大型电子设备故障智能诊断技术研究

2019-05-08殷剑

通信电源技术 2019年4期

关键词：电子设备故障诊断神经网络

殷剑

（江西农业大学南昌商学院，江西九江 332020）

0 引言

随着网络信息技术的发展，结合物联网的设备故障三维检测方式逐渐兴起。该方法存在三维建模过程复杂、诊断过程复杂、易受外界因素影响以及对观察人员专业性要求高的问题[1]。因此，提出结合神经网络原理对电子设备故障智能诊断方法进行研究。

1 大型电子设备故障智能诊断技术

利用设备运行特征集合提取方法诊断设备故障特征参数，根据检测结果划分、修正故障种类，快速完成设备故障检测[2]。

1.1 故障特征参数计算

电子设备故障诊断需要采用LMD从原始信号中提取故障类别特征，若ζ的最终取值属于(xmin,ymax)范围，表示该区域设备存在故障隐患，应检测设备故障位置和等级。找到实体设备故障等级中最小子集后，设初始化结果集合为空集，输入初始二元组，接收故障参数预警信息。设提取的电子设备振动噪音信号频率为A，设备时域运行参数方差为i，设备故障检测参数峰值为j，电子设备时域特征向量为v，则参数诊断算法如下：

若P为电子设备故障采样数据，R为电子设备正常运行的标准值，n为故障噪声参数值，则最小子集频率诊断算法为：

结合上述算法计算设备震动频率极值，提取或抵消噪声特征分量信号，解决大型电子设备故障诊断过程中常见的模式混淆、不连续等问题，有利于故障参数分析。

1.2 基于神经网络的故障定位

故障诊断需要采集电子设备运行时的信号特征参数分布情况。根据前文算法，对比设备运行参数范围划分设备故障等级，以特征提取算法采集大型电子设备故障参数，利用神经网络原理法计算设备运行时的最优等级分类参数[3]，提高局部故障隐患搜索能力。

1.3 电子设备故障诊断技术应用

根据设备异常信息诊断结构，对比设备中运行期望数值状态与实际数值状态。为保证设备可达到期望状态，诊断设备故障时应计算故障参数修复值。设△E为误差系统部件X、Y、Z的公差，I为可接受最大误差，则故障诊断算法如下：

为保障故障诊断准确性，输入上述计算所得实际设备参数，跟踪监测电子设备实际状态并实时检测。采用分层诊断原理逐层诊断大型电子设备故障，准确定位故障部件及等级，排查故障位置和原因，最大程度地减少设备故障带来的损失。

2 实验结果分析

为检验本文方法对大型电子设备故障诊断的正确性和有效性，进行对比实验，使设备网络数据节点分布在2 000 m×2 000 m的均匀阵列区域范围内。设置实验参数，如表1所示。

表1 实验参数设置

参数设置后，选择没有主成分分析的支持向量机（SVM）、主成分分析+BP神经网络（PCA-BPNN）诊断方法进行对比实验。实验检测时，给电子设备设置微小故障参数，根据设备运行实际故障现象，检测传统模糊方法、专家诊断方法和实验方法的诊断效率，故障诊断结果对比数据如表2所示。

由表2可知，本文系统能够准确诊断设备故障，且效率更高。绘制传统方法和实验方法分别对早期电子系统短路故障状态波动情况的检测情况，以便分析后续故障诊断效果。故障诊断过程中，干扰参数对诊断结构造成直接影响。设备干扰参数波动越大，诊断效果越差。通过对比传统方法和本文方法的诊断干扰参数，分析故障诊断效果，结果如图1所示。