小波與神經網絡結合用于電機在線監測與故障診斷

曾秀麗 ，玄兆燕，于子旺

（1. 河北理工大學 計算機與自動控制學院，唐山 063009；2. 河北理工大學 機械工程學院，唐山 063009）

0 引言

近幾年來,故障診斷技術飛速發展,新的研究成果不斷出現。電機作為現代工業主要的動力設備,其影響是不言而喻的。倘若電機出現故障,使企業的生產中斷,將造成無可估量的經濟損失。因此,針對電機在線監測與故障診斷技術的研究,具有十分重要的理論價值和實踐意義。

對于大中型電機的常見故障有：運動部件的質量不平衡、運動部件配合不當、軸承磨損、轉軸不對中、油膜振蕩及裂紋等。這些故障最明顯的特征都表現在振動信號的頻率上。對于振動信號的電機狀態的在線監測和故障診斷，通常采用頻譜分析與相關分析的方法。然而大中型電機的故障機理較為復雜,其故障信號更多地表現為：1）信號是微弱信號，淹沒于強背景中；2）信號的特征頻率波動范圍較大甚至出現跳動；3）信號瞬變、非平穩。因而采用頻譜分析與相關分析的方法很難對故障做一個準確的診斷。大量不確定的或未知的因素可能導致：1）建立規范時存在不完全適應性；2）不能完全自動診斷，需要人工干預；3）容易出現漏檢和誤檢等現象。

實踐證明傅里葉變換的頻域分析方法不能有效的提取電機振動信號中的故障信息,無法滿足故障信號的特征提取要求。對此, 本文主要采用了小波與神經網絡結合的思想，選取振動信號作為特征輸入信號，經小波處理后，采用神經網絡對相應故障進行診斷,從而建立起電機運行狀態的在線監測體系，以實現對電機故障預測及診斷。

1 小波包分解的電機振動信號的特征提取

小波包是小波理論在信號處理應用上的重大發展, 它具有多維多分辨率分析的特點, 能為信號分析提供一種更為精細的方法。小波包分解是將原信號投影在不同頻帶上，再對這些頻帶內的信號進行分析即頻帶分析技術。小波包分析能夠將頻帶進行多層次劃分，對在多分辨率分析法中沒有細分的高頻部分進一步分解，從而有效提高了時頻分辨率，并能根據被分析信號的特征選擇相應頻帶, 使之與信號頻譜相匹配。利用小波包分解法抽取與故障相關的特定頻段, 直接利用各頻段頻率成分能量的變化來分析信號、提取特征。

1.1 提取特征頻段

對電機振動信號W(t)進行小波包分解,提取特征頻段。小波包分解可用以下遞歸式進行小波包分解：

振動信號經小波包分解便可得到其在各頻帶內成分的特征,即低頻系數和高頻系數。

1.2 提取特征信號

具體做法如下:

對A/D 采樣信號進行小波包分解, 分別提取最后一層從低頻到高頻頻率成分的信號特征, 其分解過程如圖1所示。圖1是以3層小波包分解為例說明了小波包分解過程。

圖1 小波包分解過程示意圖

圖1中的A表示低頻輪廓信號分解, D表示高頻細節信號分解,后面的數字則表示小波包分解的層數,分解具有如下關系:

S=AAA3+DAA3+ADA3+DDA3+AAD3+DAD3 +ADD3 +DDD3

由于直流電機轉子出現故障時，機體振動就會受到脈沖力的作用,在靠近脈沖力作用的時刻振動信號能量較大,而在遠離脈沖力作用的時刻振動信號能量相對較小，其主要成分是噪聲、平穩振動信號以及低頻干擾信號。因此可以利用各個頻帶能量的變化來提取故障特征。

其分解結構如圖2 所示：

圖2 小波包分解結構圖

其中(0 ,0) 表示原始信號，(i ,0) 表示小波包分解的第i 層的起始結點，用( i ,φ) 表示第i 層第j 個結點，其中i = 0 ,1 ,2 ,3 , …；φ = 0 ,1 ,2 ,3 , ….若以分解為例，提取 (j=0,1,2,…,7)共8個頻率成分代表的頻率范圍，采用下式求各頻段信號能量：

式中，Xjk表示重構信號S5j的離散點的幅值。

1.3 構造特征向量

由于電機出現故障時會對各頻帶內的信號能量有較大的影響，因此選取能量變化突出的若干信號為特征向量，特征向量構造如下:

但是，當能量較大時,E'j( j = 0, 1,2, …, 7)通常是一個較大的數值，在數據分析時計算量會很大。因此，需要對特征向量進行歸一化處理，則：

歸一化后的特征向量為：

2 利用神經網絡技術實現電機故障診斷

電機故障診斷的流程一般可分為狀態的在線監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所示。

圖3 電機故障診斷步驟

直流電機的故障分為電氣類故障和機械類故障，其中電氣類故障主要包括換向器相關故障、定子繞組相關故障和轉子繞組相關故障；機械類故障主要是轉子軸承故障。

經小波包分解僅獲得了與故障相關的特征，還需利用神經網絡進行故障的分類與識別。故障分類的神經網絡常用BP 網絡，但其存在一些缺陷：學習時間長，只對學習過的故障模式有識別能力，對未知未學習的模式缺乏調整手段，容易出現漏判、錯判等。

