農機電氣裝備故障快速診斷系統設計——基于知識挖掘和經驗數據庫

田二林，朱永琴，南姣芬

(1.鄭州輕工業學院 計算機與通信工程學院，鄭州 450002；2.黃河交通學院 機電工程學院，河南 焦作 454950)

0 引言

隨著經濟的發展和農業技術的不斷進步，智能化電氣系統被引入到了現代化農機設備中，計算機技術、電力電子技術、傳感器技術和現場總線技術也使電氣設備故障的智能化診斷成為可能。農機電氣在工作過程中涉及到電、磁、光、熱、力和作業環境的影響，其故障的類型也是多樣性的，而且不少故障的出現是一個瞬態過程，這給農機的故障檢測和診斷帶來了較大的麻煩。傳統的電氣故障是在電氣元件完全失效后診斷出結果，但耽誤農機的使用，而智能化診斷系統可以對故障進行自診斷，提前預測故障，從而保證農機設備的高效運行。

1 農機電氣故障診斷系統

目前，農機電氣故障的診斷方法中大部分采用專家系統，利用專家的經驗和知識處理，將電氣系統的診斷知識和經驗歸納成規則，來對故障類型進行判斷。這種方法過于依賴經驗，使診斷系統的完整性和適應性較差。隨著人工智能技術的發展，很多先進的算法開始與專家系統結合使用，采用模式識別的方法，更好更快地對故障進行診斷，如神經網絡算法。神經網絡算法通過不斷訓練，使自身具有較強的學習能力、記憶能力、數據處理能力和容錯能力等，可對農機電氣系統故障的一些未知類型進行判斷，并將專家系統的一些經驗常識以權值或者閾值的形式存到神經網絡上，使診斷系統具有更高的靈敏性和準確性。為此，可以將神經網絡算法和專家系統相結合，組成更加智能、快速精準的診斷系統，其框架結構如圖1所示。

圖1 基于知識挖掘的農機電氣故障診斷系統

將知識挖掘的神經網絡算法和專家系統相結合，可以充分發揮兩者的優勢：一方面，對于簡單的故障及確定型的故障可以通過專家系統直接定型；另一方面，對于多故障、不確定型的故障可以采用神經網絡算法進行推理判斷，然后再交給專家系統，對診斷結果進行輸出。為了使處理結果更加準確、處理方法更加高效，對于采集數據、專家經驗數據和神經網絡訓練數據統一進行小波處理，然后交給處理系統。

2 電氣故障快速診斷

為了實現農機裝備電氣故障的快速診斷，首先需要根據故障經驗及實驗數據建立經驗數據庫，然后采用數據挖掘的方法對采集的電氣信號進行診斷，從而可以高效地識別電氣故障類型。其基本流程如圖2所示。

圖2 基于知識挖掘和經驗數據庫的電氣故障診斷

在進行電氣故障診斷時，首先進行農機電氣故障的信息采集，然后利用相關的知識挖掘算法對經驗數據庫進行訓練，訓練完成后導入采集的數據對故障進行識別。其中，經驗數據庫的訓練采用神經網絡算法。神經網絡算法是當前流行的一種高效的數據挖掘方法，如果將其使用在電氣故障診斷上，配合一定的信號數據處理算法，將有效地提高故障識別的精度和智能化程度。人工神經網絡是通過對生物神經元細胞的模型抽象而建立起來的，可以通過編程來實現。神經元的基本模型如圖3所示。

與生物神經元細胞工作原理類似，圖3中的模型可以對數據進行挖掘，通過對數據的處理，得到最終的識別結果。模型的基本公式為

(1)

其中，農機故障診斷信號序列輸入的個數用m表示；經驗數據庫信息的輸入部分為x1,x1,…,xR；ωx1,ωx2,…,ωxR表示連接權值；θ為偏置信值。權值和置信值可以分別表示為

(2)

目前，基于知識挖掘的電氣故障診斷主要是利用數據經驗庫(即故障字典)，將相關算法(如神經網絡算法)訓練成為一個廣泛的經驗數據庫，通過神經網絡的學習和聯想能力，達到對故障數據類型進行分類并識別的目的。按照輸入電氣信號的不同，經驗數據庫主要分為直流電數據庫和交流電數據庫。基于知識挖掘的交流故障字典主要對交流電信號加方波激勵，通過小波變換的方法提取數據特征； 基于知識挖掘的直流電經驗數據庫主要是測量被測電路的電壓，然后利用歸一化后輸入神經網絡進行分類，通過這兩個方面來判斷最終的電氣故障類型，如圖4所示。

圖4 基于知識挖掘的故障診斷經驗數據庫模型

如果采用并行處理方式，當被測電路節點較多時，則形成的神經網絡規模將較為龐大，而直流測多個節點實現起來較為困難。因此，可以采用一種分層知識挖掘的方法，如圖5所示。

圖5 基于分層知識挖掘的故障診斷模型

首先利用電路的外圍及節點進行子網的撕裂，將一個較大的網絡分解為很多小網絡，保持每個知識挖掘網絡的完整性和獨立性；然后，對每個子網加采集信號激勵，利用經驗數據庫對故障類型進行判斷，最終匯總直流和交流的數據信息，判斷最終的故障類型。這樣不僅低了知識挖掘網絡的復雜程度，而且提高了故障診斷的效率和準確性。

3 農機電氣故障測試

為了驗證知識挖掘和經驗數據庫對于農機電氣故障診斷的可行性，以拖拉機的電氣數據信號為基礎，對其故障進行診斷，知識挖掘采用神經網絡學習算法。使用的拖拉機模型如圖6所示。

圖6 電氣故障診斷拖拉機模型

在使用神經網絡數據挖掘算法對故障類型進行分類識別時，首先需要設置學習樣本。假設F表示學習樣本，F=(X,T)，X=(x1,x2,...,x11)，T=(t1,t2,...,t11)。其中，X表示故障的輸入，T表示診斷結果的輸出。在進行測試時，輸出結果主要有是否有故障及故障類型兩項。采用神經網絡算法，通過迭代計算，得到了如圖7所示的收斂曲線。

圖7 神經網絡數據挖掘收斂曲線

由圖7可知：采用神經網絡算法可以快速地對采集的故障信號進行處理，其計算收斂速度快，在幾個計算步數之內便可以達到穩定的收斂。

通過計算得到了測試數據和目標輸出數據的誤差統計，如圖1所示。統計結果表明，采用知識挖掘算法得到的結果和目標輸出的結果基本一致。由此驗證了計算的準確性。

表1 診斷結果和目標結果絕對誤差

為了驗證神經網絡數據挖掘和經驗數據庫對電氣故障診斷結果的準確性，將其測試結果和實際儀器的測試結果進行了對比，得到了絕對誤差，如表2所示。誤差結果表明，采用該算法對故障診斷的準確性較高。

表2 神經網絡測試結果與實際結果的絕對誤差

續表2

4 結論

為了提高農機電氣故障診斷系統的智能化程度，使診斷結果更加準確，將知識挖掘和經驗數據庫用于農機故障智能化診斷系統中。采用神經網絡算法作為知識挖掘算法，通過對故障診斷樣本數據進行訓練，可以成功地識別電氣故障的類型。為了驗證算法的可行性和可靠性，以拖拉機電氣系統為模型，對采集的故障數據進行了診斷。結果表明：采用神經網絡算法診斷結果和目標結果絕對誤差較小，神經網絡算法與實際檢測結果的誤差也較小。由此驗證了算法的準確性。