- 相關(guān)推薦
淺談小波包變換和Elman人工神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷系統(tǒng)
1．引言
電機(jī)的故障診斷技術(shù)是隨著人工智能、模式識別以及數(shù)字信號處理技術(shù)的發(fā)展而應(yīng)運(yùn)而生的一門交叉學(xué)科。它已經(jīng)發(fā)展成為了一個(gè)集數(shù)學(xué)、物理、數(shù)字信號處理、模式識別、人工神經(jīng)網(wǎng)絡(luò)與計(jì)算機(jī)軟硬件于一體的綜合性課題，并在理論研究與工程應(yīng)用方面都得到了推廣。
小波分析已經(jīng)成為一個(gè)用于診斷機(jī)械系統(tǒng)故障的有效途徑。在1997年，Li和Ma提出了一種基于小波變換軸承局部檢測方法。在2002年，Sung等提出了一種基于離散小波變換的定位錯誤分析方法[1]。同樣在2002年，Zheng等提出了一種基于連續(xù)小波變換的時(shí)間平均小波譜概念[2]。
盡管小波變換僅分解出低頻率分量，但是小波包變換分解出信號的低頻分量和高頻分量。這種收集了任意時(shí)域和頻域方案中大量信息的適應(yīng)性可以更好的提取穩(wěn)態(tài)信號和非穩(wěn)態(tài)信號的特征。在故障診斷領(lǐng)域，錯誤特征的提取扮演著極為重要的角色。在提取了故障特征之后，一個(gè)合適人工神經(jīng)網(wǎng)絡(luò)是一種理想的輔助區(qū)分故障的手段。一個(gè)智能的故障診斷系統(tǒng)將通過故障監(jiān)測系統(tǒng)和人工神經(jīng)網(wǎng)絡(luò)得以實(shí)現(xiàn)，并將兩者有機(jī)的聯(lián)系起來。
目前，電機(jī)故障診斷有傳統(tǒng)方法與現(xiàn)代方法之分。其中，定子電流分析診斷方法應(yīng)用最廣，它可以在線應(yīng)用，既保證了電機(jī)的連續(xù)運(yùn)轉(zhuǎn)，又不會破壞電機(jī)本身[3]。但基于穩(wěn)態(tài)電流診斷方法存在頻域混疊的缺點(diǎn)，使檢測準(zhǔn)確性降低。頻譜分析方法的準(zhǔn)確性容易受到電動機(jī)負(fù)載以及供電品質(zhì)的影響，在具體實(shí)施過程中會遇到很多困難[4]。磁譜分析方法容易受到其它點(diǎn)此干擾，使用起來也不方便[5]。
隨著小波變換的發(fā)展逐漸深入，國外學(xué)者提出利用樣條小波抵消工頻信號分量的方法，通過頻譜分析進(jìn)行診斷，但小波變換頻率分辨力應(yīng)用技術(shù)并不成熟。而基于信號處理的方法回避了抽取研究對象數(shù)學(xué)模型的難點(diǎn)，在故障診斷方法領(lǐng)域的應(yīng)用日趨廣泛。
2．Elman 人工神經(jīng)網(wǎng)絡(luò)
Elman 網(wǎng)絡(luò)是Elman 于1990 年首先針對語音處理問題而提出來的，是一種具有很強(qiáng)的計(jì)算能力的典型的局部回歸網(wǎng)絡(luò)。 網(wǎng)絡(luò)可以看作是一種特殊的前向神經(jīng)網(wǎng)絡(luò)，它同時(shí)具有局部反饋連接和局部記憶單元。同時(shí)網(wǎng)絡(luò)具有與多層前向網(wǎng)絡(luò)相似的多層結(jié)構(gòu)。
動態(tài)記憶能力強(qiáng)是 人工神經(jīng)網(wǎng)絡(luò)的一個(gè)主要特點(diǎn)，再加上其對于非線性函數(shù)的逼近能力，因此可以被用作有效的系統(tǒng)辨識工具在各行各業(yè)諸多領(lǐng)域中廣泛的應(yīng)用。
