淺談采用深度學(xué)習(xí)的異步電機(jī)故障診斷方法

摘? 要：異步電機(jī)作為整個(gè)傳動(dòng)系統(tǒng)的靈魂，如果沒有異步電機(jī)的正常工作就無法完成其他各項(xiàng)工作。基于此，本文采用深度學(xué)習(xí)的方法來對異步電機(jī)故障進(jìn)行診斷，通過深入研究精準(zhǔn)找到異步電機(jī)發(fā)生故障的部位以及快速找尋到異步電機(jī)故障的診斷方法，從而進(jìn)一步提高異步電機(jī)的使用壽命。

關(guān)鍵詞：深度學(xué)習(xí);DBN;異步電機(jī);故障診斷

中圖分類號：TM343 ?文獻(xiàn)標(biāo)識碼：A ?文章編號：2096-6903（2020）06-0000-00

0 引言

隨著科學(xué)技術(shù)的不斷發(fā)展，機(jī)械行業(yè)等制造業(yè)面臨新的發(fā)展契機(jī)，其中異步電機(jī)是重中之重。異步電機(jī)作為整個(gè)傳動(dòng)系統(tǒng)的靈魂，如果沒有異步電機(jī)進(jìn)行工作就無法完成其余各項(xiàng)工作，其就像是發(fā)起的大腦指揮系統(tǒng)一樣，讓整個(gè)系統(tǒng)朝著一個(gè)正確的方向發(fā)展。但是異步電機(jī)雖然結(jié)構(gòu)簡單，但是在實(shí)際應(yīng)用過程中總會(huì)出現(xiàn)這樣那樣的問題，其中小的方面產(chǎn)生的問題就是傳動(dòng)系統(tǒng)不工作，大的方面就是影響整個(gè)系統(tǒng)的有效進(jìn)行。并且有時(shí)候還會(huì)對使用設(shè)備的工作人員帶來潛在危險(xiǎn)。因此通過上述對異步電機(jī)故障危險(xiǎn)的深入剖析，為了防患于未然就需要找到切實(shí)可行的辦法，從而可以讓異步電機(jī)在出現(xiàn)故障的過程中能夠加快推進(jìn)診斷方法的落實(shí)。基于此，本文通過深度學(xué)習(xí)方法，也就是將原始數(shù)據(jù)與最終優(yōu)化的數(shù)據(jù)進(jìn)行深入剖析，并通過逐層的信息篩選以及提煉找到某一范圍，將其應(yīng)用在異步電機(jī)診斷就是通過深入的研究精準(zhǔn)的找到異步電機(jī)發(fā)生故障的部位以及快速的找尋到異步電機(jī)故障的診斷方法，從而提高異步電機(jī)的使用壽命，讓整個(gè)系統(tǒng)始終可以處于盤活狀態(tài)。

1 深度學(xué)習(xí)的概念以及結(jié)構(gòu)模型

1.1 深度學(xué)習(xí)的含義

深度學(xué)習(xí)最初是由Geoffrey Hinton提出，最先應(yīng)用在科學(xué)學(xué)習(xí)之中，他認(rèn)為深度學(xué)習(xí)就是一個(gè)最深層次的神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)之間參差不齊，由于細(xì)節(jié)的不斷變化導(dǎo)致神經(jīng)網(wǎng)絡(luò)更加的復(fù)雜。通過深度學(xué)習(xí)從最原始的數(shù)據(jù)出發(fā)，層層不斷的向前篩選，由于之前的深度學(xué)習(xí)存在當(dāng)計(jì)算數(shù)據(jù)較多時(shí)，處理時(shí)間成本大等問題。因此很多還未處理的過程中就已經(jīng)花費(fèi)大量的時(shí)間，這導(dǎo)致很多項(xiàng)目想及時(shí)有效的得到信息就需要花費(fèi)大量的時(shí)間，從而解決效率十分低下。

1.2 深度學(xué)習(xí)的層次結(jié)構(gòu)

深度學(xué)習(xí)的主要構(gòu)成受到玻爾茲曼機(jī)（RBM）的影響，其整個(gè)層次結(jié)構(gòu)主要是堆疊產(chǎn)生的，一般的RBM主要有兩個(gè)層，一個(gè)是隱藏層一個(gè)是可視層，這兩個(gè)層主要由權(quán)值來進(jìn)行連接，具體結(jié)構(gòu)如圖1 所示。

從圖1中我們可以清楚的看到一共由三個(gè)RBM，分別以序號1/2/2來命名。比如本文所研究的基于深度學(xué)習(xí)的異步電機(jī)診斷方法，將故障問題的原始數(shù)據(jù)輸入進(jìn)去，然后通過權(quán)值不斷的變化并且通過微調(diào)等方法措施讓深度學(xué)習(xí)可以發(fā)揮更大作用。

