基于BP神经网络模型的电机故障诊断专家系统
BP Neural Network Model Based Expert Syste m of Fault Diagno stic of E lectrical
Machinery
黄 丹 黄采伦
(湘潭工学院信息与电气工程系,湘潭 411201)
摘 要 针对传统机械设备故障诊断专家系统存在知识获取能力弱、求解有一定局限性等问题,介绍了BP神经网络旋转机械故障诊断专家系统,对单位BP算法,BP神经网络的建立、训练及应用作了具体说明。该系统学习效率高,故障诊断准确,已成功应用于铁路机车走行部的轮对电机在线故障诊断。
关键词 BP算法 神经网络 故障诊断 电机 专家系统
Abstract T o against the weakness of capability of knowledge acquisition and lim itation of obtaining s olution in traditional fault diagnostic expert system for ma2 chinery equipment,the BP neural netw ork based expert system of fault diagnostic for rotating machinery is introduced.The unit BP alg orithm,BP neural netw ork establishment,training and application of the system are described concretely.The system features high efficiency learning and proper fault diagnosis and has been used success fully in fault diagnostic of electrical machinery of railway locom otives.
K ey w ords BP alg orithm Neural netw ork Fault diagnostic E lectrical machinery Expert system
0 引言
机械设备故障诊断是识别设备运行状态的一门新兴学科,它研究的是设备运行状态的变化在诊断信息中的反映,其研究内容包括对机器运行现状的识别诊断、对其运行过程的监测以及对其运行发展趋势的预测等三个方面。长期以来,机械设备故障(特别是突发性故障)给生产和生命造成了巨大损失,并且一直是生产过程中的潜在威胁。传统的机械设备故障诊断专家系统虽然取得了一定成功,然而它还存在许多问题,如知识获得能力弱,问题求解有一定局限性,不能满足实际要求。为了克服这些不足,我们研制了BP神经网络型旋转机械故障诊断专家系统,并成功地用于铁路机车走行部的在线故障诊断。本文介绍该系统在铁路机车走行部的轮对电机故障诊断中的应用。
1 单位BP算法
在当前已知的各种人工神经网络模型中,多层前馈神经网络是在实际应用中最为广泛的一种。关于它的研究有两个方面:学习算法和结构优化。其中,BP 算法是目前使用最为普遍的一种网络学习算法,但学习效率不高一直是它的一个应用“瓶颈”。单位BP算法针对标准BP算法收敛速度慢的缺点,对标准BP算法进行了改进,将网络中各层间权值向量分别单位化,使网络收敛速度不因接近理论极小点而减慢,有限步长之内即可达到或接近理论极小点,能够较好地克服标准BP算法收敛速度慢的缺点。本文给出的单位BP 算法的基本思想是用梯度法确定搜索方向,并以该方向上多维空间向量作为基本修正量进行权值调整,算法的收敛速度不因接近误差极小点而减慢,引入了式(1)的基本函数:
Base(k)ω=6
n
2
i=1
6n3
j=1
5E k
5ωij
2
(1)式中:n2为隐层节点数;n3为输出层节点数;k为第k 个样本;E k为第k个样本误差函数;ωij为隐层第i个节点与输出层第j个节点之间的连线权重值。
d j=-
5E k
5net c j(2) 对于隐层单元i定义误差:
e j=-
5E k
net b j(3)则:
5E k
5ωij=
5E k
5net c j?
5net c j
5ωij=-d j?b i(4)式中:
net c j=6
n
2
i=1
ω
ij
?b i , j=1,2,…,n3;(5) 5E k
5v hi=
5E k
5net b i?
