電機故障診斷的智能方法論述

李佩燁

（華北電力大學電氣與電子工程學院，河北 保定 071000）

隨著電動汽車產業、軌道交通行業以及國防工業的迅速崛起，電機已經成為工業生產的重要設備，為了滿足不同領域的需求，電機結構設計得越來越復雜，電機發生故障的概率也有所增大。電機出現故障會降低工作效率甚至可能引發事故，因此，研究不同狀態下電機故障診斷的方法是保證系統安全運行的重要措施。傳統的故障診斷方法通過提取電機故障狀態的特征向量進行識別。電機故障的突變性、非線性以及并發性等，使得傳統的電機故障診斷困難重重。隨著智能化的發展完善，融合了智能化的電機故障診斷方法有效彌補了傳統方法的不足。本文綜述了國內外電機故障診斷的智能方法，并對所述的診斷方法進行分析，提出了電機故障診斷智能方法的發展趨勢。

1 電機故障類型、特點及診斷

電機故障種類龐雜，從故障位置的角度可以分為定子故障、轉子故障以及軸故障三類。當電機發生故障時，通常表現為電機不能啟動、電機溫度過高、電機轉速異常或轉動時噪聲過大、電機內部電路的電流異常以及電機外殼帶電這五種形式。

而電機故障智能診斷方法技術涉及電路磁路系統、機械系統、散熱系統等多個領域。由于電機設備故障信號與故障類型之間復雜的非線性映射關系，使得故障識別及后續的診斷較為復雜，因此進一步采用多學科領域的智能診斷技術是目前發展的一大趨勢，這將會提高故障診斷的容錯性、抗噪性以及精確性。

2 電機故障診斷的智能方法研究現狀

2.1 基于信號變換的故障診斷方法

電機的故障信息表現為特征參量的變化，存在于被測信號中。但是，表征早期故障的信號較弱，噪聲較強，如果借助特殊的處理方法對信號進行提取，就能獲得故障特征信息，從而確定電機的故障類型。最初信號處理方法是Fourier變換，后來由此發展出小波變換。小波變換是時間和頻域的局部變換，通過伸縮平移變換對信號進行多尺度細化分析，從而突出被測信號的故障特征。通過對電機轉子振動信號進行小波分解，通過奇異性分析，準確獲得了信號畸變的時間以及瞬態特征，實現了有效的電機故障智能診斷。利用小波包變換有效克服了小波變換在高頻段頻率分辨率較差，在低頻段時間分辨率較差的困難，對開關磁阻電機功率變換器故障做出準確快速診斷。信號變換適合探測正常信號中夾帶的瞬態異常信號并展示其特征，廣泛應用于電機設備的故障診斷中，但此類診斷方法不能進行學習。

2.2 基于人工神經網絡的故障診斷方法

人工神經網絡(Artificial Neural Network，ANN)是模仿人的神經網絡處理復雜信息的一種運算模型。ANN由大量簡單的人工神經元廣泛連接,具有非線性關系、一定的整體性以及自學習能力等，能夠建立從征兆現象到故障類型的映射，因此，ANN非常適合用在電機故障智能診斷。ANN在電機故障智能診斷中不依賴其內部運行情況，也不苛求定量的數學模型。采用有監督式學習（Back Propagation, BP）神經網絡對全貫流電機泵進行故障診斷。先用頻譜分析確定表征全貫流電機泵每種故障的頻率特性，利用特征頻譜中的譜峰能量值作為神經網絡的輸入樣本，以對應的故障類型作為神經網絡的輸出樣本，對該神經網絡采用BP算法進行機器學習，得到故障特征到故障類型的映射關系。利用神經網絡的分布式系統對全貫通電機泵故障進行診斷。BP網絡通過對樣本的訓練、學習和推廣，能得到自適應能力很強、容錯性很好的一般性規律。它能進行故障類型識別,還能進行故障程度的評估，因此廣泛應用在電機故障智能診斷中。但由于BP算法采用全局逼近的神經網絡，存在收斂速度慢、振蕩以及易陷入局部極小值等問題，以及由于其不具備增量學習能力導致對異常故障的診斷能力低，降低了診斷的可靠性。

2.3 基于支持向量機的故障診斷方法

支持向量機（Support Vector Machine, SVM）是一種對數據進行二元分類的按監督學習方法。通過核方法進行非線性分類時，使用高維空間轉換，將非線性可分問題映射到高維空間上的線性分類問題，從而得到SVM一般結構，接著，尋找最優分類面將樣本分離，因此SVM具有通用性。它廣泛應用在模式識別和故障診斷等領域。電機故障診斷問題本質上是一種分類問題，SVM也是可以在小樣本條件下獲得最優解的方法，這正解決了電機故障中樣本較少的問題。在感應電機軸承故障的診斷中，采用加權交疊平均法結合SVM對電機的定子信號進行處理，通過優化的核函數實現軸承外溝通故障的在線診斷分析。這種方式需要的樣本量少、成本低廉，但對于多分類情況效果較差。

2.4 基于模糊理論的診斷方法

模糊理論是通過建立連續隸屬函數，用模糊控制對待考察的不確定信息進行決策。在電機故障診斷中，模糊屬性經常出現，例如，對征兆的描述：轉速“較慢”，波形“不穩”等都具有模糊屬性；在信息的采集的過程中也經常有噪聲的影響，模糊理論的有效運用能一定程度上抵抗噪聲的干擾，優化診斷結果；而且故障類型與征兆之間也是模糊關系，模糊理論是解決這類問題最有效的工具。模糊理論診斷故障通常有兩種方式，其一是先構建特征量與故障狀態的因果關系矩陣，再建立故障類型與征兆的模糊關系方程，這是基于合成算法及模糊關系的智能診斷方法。其二是先建立征兆與故障類型之間的模糊規則庫，再運用模糊邏輯推理進行診斷，這是基于知識處理的智能診斷方法。模糊語言比較接近自然語言，可讀性較強，推理邏輯嚴謹，非常適用于處理電機故障這類不確定性問題。然而，模糊診斷在獲取模糊規則及隸屬函數時比較困難且具有一定的主觀性，而且不同的電路對應的模糊規則不同，給電機故障診斷帶來相當大的計算量。但是，將模糊理論引入電機故障智能診斷已是必然趨勢。

3 結語

在電機故障診斷領域，使用智能方法進行數據提取并對數據做出分析處理是當今的主流趨勢，并且一些研究成果已經得到實際應用。本文首先概述了電機故障的特點及類別，并對應用廣泛的電機故障智能診斷方法進行概括總結，接著，闡述了智能方法的研究現狀、優勢以及不足之處。隨著電機應用領域的日漸廣泛，電路拓撲結構的改變對故障診斷的進行會有影響，而現今的電機故障診斷多數從特定拓撲結構出發做進一步研究，具有普適性的智能診斷方法相對較少。隨著人工智能的飛速發展，將新的智能技術引入電機故障診斷領域中，取長補短，形成診斷過程更方便、診斷效果更好的理論和技術，這是該領域發展的趨勢。同時，隨著電機所在系統越來越復雜，基于多種數據源信息相互融合的技術將得到重視。使用多傳感器的融合方式將不同數據源的信息進行融合，更能綜合反映故障的特征信息，可以提高故障診斷的全面性和準確性。