一种电机故障的智能诊断方法研究

2010-06-20乔维德

电气传动自动化 2010年1期

乔维德

（常州市广播电视大学，江苏常州213001）

1 引言

随着现代工业和科学技术的迅速发展，电机拖动系统已广泛应用到各个领域，电机是拖动系统的重要部件；但由于电机在工作过程中，发生设备故障或失效的潜在可能性会随着运行时间而不断增大，最终可能导致整个拖动系统不能正常安全运转，甚至瘫痪。所以如何及时准确地确定电机故障原因、类别及其故障严重程度，是提高电机及其拖动系统安全运行的重要措施和可靠保证。

传统的电机故障诊断专家系统虽然取得了一定成果，但存在着明显的局限性，而在人工智能方法，如神经网络、遗传算法等，能够处理传统故障诊断方法无法解决的问题。基于此，本文提出了一种基于改进遗传算法（IGA）和误差（BP）算法相结合的混合算法，并应用于电机故障诊断，有效地减少了误判、漏判的情况，保证了电机故障诊断的准确性与快速性。

2 BP神经网络及算法

BP神经网络是误差反向传播前馈型神经网络，其结构由输入层、输出层和若干隐含层组成，网络的学习训练过程是按误差由输出层节点经隐含层节点反向传播的，网络学习目的是使网络尽量逼近所需要的映射，这种映射是通过学习样本的输入和输出对反映出来的。但标准BP算法中网络的权值和阈值采用梯度下降进行调节,通常具有收敛速度慢、容易陷入局部极小等缺点，因此必须对BP算法进行改进。这里采用对每个连接权植和阈值增加一个矢量项，即惯性系数，增加有效的学习效率，且有效抑制振荡现象。可以应用式（1）实现：

式中：W为网络中的连接权和阈值；α为惯性系数。

3 改进遗传算法（IGA）

遗传算法（GA）是一种基于自然选择和自然遗传的全局优化算法，它模拟了自然选择和遗传过程中的繁殖、交杂和突变的现象。目前遗传算法已成功解决了许多复杂的优化问题，它最大的优点是：即使对多态的和非连续性的函数，也能获得全局最优解。但仍存在着早熟和收敛速度慢等不足，因此本文对传统的遗传算法进行了改进，然后采用改进遗传算法（IGA）优化神经网络结构和权重等，来提高优化效率。

3.1 遗传算法的编码方式改进

神经网络的权重、阈值学习是一个复杂的连续参数优化问题，每个遗传码串代表一种神经网络结构中的权重和阈值。如果采用二进制编码形式，每一个权重和阈值究竟用几个二进制表示就是一个比较难决定的问题，位数太少，则训练时间可能很长或可能找不到解；如果位数太多，则染色体长度又很长，训练时间就很长或者不能实现，而且二进制编码占用空间较大，在求解适应度值时还会遇到一个解码问题，这也在某种程度上增加算法计算时间，所以本文采用浮点数编码方式。

3.2 交叉算子和变异算子的改进

交叉概率Pc和变异概率Pm直接影响算法的收敛性。从种群的个体来看，如果交叉概率Pc过大，新个体产生的速度越快；如果交叉概率Pc过小，新个体产生的速度就越慢，GA搜索过程较慢。对于变异概率Pm，如果变异概率Pm过大，GA搜索过程就变成了随机过程，若变异概率Pm过小，则其产生新个体的抵制早熟现象的能力便会削弱。因此设计自适应变化的交叉概率Pc和变异概率Pm很有必要。本文采用一种交叉概率和变异概率的自适应调整规则，使得每个个体根据在遗传过程中按其适应度选择不同的交叉概率和变异概率，并加以自动调节。自适应交叉概率Pc和变异概率Pm计算公式表述为：

式中，fmax表示种群最大适应度值；favg为种群平均适应度；f′表示在要交叉的两个个体中较大的适应度值；f表示要变异的个体适应度；这里，k1、k2、k3、k4是 0-1 之间的常数，k3和 k4较大。

3.3 适应度的调节

种群适应度的平均值favg和方差δ的计算公式为：

为了避免特优个体被过多复制而产生“过早收敛”和搜索后期的“停滞现象”，加快收敛速度，本文对适应度按如下公式进行调整，即

其中，fi为个体i的适应度值；N为群体规模；fi*为调整后个体i的适应度；r为1-5之间的整数。

4 基于IGA-BP混合算法的神经网络

在IGA-BP混合算法的神经网络中，网络的训练分两步；首先应用改进遗传算法（IGA）优化训练神经网络，使其定位在权空间全局最优解附近，然后利用BP算法局部搜索，最终使其快速收敛到最终的优化值。IGA-BP混合算法的具体实现过程为：

①根据给定的输入、输出训练样本集，确定神经网络的输入层、输出层及隐含层节点数，构建神网络的拓扑结构。

②设置遗传算法的群体规模N、交叉概率Pc、变异概率Pm，将神经网络的权向量和阈值编码成浮点数表示的字符串，在［-1，1］之间随机产生N条染色体作为初始种群。

③对种群中每代群体中的每一条染色体进行译码，按下列公式计算第i条染色体的误差平方和Ei和适应度fi的值。

其中：qk为神经网络的期望（目标）输出值；yk为每条染色体的实际输出值。

④计算种群中每代群体中的最大适应度值fmax和平均适应度值favg，如果fmax满足精度要求转去执行⑦，否则按顺序执行⑤。

⑤对交叉概率Pc和变异概率Pm进行自适应调整，采用改进的交叉和变异算子执行遗传操作，产生下一代群体。

⑥对网络权值通过反向传播计算求出各层神经元的误差信号，应用BP算法的改进公式对权值反复调整，并从父代和下一代群体中挑选出N个较好的染色体来形成下一代新群体，然后转去步骤③执行。

⑦通过对适应度为fmax的染色体译码，得到神经网络的权值和阈值，结束算法过程。

5 基于IGA-BP混合算法的电机智能故障诊断

5.1 神经网络训练

以电机转子故障为研究对象，在电机转子实验台上分别通过涡流传感器采集水平和垂直方向上的振动信号，然后通过放大、滤波和A/D转换后，由DSP对振动信号进行频谱分析。转子振动频谱分量包含转子常见的不平衡、不对中、径向摩擦、油膜振荡、喘振和轴承座松动6种故障信息，本文将以上6种故障作为神经网络的输出，分别提取振动信号频谱中的8个频段上的不同频谱峰值作为特征量，因此确定用于电机转子故障诊断的神经网络结构分为3层，输入层节点数为8，分别对应8个不同的特征频段；隐含层节点数为6；输出层节点数为6，分别对应转子常见的6种故障。从故障诊断实践中形成训练样本，每一种故障分别选3组频谱，构成相应的6种故障的18组学习样本（含输入样本和期望输出），如表1和表2所示。表 2 中“1”表示故障，“0”表示正常（无故障）。

当网络结构和学习样本选定后，就可以利用IGA-BP混合算法优化、训练神经网络，实际训练次数为95次时，便达到了设定的误差精度E≤0.001的要求。