Elman 網(wǎng)絡(luò)主要由輸入層、隱層、輸出層和承接層（上下文單元）四個(gè)不同層組成. 輸入層、輸出層的用途類似于其它前饋網(wǎng)絡(luò)：輸入層僅用于信號輸入，輸出層單元僅對信號輸出進(jìn)行加權(quán)計(jì)算。不同點(diǎn)在于承接層，也稱上下文單元或狀態(tài)層，承接層從隱含層接收反饋信號，用來記憶隱含層神經(jīng)元前一時(shí)刻的的輸出值，承接層神經(jīng)元的輸出經(jīng)延遲與存儲，再輸入到隱含層。這樣就使其對歷史數(shù)據(jù)具有敏感性，增加了網(wǎng)絡(luò)自身處理動態(tài)信息的能力。
承接層的作用可以看成是一步延時(shí)算子。特點(diǎn)就是隱含層的輸出通過承接層的延遲與存儲，自己聯(lián)接到隱含層的輸入，這種自聯(lián)的方式使其對歷史狀態(tài)的數(shù)據(jù)具有更強(qiáng)的敏感性，而加入了內(nèi)部反饋網(wǎng)絡(luò)之后則增加了網(wǎng)絡(luò)本身處理動態(tài)信息的能力，從而達(dá)到動態(tài)建模的目的。
上述三個(gè)式子中， y 用來表示m 維輸出神經(jīng)元矢量， x 用來表示n 維承接層神經(jīng)元輸入矢量，u 用來表示r 維輸入向量， c x 表示n維承接層神經(jīng)元反饋輸出向量。w3為隱含層神經(jīng)元到輸出層神經(jīng)元的連接權(quán)值，w2為輸入層神經(jīng)元到隱含層神經(jīng)元連接權(quán)值，w1表示承接層神經(jīng)元到隱含層神經(jīng)元連接權(quán)值。g(?)是輸出神經(jīng)元的傳遞函數(shù)，是隱含層輸出的線性組合。f (?)是隱含層神經(jīng)元的傳遞函數(shù)，通常選用S 函數(shù)：
3．小波包變換
小波變換是一種具有更好擴(kuò)展性和靈活性的時(shí)頻分析方法，然而小波變換作為一個(gè)頻域分析方法有一個(gè)嚴(yán)重的問題，就是在針對高頻區(qū)域進(jìn)行小波分析時(shí)，該方法有嚴(yán)重的缺陷。
因此，當(dāng)信號在高頻區(qū)域分布緊密時(shí)小波變換很難提高其分辨率。為了提高高頻區(qū)域中小波變換的分辨率，小波包變換得以被提出，小波包變換是基于小波變換提取了小波函數(shù)線性區(qū)域的分析方法。小波包基本繼承了相應(yīng)小波函數(shù)的基本屬性，比如正交性以及頻率分布等。
小波包變換的結(jié)構(gòu)也與離散小波變換比較類似，兩者都有多尺度分析的框架。離散小波變換和小波包變換的主要區(qū)別在于小波包變換可以同時(shí)分裂多個(gè)細(xì)節(jié)和近似的描述，但是離散小波變換只能分裂出一個(gè)近似的描述。因此小波包變換在每一個(gè)尺度上有這相同的頻率帶寬而，離散小波變換就沒有這個(gè)特點(diǎn)。小波包變換的這種分辨率模式保證了原始信號的信息不會因?yàn)樽儞Q增加或者減少信息。因此，在中頻和高頻區(qū)域有更好質(zhì)量的信號可以用來進(jìn)行更高頻率的信號分析�？梢哉f小波包變換適用于信號處理尤其適用于對非穩(wěn)態(tài)信號進(jìn)行處理，因?yàn)樾盘栐谶M(jìn)行小波包變換后各個(gè)尺度上有這相同的頻帶寬度而與頻率本身的高或者低無關(guān)。
4．電機(jī)故障診斷系統(tǒng)仿真與研究
在電機(jī)運(yùn)行過程中，經(jīng)過統(tǒng)計(jì)在絕大多數(shù)情況下，電機(jī)工作在正常運(yùn)行狀況，其余時(shí)刻有三種可能常見錯誤可能會在運(yùn)行過程中發(fā)生：正常運(yùn)轉(zhuǎn)無任何故障發(fā)生、基座螺栓松脫、外殼破裂、轉(zhuǎn)子不對中。
在本文提出的電機(jī)故障診斷策略中，主要考慮上述電機(jī)在運(yùn)行過程中的三種常見運(yùn)行故障和通常正常的運(yùn)行情況。因此，在仿真過程中，以上四種運(yùn)行條件將被考慮到，并會根據(jù)采集到的數(shù)據(jù)通過診斷系統(tǒng)判決出電機(jī)工作在上述四種工作情況的哪一種。
本次實(shí)驗(yàn)中用來進(jìn)行故障診斷的系統(tǒng)由一個(gè)速度控制單元，三相感應(yīng)電動機(jī)，一個(gè)三相加速器（飛思卡爾半導(dǎo)體公司的MMA 7260Q），數(shù)據(jù)采集板，以及Matlab 仿真平臺構(gòu)成。