5net b i
5v hi=-e i a h;(6) net b i=6
n
2
i=1
v hi;a h , j=1,2,…,n2;(7)
51
基于BP神经网络模型的电机故障诊断专家系统 黄 丹,等
n 2是隐含层节点数目。
隐含层到输出层间的权值修正量:
Δωij =
-λ
5E k
5ωij
Base (k )ω
=
-λ5E k 5ωij 6n 2i =1
6n 3
j =1
5E k 5ωij
2
=
λd j ?b i
6n 2
i =16
n 3
j =1
d j ?b i
2
(8)
输入层到隐含层间的权值修正量:
Δv hi =
-β
5E k 5v hi
Base (k )
v
=
-βe i ?a h
6n 2i =16
n 3
j =1
e i ?a h 2
(9)
2 故障诊断BP 神经网络的建立及训练
目前,神经网络的大小只是根据需要来确定。多少个故障现象,对应多少个输入节点;多少个故障部位,对应多少个输出节点。中间层隐节点数量的选取目前还没有理论指导,选取的数量只要能满足容量和一定的学习速度要求即可。
为了说明问题,选取电机的转子故障为研究对象。在一转子试验台上,振动信号由水平、垂直两个方向的涡流传感器检测,经放大、滤波及A/D 转换后,由DSP 进行频谱分析;通过调整中间轴承底坐垫片厚度,模拟转子不对中故障;调整平衡块质量,模拟转子不平衡故障;改变润滑油粘度和轴承长径比,模拟油膜振荡故障。分别取振动信号频谱中的(014～015)ω0,1ω0,2ω0,3ω0以及>3ω0分量作为特征量,因此确定用于
电机转子故障诊断的BP 神经网络结构分为三层,输入层节点数n 1=5,隐含层节点数n 2=5,输出层节点数n 3=3,具有结构如图1所示。从故障诊断实践中总结出训练神经网络的样本实例,每种故障选3组频谱值,构成相应的三种故障的9组学习样本(见表1)。在学习初期,选取较高学习率;在学习后期,选取较小学习率;步长为λ=β=1,训练精度eps =10-50。
图1 用于电机故障诊断的BP 神经网络结构
设F 为学习样本,F =(A ,Y ),A =(a 1,a 2,…,
a 5),Y =(y 1,y 2,y 3)。A 为样本输入,Y 为目标输表1 BP 神经网络训练样本
序号
故障
输入样本
理想输出
(014～015)ω01ω0
2ω0
3ω0>3ω0F 1
F 2
F 3
123不对中
0102010101010141015201400143014001470134013201350115
01100118
110010010456不平衡
0104010201050198110001900108011101120103010501020100
01020102
010*********
油膜
振荡
018801900189
0122012001250102010501030104010201030106
01020101
010010110出。a i ∈A (i =1,2,…,5)为故障信号频谱值,当a i =
0100或较小时,表示不存在该类故障现象或该类故障
现象不明显;当a i =1100或较大时,表示存在该类故障现象或该类故障现象较明显。y i ∈Y (i =1,2,3)为输出层对应单元的输出,当Y ={110,010,010}时,表示第一类故障存在,其他故障不存在;例如,当Y =
{010,110,010}时表示不平衡故障存在;当Y ={010,
010,110}时,表示油膜振荡故障存在等。当网络结构
和学习样本选取后,就可以训练神经网络,实际训练次数为61次,误差E =31448479×10-60。至此,认为神经网络已训练好,网络达到稳定状态。由于根据专家知识和实际经验选取学习样本,因此学习后的网络各权值代表了专家的知识。
3 在电机故障诊断中的应用
当进行故障诊断时,系统首先进行故障信号采集,得到电机故障现象的特征值,系统对采集到的数据进行处理计算、频谱分析。当某一输出值大于阈值时,输出诊断结果。否则,系统会重新采样并提示当前采样没有故障。用9个学习样本输入神经网络进行故障诊断,诊断正确率为100%。为验证BP 神经网络识别的正确率,采用3台分别具有不对中、不平衡、油膜振荡等3类故障的机车轮对410电机,采集6个实际的故障样本进行检验(每类故障2个样本),诊断正确率也为100%,6组样本检验精度及诊断结果列于表2。
