CN105137354B - 一种基于神经网络电机故障检测方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的电机故障检测方法，包括收集电机运行参数的历史数据，整理电机运行参数历史数据并形成样本，根据样本设计神经网络的结构，训练和检测神经网络样本，并通过神经网络检测电机状态。本发明能够实现对电机实时有效检测，在故障初期就能做出预警。

Description

一种基于神经网络电机故障检测方法

技术领域

本发明涉及一种故障诊断方法，尤其涉及一种基于神经网络的电机故障诊断方法。

背景技术

电动机是一种广泛运用在工业生产中的设备，电机的运行状况对企业生产有着重要意义，电动机故障检测越来越引起人们的注意。

传统的电机测试方法大多只针对单一种类电机，设计复杂通用性差，而且测试过程繁琐，不利于测试系统的集成化的缺点。而电机电流信号分析法仅对特定的一个或两个故障频率进行分析，判断电机是否有某个故障，检测单一，有较大的局限性。且电机电流信号分析法需要采集频率，步骤繁琐，其检测系统在系统受到干扰时，极易受到外界变化的影响，在扰动过大时，干扰信号会覆盖故障信号，导致错报和漏报可能性很高，诊断可靠性不能得到保证，检测性能较差。

发明内容

发明目的：本发明提出一种基于神经网络的电机故障诊断方法，能够实现对电机实时有效检测，在故障初期就能做出预警。

技术方案：一种基于神经网络的电机故障检测方法，包括如下步骤：

A)收集电机运行参数的历史数据，包括电机正常运行数据与电机故障数据；

B)整理所述步骤A)电机运行参数历史数据并形成样本，样本的格式为：每一条数据按输入-输出对模式组织，输入为电机运行参数，输出为电机定子电流，样本分为训练样本和检测样本两部分；

C)根据所述步骤B)的样本设计神经网络的结构,采用步骤B)得到的训练样本进行神经网络训练，直到神经网络稳定；D)使用所述步骤C)神经网络对实时检测数据滤波消除检测噪声，复制神经网络，生成神经网络1和神经网络2，由神经网络2先学习检测样本，将神经网络2的输出作为神经网络1的输出期望值，根据神经网络2对样本的学习结果更新神经网络权值，继续学习检测样本，同时提取神经网络1输入层的输出权值向量，作为故障检测样本；

E)提取神经网络1的输入层权值向量W_1·，并针对其建立PCA模型，对PCA 模型计算出相应的检测指标T²统计量和SPE，根据SPE的值是否超出控制限判断电机运行状态；

F)整理正常状态下和故障状态下样本输入时神经网络1的输入层权值向量 W_1·形成的故障检测样本；

G)用F)中的检测样本对E)所得故障诊断模型进行反复检验，如果检验效果良好，则诊断模型有效，可以用于故障诊断，否则，则重新根据D)、E)和F)进行训练建模；

H)实时读取电机的最新运行参数，将这些参数输入到所述神经网络中，将神经网络1的输出权值向量输入故障诊断模型，计算所得PCA检测指标SPE和T²是否满足置性指标。

进一步的，所述步骤C)采用神经网络，首先设计所述神经网络的输入值、输出值、层数、各层节点数和各层的激活函数；所述样本每次输入时训练神经网络的一个权值，一个样本要连续输入直到网络权值全部更新；神经网络依次接收所述训练样本进行训练，直到神经网络权值稳定。

有益效果：相对于现有的电机电流信号分析法对不同电机进行故障检测时，需要采集频率造成相应检测模型调整大，本发明不仅可以对电机故障进行在线检测，且自适应能力强，可以对多种电机故障进行检测。

附图说明

图1是本发明流程图；

图2是本发明中神经网络学习结构示意图。

具体实施方式

下面将结合附图，对本发明的实施案例进行详细的描述；

如图1所示，样本制造收集电机运行的历史数据，格式为：每一条数据按照输入—输出对的模式组织。输入为定子电压、转子电压、负载、电机轴温、电机定子溫度、转子转速，输出为定子电流；将全部样本的75％作为训练样本，余下的25％作为检测样本；

如图2所示，设计神经网络的输入值、输出值、层数、各层节点数和各层的激活函数，神经网络采用四层神经网络，网络节点数为6-9-8-1。在上述神经网络结构下，为提高网络的训练速度和减少权值初始值选取不合理对训练的影响，这里每次样本输入时只训练一个权值，一个样本要连续输入直到网络中所有权值全部更新一遍，新型神经网络接收下一个训练样本，网络权值继续更新，直到神经网络稳定。

使用神经网络对样本滤波消除检测噪声，复制神经网络，生成神经网络1 和神经网络2，由神经网络2先学习检测样本，将神经网络2的输出作为神经网络1的输出期望值，根据神经网络2对样本的学习结果更新神经网络权值，网络继续学习检测样本，同时提取神经网络1输入层的输出权值向量；

提取上述正常状态下和故障状态下样本输入时神经网络1输入层权值向量 W_1·；

建立输入层权值向量W_1·的PCA模型(主元分析模型)，并针对PCA模型计算出其相应的检测指标Hotelling’s T²统计量(以下简称T²统计量)和SPE(平方预测误差，也称Q统计量)；

