xí)、聯(lián)想等能力。它對于信息的處理是通過神經(jīng)元之間的相互作用實現(xiàn)的。神經(jīng)網(wǎng)絡(luò)具有強大的非線性映射能力、并行處理能力、獨特的聯(lián)想記憶能力等特點，因此十分適于復(fù)雜電機系統(tǒng)的故障診斷。</p><p>　　4.2 基于神經(jīng)網(wǎng)絡(luò)法的電機故障診斷</p><p>　　近年來，神經(jīng)網(wǎng)絡(luò)以其獨特的容錯、聯(lián)想、推測、記憶、自適應(yīng)、自學(xué)習(xí)和處理復(fù)雜多模式等優(yōu)點，在眾多領(lǐng)域掀起了研究的熱潮，在

94、電機故障診斷方面取得的成績尤為突出。以BP算法和遺傳算法為代表，神經(jīng)網(wǎng)絡(luò)在電機故障診斷的應(yīng)用不斷深入。下面以BP算法在異步電動機故障診斷中的應(yīng)用為例進行說明。</p><p>　　異步電動機常見的故障有三類,定子繞組故障、轉(zhuǎn)子繞組故障和氣隙偏心故障。電機發(fā)生故障的類型取決于電機的種類和工作環(huán)境。在電機出現(xiàn)電的或機械的故障之前, 總會呈現(xiàn)機械的、電磁的、聲學(xué)的及絕緣系統(tǒng)的劣化征兆。如果在電機出現(xiàn)故障之前, 能及時地

95、檢測到反應(yīng)電機劣化狀態(tài)的參數(shù), 并對行將出現(xiàn)的故障發(fā)出警報, 就可避免惡性事故的發(fā)生和不必要的停機造成的重大經(jīng)濟損失。</p><p>　　這里, 我們通過監(jiān)測定子的電流, 采用電流分析法對異步電動機的電氣故障進行診斷。</p><p>　　4.2.1　故障診斷原理</p><p>　　電機故障的診斷方法, 是根據(jù)故障時運行電機所表現(xiàn)出的特征參量的變化, 或者說故障

96、征兆來確定的。 通過對電機三類典型故障機理的分析我們得出如下結(jié)論:</p><p>　?、?轉(zhuǎn)子繞組故障時, 其電流特征頻率表達式為:, 其中…即轉(zhuǎn)子繞組故障后, 不對稱的異步電機轉(zhuǎn)子將在定子繞組中感應(yīng)出上述電流頻率分量, 其大小由轉(zhuǎn)子不對稱的嚴重程度而定。 其最明顯的特征是在基波兩側(cè)出現(xiàn)2 為大小的邊頻帶。</p><p>　　②電機發(fā)生氣隙偏心故障后, 改變了電機定轉(zhuǎn)子之間的正常的氣隙

97、磁通波形, 氣隙磁通波形隨空間和時間而變化.。這些諧波磁通相對定子移動, 它們在靜止的定子繞組中感應(yīng)出相應(yīng)的電流諧波, 即定子電流中出現(xiàn)新的諧波分量。</p><p><b>　　，</b></p><p>　　其中為轉(zhuǎn)子旋轉(zhuǎn)頻率;為主齒諧波;為基波;為滑差;為極對數(shù)。電機在正常運轉(zhuǎn)的情況下, 含有基波和主齒諧波。當電機發(fā)生靜偏心時, 主齒諧波分量將會增大; 當電機處

98、于動偏心狀態(tài)時, 定子電流被旋轉(zhuǎn)頻率所調(diào)制, 呈現(xiàn)在電流信號的譜圖中, 是在基波和主齒諧波的兩側(cè)分別出現(xiàn)以旋轉(zhuǎn)頻率為大小的邊頻帶。此外, 氣隙偏心時, 電機各相繞組內(nèi)部和彼此之間的電感發(fā)生變化, 這進一步導(dǎo)致定子各相電流的有效值增大。</p><p>　　③當電機發(fā)生定子繞組故障時,繞組內(nèi)部不對稱,此時,氣隙磁場中有較強的空間諧波,定子電流中有較強的時間諧波。其表現(xiàn)是,3次諧波和5 次諧波明顯增大,三相電流不對稱

