一種新型診斷技術在電機故障診斷中的應用

何銀光

（克拉瑪依職業技術學院，新疆 克拉瑪依833699）

0 引言

在當前市場經濟發展的過程中，電機對于我國現代工業生產活動的開展有著至關重要的影響，其是提供動力的主要構件。而在實際應用過程中，電機意外停機必然導致巨大的經濟和社會損失。基于此，我們必須從當前的實際情況出發，探索出一套更為行之有效的方式方法，來保障電機系統運行的穩定性。當前較為常見的診斷方法包括小波診斷、遺傳算法以及本文所介紹的神經網絡算法等，已經有了較為成熟的應用案例。

多傳感器信息融合作為當前階段信息處理技術的主要發展方向，主要是通過對多傳感器所提供的互補數據以及冗余數據的科學處理而反映所處時間和空間特征的一種診斷技術，其在實際應用過程中具有較大的實用價值。所以在本文的研究中，將該方法和原有的蟻群神經算法有機結合，希望能夠使新算法在具有全局收斂特點的同時，可有效利用多源信息，從而為電機故障診斷工作的開展提供更為有效的數據支持。

1 新技術原理分析

作為一種應用范圍相對廣泛的復雜旋轉機械，電機在實際應用過程中故障種類繁多，且難以通過直觀的方式方法判斷出來。實際上，電機故障不僅僅包括了機械故障所具有的各種共性，同樣也有著時變、突發特征，因此在實際診斷過程中，準確判斷故障原因相對比較困難。而如果采用單一神經網絡模型來對故障進行判斷，那么必然嚴重受模型本身質量的影響，因此引入蟻群神經網絡就有了重要的現實意義。實際上，通過蟻群算法來對獲得的多元數據進行分析和整理，能夠有效地求得網絡的可信任分配函數，然后以此為基礎，在證據理論的指導下進行有效融合，就能夠有效地為故障診斷工作的完成提供必要的數據支持。

2 新技術算法分析

2.1 蟻群神經網絡

從本質上來說，本文中所引用的蟻群算法實際上是一種具有全局性特征的尋優算法，在實際應用過程中表現出明顯的易于配合其他方法、較強的魯棒性等特征。不過，傳統的蟻群算法也同樣表現出明顯的問題，主要集中在搜索時間過長、容易陷入局部最小值等方面。為了克服上述問題，最小螞蟻系統和最大螞蟻系統的概念應運而生，即通過對最初信息設限的方式來保證算法不輕易陷入最小解。

本文中所引用的蟻群神經網絡算法核心流程如下：首先完成對BP神經的界定；然后確定網絡閾值和權值，并通過對蟻群算法的應用來求解兩者的最優值；最后以所得到的最優解設定為該網絡的初始權值和初始閾值，通過大量的網絡學習來得出最終結果。

2.2 初始化系統

首先定義參數為神經網絡的權值和閾值Pa＝｛wi｜wi為網絡的權值和閾值｝，再將wi設置為N 個較小的隨機非零值，形成集合Iwi，Iwi＝｛wij｜wij∈［－1，1］｝。i為網絡權值和閾值的總數。每個參數的取值wij都對應信息素τij，定義信息素的值域范圍是［τmin，τmax］，超過這個范圍的值被限制為信息量允許值的上下限。在初始時刻，每個元素的信息素量相等，并設為信息素上限τ0＝τmax，初始信息素的增量為0。

2.3 適應度評價

在完成單次循環之后，需要對比適應度函數來對其中的信息素進行處理，在本研究中主要采用BP神經網絡均方誤差作為此函數，被選擇元素優劣程度和均方誤差值之間呈反比例關系。

2.4 元素選取規則

螞蟻搜索時，每只螞蟻從集合Ip1開始，依次遍歷這N個集合，根據集合中每個元素的信息素按公式（1）選擇一個元素。

各個螞蟻在一次循環后，只有找到最優解的螞蟻才能夠在其經過的路徑上利用公式（2）對信息素進行更新。

2.5 合成證據

證據理論是建立在一個非空集合辨識框架Θ上的理論，Θ由一系列互斥且窮舉的基本命題組成。對任意命題A，均應屬于冪集2Θ。在2Θ上，若函數m 滿足2Θ→［0，1］，且滿足：