為了可以更好的理解整個(gè)的層次結(jié)構(gòu)變化過程，可通過一種比較形象的方式來表示，如圖2所示。將隱藏層單獨(dú)列出來一層，可視層也列出來一層，這樣就會(huì)出現(xiàn)數(shù)據(jù)的較叉，有利于讓故障點(diǎn)的發(fā)現(xiàn)，為后續(xù)診斷方法的提出提供巨大幫助。

2 深度學(xué)習(xí)關(guān)鍵參數(shù)的設(shè)置

2.1 關(guān)鍵參數(shù)的設(shè)置

采用深度學(xué)習(xí)的方法首先是關(guān)鍵參數(shù)的設(shè)置問題，如果各個(gè)關(guān)鍵參數(shù)沒有設(shè)置準(zhǔn)確，那么在找尋異步電機(jī)故障點(diǎn)的過程中就會(huì)出現(xiàn)偏差，從而找到問題點(diǎn)的難度加大，整個(gè)的設(shè)計(jì)過程也會(huì)產(chǎn)生較多的問題。因此需要設(shè)置一些深度學(xué)習(xí)的關(guān)鍵參數(shù)，比如學(xué)習(xí)率，其主要是在處理異步電機(jī)故障方法過程中減少數(shù)據(jù)之間的波動(dòng)問題。由于數(shù)據(jù)的波動(dòng)給最終的故障排除以及診斷方法帶來處理的數(shù)據(jù)點(diǎn)較多，因此在這個(gè)過程中就會(huì)產(chǎn)生一定誤差，誤差由于整體和部分的相差可能很大，這就會(huì)產(chǎn)生數(shù)據(jù)的大范圍的波動(dòng)從而不利于深度學(xué)習(xí)的有效推廣。

具體的公式如上面三個(gè)所示，其中p是動(dòng)量項(xiàng)的學(xué)習(xí)率。

2.2 隱藏節(jié)點(diǎn)的設(shè)置

從DBN結(jié)構(gòu)可以看出，輸入層的神經(jīng)元數(shù)目等于輸入數(shù)據(jù)樣本的維數(shù)，輸出層的神經(jīng)元數(shù)目等于數(shù)據(jù)樣本的類別數(shù)。但是，中間隱藏層中的節(jié)點(diǎn)數(shù)很難確定。一般來說，在選拔中存在人為的主觀因素，缺乏系統(tǒng)科學(xué)的理論指導(dǎo)。本文不研究隱層節(jié)點(diǎn)數(shù)，將隱層元素?cái)?shù)設(shè)為100。

2.3 網(wǎng)絡(luò)深度的設(shè)置

網(wǎng)絡(luò)深度的確定缺乏權(quán)威的研究理論。此外，隨著網(wǎng)絡(luò)深度的增加，網(wǎng)絡(luò)培訓(xùn)所需的時(shí)間也隨之增加。此外，可能存在累積誤差，這會(huì)降低網(wǎng)絡(luò)的識別精度。本文討論了不同網(wǎng)絡(luò)深度對網(wǎng)絡(luò)識別精度和訓(xùn)練測試時(shí)間的影響。最后確定了最佳網(wǎng)絡(luò)深度，并將其應(yīng)用于故障診斷領(lǐng)域。

3 采用深度學(xué)習(xí)的異步電機(jī)故障診斷方法探究

3.1 異步電機(jī)常見的故障分析

異步電動(dòng)機(jī)作為一種應(yīng)用廣泛的旋轉(zhuǎn)機(jī)械，其具有復(fù)雜的機(jī)械和電磁特性。并且旋轉(zhuǎn)結(jié)構(gòu)斷裂類型復(fù)雜，斷裂特征多樣。它們不僅具有機(jī)械故障的一般特征，還具有電氣元件和磁場的失效特征。通過對以往大量異步電機(jī)故障結(jié)果的統(tǒng)計(jì)，在所有異步電機(jī)故障中，軸承故障約占異步電機(jī)總故障的40%，定子故障約占異步電機(jī)總故障的38%，轉(zhuǎn)子故障約占異步電機(jī)總故障的約10%，其它類型的故障約占異步電動(dòng)機(jī)故障總數(shù)的12%。

具體地說，它可以分為內(nèi)外環(huán)故障、保持架故障和滾珠缺陷等，這些故障和缺陷是引起機(jī)器振動(dòng)的主要因素。在實(shí)際工業(yè)應(yīng)用中，大多數(shù)軸承工作在非理想狀態(tài)下，經(jīng)常受到各種不良因素的影響，如環(huán)境機(jī)械振動(dòng)、過載、腐蝕、潤滑不當(dāng)?shù)取＿@些系數(shù)會(huì)對軸承造成輕微缺陷。隨著缺陷的增加，軸承的外圈、內(nèi)圈、滾珠等部件會(huì)發(fā)生故障，進(jìn)而產(chǎn)生機(jī)械振動(dòng)，產(chǎn)生聽覺噪聲。