99、,故障相電流恒為最大,三相電流之間的相位差偏離120°。</p><p>　　但是,由于故障征兆與故障模式之間的復(fù)雜性和實際中的非線性,給診斷帶來了困難。同一種故障可能導(dǎo)致多個特征參量的變化,同一特征參量的變化也可能由多種故障所引起。比如,電機發(fā)生定子繞組故障會使氣隙磁場畸變,引起或多或少的偏心。而轉(zhuǎn)子繞組故障也會導(dǎo)致三相電流的不對稱和氣隙偏心。故障之間的耦合,使得單純依靠某一故障特征參量來識別故障的準

100、確性并不高。</p><p>　　人工神經(jīng)網(wǎng)絡(luò)以其高度的并行處理、聯(lián)想記憶、自學(xué)習(xí)以及極強的非線性映射能力, 在各個領(lǐng)域得到了廣泛應(yīng)用, 顯示了極強的生命力。因此, 我們借助于神經(jīng)網(wǎng)絡(luò)的極強的非線性映射能力, 實現(xiàn)由故障征兆或者說故障特征參量空間向故障模式空間的映射, 從而達到對故障模式的識別。這里, 我們采用最具代表性和應(yīng)用最為廣泛的BP 網(wǎng)。</p><p>　　4.2.2神經(jīng)元和BP

101、網(wǎng)絡(luò)模型</p><p>　　神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元按一定的拓撲結(jié)構(gòu)互相連接而成,每個神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的基本處理單元。一般是多個輸入,一個輸出的非線性單元。圖4-1中是神經(jīng)元的輸出,是閥值,為輸入信號, 表示從神經(jīng)元到的連接權(quán)值,表示外部輸入信號。</p><p>　　上述模型可描述為:, ，其中為激活函數(shù)。</p><p>　　圖4-1 神經(jīng)元結(jié)構(gòu)模型</p

102、><p>　　輸入層 隱層 輸出層</p><p>　　圖4-2 用于電機故障診斷的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)</p><p>　　人工神經(jīng)元的信息處理分三個部分,首先完成輸入信號與神經(jīng)元聯(lián)接強度內(nèi)運算,然后再將其結(jié)果通過激活函數(shù)( 如Sigmond 函數(shù)),再經(jīng)過閥值函數(shù)判決,如果輸出值大于閥值,則該神經(jīng)元被激活,否則處于抑制狀態(tài)。神經(jīng)元按一定模式連接

103、成網(wǎng)絡(luò)型,神經(jīng)元之間的連接權(quán)值的大小反應(yīng)信號傳遞的強弱。圖4-2為BP網(wǎng)絡(luò)神經(jīng)的結(jié)構(gòu)。</p><p>　　BP 網(wǎng)是誤差反向傳播的多層前饋網(wǎng)絡(luò),是人工神經(jīng)網(wǎng)絡(luò)中最具代表性和應(yīng)用最為廣泛的一種網(wǎng)絡(luò)模型。它由輸入層、隱含層、輸出層組成。在網(wǎng)絡(luò)中, 信號由輸入單向傳至輸出,且同一層的神經(jīng)元之間互不傳遞信號。 每個神經(jīng)元與相鄰層的所有神經(jīng)元相連。某一層的神經(jīng)元的輸出值通過連接權(quán)系數(shù)的加強或抑制傳輸?shù)较乱粚拥纳窠?jīng)元。除了

104、輸入層外, 每一神經(jīng)元的輸入為前一層所有神經(jīng)元之輸出值的加權(quán)和。</p><p>　　4.2.3 BP 算法( 誤差反向傳播算法)</p><p>　　誤差反向傳播算法是一個監(jiān)督訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)的算法,每一個訓(xùn)練范例在網(wǎng)絡(luò)中經(jīng)過兩遍的傳遞計算。一遍是前向傳播計算,從輸入開始, 傳遞各層并經(jīng)過處理后,產(chǎn)生一個輸出,并得到一個該實際輸出和所需輸出之差的誤差失量。另一遍是反向傳播計算,從輸出層到

