摘  要：异步电机作为整个传动系统的灵魂，如果没有异步电机的正常工作就无法完成其他各项工作。基于此，本文采用深度学习的方法来对异步电机故障进行诊断，通过深入研究精准找到异步电机发生故障的部位以及快速找寻到异步电机故障的诊断方法，从而进一步提高异步电机的使用寿命。

关键词：深度学习;DBN;异步电机;故障诊断

中图分类号：TM343  文献标识码：A  文章编号：2096-6903（2020）06-0000-00

0 引言

随着科学技术的不断发展，机械行业等制造业面临新的发展契机，其中异步电机是重中之重。异步电机作为整个传动系统的灵魂，如果没有异步电机进行工作就无法完成其余各项工作，其就像是发起的大脑指挥系统一样，让整个系统朝着一个正确的方向发展。但是异步电机虽然结构简单，但是在实际应用过程中总会出现这样那样的问题，其中小的方面产生的问题就是传动系统不工作，大的方面就是影响整个系统的有效进行。并且有时候还会对使用设备的工作人员带来潜在危险。因此通过上述对异步电机故障危险的深入剖析，为了防患于未然就需要找到切实可行的办法，从而可以让异步电机在出现故障的过程中能够加快推进诊断方法的落实。基于此，本文通过深度学习方法，也就是将原始数据与最终优化的数据进行深入剖析，并通过逐层的信息筛选以及提炼找到某一范围，将其应用在异步电机诊断就是通过深入的研究精准的找到异步电机发生故障的部位以及快速的找寻到异步电机故障的诊断方法，从而提高异步电机的使用寿命，让整个系统始终可以处于盘活状态。

1 深度学习的概念以及结构模型

1.1 深度学习的含义

深度學习最初是由Geoffrey Hinton提出，最先应用在科学学习之中，他认为深度学习就是一个最深层次的神经网络，网络之间参差不齐，由于细节的不断变化导致神经网络更加的复杂。通过深度学习从最原始的数据出发，层层不断的向前筛选，由于之前的深度学习存在当计算数据较多时，处理时间成本大等问题。因此很多还未处理的过程中就已经花费大量的时间，这导致很多项目想及时有效的得到信息就需要花费大量的时间，从而解决效率十分低下。

1.2 深度学习的层次结构

深度学习的主要构成受到玻尔兹曼机（RBM）的影响，其整个层次结构主要是堆叠产生的，一般的RBM主要有两个层，一个是隐藏层一个是可视层，这两个层主要由权值来进行连接，具体结构如图1 所示。

从图1中我们可以清楚的看到一共由三个RBM，分别以序号1/2/2来命名。比如本文所研究的基于深度学习的异步电机诊断方法，将故障问题的原始数据输入进去，然后通过权值不断的变化并且通过微调等方法措施让深度学习可以发挥更大作用。

为了可以更好的理解整个的层次结构变化过程，可通过一种比较形象的方式来表示，如图2所示。将隐藏层单独列出来一层，可视层也列出来一层，这样就会出现数据的较叉，有利于让故障点的发现，为后续诊断方法的提出提供巨大帮助。

2 深度学习关键参数的设置

2.1 关键参数的设置

采用深度学习的方法首先是关键参数的设置问题，如果各个关键参数没有设置准确，那么在找寻异步电机故障点的过程中就会出现偏差，从而找到问题点的难度加大，整个的设计过程也会产生较多的问题。因此需要设置一些深度学习的关键参数，比如学习率，其主要是在处理异步电机故障方法过程中减少数据之间的波动问题。由于数据的波动给最终的故障排除以及诊断方法带来处理的数据点较多，因此在这个过程中就会产生一定误差，误差由于整体和部分的相差可能很大，这就会产生数据的大范围的波动从而不利于深度学习的有效推广。

具体的公式如上面三个所示，其中p是动量项的学习率。

2.2 隐藏节点的设置

从DBN结构可以看出，输入层的神经元数目等于输入数据样本的维数，输出层的神经元数目等于数据样本的类别数。但是，中间隐藏层中的节点数很难确定。一般来说，在选拔中存在人为的主观因素，缺乏系统科学的理论指导。本文不研究隐层节点数，将隐层元素数设为100。