其中數(shù)據(jù)采集板通過PCMCIA（Personal Computer Memory Card International Association）接口連接到筆記本電腦終端上。加速器安裝在電機(jī)外殼表面，用來測量振動幅度，其信號采集頻率為1 千赫茲。其實(shí)拍圖所示：
首先通過振動傳感器采集到電機(jī)在運(yùn)轉(zhuǎn)過程中的振動信號，并通過數(shù)據(jù)總線上傳至電腦，再按照頻率順序小波包分解對數(shù)據(jù)進(jìn)行處理，接下來通過時(shí)頻方法矩陣對處理后的數(shù)據(jù)提取特征值，并使用提取出的特征值對Elman 人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。最后得出計(jì)算結(jié)果，診斷出電機(jī)在運(yùn)行過程中發(fā)生的故障，并與實(shí)際狀況做出對比。具體流程圖如下所示：
經(jīng)過上面數(shù)據(jù)采集單元中震動傳感器采集進(jìn)入電腦的數(shù)據(jù)分為4 組，每組有1000 個(gè)點(diǎn)的數(shù)據(jù)，分別對應(yīng)著電機(jī)運(yùn)轉(zhuǎn)在四種不同工作狀況之下。
為了對 Elman 人工神經(jīng)網(wǎng)絡(luò)進(jìn)行有效的訓(xùn)練，并最后對故障進(jìn)行有效的診斷，我們將使用Matlab 中的人工神經(jīng)網(wǎng)絡(luò)工具箱和Simulink 仿真平臺。
在實(shí)驗(yàn)中，對于Elman 人工神經(jīng)網(wǎng)絡(luò)參數(shù)選擇為：輸入神經(jīng)元個(gè)數(shù)為1，輸出神經(jīng)元個(gè)數(shù)為2，隱含層神經(jīng)元個(gè)數(shù)為300。
上圖為 Elman 人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果圖，在訓(xùn)練過程中，可以看到訓(xùn)練過程的初期誤差下降速度很快，在經(jīng)過大約2000 次訓(xùn)練之后誤差降低到0.1 之下，其后誤差下降速度大致趨于一個(gè)平穩(wěn)的速度。
為了能夠驗(yàn)證對Elman 人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的性能，實(shí)驗(yàn)中提供了3 組故障信號數(shù)據(jù)并用訓(xùn)練好的Elman 人工神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。診斷結(jié)果如下面所示：
從上面一組 3 幅圖可以看出，對于每種錯誤有4 組連續(xù)矢量，每一組矢量通過移動滑動窗可以得到3 組不同的連續(xù)矢量，這些矢量可以用來對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。
圖中橫軸為時(shí)間軸，在時(shí)刻0 到18 這段時(shí)間，第一組數(shù)據(jù)被輸入到神經(jīng)網(wǎng)絡(luò)中，該組數(shù)據(jù)代表電機(jī)工作在正常狀況下，可以看到相應(yīng)的輸出結(jié)果為[0,0]。在時(shí)刻19 到36 這段時(shí)間中，第二組數(shù)據(jù)被輸入到神經(jīng)網(wǎng)絡(luò)中，該組數(shù)據(jù)代表電機(jī)工作中發(fā)生了基座松脫的故障，可以看到相應(yīng)的輸出結(jié)果為[0,1]。在時(shí)刻37 到54 這段時(shí)間中，第三組數(shù)據(jù)被輸入到神經(jīng)網(wǎng)絡(luò)中，該組數(shù)據(jù)代表電機(jī)工作中放置不平衡，可以看到相應(yīng)的輸出結(jié)果為[1,0]。在時(shí)刻55到72 這段時(shí)間中，第二組數(shù)據(jù)被輸入到神經(jīng)網(wǎng)絡(luò)中，該組數(shù)據(jù)代表電機(jī)工作中發(fā)生了外殼破裂的故障，可以看到相應(yīng)的輸出結(jié)果為[1,1]。