自適應諧振神經網絡（簡稱ART2）具有無監督自學習能力，對未知故障類型也具有自歸類能力，從而有效的減少了漏判、錯判機率。甚至可用快速算法對權值進行一步學習，因而具有以下優點：學習速度快，能對信號進行實時學習、實時處理，能對已學習模式快速響應和自動識別。這種自適應諧振神經網絡有利于故障的在線監測和實時診斷。此外，它還具有一定的噪聲抑制能力，可通過改變網絡參數調節其噪聲抑制能力；具有自歸一能力, 所以對輸入特征向量不必再作歸一化處理。

進行故障分類及診斷的ART2 神經網絡結構如圖4 所示。

圖4 ART2 神經網絡拓撲示意

提取的特征向量I 輸入F0層。輸入模式中的較強部分在 中“共振”加強，較弱部分則被抑制。在F1層通過由4 個神經元zi，qi，vi，ui構成正反饋閉合回路，對輸入信號進行特征向量歸一化、濾波處理（增強其抗干擾能力）和非線性變換。經迭代得到穩定的中u層模式，并經ρ送入F2層，由F2層經競爭選擇激活F2層故障類型，得到系統的短期記憶。F2層的輸出經長期記憶Zji加權后反饋回F1層, 反饋信息與u一同送入調整子系統，檢驗系統長期記憶模式與輸入模式的相似程度，若通過相似程度檢驗，則可確定輸入模式屬于F2層的候選模式, 并按快速學習算法, 一步完成權值的學習；若未通過檢驗，則強迫F2層重置并選擇下一輸出節點，若所有的輸出節點都不能通過匹配檢驗，則增加一個新的輸出節點即另一新類。

實際應用時將從振動信號中提取的特征向量輸入ART2 網絡，用學習樣本（良好狀態、不平衡、不對中、軸裂紋、動靜碰摩、軸承磨損、運動部件配合失當、油膜振蕩等運行狀態所對應的振動信號中提取的特征向量）進行網絡訓練，得到電機正常狀態及各種故障狀態的長期記憶模式。用訓練好的網絡進行故障分類及識別，若出現未學習的故障模式，系統將自動增加一個新類。在應用時值得注意的是ρ（相似程度警戒限，為0～1之間的正數）的選擇。若ρ選得太小,分類粗糙,不能把不同故障類型區分開；若ρ選得太大,分類又太細，則同一故障類型可能被劃分到不同輸出模式中，引起錯分。ρ的選擇沒有一定的規則,需要在具體應用中調整。

由圖4可以看出，輸入向量為I=[I0,I1,I2,…IN-1]，系統的輸出是一個M維的向量Y=[Y0,Y1,Y2,…YN-1]。用學習樣本進行網絡訓練時，依次送入向量I (K),K =0,1,2,3…,其中K為特征向量送入神經網絡的時序編號,每送進一個向量I(K)，就可以計算出輸出向量Y(K)，從而實現了對電機故障的分類及識別。

利用小波包分析方法分析故障信號,再進一步的利用神經網絡的學習訓練功能進行電機的在線監測與狀態診斷. 目前，已有相關實驗證明了該方法的正確性和有效性,可以擴展應用到電機綜合故障診斷系統研究與應用之中。

3 結論

1）利用小波包分解技術,可準確提取出故障特征頻率,進而有效監測電機工作狀態,避免了采用頻譜分析與相關分析方法進行故障診斷時的不足。

2）利用ART2自適應諧振神經網絡進行電機故障的分類及診斷,以減少漏判、錯判的機率。

3）基于小波與神經網絡相結合的思想，能對特征輸入信號進行實時學習、實時處理, 能對已學習模式快速響應和自動識別，避免了BP網絡學習時間長等缺陷，這有利于在線監測和故障診斷，符合對大中型電機遠程狀態進行在線監測和故障診斷的要求。

[1] 朱啟兵.基于小波理論的非平穩信號特征提取與智能診斷方法研究[D].沈陽:東北大學,2005.

[2] 袁曾任.人工神經元網絡及其應用[M].北京:清華大學出版社,1999.

[3] 熊富強,張航.基于小波-神經網絡的汽輪機轉子故障診斷[J].控制理論與應用,2007,26(12):123.

[4] 劉冬生,趙輝,王紅君,岳有軍.基于小波分析和神經網絡的電機故障診斷方法研究[J].天津理工大學學報,2009,25(1):11-14.

[5] Carpenter GA,Grossberg S,Rosen DB.ART2-A :an adaptive resonance algorithm for rapid category learning and recognition[J].Neural Network,1991,2(4):151-156.

[6] Carpenter GA,Grossberg S.ART2:self-organization of stable category recognition codes for analog input patterns[J].Applied Optics,1987,26 (23):4919-4930.