電機故障識別模型優(yōu)化研究

聶冰，郭永香，李文

(大連交通大學 軟件學院，遼寧 大連 116028)*

0 引言

在工業(yè)生產(chǎn)領域中，電機已經(jīng)成為最重要的動力來源.隨著運行時間的增加，電機發(fā)生潛在故障或異常的頻率也在逐漸增多，對設備的安全運行造成了極大的威脅.因此，利用故障診斷理論與技術(shù)及時、有效的監(jiān)測電機故障是保證電機安全運行的重要手段，電機故障診斷方法研究為安全生產(chǎn)提供了有力的保證［1］.

通用的故障診斷過程包括以下四個步驟:信息獲取、數(shù)據(jù)預處理、特征提取以及故障識別，其中故障識別是故障診斷的核心.電機精確模型建立困難，而人工神經(jīng)網(wǎng)絡不需要精確的數(shù)學模型就能夠逼近任意非線性函數(shù)，因此在故障識別中已廣泛應用［2-5］.電機故障機理多樣，且同類的故障特征也會因為運行條件的改變而改變，這就要求構(gòu)建的神經(jīng)網(wǎng)絡規(guī)模足夠龐大、能夠有效逼近復雜的非線性特性，而構(gòu)建的網(wǎng)絡計算復雜度也隨之增加.因此，構(gòu)建一個網(wǎng)絡結(jié)構(gòu)簡單、訓練效率高、識別準確的神經(jīng)網(wǎng)絡對電機故障診斷具有重要意義.

本文利用BP網(wǎng)絡進行電機故障識別.針對神經(jīng)網(wǎng)絡模型復雜、依靠經(jīng)驗選取隱節(jié)點缺乏理論指導的問題，對網(wǎng)絡進行了隱層優(yōu)化，通過樣本對模型網(wǎng)絡的訓練與測試驗證了優(yōu)化的故障識別模型的有效性.

1 電機故障識別模型的優(yōu)化算法

1.1 故障識別模型結(jié)構(gòu)

BP網(wǎng)絡是誤差反向傳播的多層前饋神經(jīng)網(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡之一［6］.網(wǎng)絡結(jié)構(gòu)需要確定輸入層、隱層和輸出層的節(jié)點數(shù).故障識別模型自身的輸入輸出特征決定了輸入、輸出層的節(jié)點數(shù)，網(wǎng)絡的輸出節(jié)點由需要識別的故障特征確定，輸入節(jié)點由采集的電機振動信號、定子電流等系統(tǒng)特征信號確定，隱節(jié)點神經(jīng)元的激勵函數(shù)采用Sigmoid轉(zhuǎn)移函數(shù).故障識別模型如圖1所示.

圖1 電機故障識別模型

隱層的設計取決于隱層層數(shù)和節(jié)點數(shù)兩個方面，是決定網(wǎng)絡性能的關鍵.對于隱層層數(shù)，文獻［7］指出三層神經(jīng)網(wǎng)絡在理論上能夠逼近任意非線性函數(shù);對于隱層節(jié)點數(shù)，選擇過多，容易出現(xiàn)“過擬合”現(xiàn)象;選擇過少，容易出現(xiàn)網(wǎng)絡逼近能力不足.因此，隱層節(jié)點數(shù)的選擇是網(wǎng)絡結(jié)構(gòu)確定的重點.本文根據(jù)系統(tǒng)模型的實際情況，利用隱層節(jié)點輸出的相關系數(shù)自動調(diào)整節(jié)點數(shù)量，確定隱層節(jié)點的最優(yōu)值，解決了常規(guī)方法中隱層節(jié)點數(shù)根據(jù)經(jīng)驗確定，缺乏科學性的問題［6］.

1.2 利用相關系數(shù)優(yōu)化神經(jīng)網(wǎng)絡

構(gòu)造一個隱層節(jié)點數(shù)足夠多的神經(jīng)網(wǎng)絡，通過計算各隱節(jié)點輸出的方差和相關系數(shù)判斷網(wǎng)絡中是否存在冗余節(jié)點.隱節(jié)點x的輸出方差s2x由matlab函數(shù)var(On)確定，On表示n個輸入樣本隱層節(jié)點的輸出矩陣;兩個隱節(jié)點x、y輸出的相關系數(shù)rxy由matlab函數(shù)corrcoef(On)確定.

(1)優(yōu)化合并條件

在網(wǎng)絡訓練過程中，首先設置合并時刻誤差.若對訓練樣本的輸出誤差平方和小于合成誤差，則進入優(yōu)化合并階段.當兩個隱節(jié)點的相關系數(shù)|rxy|≥0.8，且兩個節(jié)點方差s2＞ 0.001 時，說明這兩個節(jié)點具有極強線性相關性，可以將兩個節(jié)點合并之后刪除其中的一個節(jié)點.

(2)優(yōu)化合并方法［8］

設隱節(jié)點x和y的輸出序列分別為Ox、Oy.當兩個節(jié)點輸出高度相關時，Ox和Oy滿足一元回歸線性方程:Oy=aOx+b.利用最小二乘法確定參數(shù)a和b.