如果A為Θ的子集，且m（A）＞0，那么在這一過程中我們就可以將其稱為證據的焦元，所有焦元的集合稱為核。設m1和m2分別是識別框架上Θ的基本可信任分配函數，有如下合成規則：

3 新技術實例分析

在實際故障診斷過程中，特征向量的選取是首要任務，這對最終診斷結果的有效性有著直接的影響。而在本文的研究中，主要是以電機轉子的故障情況作為研究對象，那么我們就可以將故障診斷工作的重點轉化到對轉子振動頻譜的檢測上來。基于上述情況，在本文的研究中采用了振動信號頻譜中每一個頻段上的差異頻譜峰值作為特征向量，并通過對其所代表的不平衡（y1）、不對中（y2）等6種故障類型進行識別模型建設，取頻譜 中（0.01～0.39）f、（0.4～0.49）f、0.5f、（0.51～0.99）f、f、2f、奇數倍f、偶數倍f峰值作為此識別框架中的識別證據體。

完成上述工作之后，需要對所選擇的3個傳感器提供的信息進行處理，然后按照上文中介紹的蟻群神經網絡來對故障情況進行分析，從而集合每一個傳感器的可信任分配函數值，經過證據理論處理之后即可對故障類型進行有效的判斷和界定了。其具體的歸一化處理過程可以簡單地用公式（6）加以表示：

式中，Ti表示第i個蟻群神經網絡的輸出；T′i代表了歸一化后第i個網絡的輸出。

在按照上述流程完成歸一化處理之后，將其結果作為“轉子徑向碰摩故障”的可信度進行分配，具體數據情況如表1所示。通過對該表的分析我們可以發現，具體的分配值為0.78、0.85、0.87。

表1 3個傳感器可信度的分配情況

對上式進行整理，分別對傳感器1、2的數據進行處理，k＝0.3×（0.12＋0.85＋0.01）＋0.18×（0.02＋0.85＋0.01）＋0.78×（0.02＋0.12＋0.01）＋0.01×（0.02＋0.12＋0.85）＝0.314 7，m（y1）＝0.03×0.02／（1－k）＝0.000 9，而其他影響能力相對較小的可信度計算過程省略，那么其具體的融合情況如表2所示。在這一過程中，轉子徑向碰摩故障的這一數值將會進一步提升到0.971 3，而相應地，對轉子不對中故障的可信度降為0.031 6。同時，我們將傳感器3所提供的數據和上文中的融合數據進行融合，使k＝0.156，其融合情況如表3所示。通過對表3進行簡單分析后我們可以發現，該數值可信度提升到1.0的水平，從而就能夠有效地分析出轉子徑向碰摩故障，而這一判定結果和實際情況是一致的。

為了驗證本文所研究的診斷技術的有效性，我們假設傳感器3出現故障，同時假設該傳感器單獨有效判斷出碰摩事故的可能性非常小。我們以表4的數據作為該傳感器的假定可信度分配情況，其融合情況如表4所示。

表2 傳感器1和傳感器2融合結果分析

表3 傳感器1、2和傳感器3融合結果分析

表4 假設設備3故障時的融合結果分析

通過對表4進行初步分析我們可以發現，在本文所研究的多傳感器環境下的故障診斷算法中，如果單一傳感器出現故障，并不會對最終結果產生較大的影響，最終的診斷結果仍然具有較高的有效性。

4 結語

本文重點分析了基于證據理論的多傳感器融合技術配合蟻群神經網絡算法在電機故障診斷中的應用情況，有效地突破了傳統單一傳感器在電機故障診斷中應用的局限性，這對于提高診斷有效性和準確性具有非常重要的現實意義。實際上，多傳感器信息融合過程中，本研究集中采用了實證分析的方式論證了其可行性，為其他故障診斷方法的研究提供了基礎。

［1］王仲生，趙鵬.基于多源信息融合的發動機轉子早期故障識別［J］.西北工業大學學報，2009（3）：326～329

［2］楊景明，孫曉娜，車海軍.基于蟻群算法的神經網絡冷連軋機軋制力預報［J］.鋼鐵，2009（3）：52～55

［3］李將軍，葉仲泉，宮子風.改進蟻群算法及其仿真研究［J］.計算機應用，2008（12）：94～96