假设x∈R_m表示具有m个维度的权值向量(即m为权值向量x的维数)，数据矩阵X∈R_n×m由n个不同时刻的权值向量组成。将数据矩阵X各列经过标准化处理成零均值和单位方差的变量，可以得到进行标准化后的权值向量x的协方差矩阵S，并对该协方差矩阵特征值分解并按大小降序排列。协方差矩阵S为：

其中，将数据矩阵X各列经过标准化处理成零均值和单位方差的变量的方法是将数据矩阵X的每一列减去相应的变量均值并且除以相应的变量标准差。

根据PCA模型将测量变量空间分成主元子空间和残差子空间两个正交且互补的子空间，任意一个样本向量均可分解成为在主元子空间和残差子空间上的投影，即PCA模型将权值矩阵X∈R_n×m分解成建模部分和残差部分E两个部分

将数据矩阵T₁各列经过标准化处理成零均值和单位方差的变量得到协方差矩阵S₁，并对该协方差矩阵对角线元素按大小降序排列，对应矩阵T₁也按此排序，并构造矩阵P₁。协方差矩阵S₁为：

根据T₁和P₁的排序确定主元和残差。

其中，表示被建模部分；E表示残差部分；P∈R_m×A为负载矩阵，是由S的前A个特征向量组成的，A表示主元的个数；T∈R_n×A为得分矩阵,T＝XP；

在PCA模型中，针对PCA模型需要计算出其相应的检测指标T²统计量和 SPE，即T²和SPE，用SPE指标衡量样本向量在残差空间投影的变化，用T²统计量衡量测量变量在主元空间中的变化：

其中，SPE指标表达式为：

式中，I为单位矩阵；表示置信水平为α时SPE的控制限。当SPE在控制限内时，认为当前运转过程处于正常状态。当SPE值超出了统计控制限时，代表当前运转过程发生了故障，SPE值的变化代表着数据间相关性的变化。该控制限的计算公式为：

式中，λ_j为样本矩阵X的协方差矩阵Σ的特征值，c_α为标准正态分布在置信水平α下的阈值，m是样本x的维数。

T²统计量表达式为：

其中，Λ＝diag{λ₁,λ₂,…,λ_A}，表示置信度为α的T²统计限。当T²位于控制限内时，认为当前运转过程处于正常工作状态。

检测时，将检测样本输入到神经网络训练神经网络，每次训练完成后将提取神经网络1的输入层输出权值向量，带入PCA模型中，计算得到SPE和T²在控制限内，则当前运转过程处于正常状态，否则判断运转过程发生了故障；

采用随时间加权算法对多PCA模型中的各个T²统计量和SPE两检测指标进行优化，并根据优化后的检测指标T²统计量和SPE对机械设备进行故障检测，检测得到过渡过程机械设备的故障数据，通过优化后的检测指标进行故障检测可以有效避免在工况过渡过程中出现故障误报。

Claims (2)

1.一种基于神经网络的电机故障检测方法，其特征在于，包括如下步骤：

A) 收集电机运行参数的历史数据，包括电机正常运行数据与电机故障数据；

B) 整理所述步骤 A)电机运行参数历史数据并形成样本，样本的格式为：每一条数据按输入-输出对模式组织，输入为电机运行参数，输出为电机定子电流，样本分为训练样本和检测样本两部分；

C）根据所述步骤B）的样本设计神经网络的结构，采用步骤B)得到的训练样本进行神经网络训练，直到神经网络稳定；

D) 使用所述步骤 C)神经网络对检测样本滤波消除检测噪声，复制神经网络，生成神经网络 1 和神经网络 2，由神经网络 2 先学习检测样本，将神经网络 2 的输出作为神经网络 1 的输出期望值，根据神经网络 2 对检测样本的学习结果更新神经网络权值，继续学习检测样本，同时提取神经网络1输入层的输出权值向量，建立PCA模型检测样本；

E)提取神经网络 1 的输入层权值向量W1.，并针对其建立PCA故障诊断模型，对PCA故障诊断模型计算出相应的检测指标T 2 统计量和SPE ，根据SPE 的值是否超出控制限判断电机运行状态；

F)整理检测样本输入时神经网络 1 的输入层权值向量W1.形成的PCA模型检测样本；

G)用 F)中的PCA模型检测样本对 E)所得故障诊断模型进行反复检验，如果检验效果良好，则诊断模型有效，可以用于故障诊断，否则，则重新根据 D)、E)进行训练建模；

H）实时读取电机的最新运行数据作为检测样本，将读取的检测样本输入到所述神经网络中，将神经网络 1 的输出权值向量输入故障诊断模型，计算所得PCA检测指标SPE 和T2是否满足置性指标。

2.根据权利要求1所述的基于神经网络的电机故障检测方法，其特征在于，所述步骤C)采用神经网络，首先设计所述神经网络的输入值、输出值、层数、各层节点数和各层的激活函数；所述训练样本每次输入时训练神经网络的一个权值，一个样本要连续输入直到网络权值全部更新；神经网络依次接收所述训练样本进行训练，直到神经网络权值稳定。