2.3 网络深度的设置

网络深度的确定缺乏权威的研究理论。此外，随着网络深度的增加，网络培训所需的时间也随之增加。此外，可能存在累积误差，这会降低网络的识别精度。本文讨论了不同网络深度对网络识别精度和训练测试时间的影响。最后确定了最佳网络深度，并将其应用于故障诊断领域。

3 采用深度学习的异步电机故障诊断方法探究

3.1 异步电机常见的故障分析

异步电动机作为一种应用广泛的旋转机械，其具有复杂的机械和电磁特性。并且旋转结构断裂类型复杂，断裂特征多样。它们不仅具有机械故障的一般特征，还具有电气元件和磁场的失效特征。通过对以往大量异步电机故障结果的统计，在所有异步电机故障中，轴承故障约占异步电机总故障的40%，定子故障约占异步电机总故障的38%，转子故障约占异步电机总故障的约10%，其它类型的故障约占异步电动机故障总数的12%。

具体地说，它可以分为内外环故障、保持架故障和滚珠缺陷等，这些故障和缺陷是引起机器振动的主要因素。在实际工业应用中，大多数轴承工作在非理想状态下，经常受到各种不良因素的影响，如环境机械振动、过载、腐蚀、润滑不当等。这些系数会对轴承造成轻微缺陷。随着缺陷的增加，轴承的外圈、内圈、滚珠等部件会发生故障，进而产生机械振动，产生听觉噪声。

3.2 异步电机故障模拟实验装置

故障模拟实验装置采用的是美国Spectra Quest Inc公司生产的机械故障综合模拟实验台。如下图3所示。

实验台的主要部件包括多功能可编程控制面板，马力变频交流驱动，马力三相交流异步电动机，带液晶显示器器 ，显示内置转速表、联轴器套件、可拆卸轴承箱、两个带挤压锁的滚动轴承、直径为3/4英寸的TGP钢直轴、不同重量的平衡转子、多级皮带传动直齿轮箱，可调磁力制动器等部分。

3.4 实验结果分析

将采集到的电机原始时域信号直接取其功率谱密度并进行归一化处理，对预处理后的数据进行样本分段，数据样本的长度以 2N 为单位，样本长置为 64、256、512 以及 1024 五类，每一类工况取为训练样本，300 组数据作为测试样本，5类数据样本总计 18000 组训练样本和 9000 组测试样本，选取电动机转速、空載、样本长度为 256 的数据样本为例，电机 5类状态的功率。如图4所示。

通过对发生故障的异步电机定子与转子以及轴承经常发生故障的部位做了具体的实验，其结果可通过频率分布图来直观的呈现出来，对于第一幅图来说定子最经常发生的故障就是瞬时电流产生的断裂现象，从图中可以看出有很多峰值以及低谷，这就是由于电流的时高时低导致电流压差较大产生的断裂现象。对于第二幅图来说一开始频率基本没有，到后期出现了短暂的峰值，这是由于转子出现打滑现象，后期出现了磨损现象，对于第三幅和第二幅其变化基本差不多，主要是精度原因导致出现了暂时性的故障，如果保养得当可以及时有效的消除这一问题。

4 结语

综上所述，本文主要通过基于深度学习的方法也就是DBN这一研究模式来对异步电机发生故障的原因以及部位进行深入剖析，然后通过一定的方法来具体解决这一问题，通过频谱分析与具体的实验研究来开展深入研究。从而可以为更多的异步电机故障处理方法提供借鉴，也为未来异步电机总体效率的提高提供参考。

参考文献

[1]李艳兰.异步电动机电气故障的识别与诊断[D].太原：太原理工大学，2015.

[2]朱丽娟.基于小波神经网络的异步电动机振动故障诊断研究[D].太原：太原理工大学，2018.

[3]韩敏，崔丕锁.一种用于模式识别的动态RBF神经网络算法[J].大连理工大学学报，2006（5）：746-751.

[4]陈耀武，汪乐宇.转子机械故障诊断仪器系统[J].中国电机工程学报，2000（12）：48-52.

收稿日期：2020-03-13

作者简介：轩艳文（1994—），男，河南许昌人，电气硕士，研究方向：电力系统及其自动化。

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