基于BP神經網絡的全貫流電機泵故障診斷

徐逍帆 葛強

摘要：BP神經網絡是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，可用于數據的運算分類及預測，在故障診斷分析方面應用廣泛。全貫流電機泵特點是電機的轉子代替了水泵的葉輪外殼，電機泵的電機故障特點比普通電機多且復雜。目前，全貫流泵故障診斷的研究較少，但BP神經網絡算法對電機故障診斷分析的研究應用成熟。運用BP神經網絡算法嘗試對全貫流泵可能存在的故障進行模擬診斷分析與研究，得到了較好的效果。

關鍵詞：BP神經網絡;全貫流泵;故障診斷

中圖分類號：TP183? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-957X（2021）02-0139-02

0? 引言

在機電一體化程度越來越高和人工智能迅速發展的今天，全貫流泵作為新型電機泵在故障檢測這方面目前還是空白，本文主要是通過BP神經網絡算法來進行全貫流電機泵的故障分析檢測及預測。因為缺少大量的全貫流泵的故障試驗數據和仿真模擬數據，本文通過參考貫流泵和潛水泵的故障，對全貫流泵的故障進行預測分析，得出故障頻率特性，再通過運用BP神經網絡對模擬數據進行處理，得出故障分析檢測及預測。

1? 概述

1.1 BP神經網絡簡介

BP（Back Propagation）神經網絡[1-3]應用比較廣泛。BP網絡的結構圖：BP神經網絡由輸入層、中間層（或隱層）和輸出層組成。

BP神經網絡的學習流程比較特殊。以下為神經網絡算法的流程：首先初始化神經網絡的輸入值，然后根據輸入層和中間層的計算輸出信號，用輸出的信號與期望值相比較，如果誤差滿足設定的范圍內，則學習結束;否則學習修正權值，再次進入迭代學習過程，直到誤差在設定的范圍內或者迭代次數結束，學習結束。

1.2 全貫流泵簡介

全貫流泵（Entirely Tubular Pump）全稱全貫流潛水電泵，又叫濕定子潛水貫流泵，是現代一種新型電機一體化產品[4]，是潛水電機與貫流泵兩種技術的融合，其原理是電機的轉子代替了水泵的葉輪外殼，水泵葉片安裝在電機轉子內腔，使電機與泵站融為一體，沒有葉頂間隙，水泵的無效部分進而轉變成為有效部分，既延續了潛水電泵組裝便捷、組建經費少、噪音小散熱優良等優點[5]，又增添了全貫流泵通道流暢、裝置效率高的特點[6]。

1.3 故障診斷

故障診斷是一種了解和掌握機器在運行過程中的狀態，確定其整體或局部正?；虍惓?，早期發現故障及其原因，并能預報故障發展趨勢的技術[7-8]。要對系統進行故障診斷，首先必須對其進行檢測，在發生系統故障時，對故障類型、故障部位及原因進行診斷，最終給出解決方案，實現故障恢復。

基于傳統的故障診斷理論對于現代大型的機械化設備表現出了很大的局限性[8]，人工神經網絡理論就適時的出現了，近年來在故障診斷技術中的應用進行了系統而深入地研究，類似水泵電機這樣的機械設備主要的故障診斷思路是先測量機械設備在運行工作時或相對靜態條件下的狀態信息，然后對所測得的信號信息進行處理與分析，并結合診斷對象的歷史故障情況，來定量識別設備及其零部件當前運行狀態，并事先判斷出相關異常情況、預測其未來技術狀態，從而確定必要對策。因此，神經網絡理論在故障診斷領域顯示出了相當大的應用潛力，是近來的熱點方向，本文即采用BP神經網絡算法對電機故障進行分析及預測。

2? 全貫流泵故障分析

2.1 故障診斷機理

水泵電機故障診斷的最主要是找出發生不同故障時的各個故障所表現的不同特征，但要找出這些特征，就要分析水泵電機故障的產生機理。

本文主要采用頻譜分析法，即每種故障有其對應的特征頻率。據此確定機器的故障性質和嚴重程度。但從目前的試驗數據和文獻來看，全貫流泵作為一種新型的電機泵，因為缺少大量的實際與模擬故障試驗數據，所以通過參考貫流泵和潛水泵兩種電機泵的故障特點，結合兩者裝置結構、運行工況上的特點，對全貫流泵的故障進行預測分析，得出故障頻率特性。

2.2 故障診斷分析

通過大量文獻[9-16]得出，全貫流潛水泵的電機本體屬于三相異步電機，可參照異步電機的可能出現的故障進行預測分析，轉子斷條即葉片損壞故障、轉子偏心故障、定子繞組匝間短路故障、軸承震動故障及其他綜合故障。但全貫流泵又不同于三相異步電機，其整體為泵裝置，要考慮前后導葉受損情況，所以前后導葉也是其中一個故障點，因此加了導葉損壞故障。

