一種基于領域知識的電機故障模糊預測模型

盧利虹，魏慶濤，徐智超，劉君霞

(1.大連交通大學 電氣信息學院，遼寧 大連 116028;2.大連科技學院，遼寧 大連 116052)＊

0 引言

由于交流電機是一種集電、磁和機械于一體的機電設備，其工作環(huán)境通常比較惡劣，出現故障不可避免.顯然，對交流電機進行故障預測可以保障生產安全、提高產品質量、節(jié)約設備維修費用.因此，長期以來關于交流電機故障診斷與預測的研究一直受到人們的關注與重視［1-4］.由于電機故障的產生通常涉及眾多因素(包括大量的模糊信息)，故障的發(fā)生表現出一定的隨機性和模糊性，二者之間具有復雜的層次性和較強的因果關系，要建立這些故障因素與故障發(fā)生之間的精確數學關系往往是不現實的［5-7］.也就是說故障預測是一個涉及多因素、多層次、多目標的決策過程.基于這種情況，本文研究一種基于領域知識的電機故障模糊推理與故障綜合判定相結合的預測模型，以期提高對電機故障預測的有效性.

1 電機故障預測模型的結構設計

該電機故障模糊預測模型應能充分利用已有的領域知識和專家經驗，經過模糊推理運算來實現電機故障或性能的預測.故該預測模型主要應包括:

(1)規(guī)則庫

該規(guī)則庫是基于領域知識和專家經驗的歸納總結而建立起來的，它實際包括領域知識庫與模糊規(guī)則庫兩部分.在領域知識庫中具體包含了電機典型故障頻率特征、故障因素與故障之間的關聯(lián)關系及專家經驗等;通過領域知識庫可以提取相應的模糊推理規(guī)則，存放在模糊規(guī)則庫中.

(2)模糊推理算法

模糊推理作為近似推理的一個分支，是模糊控制的理論基礎.在實際應用中，它以數值計算而不是以符號推演為特征，它并不注重如像經典邏輯那樣的基于公理的形式推演或基于賦值的語義運算，而是通過模糊推理的算法，由推理的前提計算出(而不是推演出)結論.

考慮到基于Zadeh與Mamdani等人的工作而發(fā)展起來的各種模糊推理算法比較適合于經驗控制領域，故在本研究中采用Mamdani的合成模糊推理算法來實現電機故障的預測.

(3)故障與性能預測數據庫

由前可知，電機故障或性能預測實際上是一個時變的過程.因此，電機的故障或性能預測是基于相關時刻的工作環(huán)境參數實現的.該數據庫中不僅包括電機運行工作參數、電機運行時間、電機溫度、負載及一些變量的上下限報警值等，同時還包括清晰與模糊論域轉換系數以及預測結果等.

(4)綜合判定

(5)電機故障模糊預測模型的輸入與輸出

電機故障預測模型的輸入是通過對實際檢測到的電機定子電流信號或電機振動加速度信號進行小波包變換，得到8個子頻段的能量比特征向量，作為預測模型的輸入向量X(該部分內容在另文中討論);預測模型的輸出Y是一個陣，描述了不同因素引起電機不同故障類型的可能性.

根據上述故障預測模型結構設計思路，可繪制基于領域知識的電機故障模糊預測模型結構如圖1所示.

圖1 電機故障模糊預測模型結構圖

2 預測模型的建立

2.1 規(guī)則庫的建立

故障模糊預測模型所使用的領域知識庫中的知識來源于實際使用電機情況、常見的故障知識及專家經驗.本研究重點收集了電機在不同故障狀態(tài)下的振動頻譜特征［8-15］，通過歸納整理建立了小功率交流電機振動噪聲頻譜分析匯總表，該表構成了領域知識庫的主體部分.考慮到篇幅問題，表1只給出其中的前五行.在領域知識庫的基礎上，提煉出描述這些特征的IF-THEN規(guī)則，從而可建立用于模糊推理的規(guī)則庫.

表1 交流電機振動噪聲頻譜分析匯總表

為了建立規(guī)則庫，首先，對匯總表中電機不同故障狀態(tài)下的振動頻譜特征進行歸納與分析，發(fā)現其特征頻率所涉及的頻帶寬度在5kHz范圍內.然后，根據這些故障所表現出的頻率特征，比如，有的與電網頻率有關，有的與轉頻有關等，在0～5kHz的頻帶內劃分為五個主要子頻帶，它們分別是(0，50］、(50，400］、(400，1 000］、(1 000，1500］、(1 500，5 000］Hz;又考慮到這些特征頻率在故障出現時并不可能是精確的、所涉及頻帶又很可能是交疊的，所以，這種特性十分適合于用模糊語句來描述.為了在頻率域上進行模糊子集的定義，這里將這五個子頻帶擴展為(0，70］、［30，700］、［200，1 300］、［700，2 500］、［1 300，5 000］Hz兩兩相鄰的子頻帶均有交疊部分，在這五個擴展的子頻帶上分別定義一個模糊子集，用1、2、3、4和5來表示.同時，對應于這五個特征頻率范圍，將所收集的20余種電機故障劃分為五個大類，它們是:①故障特征頻率與轉頻有關;②故障特征頻率與工頻有關;③ 故障特征頻率在500～1 000 Hz;④ 故障特征頻率在1 000～1500 Hz;⑤故障特征頻率在2 000～5 000 Hz;

同理，又將這五類故障的論域稱為故障論域，這樣在該論域上則可定義五個模糊子集1、2、3、4和5分別對應上述故障類型①～類型⑤.