通過上面三組神經(jīng)網(wǎng)絡(luò)診斷結(jié)果的輸出圖可以看出，經(jīng)過訓(xùn)練后的Elman 人工神經(jīng)網(wǎng)絡(luò)可以通過對輸入的振動信號進(jìn)行診斷有效的診斷出電機(jī)在工作中所出現(xiàn)的故障。期望輸出與實(shí)際輸出均值如下表所示：
5．總結(jié)
從上面測試結(jié)果可以看出，利用小波包變換對采錄進(jìn)來的振動信號進(jìn)行處理可以有效的提取敏感的特征向量。并能夠利用這些特征向量對Elman 人工神經(jīng)網(wǎng)絡(luò)進(jìn)行有效的訓(xùn)練，從而使神經(jīng)網(wǎng)絡(luò)系統(tǒng)對直流電機(jī)的故障做出準(zhǔn)確的辨識。上面的結(jié)果表明本文所設(shè)計(jì)的基于小波包變換和Elman 人工神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷系統(tǒng)可以準(zhǔn)確對電機(jī)在工作過程中的運(yùn)行狀況進(jìn)行準(zhǔn)確的診斷。
中國碩士論文網(wǎng)提供大量免費(fèi)碩士畢業(yè)論文,如有業(yè)務(wù)需求請咨詢網(wǎng)站客服人員！
參考文獻(xiàn)
[1] R.C. Luo, M.G. Kay, “Multi-sensor integration and fusion in intelligent systems”, IEEE Trans. Systems Man
Cybernet. 19 (1989) 901–931.
[2] A. Noori-khajavi, R. Komanduri, “on multisensor approach to drill wear monitoring”, Ann.CIRP 42 (1993)
71–74.
[3]I. F. Akyildiz, W. Su, Y. Sankarasubramaniam, E. Cayirci, “Wireless Sensor Networks: A Survey”, Computer
Networks, Computer Networks Journal, vol. 38, 2002, pp. 102-105.
[4] F. Hlawatsch and G. F. Boudreaux-Bartels, “Linear and quadratic timekequency signal representations,” IEEE
Signal Processing Mag., vol. 9, pp. 21-67, Apr.1992.
[5] 0. Rioul and M. Vetterli, “Wavelets and signal processing,” IEEE Signal Processing Mag., vol. 8, pp.14-38, Oct.
1991.
【淺談小波包變換和Elman人工神經(jīng)網(wǎng)絡(luò)的電機(jī)故障診斷系統(tǒng)】相關(guān)文章：
基于小波包分解的煤礦通風(fēng)機(jī)故障診斷03-07
淺談計(jì)算機(jī)硬件故障和日常維護(hù)05-08
淺談發(fā)電機(jī)并網(wǎng)系統(tǒng)01-01
淺談對鍋爐運(yùn)行故障原因的分析03-01
基于專家系統(tǒng)的雷達(dá)電源故障診斷系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)03-07
基于嵌入式Web服務(wù)器的遠(yuǎn)程故障診斷系統(tǒng)03-18
淺談模擬電路故障原因與診斷方法03-18