故擬定設置六種故障原因，其中葉片損壞和前后導葉損壞嚴重程度也會影響電機故障頻率，又可以分為輕微和嚴重，還有泵裝置本體正常的工作狀態，故有九種頻率特征：葉片受損（輕微）—f1;葉片受損（嚴重）—f2;前后導葉受損（輕微）—f3;前后導葉受損（嚴重）—f4;匝間短路故障—f5;氣隙偏心故障—f6;軸承震動故障—f7;其他綜合故障—f8;正?！猣9。

3? BP神經網絡學習

3.1 BP神經網絡算法

這里選取2700組數據進行模擬實驗，2400組作訓練集，300組作測試集。訓練方法為梯度下降法，訓練函數為traingd，最大訓練次數為100次，訓練要求精度為0，學習率為0.1，最大失敗次數為5，最小梯度要求為1e-10，Mu初始值為0.001，Mu最大值為1e10。因為本次訓練選取一個故障頻率檢測點和其定位點（f，N），所以選擇的輸入層節點數是2，輸出有九種結果，所以選擇的輸出層節點是9，根據經驗公式：

其中：h為隱含層節點數目，m為輸入層節點數目，n為輸出層節點數目，a為1～10之間的調節常數。

這里，m取值為2，n取值為9，a在6～7之間選擇，所以這里隱含層數選擇的是10層。目標樣本輸出為一個9×9的單位矩陣。

3.2 算法結果

將數據帶入MATLAB中進行模擬仿真，得出圖1結果。

由圖1可以看出，這次的訓練次數為58次，只用時1秒，在第52次訓練時達到最好的誤差精度4.4501e-4，BP神經網絡就完成了對2700組目標數據的訓練，得到的實際測試樣本與預測樣本接近，預測精度較高，得到了較好的結果。但由于選取數據的數量級較小，所以選取的典型性較弱，區分度較低。

4? 結論

通過BP神經網絡得出全貫流泵的故障診斷分析的方法，快速便捷，可以適應大量故障數據的篩選和處理，為以后研究全貫流泵故障診斷分析提供了思路。

但也可以看出本文在BP神經網絡算法的程序編寫和數據典型性的選取上還存在缺陷，還需要進一步修改調試程序，獲取大量有效數據。因為BP神經網絡算法自身也具有學習效率低、收斂速度慢、易陷入局部極小值的狀態，所以可以選擇精度更高，訓練效果更好的神經網絡算法。

本次試驗，如果有實際電機泵實驗和ANSYS有限元仿真作為支撐，所獲得的數據更多，數據更具有典型性，其神經網絡的訓練效果將越好，基于BP神經網絡的電機泵故障診斷在工業生產指導實踐中的更具有研究意義。

參考文獻：

[1]葛強，徐倆倆，段小匯.人工神經網絡在水泵性能預測中的應用研究[J].河海大學學報：自然科學版，2007，35（1）：22-25.

[2]黃麗.BP神經網絡算法改進及應用研究[D].重慶師范大學，2008.

[3]吳昌友.神經網絡的研究及應用[D].東北農業大學，2007.

[4]張重陽，劉超，馮旭松，初長虹，謝璐，雷鎮.全貫流泵流動特性數值模擬和性能預測[J].南水北調與水利科技，2019，17（4）：185-192.

[5]袁龍剛，呂建新.大中型潛水泵站設計選型與應用[J].陜西水利，2016（02）：136-138.

[6]古智生.全貫流潛水電泵的開發與應用[J].水利水電技術，2010，41（12）：54-57.

[7]王文峰，阮俊虎，CV-MATH，劉衍琦，郭裕蘭著.MATLAB計算機視覺與機器認知[M].北京航空航天大學出版社，2017.

[8]馬紅忠.電機狀態監測與故障診斷[M].北京：機械工業出版社，2008.

[9]侯新國，吳正國，夏立，卜樂平.基于相關分析的感應電機定子故障診斷方法研究[J].中國電機工程學報，2005（04）：85-88.

[10]王瑞欣.全信息融合算法在混流泵故障診斷系統中的應用研究[D].鄭州大學，2014.

[11]王瑞海，孫鵬，呂振江，湯家升，劉鵬.概率神經網絡在水泵故障診斷中的應用研究[J].煤礦機械，2014，35（10）：285-287.

[12]謝永濤，劉俊俊，賈嶸，董開松.燈泡貫流式機組的狀態監測與故障診斷系統設計[J].電網與清潔能源，2015，31（11）：89-92，100.

[13]鮑曉華，程志恒.基于電流振動雙信號的大型潛水電機偏心故障診斷（英文）[J].電氣工程學報，2016，11（07）：23-31.

[14]張媛媛.基于案例推理的水泵故障診斷技術研究[D].西安建筑科技大學，2017.

[15]王麗華，謝陽陽，張永宏，趙曉平，周子賢.采用深度學習的異步電機故障診斷方法[J].西安交通大學學報，2017，51（10）：128-134.

[16]游磊，梁穎，韓祺祎，潘茂林，鄧近旦.基于改進混合蛙跳算法的SVM潛水軸流泵故障診斷[J].自動化與儀器儀表，2020（05）：1-3.