綜上，可給出故障診斷規(guī)則如下:

用這五條規(guī)則可對給定輸入進行故障大類的判定，所以稱其為故障分類規(guī)則.當已知預測模型的實際X即子頻帶能量比向量時，通過模糊化將其轉換為模糊輸入向量'，則經模糊推理得到模糊向量'，它描述了基于領域知識的電機性能狀態(tài)情況，模糊向量'中的每一個元素描述了電機狀態(tài)所隸屬于各故障大類的程度.

為了提高故障預測的準確性，研究中又將子頻帶能量比向量X同時輸入到基于神經網絡的故障診斷模型中.該故障診斷模型是通過采集到的不同故障狀態(tài)下的電機振動數據訓練得到的.本研究中模型輸出向量O包含了三個元素，對應模型能夠識別的三種具體故障，例如，轉子斷條、轉子不對中等.每一個元素的取值為［0，1］的實數，描述了電機可能出現對應故障的可信度［16］.針對電機的三種故障，診斷模型的三個典型輸出為 O1=(1 0 0)，O2=(0 1 0)，O3=(0 0 1)，經模糊化將其轉換為對應的五個故障大類中，得到一個由5個元素構成的向量'，且與模糊向量'在同一個論域中.

2.2 預測模型的模糊推理

預測模型的模糊推理是指基于領域知識的電機故障類型推理，即由到的推理.為了完成該推理，首先要在規(guī)則庫中存放由五條ifthen規(guī)則生成的總規(guī)則的具體生成公式為

2.3 故障預測的綜合判定

為了實現故障預測的綜合判定，首先要建立綜合判定模糊規(guī)則如下:

R?2為15×5的陣.

當模糊推理結果為B?'和神經網絡故障診斷模型輸出模糊化后結果為?C'時，則可計算綜合判定結果

權重矩陣λ第i行中的五個元素表示對第i大類故障的影響程度，且有電機故障預測模型的最后輸出則由下式實現

預測輸出Y陣的第i行元素則表示考慮了故障因素權重后，由第j種因素引起電機出現第i大類故障的可能性.

3 結論

采用基于領域知識的故障模糊推理與綜合判定相結合的結構形式是該電機故障預測模型的特點.由于綜合判定模塊的兩個輸入分別是基于領域知識的電機故障模糊推理結果和基于人工神經網絡電機故障診斷模型的輸出結果，而后者的診斷結果完全是由電機的實際振動數據得到的，相對比較客觀.因此，將基于領域知識的電機故障模糊推理結果與該結果進行綜合判定，無疑可以進一步提高電機故障預測模型的有效性.

［1］朱大奇.基于知識的故障診斷方法綜述［J］.安徽工業(yè)大學學報，2002，19(3):197-204.

［2］彭宇，劉大同，彭喜元.故障預測與健康管理技術綜述［J］.電子測量與儀器學報，2010，24(1):1-9.

［3］趙春雨，馬倫，呂艷軍，等.基于狀態(tài)維修過程中的故障預測問題分析［J］.計算機與數字工程，2012，40(1):129-131.

［4］黃景德，王興貴，王祖光.基于模糊評判的故障預測系統(tǒng)研究［J］.電子機械工程，2000，88(6):42-44，55.

［5］李云松，任艷君.智能診斷技術發(fā)展綜述［J］.四川兵工學報，2010，31(4):122-125.

［6］曾聲奎，MICHAEL G P，吳際.故障預測與健康管理(PHM)技術的現狀與發(fā)展［J］.航空學報，2005，26(5):626-632.

［7］周紅建.淺析電機故障診斷的技術［J］.信息系統(tǒng)工程，2012(7):119，121.

［8］張建.機械故障診斷技術［M］.北京:機械工業(yè)出版社，2008.

［9］左經剛.電機振動異常的識別與診斷［J］.上海大中型電機，2009(3):20-22.

［10］沈標正.電機故障診斷技術［M］.北京:機械工業(yè)出版社，1996.

［11］馬宏忠.電機狀態(tài)監(jiān)測與故障診斷［M］.北京:機械工業(yè)出版社，2007.

［12］汪慶年，李紅艷.基于頻譜分析的電機噪聲源的識別［J］.聲學技術，2009，28(4):528-531.

［13］屈梁生，何正嘉.機械故障診斷學［M］.上海:上海科學技術出版社，1986.

［14］李文，趙慧敏，鄧武.變頻器驅動異步電機振動頻譜特征分析［J］.電機與控制學報，2012，16(8):67-73.

［15］閆舒靜.三相異步電機故障診斷的振動頻譜分析研究［J］.河北建筑科技學院學報，1998，15(2):34-38.

［16］劉君霞.基于神經網絡的電機故障診斷方法研究［D］.大連:大連交通大學，2014.