將一元回歸線性方程帶入輸出層任一節(jié)點i的輸入中，有:

1.3 優(yōu)化神經(jīng)網(wǎng)絡算法實現(xiàn)

結(jié)合經(jīng)典BP神經(jīng)網(wǎng)絡學習算法，具體的隱節(jié)點優(yōu)化神經(jīng)網(wǎng)絡算法實現(xiàn)如下［8］:

(1)網(wǎng)絡初始化 ①輸入層節(jié)點N、輸出層節(jié)點M和隱層節(jié)點L;②輸入層到隱層的權(quán)值矩陣wli=rand(.)l×i(1 ≤i≤N，1 ≤l≤L;)③ 隱層到輸出層的權(quán)值矩陣wjl=rand(.)j×l(1≤j≤M);④合并誤差ε1與終止誤差ε2;⑤初始步長k=1;

(2)正向傳播:輸入n個訓練樣本，利用Sigmoid轉(zhuǎn)移函數(shù)計算隱層、輸出層的輸出序列;

(3)反向傳播:將誤差信號從輸出層經(jīng)隱層再反傳到輸入層，調(diào)整各層權(quán)值使誤差逐步減小;

(4)條件判斷:當前訓練誤差error＞ε1，轉(zhuǎn)到步驟(2);若 ε1≥ error≥ ε2，轉(zhuǎn)到步驟(5);error＜ε2，則訓練停止;

(5)優(yōu)化參數(shù)計算:根據(jù)隱節(jié)點的輸出矩陣計算隱節(jié)點的輸出方差與相關系數(shù);

(6)合并隱節(jié)點:若兩個隱節(jié)點滿足上述優(yōu)化合并條件，則根據(jù)優(yōu)化合并方法將兩個隱節(jié)點合并后，轉(zhuǎn)到步驟(2)繼續(xù)訓練.

2 應用舉例

表1 模型的訓練樣本與理想輸出

本文利用優(yōu)化的電機故障識別模型檢測電機性能良好與斷條故障兩種狀態(tài)，故網(wǎng)絡的輸出節(jié)點為2個，分別對應兩種狀態(tài).將采集的電機軸的徑向振動加速度進行濾波與特征提取，使用其中4個子頻段的能量比作為神經(jīng)網(wǎng)絡的輸入，初始隱節(jié)點個數(shù)隨機設定為8個，則采用的初始故障識別模型為4－8－2結(jié)構(gòu).使用10組特征提取后的振動加速度作為訓練樣本，12組數(shù)據(jù)作為測試樣本，如表1、2所示，最大訓練步長為3 000，合并誤差 ε1=0.01，終止誤差 ε2=0.001.由于初值權(quán)值隨機選取，每次試驗的結(jié)果不盡相同.圖2是某次模型優(yōu)化前后的訓練曲線，與經(jīng)典BP網(wǎng)絡相比，優(yōu)化后的網(wǎng)絡收斂速度更快.這次學習優(yōu)化過程中，在第470、471、572、712和713步隱節(jié)點進行了合并，合并的節(jié)點輸出序列表現(xiàn)為高度正相關和負相關兩種形式，部分輸出序列如圖3所示.優(yōu)化之后的網(wǎng)絡模型為4－3－2結(jié)構(gòu)，經(jīng)過結(jié)構(gòu)優(yōu)化訓練停止時的誤差為6.620 5×10－23，網(wǎng)絡收斂符合預定目標.

表2 模型的測試樣本

圖2 模型優(yōu)化前后的學習曲線

圖3 隱節(jié)點輸出序列圖

利用表2中兩種狀態(tài)的12組測試樣本對訓練得到的優(yōu)化模型進行測試.12組測試樣本中的前6組對應的是電機良好狀態(tài)，后6組對應電機斷條狀態(tài).實際測試輸出結(jié)果如圖4所示，表明訓練后的模型對故障診斷的效果良好，能夠?qū)﹄姍C故障準確分類.

圖4 測試樣本在不同輸出節(jié)點的輸出

3 結(jié)論

本文提出了優(yōu)化BP網(wǎng)絡的電機故障識別模型的設計方法，在網(wǎng)絡訓練過程中利用相關系數(shù)優(yōu)化了BP神經(jīng)網(wǎng)絡，使網(wǎng)絡訓練更加快速，逼近效果更好.該模型測試結(jié)果表明，所提出設計方法可行、所建立的故障識別模型有效.

［1］沈艷霞，紀志成，姜建國.電機故障診斷的人工智能方法綜述［J］.微特電機，2004(2):39-42.

［2］GHATE V N，DUDUL S V.Design of optimal MLP and RBF neural network classifier for fault diagnosis of three phase induction motor［J］.International Journal of Advanced Mechatronic Systems，2010，2(3):204-216.

［3］MONICA ALEXANDRU.Analysis of induction motor fault diagnosis with fuzzy neural network［J］.Applied Artificial Intelligence，2003，17(2):105-133.

［4］PARMATMA DUBEY，SUJATHA C.Motor Fault Classification using Wavelet Energy and Artificial Neural Network［J］.International Journal of COMADEM，2009，12(3):24-31.

［5］SUBHASIS NANDI，HAMID A，TOLIYAT，et al.Condition Monitoring and Fault Diagnosis of Electrical Motors-A Review［J］.IEEE Transaction on Energy Conversion，2005，20(4):719-728.

［6］唐萬梅.BP神經(jīng)網(wǎng)絡結(jié)構(gòu)優(yōu)化問題的研究［J］.系統(tǒng)工程理論與實踐，2005，10:95-100.

［7］HECHT-NIELSEN，ROBERT.Theory of Backpropagation Neural Network［J］.Neural Networks，1989(1):593-605.

［8］魏海坤.神經(jīng)網(wǎng)絡結(jié)構(gòu)設計的理論與方法［M］.北京:國防工業(yè)出版社，2005:125-141.