诊断故障时,输出节点阈值θ(0<θ<1)是一个比较重要的参数,如果输出层某神经元的输出值大于θ,则认为有该类故障存在;否则,认为无故障。在确定θ值时应非常慎重,如果θ选取较小,对故障现象输入
比较敏感,抗干扰能力差,可能导致误判;如果θ选取较大,则会造成故障漏检。因此,θ值选取应仔细考虑。一般对于要求不太高的系统,θ值可取得大些;对
6
1《自动化仪表》第24卷第3期 2003年3月
PR OCESS AUTOMATION INSTRU MENTATION,V ol.24,N o.3,Mar.,2003
表2 BP神经网络非样本检验结果
检验样本输出结果
(014～015)ω01ω02ω03ω0>3ω0F1F2F3
诊断结果
0102 01010145
0148
0142
0148
0128
0136
0129
0120
1
1
1124×10-10
2102×10-39
7192×10-39
1169×10-39
不对中
0103 01020196
0191
0112
0108
0104
0101
0103
0102
5133×10-32
6101×10-32
1
1
5168×10-31
3131×10-31
不平衡
0185 01820125
0128
0106
0105
0102
0104
0101
0103
6131×10-70
6199×10-70
1127×10-69
1116×10-69
1
1
油膜振荡
于出现故障后损失重大或严重影响性能的故障,宁可错检也要使θ值小些。本系统是用于铁路机车走行部的轮对驱动电机的故障诊断,三种故障出现后会影响到驱动电机寿命、动力性及经济性,因而选取θ值为017。
4 结论
我们研制的基于BP神经网络模型电机故障诊断专家系统已经成功地用于铁路机车走行部的在线故障诊断,通过了铁道部产品质量检查中心的“电磁兼容性试验”及“型式试验”,在柳州、昆明、上海等地的铁路局已投入使用。与传统的故障诊断专家系统相比,它有如下特点:
①BP神经网络机车电机故障诊断专家系统具有柔性信息处理特点、大脑似的风格,显示了非常强的知识获取能力,较好地解决传统专家系统中知识获取的难题。
②将知识分布存储于每个神经元上,学习效率高,容错能力强,富于联想,对没有遇见过的故障也有良好的推理能力;即使输入部分故障现象不准确甚至是错误信息时,系统进行综合判断,也能给出较为理想的结果。从前面采用的9个典型训练实例回顾性诊断和6个实例验证性诊断来看,BP神经网络机车电机故障诊断专家系统诊断故障准确度非常高。
③神经网络专家系统具有统一的内部知识表示形式,任何知识规则都可变成数字形式,便于知识的组织和管理。
④BP神经网络结构简单、方法容易,为人们提供了获取知识的框架。它不仅可以应用于机车电机故障诊断,而且可以用于其他旋转机械设备故障诊断。同时,它还可以应用于信号处理、未来预测等领域。
传统专家系统基于符号推理,它描述人左脑精确处理信息的功能;而基于拓朴结构的神经网络是人类右脑功能的描述,是近似处理信息的部分。二者并存,不能互代替,神经网络与传统符号推理的结合,构成了一个完整的脑模型。这是本系统运用的成功之处。
参考文献
1 Board D B.Incipient failure detection for helicpter drive trains.AIAA/S AE 13th propulsion con ference,Orlado,Florida/july,1977:11～13
2 Lewis D J.A Self2learing fault2diagnosis system.T rans Instt MC,1991,13
(1):29～35
3 吴今培.智能故障诊断与专家系统.北京:科学出版社,2001
4 关惠玲,韩捷.设备故障诊断专家系统原理及实践.北京:机械工业出版社,2000
国家科技部“创新基金”资助项目(立项代码00C2621400861),湖南省“火炬计划”项目(湘科高火字[2000]第109号)。
收稿日期:2002-06-13。
第一作者黄丹,女,1956年生,副教授;从事计算机监控系统、机电工程、旋转机械故障诊断等领域的研究和开发工作。
《自动化仪表》 (邮发代号:4-304,定价:4.50元,全年价:54.00元;国外代号:M721)———入选“中国期刊方阵(双百期刊)”,中文核心期刊、中国科技论文统计源期刊、
《中国学术期刊综合评价数据库》来源期刊、
《中国科学引文数据库》来源期刊
欢迎赐稿,欢迎订阅,欢迎宝贵建议,欢迎惠刊各类广告
71
基于BP神经网络模型的电机故障诊断专家系统 黄 丹,等