3.2 異步電機(jī)故障模擬實(shí)驗(yàn)裝置

故障模擬實(shí)驗(yàn)裝置采用的是美國Spectra Quest Inc公司生產(chǎn)的機(jī)械故障綜合模擬實(shí)驗(yàn)臺。如下圖3所示。

實(shí)驗(yàn)臺的主要部件包括多功能可編程控制面板，馬力變頻交流驅(qū)動(dòng)，馬力三相交流異步電動(dòng)機(jī)，帶液晶顯示器器 ，顯示內(nèi)置轉(zhuǎn)速表、聯(lián)軸器套件、可拆卸軸承箱、兩個(gè)帶擠壓鎖的滾動(dòng)軸承、直徑為3/4英寸的TGP鋼直軸、不同重量的平衡轉(zhuǎn)子、多級皮帶傳動(dòng)直齒輪箱，可調(diào)磁力制動(dòng)器等部分。

3.4 實(shí)驗(yàn)結(jié)果分析

將采集到的電機(jī)原始時(shí)域信號直接取其功率譜密度并進(jìn)行歸一化處理，對預(yù)處理后的數(shù)據(jù)進(jìn)行樣本分段，數(shù)據(jù)樣本的長度以 2N 為單位，樣本長置為 64、256、512 以及 1024 五類，每一類工況取為訓(xùn)練樣本，300 組數(shù)據(jù)作為測試樣本，5類數(shù)據(jù)樣本總計(jì) 18000 組訓(xùn)練樣本和 9000 組測試樣本，選取電動(dòng)機(jī)轉(zhuǎn)速、空載、樣本長度為 256 的數(shù)據(jù)樣本為例，電機(jī) 5類狀態(tài)的功率。如圖4所示。

通過對發(fā)生故障的異步電機(jī)定子與轉(zhuǎn)子以及軸承經(jīng)常發(fā)生故障的部位做了具體的實(shí)驗(yàn)，其結(jié)果可通過頻率分布圖來直觀的呈現(xiàn)出來，對于第一幅圖來說定子最經(jīng)常發(fā)生的故障就是瞬時(shí)電流產(chǎn)生的斷裂現(xiàn)象，從圖中可以看出有很多峰值以及低谷，這就是由于電流的時(shí)高時(shí)低導(dǎo)致電流壓差較大產(chǎn)生的斷裂現(xiàn)象。對于第二幅圖來說一開始頻率基本沒有，到后期出現(xiàn)了短暫的峰值，這是由于轉(zhuǎn)子出現(xiàn)打滑現(xiàn)象，后期出現(xiàn)了磨損現(xiàn)象，對于第三幅和第二幅其變化基本差不多，主要是精度原因?qū)е鲁霈F(xiàn)了暫時(shí)性的故障，如果保養(yǎng)得當(dāng)可以及時(shí)有效的消除這一問題。

4 結(jié)語

綜上所述，本文主要通過基于深度學(xué)習(xí)的方法也就是DBN這一研究模式來對異步電機(jī)發(fā)生故障的原因以及部位進(jìn)行深入剖析，然后通過一定的方法來具體解決這一問題，通過頻譜分析與具體的實(shí)驗(yàn)研究來開展深入研究。從而可以為更多的異步電機(jī)故障處理方法提供借鑒，也為未來異步電機(jī)總體效率的提高提供參考。

參考文獻(xiàn)

[1]李艷蘭.異步電動(dòng)機(jī)電氣故障的識別與診斷[D].太原：太原理工大學(xué)，2015.

[2]朱麗娟.基于小波神經(jīng)網(wǎng)絡(luò)的異步電動(dòng)機(jī)振動(dòng)故障診斷研究[D].太原：太原理工大學(xué)，2018.

[3]韓敏，崔丕鎖.一種用于模式識別的動(dòng)態(tài)RBF神經(jīng)網(wǎng)絡(luò)算法[J].大連理工大學(xué)學(xué)報(bào)，2006（5）：746-751.

[4]陳耀武，汪樂宇.轉(zhuǎn)子機(jī)械故障診斷儀器系統(tǒng)[J].中國電機(jī)工程學(xué)報(bào)，2000（12）：48-52.

收稿日期：2020-03-13

作者簡介：軒艷文（1994—），男，河南許昌人，電氣碩士，研究方向：電力系統(tǒng)及其自動(dòng)化。

Fault Diagnosis Method of Asynchronous Motor Based on Deep Learning

XUAN Yanwen

（Shanghai Institute of electrical engineering， Shanghai? 201306）

Abstract：As the soul of the whole transmission system， asynchronous motor can not complete other work without the normal work of asynchronous motor. Based on this， this paper uses the method of deep learning to diagnose the fault of asynchronous motor， through in-depth study， accurately find the fault location of asynchronous motor and quickly find the fault diagnosis method of asynchronous motor， so as to further improve the service life of asynchronous motor.

Key words：deep learning;DBN;asynchronous motor;fault diagnosis