105、輸入層, 利用差錯失量對權(quán)值進行逐層修改。訓(xùn)練的目的是用一組輸入矢量產(chǎn)生一組所希望的輸出矢量。它是應(yīng)用一系列輸入矢量通過預(yù)先確定的算法調(diào)整網(wǎng)絡(luò)的權(quán)值來實現(xiàn)的。</p><p>　　設(shè)第P個樣本的故障特征向量為網(wǎng)絡(luò)輸入層的輸入矢量</p><p>　　對應(yīng)的網(wǎng)絡(luò)輸出層狀態(tài)輸出向量各個神經(jīng)元激勵函數(shù)選用Sigmond函數(shù)</p><p>　　則輸入層第個神經(jīng)元的輸出為，

106、隱含層第個神經(jīng)元的輸入為，那么隱含層第個神經(jīng)元的輸出為：（4-1）</p><p>　　輸出層第個神經(jīng)元的輸入值為，輸出層第個神經(jīng)元的輸出值為：</p><p><b>　　（4-2）</b></p><p>　　在訓(xùn)練該網(wǎng)絡(luò)的學(xué)習(xí)階段, 由給定的模式為網(wǎng)絡(luò)輸入, 要求網(wǎng)絡(luò)通過調(diào)節(jié)所有的連接權(quán)系數(shù)和各個神經(jīng)元的閥值, 使得在輸出層神經(jīng)元上得到所

107、需要的理想輸出值, 一般來說, 網(wǎng)絡(luò)輸出與理想輸出不完全一致。對各個樣本, 其平方誤差為:；而全體樣本的平方誤差則為：</p><p><b>　　（4-3）</b></p><p>　　式中為訓(xùn)練樣本數(shù)。用學(xué)習(xí)規(guī)則,權(quán)值有如下調(diào)整公式:</p><p>　　（1）對于輸出層與隱含層:</p><p><b>

108、　　（4-4）</b></p><p><b>　?。?-5）</b></p><p><b>　　（4-6）</b></p><p>　?。?）對于隱含層與輸入層之間</p><p><b>　　（4-7）</b></p><p><

109、b>　?。?-8）</b></p><p><b>　　（4-9）</b></p><p>　　為學(xué)習(xí)常數(shù)；為神經(jīng)元的差值；為動量常數(shù)，用于調(diào)整網(wǎng)絡(luò)學(xué)習(xí)的收斂速度。</p><p>　　4.2.4基于BP神經(jīng)網(wǎng)絡(luò)的異步電機故障診斷</p><p>　　4.2.4.1 網(wǎng)絡(luò)輸入層神經(jīng)元的確定原則( 即故障

110、特征參量)</p><p>　　由于電機的結(jié)構(gòu)型式、容量和所處的工作環(huán)境不同,其工作參數(shù)是不同的,因而對特定電機的分析結(jié)果一般不具有普遍意義。此外, 大部分現(xiàn)場不可能為診斷提供詳盡的電機運行參數(shù),這就要求選擇具有廣泛適用性的特征參量作為輸入神經(jīng)元。因此,故障特征參量的選取遵循以下原則:①無量綱化, 無量綱量一般不受電機容量大小的影響,與電機結(jié)構(gòu)、型式和尺寸沒有必然的聯(lián)系；②它具有變量特征,能夠反應(yīng)故障程度的變化；

111、③易于區(qū)分故障；④特征參量在工程上易于提取。</p><p>　　4.2.4.2　神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與應(yīng)用</p><p>　　下面具體介紹針對某型號電機的導(dǎo)條斷裂故障的BP神經(jīng)網(wǎng)絡(luò)診斷，我們在這里選取的BP網(wǎng)絡(luò)輸出層有8個神經(jīng)元，根據(jù)網(wǎng)絡(luò)輸出層和輸入層的的神經(jīng)元個數(shù)，隱含層神經(jīng)元個數(shù)憑經(jīng)驗取為17，隱含層神經(jīng)元傳遞函數(shù)為tansig，輸出層傳遞函數(shù)為purelin，網(wǎng)絡(luò)訓(xùn)練目標為0.001，

112、利用BP網(wǎng)絡(luò)算法進行訓(xùn)練。</p><p>　　誤差值0.000998531，訓(xùn)練目標0.001</p><p>　　停止訓(xùn)練 訓(xùn)練次數(shù)</p><p>　　圖4-2.BP網(wǎng)絡(luò)性能誤差曲線</p><p>　　圖4-2為利用BP網(wǎng)絡(luò)算法進行訓(xùn)練的誤差性能曲線。由圖可以看出經(jīng)過671次訓(xùn)練后，誤差值為0.00099